svm图像分割代码（svm图像分类代码）

本篇文章给大家谈谈svm图像分割代码，以及svm图像分类代码对应的知识点，希望对各位有所帮助，不要忘了收藏本站喔。

本文目录一览：

• 1、跪求关于SVM的遥感图像分类代码
• 2、matlab如何svm实现图像分类输出像素点
• 3、SVM如何调节惩罚因子C并输出分类结果图像
• 4、svm算法是什么？

跪求关于SVM的遥感图像分类代码

CSDN上面很多

台湾林智仁教授开发的libSVM

海军工程大学陆振波博士写的

都很经典

matlab如何svm实现图像分类输出像素点

matlab如何svm实现图像分类输出像素点，这里分享下操作方法。

设备：华硕笔记本

系统：win10

软件：matlab2012

1、首先双击桌面matlab图标，打开matlab软件。

2、然后在打开的软件中，点击左上角新建m文件。

3、然后输入如图所示的代码。

4、最后点击运行程序，即可输出两幅图像像素点。

SVM如何调节惩罚因子C并输出分类结果图像

CvSVMParams::CvSVMParams() :

svm_type(CvSVM::C_SVC), kernel_type(CvSVM::RBF), degree(0),

gamma(1), coef0(0), C(1), nu(0), p(0), class_weights(0)

SVM种类：CvSVM::C_SVC C_SVC该类型可以用于n-类分类问题 (n=2)，其重要特征是它可以处理非完美分类

的问题 (及训练数据不可以完全的线性分割)。它是最常被使用的SVM类型。

CvSVM::C_SVC - n(n=2)分类器，允许用异常值惩罚因子C进行不完全分类。

CvSVM::NU_SVC - n类似然不完全分类的分类器。参数nu取代了c，其值在区间【0，1】中，nu越大，决策边界越平滑。

CvSVM::ONE_CLASS - 单分类器，所有的训练数据提取自同一个类里，然後SVM建立了一个分界线以分割该类在特征空间中所占区域和其它类在特征空间中所占区域。

CvSVM::EPS_SVR - 回归。 训练集中的特征向量和拟合出来的超平面的距离需要小于p。异常值惩罚因子C被采用。

CvSVM::NU_SVR - 回归；nu 代替了p

Kernel的种类：

CvSVM::LINEAR - 表示不需要进行映射，没有任何向映射至高维空间，线性区分（或回归）在原始特征空间中被完成，这是最快的选择。 d(x,y) = x?y == (x,y)

CvSVM::POLY - 多项式核: d(x,y) = (gamma*(x?y)+coef0)degree

CvSVM::RBF - 径向基，对于大多数情况都是一个较好的选择：d(x,y) = exp(-gamma*|x-y|2)

CvSVM::SIGMOID - sigmoid函数被用作核函数: d(x,y) = tanh(gamma*(x?y)+coef0)

CvSVM::RBF，貌似比 CvSVM::LINER 正确率高

degree：内核函数（POLY）的参数degree。

10.0（此次不使用）

gamma：内核函数（POLY/ RBF/ SIGMOID）的参数\gamma。

8.0

coef0：内核函数（POLY/ SIGMOID）的参数coef0

1.0（此次不使用）

C： Cvalue – SVM类型（C_SVC/ EPS_SVR/ NU_SVR）的参数C。

10.0

nu： SVM类型（NU_SVC/ ONE_CLASS/ NU_SVR）的参数 \nu。

0.5（此次不使用）

p：SVM类型（EPS_SVR）的参数 \epsilon。

0.1（此次不使用）

class_weights： – C_SVC中的可选权重，赋给指定的类，乘以C以后变成 class_weight_si * C。所以这些权重影响不同类别的错误分类惩罚项。权重越大，某一类别的误分类数据的惩罚项就越大。

term_crit: – SVM的迭代训练过程的中止条件，解决部分受约束二次最优问题。您可以指定的公差和/或最大迭代次数。

然后对训练数据正规化处理，并放在CvMat型的数组里。

svm算法是什么？

支持向量机（英语：support vector machine，常简称为SVM，又名支持向量网络）是在分类与回归分析中分析数据的监督式学习模型与相关的学习算法。

SVM使用铰链损失函数（hinge loss）计算经验风险（empirical risk）并在求解系统中加入了正则化项以优化结构风险（structural risk），是一个具有稀疏性和稳健性的分类器。

SVM可以通过核方法（kernel method）进行非线性分类，是常见的核学习（kernel learning）方法之一 。

SVM被提出于1964年，在二十世纪90年代后得到快速发展并衍生出一系列改进和扩展算法，在人像识别、文本分类等模式识别（pattern recognition）问题中有得到应用。

动机

H1 不能把类别分开。H2 可以，但只有很小的间隔。H3 以最大间隔将它们分开。

将数据进行分类是机器学习中的一项常见任务。 假设某些给定的数据点各自属于两个类之一，而目标是确定新数据点将在哪个类中。对于支持向量机来说，数据点被视为p 维向量，而我们想知道是否可以用 (p-1)维超平面来分开这些点。

这就是所谓的线性分类器。可能有许多超平面可以把数据分类。最佳超平面的一个合理选择是以最大间隔把两个类分开的超平面。

因此，我们要选择能够让到每边最近的数据点的距离最大化的超平面。如果存在这样的超平面，则称为最大间隔超平面，而其定义的线性分类器被称为最大间隔分类器，或者叫做最佳稳定性感知器。

应用

1、用于文本和超文本的分类，在归纳和直推方法中都可以显著减少所需要的有类标的样本数。

2、用于图像分类。实验结果显示：在经过三到四轮相关反馈之后，比起传统的查询优化方案，支持向量机能够获取明显更高的搜索准确度。这同样也适用于图像分割系统，比如使用Vapnik所建议的使用特权方法的修改版本SVM的那些图像分割系统。

3、用于手写字体识别。

4、用于医学中分类蛋白质，超过90%的化合物能够被正确分类。基于支持向量机权重的置换测试已被建议作为一种机制，用于解释的支持向量机模型。

支持向量机权重也被用来解释过去的SVM模型。为识别模型用于进行预测的特征而对支持向量机模型做出事后解释是在生物科学中具有特殊意义的相对较新的研究领域。

以上内容参考 百度百科-支持向量机

关于svm图像分割代码和svm图像分类代码的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。