基于灰度共生矩阵的图形纹理检测及路面状况的SVM分类实现
[TOC]
图像的特征提取是图像的识别和分类、基于内容的图像检索、图像数据挖掘等研究内容的基础性工作，其中图像的纹理特征对描述图像内容具有重要意义，纹理特征提取已成为图像领域研究的一个重要方法。
本项目以道路状况分类为背景，基于SVM使用纹理特征参数完成对道路状况的分类。
灰度共生矩阵的特征参数
- 二阶矩
- 对比度
- 相关性
- 熵
- 逆差距
实现过程
本文以识别路况为背景设计系统，首先读取图像文件，在为了得到较为理想的结果，给出的图片尺寸较小，这样的目的在于提高运行速度、能够对理想情况下的识别结果有更加精确的把握。由于RGB图像的体积较大，但另一方面我们也知道，一张图片也可以用其灰度图像来反映，因此，对目标图像进行灰度的转化，可以降低对设计复杂度和运行效率的要求。尽管灰度转化后可以有效的降低图片的大小，但是对于256灰度级的图片仍然会给处理带来一些时间上的消耗，因此需要在保持原图像信息不变的情况下大量削减灰度级，通过对图像进行直方图均衡化处理，增加灰度值的动态范围，从而增加图像的整体对比效果。通常，需要将每个扫描的方向所计算的特征参数计算出来作一个权衡，这样能够更好地综合影响因素，一般会将每个方向的特征参数计算出来取平均，这样就可以以一个综合的指标来识别图像了。把所有的设计思路综合起来，可以用下图所示的系统设计框图来反映。
分类结果
通过样本标签和分类后的标签对比，得出使用能量和对比度作为训练分类器的样本，分类器对于实验待分类样本分类的其正确率为：95%，由此可以看出，这个分类器对于道路状况的分类仍然具有一定的意义。
设计总结
计算灰度共生矩阵时要考虑三个变量，图像灰度级、方向和距离。
对于灰度级的选取，灰度级决定了灰度共生矩阵的计算规模，降低灰度级可以提高计算速度和减少存储空间需求，且适当降低灰度级还可以减少噪声对图像的影响，但过小的灰度级会破坏有用纹理的成分。
对于距离d的选择，共生矩阵在精细纹理中随距离而快速变化，而在粗糙纹理中随距离则变化缓慢。一般而言，对于平滑纹理用较大的距离，对于粗糙纹理用较小的距离会取得较好的效果。对于方向的选择，一般有四种取值，通过不同方向可以考察不同的纹理，不同方向生成的共生矩阵中包含不同的纹理信息。在考虑方向时，往往是分别计算四个方向灰度共生矩阵所确定的纹理特征值，然后以各方向特征值的均值作为最终纹理分量。
利用SVM进行分类时，样本的选取和核函数的选取是分类器是否优良的一个重要影响因素，因此，对于一个优良的分类器，应该充分考虑各种影响因素后，选择一个最优的方案才能使待分类目标得到更好的分类。
-
GLCM（Gray-level co-occurrence matrix）也就是灰度共生矩阵，是在处理纹理图像时候常用的手段。glcm顾名思义其实就是一个矩阵，矩阵内放的是指定距离、方向的两个像素点的灰度关系，它可以将亦庄图片中的像素点对的灰度信息表示成一个矩阵，通过对矩阵特征的提取从而达到提取图片中信息的目的。详细的原理也不多说了，下面主要说几个经常用到的特征： 1.ASM能量 也就是矩阵中每个
-
在理解推导的过程中需要细心耐心。 支持向量：在训练数据集的样本点与分离超平面距离最近的样本点。 在决定分离超平面时，只有支持向量起作用，但支持向量的个数一般很少，所以支持向量机由很少的训练样本确定（噪声影响很大）。 网址1 网址2 网址3
-
问题内容： 我一直在使用skimage的SLIC实现来分割超像素中的图像。我想使用GLCM从这些超像素中提取其他功能，以解决分类问题。这些超像素不是矩形的。在MATLAB中，您可以将像素设置为NaN，算法将忽略它们（link）。我可以使用它在超像素周围制作边框，然后将未使用的像素设置为NaN。 skimage中的greycomatrix函数与MATLAB实现并不完全相同。将像素设置为NaN时，该函
-
本文向大家介绍SVM实现多分类做法？相关面试题，主要包含被问及SVM实现多分类做法？时的应答技巧和注意事项，需要的朋友参考一下 有三种方式， 1-1 1-多 多-多 1-1：每次取出两种类进行训练，结果训练出n*（n-1）/2个分类器，然后对预测结果进行投票 1-多 ：一类为正类，其余全部为负类，但是当出现数据不平衡时会出现问题 多-多：采用的是层次支持向量机，先将数据分为两个子类，然后将子类再划
-
本文向大家介绍SVM相关？相关面试题，主要包含被问及SVM相关？时的应答技巧和注意事项，需要的朋友参考一下 简单介绍SVM：从分类平面，到求两类之间的最大间隔，到转化为max 1/w^2 即min w^2,带限制条件的优化问题，然后就是找到优化问题的解决办法，首先是用拉格朗日乘子把约束优化转化为无约束优化，对各个变量求导令其为0，并且增加KKT条件，对α(y(wx+b))=0 以及α>=0,将得到
-
本文向大家介绍什么是支持向量机,SVM与LR的区别?相关面试题，主要包含被问及什么是支持向量机,SVM与LR的区别?时的应答技巧和注意事项，需要的朋友参考一下 参考回答： 支持向量机为一个二分类模型,它的基本模型定义为特征空间上的间隔最大的线性分类器。而它的学习策略为最大化分类间隔,最终可转化为凸二次规划问题求解。 LR是参数模型,SVM为非参数模型。LR采用的损失函数为logisticallos
-
本文向大家介绍SVM中什么时候用线性核什么时候用高斯核?相关面试题，主要包含被问及SVM中什么时候用线性核什么时候用高斯核?时的应答技巧和注意事项，需要的朋友参考一下 参考回答： 当数据的特征提取的较好,所包含的信息量足够大,很多问题是线性可分的那么可以采用线性核。若特征数较少,样本数适中,对于时间不敏感,遇到的问题是线性不可分的时候可以使用高斯核来达到更好的效果。
-
本文向大家介绍问题：SVM的硬间隔，软间隔表达式；相关面试题，主要包含被问及问题：SVM的硬间隔，软间隔表达式；时的应答技巧和注意事项，需要的朋友参考一下 参考回答： 左边为硬间隔；右边为软间隔 解析：不同点在于有无引入松弛变量