Lib SVM在彩色图像分类中的应用

耿艳萍，张建英

（山西大学 软件学院，山西 太原 030013）

图像分类是图像处理的基础，是通过计算机技术定量地分析图像像素和区域，把图像划分为某一类别的技术[1]，是计算机视觉领域的核心问题。现实中，有很多不同的实际应用，如人脸识别、视频监控分析、医疗影像分析等。支持向量机（Support Vector Machine，SVM）是机器学习常用方法，其理论基础是统计学习，SVM原理是用分离超平面作为分离训练数据的线性函数，解决非线性分类问题[2]。在图像分类时有很好的效果，尤其是样本数量有限，分类泛化能力更佳[3]。图像分类时，在特征提取方面，单一特征不能获取图像的完整信息，故分类效果比较差。多特征融合，可以获取互补的图像信息，分类效果更佳[4]。在本文中，主要提取彩色图像的颜色特征和纹理特征，在此基础上，采用Lib SVM方法对图像进行分类，不同特征的组合（进行特征融合）及类别数目对分类结果有一定影响，Lib SVM参数的设置对分类结果也有很大影响，本文经过多次实验，获取了最有效的特征组合，和最优参数设置，对分类准确率有了很大的提高。

1 颜色特征

任意获取一幅彩色图像，颜色特征在视觉上是很直观的，是图像的重要性质[5]。本文采用简单有效的方法：颜色矩来描述图像的颜色特征。颜色信息主要集中在低阶矩中，图像中任何一种颜色分量都可用它的一阶矩（均值）、二阶矩（方差）、三阶矩（倾斜度）来描述颜色分布特征。在本文的实验中，图像的颜色特征用9个分量来表示（3个颜色分量RGB，每个分量上3个低阶矩）。如：有N个像素的一幅彩色图像，pi,j表示第i个颜色通道中，灰度为j的像素出现的概论。

公式（1）为一阶颜色矩的计算方法，描述图像颜色明暗度。

公式（2）二阶颜色矩的计算方法，描述图像颜色分布范围。

公式（3）三阶颜色矩的计算方法，描述图像颜色分布的对称性。

2 纹理特征

2.1 Tamura纹理特征

从视觉心理学的角度，Tamura等人提出了6个纹理特征[6]：coarseness（粗糙度），刻画纹理基元（组成纹理的基本单位）的大小和重复次数；contrast（对比度），统计图像的灰度分布情况；directory（方向度），衡量纹理的方向性；rgularity（规则度），刻画纹理的规律性；linkness（线性度）；roughness（粗略度），对比度和粗糙度的和。这些纹理特在图像识别、图像合成方面都有很好的应用。

2.2 统计特征

图像的统计特征是对图像的像素分布情况进行统计，从而描述图像的全局信息，常用的统计特征有：熵值、均值、方差等。具体计算方法如下：

公式（4）计算熵值，其中pi为图像中k种灰度值出现的概率。

对于一幅M×N的图像，某一点（i，j）的灰度值用f（i，j）表示，用公式（5）计算图像的灰度算术均值。

公式（6）为灰度方差的计算方法，反映了整幅图像的灰度均值与图像中每一像素灰度值的离散程度。

本实验提取了图像的上述3个统计特征。

2.3 特征融合

本实验所选corel图像库中的图像都是彩色图像，颜色是图像的关键特征，辨识度较高。Tamura特征和统计特征刻画图像其他某方面的特征。本实验中提取了3类图像特征，这些特征对不同类别的图像在分类时所起的作用不同，所以融合不同的特征能提高图像分类的准确度，实验中融合了颜色特征9个，Tamura特征6个和统计特征3个，形成一个能从多方面，多角度描述图像特征的18维综合特征向量T=（C1，C2，C3，C4，C5，C6，C7，C8，C9，T1，T2，T3，T4，T5，T6，P1，P2，P3），对次实验证明多特征融合比单一特征对图像分类更有效。

3 图像分类算法

本实验分类算法的流程如图1所示。

图1 实验分类算法流程

SVM，从样本的特征入手分析对象，预测对象的属性类别。通过支持向量（Support Vector）能够使经验误差最小，几何边缘最大的分类过程[7]，其特点在于在某种程度上解决了样本容量小、非线性等分类中遇到的困难，一定程度上解决了分类模型局部最小的问题，提高了分类的精度。

实验中对支持向量机的具体实现采用台湾大学林智仁 教授设计开发的工具包—Lib SVM（Library for Support Vector Machines）—进行图像分类。Lib SVM主要由以下几个函数组成。

（1）svm_scale，对训练数据和测试数据做归一化处理，一般情况，把数据缩放到[-1,1]或[0,1]；（2）svm_train，对样本分类建模，提供优化参数；（3）svm_predict，利用上一步已建模型，对测试数据进行分类。

4 实验结果分析

4.1 实验设置

实验从corel图像库中选择花、食物、建筑、大象、车5类图像各80张，并归一化成512×512的图像；其中每一类随机选取40张作为训练集，另外的40张作为测试集。在Win7系统下采用了MATLAB R2016a，Lib SVM-mat-3.0-1，MinGW-64编译器等软件进行实验。

4.2 实验结果

如表1所示，分类正确率=正确分的该类的数目/测试集中该类的总数。

Lib SVM可以实现多分类，图像分类的种类越多时，系统进行分类的难度就越大，分类的准确率就越低。实验中只选两种样本种类（动物类，食物类）时，分类准确率可达100%，当选3种样本种类（建筑类、动物类、食物类）时，识别准确率可达95%，而再加入花和车后，分类准确率明显下降。在corel图像库中，花和食物色彩多样鲜艳，颜色特征对花和食物的分类很有效；建筑类和车类，棱角清晰，线性感较强，Tamura纹理特征对建筑对这两种分类更有效。

表1 分类实验结果

由于训练集数量有限，从训练集提取的特征不能包含后面测试集图像的所有特征，故由训练集得到的分类模型鲁棒性不够强，在实验中当把每类图像的训练集增到60，测试集减少到20时，分类准确率有很大提高。

分类模型参数的设置对分类准确率也有一定影响，经过多次实验，结合参数优化算法，当惩罚系数C=1，核参数g=0.07时，分类效果最佳。

5 结语

多种特征的融合比单一特征，更有助于提高分类准确率，但是也并非特征越多越好，首先，大量增加特征向量的维度，会降低算法的运行效率，准确率却没有明显提高。故在下一步的研究工作中，采用主成分分析的方法降维，去掉特征向量中的冗余信息，采用贡献率高的分类特征[8]。