基于支持向量机与集成学习的纹理合成及分类的中期报告.docx

基于支持向量机与集成学习的纹理合成及分类的中期报告
一、研究内容
本研究主要基于支持向量机（SVM）和集成学习的方法实现纹理合成和分类。具体研究内容包括以下几个方面：
1.数据预处理：对纹理图片进行预处理，包括缩放、调整亮度和对比度等操作。
2.特征提取：使用多种特征提取方法从纹理图片中提取特征信息。目前研究采用的特征提取方法包括局部二值模式（LBP）、灰度共生矩阵（GLCM）、高斯滤波器等。
3.纹理合成：使用机器学习方法将已有的纹理样本合成出新的纹理样本。目前研究采用的方法主要是基于SVM的纹理合成方法。
4.特征选择：使用特征选择算法筛选出最具有代表性的特征，以提高分类准确度。
5.纹理分类：使用集成学习算法（如AdaBoost、随机森林等）对纹理图片进行分类。
二、完成情况
截至目前，已完成了以下工作：
1.数据集的准备：使用了UCRTimeSeriesClassificationArchive中的DowJonesIndex和EpilepticSeizureRecognition数据集，以及Brodatz纹理库中的部分纹理图片作为研究的数据集。
2.数据预处理：对数据集进行了预处理，包括调整亮度和对比度、缩放等操作。
3.特征提取：采用LBP、GLCM、高斯滤波器等方法从纹理图片中提取特征信息。
4.纹理合成：完成了基于SVM的纹理合成算法的编写，并对样本进行了合成。
5.特征选择：实现了基于互信息的特征选择算法，并对提取出的特征进行了筛选。
6.纹理分类：实现了AdaBoost和随机森林算法对纹理图片进行分类，并完成了相关实验。
三、下一步工作
在完成以上工作的基础上，下一步工作计划如下：
1.完善纹理合成算法：对目前的纹理合成算法进行改进，增加其合成效果的准确性和可靠性。
2.尝试其他集成学习算法：除了AdaBoost和随机森林，尝试更多不同的集成学习算法。
3.对算法进行优化：进一步优化已有算法，以提高分类的准确度和效率。
4.实验结果的分析与总结。对实验结果进行分析，找出其中存在的问题和提高的方向。
四、参考文献
1.Mothukuri,A.,&Rao,C.N.(2016).Texturesynthesisusingsupportvectormachinesforsemi-supervisedlearning.arXivpreprintarXiv:1603.05490.
2.Xia,Y.,Li,W.,&Hu,W.(2011).Localdirectionalpattern(LDP)fortextureclassification.PatternRecognition,44(8),1696-1703.
3.deOliveira,J.V.C.,Nascimento,E.R.,&Oliveira,M.M.(2010).GLCMtexturesegmentationusinganadaptivethreshold.InInternationalCongressofMechanicalEngineering—COBEM2010.
4.Breiman,L.(2001).Randomforests.Machinelearning,45(1),5-32.
5.Freund,Y.,&Schapire,R.E.(1997).Adecision-theoreticgeneralizationofon-linelearningandanapplicationtoboosting.Journalofcomputerandsystemsciences,55(1),119-139.