基于SVM-PP的图像特征提取

最新推荐文章于 2021-11-12 20:56:19 发布

Occams剃刀

最新推荐文章于 2021-11-12 20:56:19 发布

阅读量409

点赞数

CC 4.0 BY-SA版权

文章标签： SVM 特征提取

本文链接：https://blog.youkuaiyun.com/sinat_26876713/article/details/78068601

本文介绍了如何使用SVM-PP方法进行图像特征提取。通过构造投影指标，将d维原始数据两类训练集X1和X2映射到线性投影方向a上，得到Y1和Y2。目标是寻找最优投影方向，使得投影后的特征能以最小错误率区分样本类别。错误分类样本数ε1和惩罚系数C用于衡量分类效果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

        利用SVM-PP法设计构造投影指标进行特征提取的计算过程如下:
        假定有d维原始数据两类训练集合分别为 $X_1$ ={ $x_1,x_2,...x_{n1}$ }， $X_2$ ={ $x_{n1+1},x_{n1+2},...x_{n1+n2}$ }，其中符号n1和n2各自表示上述两种类别内的样本个数。判定所需的线性投影方向为 $a$ ={ $a_1,a_2,...,a_d$ }，则获取投影特征为 $Y_1$ = $a'.X_1$ 和 $Y_2$ = $a'.X_2$ 。其中，对识别问题来说应搜寻最优线性投影方向，使投影特征 $Y_1$ 和 $Y_2$ 必须满足样本分类具有最小的错误率，其具体判定公式如下:
                      $minI(Y_1,Y_2)=C(\sum_{i=1}^2SVM(\varepsilon_1))$
式中，系数 $\varepsilon_1$ 分别代表在支持向量机分类函数中的两个种类的错误分类样本数，用于评价相应变换所得投影特征正确分类样本的能力；符号表示惩罚系数。