参数自适应的半监督复合核支持向量机图像分类

？半监督复合核支持向量机在构造聚类核时,普遍存在复杂度高、不适于大规模图像分类的问题;且k均值(k-means)图像聚类的参数难以估计。针对上述问题,提出基于均值漂移(mean-shift)参数自适应的半监督复合核支持向量机图像分类方法。结合mean-shift对像素点进行聚类分析以避免k-means图像聚类的局限性;利用图像的结构特征自适应算法参数以避免算法的波动性;由mean-shift结果构造meanmap聚类核以增强同一聚类中的样本属于同一类别的可能性,使复合核更好地指导支持向量机对图像分类。实验验证了改进的聚类算法和参数取值方法可以更好地获取图像的聚类信息,使算法对普通图像和加噪图像的分类正确率较对比的半监督算法一般情况下提高1~7个百分点,且对于较大规模图像也有一定适用性,能够更高效、更稳定地进行图像分类。