17、图像分类中的支持向量机与人工神经网络技术

图像分类中的支持向量机与人工神经网络技术

1. 直方图与直方图交集

直方图是一种统计特征，它能够捕获图像或图像块中的特征分布。直方图交集则用于衡量两个分布的共享区域大小，共享区域越大，两个分布就越相似。例如，有两个直方图，其共享区域约占两个直方图总面积的 33%，那么这两个直方图的相似度约为 33%。

2. 支持向量机（SVM）

2.1 核支持向量机

核支持向量机本质上是一种基于训练的最近邻分类器。通过使用点积，支持向量机可以转变为非线性最近邻分类器。传统的最近邻分类器存在两个局限性：一是需要确定 k 值；二是不支持训练。不过，如果训练集足够大，这两个局限性都可以被克服。具体操作如下：
- 确定 k 值 ：可以通过经验来确定 k 值。
- 克服不支持训练的问题 ：使用分段线性近似来确定分类边界。例如，某些数据的分类边界可以用 5 个超平面来近似，这些超平面可用于对新数据进行分类。

虽然 K - NN 给出的分段线性边界不如核支持向量机提供的边界最优，但在分类效果上，这两种分类器的有效性是相当的，只是 K - NN 的效率不如 SVM。

2.2 SVM 的融合

2.2.1 二元 SVM 的融合

SVM 本质上是二元分类器，但自动图像分类和标注需要多类分类器。最常见的方法是为每个概念 c 训练一个单独的 SVM，每个 SVM 生成一个决策值 dc(x)。在测试阶段，将所有分类器的决策进行融合，以获得测试图像的最终类别标签。这个过程分为两个层次：
-