基于多分类支持向量机的图像分割数据分析报告(共11页)

1、基于(jy)多分类(fn li)支持向量机的图像(t xin)分割数据分析报告1 数据集来源及理解这里的数据集来源于麻省大学的一个视觉小组，并由由其中的Carla Brodley贡献给UCI数据集。用于训练的实例源于一个包含有7个户外图像的数据库的随机采样结果，这些图像中的各个部分已被手工分类，从而可以创建一个分类器来给其他图像的不同区域进行分类。每一个样本实例都由原始图像上某个取样点所在的3x3邻域的RGB值获得，并根据一系列的分析，可得到以下属性：中心点横坐标（region-centroid-col）：取样中心点所在的图像的横坐标；中心点纵坐标（region-centroid-row）：取

2、样中心点所在的图像的纵坐标；每个样本所含点的数量（region-pixel-count）：为9；低密集度计数（short-line-density-5）指在通过这个区域的在任意方向上的，长度为5的线段当中，有多少条对比度大小要低于或等于5；高密集度计数（short-line-density-2）指在通过这个区域的在任意方向上的，长度为5的线段当中，有多少条对比度大小要高于5；横向像素差值的平均（vedge-mean）：指在3x3的样本中，所有的左右相邻的两像素亮度之差的绝对值（共有6个）的平均数；横向像素差值的标准差（vedge-sd）：上述像素差值的标准差；纵向像素差值的平均（hedge-m

3、ean）：指在3x3的样本中，所有的上下相邻的两像素亮度之差的绝对值（共有6个）的平均数；纵向像素差值的标准差（hedge-sd）：上述像素差值的标准差；整体亮度的平均数（intensity-mean）：亮度按(R + G + B)/3计算（上同），再根据9个点的这些亮度取平均数红分量平均（rawred-mean）：整个样本区域的红分量的平均值蓝分量平均（rawblue-mean）：整个样本区域的绿分量的平均值绿分量平均（rawgreen-mean）：整个样本区域的lan分量的平均值红色超出量（exred-mean）：测量红色多于其他颜色分量的程度，按(2R - (G + B)的公式计算蓝色超

4、出量（exblue-mean）：测量蓝色多于其他颜色分量的程度，按(2B - (G + R)(的公式计算绿色超出量（exgreen-mean）：测量绿色多于其他颜色分量的程度，按(2G - (R + B)的公式计算HSV空间中的V值平均(value-mean)：从RGB到HSV颜色(yns)空间的转换是一种三维的非线性转换，这个算法可以在交互式计算机图形学基础教材Foley and VanDam中找到。HSV空间(kngjin)中的S值平均(satue-mean)HSV空间(kngjin)中的H值平均(hue-mean)此外，在这个数据集当中，一个图像的各个部分被分成了7种类别，包括了砖块表面

5、（BRICKFACE），天空（SKY），树叶（FOLIAGE），水泥（CEMENT），窗户（WINDOW），小路（PATH），以及草地（GRASS）。在这些数据集当中，每个类别均提供了30个训练数据和300个测试数据，这两个数据集分别按csv（逗号分隔）的格式储存在segmentation.data和segmentation.test中，另外还有一个文件s储存了这个数据集的说明。2 方法与思路2.1 方法理解与简介LIBSVM是台湾大学林智仁(Lin Chih-Jen)副教授等开发设计的一个简单、易用和快速有效的SVM模式识别与回归的软件包，不但提供了编译好的

6、可在Windows系列系统的执行文件，而且提供了源代码，方便改进、修改以及在其它操作系统上应用；该软件对SVM所涉及的参数调节相对比较少，提供了很多的默认参数，并提供了交互检验(Cross Validation)的功能。利用这些参数和功能可以解决很多有关分类与回归的问题，包括C-SVM、-SVM、-SVR和-SVR等问题，也包括了包括基于一对一算法的多类模式识别的问题。LIBSVM 使用的一般步骤是：1） 准备训练的数据集，包括每个样本的维数l，每个样本的属性集x，以及每个样本的对应分类编号y；2） 对数据进行简单的缩放和平移操作来实现数据的归一化；3） 考虑选用核函数，包括线性核，RGF核，

7、多项式核，sigmoid核等；4） 采用交叉验证选择最佳损失参数C与最合适的gamma系数 ；5） 采用最佳参数C与gamma系数 对整个训练集进行训练获取支持向量机模型；6） 利用获取的模型进行测试。LibSVM是以源代码和可执行文件两种方式给出的。如果是Windows系列操作系统，可以直接使用软件包提供的程序，也可以进行修改编译。使用软件包提供的程序时，该软件使用的训练数据和检验数据文件格式如下： : : .其中 是训练数据集的目标值，对于分类，它是标识某类的整数（支持多个类）；对于回归，是任意实数。 是以1开始的整数，可以是不连续的；为实数，也就是我们常说的自变量。检验数据文件中的lab

8、el只用于计算准确度或误差，如果它是未知的，只需用一个数填写这一栏，也可以空着不填。使用源代码进行编译时，对于用于训练的数据集，需要(xyo)按以下的格式进行填写：用于训练(xnlin)的数据集被定义为struct svm_problemint l;double *y;struct svm_node *x;其中l表示样本的数量，y表示每个样本对应的分类ID值的集合，x代表每个样本每个维的属性集合的索引（每个样本首个节点(ji din)的内存地址），而这个属性集合需要额外创建，令维数为n，则这个属性的集合的长度为l*(n+1)。对于用来测试的数据集，需要一个长度为(n+1)的struct svm

9、_node数组，这里的svm_node被定义为：struct svm_nodeint index;double value;其中的value表示的是节点的值，index表示当前样本的属性节点的编号（从1开始，单调递增），每个样本的节点在每个维均赋值完成后，需要紧接着额外地加入一个index值为-1，value可以不设置的节点。这也是每个维度为n的样本的属性需要定义(n+1)个节点的原因。对于训练的参数而言，在struct svm_parameter的定义中，kernel_type（核函数类型），gamma（RBF核的gamma系数），和c（损失系数），是经常要设置的参数，其他的参照照svm-t

10、oy.cpp中给出的默认值进行赋值即可。kernel_type的属性一览表：0 线性：uv1 多项式：（r*uv + coef0)degree2 RBF函数：exp(-r|u-v|2）3 sigmoid：tanh(r*uv + coef0)svm_type的属性一览表：0 - C-SVC1 -v-SVC2 一类(y li)SVM3 - e -SVR4 - v-SVR本程序(chngx)用的是C-SVC2.2 具体分析方法(fngf)和流程程序运行的流程图如下图所示：在训练数据集当中(dngzhng)可以看出（参见转换格式后的电子表格文档segmentation.data. xls），训练(xn

11、lin)的数据里的B、C两列为取样区域中心点的坐标，不能作为训练的列来使用，D列（REGION-PIXEL-COUNT）恒为9，E（SHORT-LINE-DENSITY-5）和F（SHORT-LINE-DENSITY-2）列中的非零数的个数很少，也不能用于训练分类器。因此，只能用之后的最多为14个列作为分类器来使用，为了测试方便，可以让测试者自己在这14个列当中(dngzhng)选择适当地列进行训练。如下图所示：图上的上半部分的14个复选框可用于设置哪些类可以参与训练，下半部分可以设置Gamma值与损失系数c，右方两个的复选框用来设置是否使用RBF核（否则用线性核），以及是否对数据进行按最大值

12、和最小值进行归一化处理。在segmentation.data.xls中，G-R列的最大值都没有超过151，而现在的rgb值通常取0-255。为了量化的统一，需要在读取到原始数据数组rawData时将这12个列乘以系数（256.0/151.0），否则不能用于完整的户外图像的测试操作。另外，第一列需要改写成类别的ID，这里按出现顺序分别赋了1-7这几个整数，其余的列按原样写到rawData中。随后需要根据每列的最大值和最小值进行进行对rawData的归一化，由于归一化的运算属于线性运算，为此可以另外定义一个数组columnScale，长度为segmentation.data. xls的列数的两倍，

13、用来储存其中每列的的缩放系数和平移系数，在构建svm属性的svm_note数据集时再进行这项运算。归一化的代码(di m)如下：/获得(hud)归一化数据int probRowCount=rawData.GetSize()/20;double minValue=0.0;double maxValue=0.0;for(i=0;i20;i+)if(!willCalculateColumnsi)continue;if(!willScale)columnScale2*i=1.0;columnScale2*i=0.0;continue;minValue=rawDatai;maxValue=rawData

14、i;for(j=1;jrawDataj*20+i)minValue=rawDataj*20+i;if(maxValuerawDataj*20+i)maxValue=rawDataj*20+i;if(minValue!=maxValue)columnScale2*i=1.0/(maxValue-minValue);columnScale2*i+1=-minValue*columnScale2*i;elsecolumnScale2*i=0.0;columnScale2*i+1=0.5;进行(jnxng)测试时，也同时需要归一化的数据，而且每列的线性运算必须相同。为此，可以先定义一个原始的数组vx，

15、长度为segmentation.data. xls的列数，然后再在写入svm_node节点时进行归一化操作，将vx用来测试的代码如下：void CTest1View:predict(double (&vx)20)/从向量开始算出预测值if(model=NULL)return;int probColumnCount=0;/svm训练数据集的维数int i=0,j=0;for(i=1;i20;i+)if(willCalculateColumnsi)probColumnCount+;struct svm_node *nx=new struct svm_nodeprobColumnCount+1;/筛

16、选(shixun)过的向量j=0;for(i=1;i20 & jprobColumnCount;i+)if(willCalculateColumnsi)nxj.index=j+1;nxj.value=columnScale2*i*vxi+columnScale2*i+1;j+;nxj.index=-1;/nxj.value=0;double predictValue=svm_predict(model,nx);vx0=predictValue;delete nx;对于完整的真彩色bmp图片，在计算的过程中，需要从非边缘中的所有(suyu)点的3x3邻域内进行各种属性的运算，具体代码在segme

17、nt函数中，输出的结果按不同的颜色显示在第二张图中。3 实验(shyn)及分析3.1 实验环境3.1.1 硬件环境电脑型号：戴尔 Inspiron N4050 笔记本电脑处理器：英特尔 第二代酷睿 i3-2350M 2.30GHz 双核主板：戴尔 02JCHC (英特尔 HM67 芯片组)内存：4 GB ( 三星 DDR3 1333MHz / 昱联 DDR3 1333MHz )主硬盘：西数 WDC WD10JPVX-75JC3T0 ( 1 TB / 5400 转/分 )显卡：英特尔 HD Graphics Family ( 1809 MB / 戴尔 )显示器：友达 AUO183C ( 14 英

18、寸 )光驱：东芝-三星 DVD+-RW SN-208BB DVD刻录机声卡：IDT 英特尔 6 Series Chipset 高保真音频网卡：瑞昱 RTL8105E Family PCI-E FE NIC / 戴尔3.1.2 软件(run jin)环境操作系统(co zu x tn)：Windows 7 旗舰版 64位 SP1 ( DirectX 11 )libSVM版本(bnbn):libSVM 3.1.7开发工具：Ms Visual C+ 6.0简体中文企业版开发工具版权：1994-98 Microsoft Corporation开发工具汉化者：swordxy（辛玉强），WuZuWu（吴祖

19、武）3.2 实验结果与分析3.2.1 软件的使用方法打开程序目录test1下的debug或release文件夹，在这个文件夹中，test1.exe是程序的主文件。exe所在目录下segmentation.data按csv（逗号分隔）的格式储存了训练数据，segmentation.test也按csv的格式储存了测试数据，另外的s储存了这个数据集的说明。运行test1.exe，先点击文件菜单下的“训练样本”项，在对话框的上方选择需要训练的属性，下方设置的选项包括了gamma值和损失系数c，还有核函数是线性核还是RBF核，以及是否进行原始数据的归一化。点击“确定”按

20、钮后会生成model result.txt来输出训练的模型。然后点击文件菜单下的“测试结果”项，根据segmentation.test进行测试，判断程序预测的结果是否与segmentation.test中的结果一致，并弹出相应对话框显示正确率，详细的运行结果保存到了segmentation.out文件中，用来依次显示预测的结果。点击文件菜单下的“打开图片”项可以进行实际的bmp图像分割，注意图像不能太大。第一张图为原图，预测的结果按不同的颜色显示在第二张图中，具体的颜色图例为：红：砖；靛蓝：天空；绿：树叶；灰：水泥；蓝：窗户；紫：小路；黄：草地。再次点击文件菜单下的“训练样本”命令可以重新对分类器进行训练，从而可以获得不同的预测值。3.2.2 测试数据集的测试结果分析如下图所展示，默认选择这些列和参数进行分类器的训练。训练结果(ji gu)：默认设置，相符1531个，不相符569个，相符率为72.90%。gamma值为5时，相符(xingf)1747个，不相符353个，相符率为83.19%。gamma值为100时，相符(xingf)1819个，不相符281个，相符率为86.62%。ga