社区
机器视觉
帖子详情
如何使用SVM对超像素进行分类
louishao
2017-10-12 10:47:01
将图像使用slic进行超像素分割之后,想提取每一个超像素的特征,然后通过词袋模型,使用SVM对超像素进行分类。看了一些论文,有类似的做法,但是,感觉实际做起来有难度。
比如:超像素分得很小的时候,训练集很难做;还有提取超像素特征的时候,超像素的截取也是比较困难
希望有相关学习、工作经验的大神,指导一下,万分感谢!!
...全文
1017
4
打赏
收藏
如何使用SVM对超像素进行分类
将图像使用slic进行超像素分割之后,想提取每一个超像素的特征,然后通过词袋模型,使用SVM对超像素进行分类。看了一些论文,有类似的做法,但是,感觉实际做起来有难度。 比如:超像素分得很小的时候,训练集很难做;还有提取超像素特征的时候,超像素的截取也是比较困难 希望有相关学习、工作经验的大神,指导一下,万分感谢!!
复制链接
扫一扫
分享
转发到动态
举报
写回复
配置赞助广告
用AI写文章
4 条
回复
切换为时间正序
请发表友善的回复…
发表回复
打赏红包
天辰孤煞&
2019-11-03
打赏
举报
回复
这种思路确实是比较难的,目前这种思路已经不是很适用,建议考虑mask-rcnn之流的算法。如果一定要这样做的话也有一定的可行性,提取超像素的特征时,所有图像处理特征提取方法都适用,关键在于对超像素边缘的处理问题。
Daweixi
2019-10-29
打赏
举报
回复
请问如何对超像素的特征进行提取,除了灰度直方图之外还有其他的方法吗
qq_41808435
2018-06-23
打赏
举报
回复
maker 有同样的想法 目前没有头绪
SVM
图像
分类
论文1
SVM
图像
分类
论文1:超
像素
词包模型与
SVM
分类
的图像标注、多特征筛选与支持向量机相融合的图像
分类
模型等
基于超
像素
特征与
SVM
分类
的人员安全帽分割方法-论文
安全帽分割是实现煤矿人员智能视频监控的关键技术之一,可促进人员定位、跟踪、安全帽佩戴检测等相关技术的研究,为此,提出一种基于超
像素
特征提取与支持向量机(Support Vector Machines,
SVM
)
分类
的矿井人员安全帽分割方法。首先,采用简单线性迭代聚类(Simple Linear Iterative Clustering,SLIC)模型将人员图像粒化为一定数量内部
像素
点颜色特征相似且空间位置相近的超
像素
。其次,提取超
像素
在RGB,YCbCr,Lab,HSV空间上的颜色特征及其灰度直方图纹理特征,通过分析安全帽二维轮廓线上的斜率变化特性建立安全帽轮廓特征模型。最后,在训练集人员图像中分别提取安全帽正样本超
像素
和背景负样本超
像素
的颜色、纹理特征训练
SVM
分类
器,采用已训练的
SVM
将测试集中的人员图像超
像素
二
分类
为安全帽正样本和背景负样本。进一步通过安全帽轮廓特征模型判别
SVM
误
分类
的虚假正样本并对其
进行
类别修正,识别同时包含正样本
像素
点和负样本
像素
点的欠分割样本超
像素
,并通过求取正样本区域边界掩模与Prewitt算子所提取轮廓的差集对其
进行
二级
像素
分类
,分离出其中的正样本
像素
区
通过
SVM
和超
像素
分割
进行
光谱空间高光谱图像
分类
通过
SVM
和超
像素
分割
进行
光谱空间高光谱图像
分类
论文研究-基于SLIC和主动学习的高光谱遥感图像
分类
方法.pdf
在主动学习的基础上,提出一种基于SLIC的高光谱遥感图像主动
分类
方法。首先提取图像纹理特征并与光谱特征融合,
使用
PCA对新数据
进行
降维,取前三个主成分构成假彩色图像,然后
使用
SLIC处理该图像获得超
像素
;接着随机抽取定量超
像素
作为初始训练样本,样本光谱信息为超
像素
样本中所有
像素
点的光谱信息均值,样本标签为超
像素
中出现次数最多的类别;然后通过主动学习得到
SVM
分类
器;最后
使用
分类
器
对超
像素
分类
得到其类别,并将超
像素
类别赋予其包含的
像素
点,从而达到高光谱遥感图像
分类
的目的。实验表明:该方法明显降低了主动学习过程的时间消耗,有效地提高了
分类
效果,其OA,AA和Kappa值显著优于未
使用
SLIC的主动学习方法。
论文研究-基于图像分割的森林火灾早期烟检测算法研究.pdf
针对森林这样的大空间、复杂场景下的火灾检测,提出一种在单帧视频序列图像中的烟检测方法,并研究一种新的超
像素
合并算法,改进现有的天地线检测算法。该方法对图像
进行
SLIC(Simple Linear Iterative Clustering)超
像素
分割,并用一种新的超
像素
合并算法解决过分割问题;通过改进的天地线分割算法,排除天空中云对于烟检测的干扰;根据光谱特征,运用支持向量机(
SVM
)
对超
像素
块
进行
分类
。实验结果表明,超
像素
合并算法高效简洁,易于编程实现,基于图像分割的烟检测技术能排除云雾等噪声对烟雾检测的干扰,在森林场景下的烟雾检测正确率为77%,可以作为人工森林火灾监测的辅助手段。
机器视觉
4,445
社区成员
15,335
社区内容
发帖
与我相关
我的任务
机器视觉
图形图像/机器视觉
复制链接
扫一扫
分享
社区描述
图形图像/机器视觉
社区管理员
加入社区
获取链接或二维码
近7日
近30日
至今
加载中
查看更多榜单
社区公告
暂无公告
试试用AI创作助手写篇文章吧
+ 用AI写文章