(3.236.231.61) 您好!臺灣時間:2021/05/11 21:58
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果

詳目顯示:::

: 
twitterline
研究生:何彥宗
研究生(外文):Yen-Tsung Ho
論文名稱:基於支援向量機之圖像分類研究:以軍事圖像為例
論文名稱(外文):Image Classification Research Based On Support Vector Machine:The Case Study of Military Image
指導教授:左杰官左杰官引用關係
指導教授(外文):Brandt Tso
口試委員:劉興華盧文民王宗誠
口試委員(外文):Shing-Hwa LiuWen-Min LuTsung-Cheng Wang
口試日期:100.5.12
學位類別:碩士
校院名稱:國防大學管理學院
系所名稱:資源管理及決策研究所
學門:商業及管理學門
學類:其他商業及管理學類
論文種類:學術論文
論文出版年:2011
畢業學年度:99
語文別:中文
論文頁數:86
中文關鍵詞:形狀特徵紋理特徵色彩特徵特徵擷取支援向量機基因演算法
外文關鍵詞:Texture featureColor featureTexture featureFeature extractionSupport vector machineGenetic algorithms
相關次數:
  • 被引用被引用:1
  • 點閱點閱:318
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:32
  • 收藏至我的研究室書目清單書目收藏:1
軍事圖像隨者數位科技的進步,使圖像不斷累積增加,然而隨著數位影像複雜度與資料量的大幅增加,如何提高軍事圖像分析辨識準確度,使軍事圖像加以整理並能系統化進行分析,發展完整有力的分析辨識方法,將可提供我國軍事科技研究發展運用,且軍事圖像在管理上必須長期、持續及有效的蒐集與分析,隨著國軍組織人力精簡,為節省人力並有效提高人員效能,達成有效的軍事圖像管理。
因此,如何選擇最佳的分析辨識方法,一直是圖像分析問題中經常討論與研究的重點之一,本研究運用支援向量機於軍事圖像的應用,藉由色彩圖像資訊和不同輔助資訊(紋理及形狀)的加入,來暸解對支援向量機分類辨識方法準確度的影響;實驗結果顯示在色彩特徵部分,以L層的73.67%正確率最高;紋理特徵部分,以LH層的90.33%正確率最高;形狀特徵部分以Q5的97.75%正確率最高。
目錄
摘要 i
Abstract ii
目錄 iii
表目錄 vii
圖目錄 viii
第一章 緒論 1
1.1 研究背景與動機 1
1.2 研究目的 2
1.3 研究範圍 4
1.4 研究限制 4
1.5 研究架構 4
第二章 文獻探討 6
2.1 圖像內容檢索概述 6
2.2 圖像特徵值擷取 7
2.2.1 色彩特徵 8
2.2.2 紋理特徵 11
2.2.3 形狀特徵 12
2.3 色彩特徵擷取 12
2.3.1 CIE LAB轉換 13
2.3.2 離散餘弦轉換 13
2.4 紋理特徵擷取 15
2.4.1 小波轉換 16
2.4.2 灰階共生矩陣 18
2.5 形狀特徵擷取 22
2.5.1 隱匿式馬可夫模式 23
2.5.2 Sobel邊緣檢測 25
2.6 分類辨識相關方法探討 27
2.7 支援向量機分類辨識之應用 28
2.8 支援向量機基本理論 30
2.8.1 線性支援向量機 31
2.8.2 非線性支援向量機 34
2.8.3 核心函數 36
2.8.4 參數選擇 38
2.8.5 多類支援向量機分類法 39
2.9 基因演算法 40
第三章 研究方法與設計 43
3.1 研究方法流程 43
3.2 研究圖像蒐集 44
3.3 圖像前置處理 45
3.4 特徵擷取 46
3.4.1 色彩特徵擷取 47
3.4.2 紋理特徵擷取 49
3.4.3 形狀特徵擷取 50
3.4.4 資料格式轉換 54
3.5 支援向量機開發工具 54
3.6 實驗設計 57
3.6.1 色彩特徵分類程序 58
3.6.2 紋理特徵分類程序 58
3.6.3 形狀特徵分類程序 59
第四章 實驗結果與分析 60
4.1 色彩特徵分類結果 60
4.1.1 兩類支援向量機分類正確率 60
4.1.2多類支援向量機分類正確率 61
4.2 紋理特徵分類結果 64
4.2.1 兩類支援向量機分類正確率 64
4.2.2多類支援向量機分類正確率 66
4.3 形狀特徵分類結果 68
4.3.1 兩類支援向量機分類正確率 68
4.3.2多類支援向量機分類正確率 70
第五章 結論與建議 74
5.1 結論 74
5.2 後續研究建議 75
參考文獻 77
中文部份: 77
英文部分: 80
附錄一 邊緣檢測比較 85

中文部份:
王順吉、吳怡興(2008)。模糊色彩量化區域特徵選取之彩色影像檢索方法。中正嶺學報, 37(1), 47-56。
田方正、洪贊原、蔡全益、田方治(2006)。運用雙影像視覺與主要因素分析(PCA)於人臉辨識。品質學報, 13(1),11-19。
李奇奎(2007)。植基於隱匿式馬可夫之影像分類方法研究-以軍事圖資為例。未出版碩士論文,國防大學管理學院,台北市。
李建興、林應璞、游凱倫 (2009)。即時人臉偵測與辨識。Journal of Technology, 24(2),131-141.
李建興、游凱倫、林應璞(2010)。即時動態車牌辨識。Journal of Technology, 25(2),151-165.
周鵬程(2007)。遺傳演算法原理與應用-活用Matlab。台北市:全華圖書公司。
林世峻、莊智瑋、何世華、林昭遠(2008)。植生指標對影像分類準確度影響之研究。水土保持學報, 40(3), 315-328。
吳易達、湯燦泰、石明于、周正全、高肇宏、黃鐘賢(2009)。基於階層式架構的車色分類系統。ICL TECHNICAL JOURNAL, 128,44-49.
洪永祥(2009)。應用IG 特徵選取改善SVM 多類別分類績效。2009第17屆模糊理論及其應用研討會(頁132-137)。高雄:高雄大學。
陳永航(2010)。半監督式支持向量機應用於人臉辨識。未出版碩士論文, 國立成功大學,台南市。
陳鴻興、陳君彥(2010)。基礎色彩再現工程。台北市:全華圖書公司。
張光佑、謝友振、郭伯臣、張峻豪(2005)。Feature Selection for Support Vector Machine in Hyperspectral Image Data。 2005年台灣地理資訊學會年會暨學術研討會論文集。
張傳育、王宏仁、李綺芳(2007)。植基於主成份分析與支援向量機的影像語意內容分析系統。2007全國計算機會議(頁172-177)。台中:亞洲大學。
張財榮、劉正凱、黃烱育(2009)。基於支援向量機之車牌辨識。2009第17屆模糊理論及其應用研討會(頁274-279)。高雄:高雄大學。
許晉嘉、雷祖強、周天穎 (2005)。支援向量機理論中核函數性質之研究-以高解析度衛星影像為例。2005 年台灣地理資訊學會年會暨學術研討會論文集。
黃宇睿(2006)。以細胞學影像分析系統與支援向量機為基礎的子宮頸抹片細胞影像之研究。未出版碩士論文,朝陽科技大學,台中縣。
曾秋榮(2007)。多解析語意軍事圖像檢索系統設計。未出版碩士論文,國防大學管理學院,台北市。
曾淑峰、江俊豪(2008)。GA-SVM 組合式信用風險財務危機模型之研究。台灣金融財務季刊,9(1),1-25。
曾逸鴻、黃吉緯(2009)。整合多搜尋方法之影像資料庫檢索系統。Journal of Science and Engineering Technology, 5(3), 1-12.
雷祖強、周天穎、萬絢、楊龍士、許晉嘉(2007)。空間特徵分類器支援向量機之研究。Journal of Photogrammetry and Remote Sensing, 12(2), 145-163.
劉嘉倫(2006)。應用支援向量機於人臉偵測之研究。未出版碩士論文,世新大學,台北市。
廖瑋星(2006)。應用支援向量機於人臉偵測之研究。未出版碩士論文,台灣大學,台北市。
戴文曦(2007)。植基於類神經網路之影像分類方法研究:以軍事圖資為例。未出版碩士論文,國防大學管理學院,台北市。
缪紹綱(2008)。數位影像處理。台北市:臺灣培生教育出版。
藍于絢(2008)。植基於多種監督式類神經網路之軍事影像分類研究。未出版碩士論文,國防大學管理學院,台北市。
英文部份:
Arivazhagan, S., & Ganesan, L. (2003). Texture segmentation using wavelet transform. Pattern Recognition Letters, 24(16), 3197-3203.
Boser, B. E., Guyon, I. M., & Vapnik, V. N. (1992). A training algorithm for optimal margin classifiers. Paper presented at the Proceedings of the fifth annual workshop on Computational learning theory, 144-152.
Burges, C. (1998). A tutorial on support vector machines for pattern recognition. Data mining and knowledge discovery, 2(2), 121-167.
Chang, C.-C., & Lin, C.-J. (2001). LIBSVM : a library for support vector machines. from Software available at \url{http://www.csie.ntu.edu.tw/~cjlin/libsvm
Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine learning, 20(3), 273-297.
Dimov, D., Zlateva, N., & Marinov, A. (2008). CBIR Approach to Face Recognition. Paper presented at the A&I'08 Conf.
Duan, K., Keerthi, S. S., & Poo, A. N. (2003). Evaluation of simple performance measures for tuning SVM hyperparameters. Neurocomputing, 51, 41-59.
Fletcher, R. (1981). Practical Methods of Optimization: Vol. 2: Constrained Optimization. JOHN WILEY & SONS, INC., ONE WILEY DR., SOMERSET, N. J. 08873, 1981, 224.
Gunn, S. (1998). Support vector machines for classification and regression. ISIS technical report, 14, 19-22.
Haralick, R. M., Shanmugam, K., & Dinstein, I. (1973). Textural features for image classification. Systems, Man and Cybernetics, IEEE Transactions on, 3(6), 610-621.
Hsu, C., Chang, C., & Lin, C. (2003). A practical guide to support vector classification: Citeseer.
Hsu, C., & Lin, C. (2002). A comparison of methods for multiclass support vector machines. IEEE transactions on Neural Networks, 13(2), 415-425.
Kalantari, K. R., Shirgahi, H., & Ranjbar, A. (2011). Symbolic Image Indexing and Retrieval by Spatial Similarity. American Journal of Scientific Research(13), 99-112.
Kebapci, H., Yanikoglu, B., & Unal, G. (2010). Plant image retrieval using color, shape and texture features. The Computer Journal, 1-16.
Mallat, S. (1989). A theory for multiresolution signal decomposition: The wavelet representation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 11(7), 674-693.
Mazzoni, D., Garay, M. J., Davies, R., & Nelson, D. (2007). An operational MISR pixel classifier using support vector machines. Remote sensing of environment, 107(1-2), 149-158.
Melgani, F., & Bruzzone, L. (2004). Classification of hyperspectral remote sensing images with support vector machines. IEEE Transactions on Geoscience and Remote Sensing, 42(8), 1778-1790.
Miranda, F., MacDonald, J., & Carr, J. (1992). Application of the semivariogram textural classifier (STC) for vegetation discrimination using SIR-B data of Borneo. International Journal of Remote Sensing, 13(12), 2349-2354.
Nemmour, H., & Chibani, Y. (2006). Multiple support vector machines for land cover change detection: An application for mapping urban extensions. ISPRS Journal of Photogrammetry and Remote Sensing, 61(2), 125-133.
Pal, M., & Mather, P. (2008). Support vector classifiers for land cover classification. International Journal of Remote Sensing, 29(10), 3043-3049.
Platt, J., Cristianini, N., & Shawe-Taylor, J. (2000). Large margin DAGs for multiclass classification. Advances in neural information processing systems, 12(3), 547-553.
Scholkopf, B., Platt, J., Shawe-Taylor, J., Smola, A., & Williamson, R. (2001). Estimating the support of a high-dimensional distribution. Neural computation, 13(7), 1443-1471.
Stone, M. (1974). Cross-validatory choice and assessment of statistical predictions. Journal of the Royal Statistical Society. Series B (Methodological), 111-147.
Su, J.-H., Huang, W.-J., Yu, P. S., & Tseng, V. S. (2011). Efficient Relevance Feedback for Content-Based Image Retrieval by Mining User Navigation Patterns. [Article]. IEEE Transactions on Knowledge & Data Engineering, 23(3), 360-372.
Sun, A., Naing, M., Lim, E., & Lam, W. (2010). Using support vector machines for terrorism information extraction. Intelligence and Security Informatics, 959-959.
Tso, B., & Mather, P. (2009). Classification methods for remotely sensed data: CRC.
Tso, B., & Olsen, R. C. (2005). Combining spectral and spatial information into hidden Markov models for unsupervised image classification. International Journal of Remote Sensing, 26(10), 2113-2134.
Vapnik, V. (1998). Statistical Learning Theory New York. NY: Wiley.
Vapnik, V., & Chapelle, O. (2000). Bounds on error expectation for support vector machines. Neural computation, 12(9), 2013-2036.
Waring, C. A., & Liu, X. (2005). Face detection using spectral histograms and SVMs. Systems, Man, and Cybernetics, Part B: Cybernetics, IEEE Transactions on, 35(3), 467-476.
Watanachaturaporn, P., Arora, M. K., & Varshney, P. K. (2008). Multisource classification using support vector machines: An empirical comparison with decision tree and neural network classifiers. Photogrammetric Engineering and Remote Sensing, 74(2), 239-246.
Wunsch, P., & Laine, A. F. (1995). Wavelet descriptors for multiresolution recognition of handprinted characters. Pattern recognition, 28(8), 1237-1249.
Xindong, W., Kumar, V., Quinlan, J., Ghosh, J., Yang, Q., Motoda, H., et al. (2010). Top 10 algorithms in data mining. Knowledge and Information Systems, 14(1), 1-37.
Yao, C. C., & Yu, P. T. (2006). Fuzzy regression based on asymmetric support vector machines. Applied Mathematics and Computation, 182(1), 175-193.
Yim, C., Klarquist, W., & Bovik, A. (1994). Multiresolution feature extraction based on multifrequencydecomposition, 3, 2384-2389.
Zhang, D., & Lu, G. (2004). Review of shape representation and description techniques. Pattern recognition, 37(1), 1-19.
Zhu, H., Yang, X., & Luo, Y. (2009). Classification of urban remote sensing image based on support vector machines. Paper presented at the 2009 17th International Conference on Geoinformatics., 1-6.


QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
系統版面圖檔 系統版面圖檔