GLCM-SVM-master
所属分类：matlab编程
开发工具：matlab
文件大小：4748KB
下载次数：3
上传日期：2020-07-27 19:36:13
上 传 者：
FmingC
说明： 支持向量机（Support Vector Machine, SVM）是一类按监督学习（supervised learning）方式对数据进行二元分类的广义线性分类器（generalized linear classifier），其决策边界是对学习样本求解的最大边距超平面（maximum-margin hyperplane）
(Support Vector Machine, SVM)
文件列表:
assets (0, 2019-05-18)
assets\1555226757177.png (29571, 2019-05-18)
assets\1555226955414.png (13441, 2019-05-18)
src (0, 2019-05-18)
src\GlCM_IP.m (5146, 2019-05-18)
src\SVMdemo.m (1556, 2019-05-18)
src\classifySample (0, 2019-05-18)
src\classifySample\a1.jpg (19453, 2019-05-18)
src\classifySample\a2.jpg (26864, 2019-05-18)
src\classifySample\a3.jpg (30689, 2019-05-18)
src\classifySample\a4.jpg (12996, 2019-05-18)
src\classifySample\b1.jpg (6564, 2019-05-18)
src\classifySample\b2.jpg (32397, 2019-05-18)
src\classifySample\b3.jpg (4544, 2019-05-18)
src\classifySample\b4.jpg (47966, 2019-05-18)
src\contrastShow.m (168, 2019-05-18)
src\demo.m (4133, 2019-05-18)
src\imgFiles (0, 2019-05-18)
src\imgFiles\p1.jpg (21210, 2019-05-18)
src\imgFiles\p2.jpg (35998, 2019-05-18)
src\imgFiles\p3.jpg (27319, 2019-05-18)
src\imgFiles\p5.jpg (124558, 2019-05-18)
src\img_process_fuc.m (3523, 2019-05-18)
src\libsvm (0, 2019-05-18)
src\libsvm\COPYRIGHT (1497, 2019-05-18)
src\libsvm\FAQ.html (83087, 2019-05-18)
src\libsvm\Makefile (732, 2019-05-18)
src\libsvm\Makefile.win (1136, 2019-05-18)
src\libsvm\heart_scale (27670, 2019-05-18)
src\libsvm\java (0, 2019-05-18)
src\libsvm\java\Makefile (659, 2019-05-18)
src\libsvm\java\libsvm.jar (55185, 2019-05-18)
src\libsvm\java\libsvm (0, 2019-05-18)
src\libsvm\java\libsvm\svm.java (64242, 2019-05-18)
src\libsvm\java\libsvm\svm.m4 (63439, 2019-05-18)
src\libsvm\java\libsvm\svm_model.java (868, 2019-05-18)
... ...
# 基于灰度共生矩阵的图形纹理检测及路面状况的SVM分类实现
[TOC]
图像的特征提取是图像的识别和分类、基于内容的图像检索、图像数据挖掘等研究内容的基础性工作,其中图像的纹理特征对描述图像内容具有重要意义,纹理特征提取已成为图像领域研究的一个重要方法。
本项目以道路状况分类为背景,基于SVM使用纹理特征参数完成对道路状况的分类。
## 灰度共生矩阵的特征参数
- 二阶矩
- 对比度
- 相关性
- 熵
- 逆差距
## 实现过程
本文以识别路况为背景设计系统,首先读取图像文件,在为了得到较为理想的结果,给出的图片尺寸较小,这样的目的在于提高运行速度、能够对理想情况下的识别结果有更加精确的把握。由于RGB图像的体积较大,但另一方面我们也知道,一张图片也可以用其灰度图像来反映,因此,对目标图像进行灰度的转化,可以降低对设计复杂度和运行效率的要求。尽管灰度转化后可以有效的降低图片的大小,但是对于256灰度级的图片仍然会给处理带来一些时间上的消耗,因此需要在保持原图像信息不变的情况下大量削减灰度级,通过对图像进行直方图均衡化处理,增加灰度值的动态范围,从而增加图像的整体对比效果。通常,需要将每个扫描的方向所计算的特征参数计算出来作一个权衡,这样能够更好地综合影响因素,一般会将每个方向的特征参数计算出来取平均,这样就可以以一个综合的指标来识别图像了。把所有的设计思路综合起来,可以用下图所示的系统设计框图来反映。
## 分类结果
通过样本标签和分类后的标签对比,得出使用能量和对比度作为训练分类器的样本,分类器对于实验待分类样本分类的其正确率为:95%,由此可以看出,这个分类器对于道路状况的分类仍然具有一定的意义。
## 设计总结
- 计算灰度共生矩阵时要考虑三个变量,图像灰度级、方向和距离。
- 对于灰度级的选取,灰度级决定了灰度共生矩阵的计算规模,降低灰度级可以提高计算速度和减少存储空间需求,且适当降低灰度级还可以减少噪声对图像的影响,但过小的灰度级会破坏有用纹理的成分。
- 对于距离d的选择,共生矩阵在精细纹理中随距离而快速变化,而在粗糙纹理中随距离则变化缓慢。一般而言,对于平滑纹理用较大的距离,对于粗糙纹理用较小的距离会取得较好的效果。对于方向的选择,一般有四种取值,通过不同方向可以考察不同的纹理,不同方向生成的共生矩阵中包含不同的纹理信息。在考虑方向时,往往是分别计算四个方向灰度共生矩阵所确定的纹理特征值,然后以各方向特征值的均值作为最终纹理分量。
- 利用SVM进行分类时,样本的选取和核函数的选取是分类器是否优良的一个重要影响因素,因此,对于一个优良的分类器,应该充分考虑各种影响因素后,选择一个最优的方案才能使待分类目标得到更好的分类。
近期下载者：
相关文件：
收藏者：