摘  要

支持向量机是统计学习方法，正成为当今研究的热点。支持向量机在模式识别和文本分类等方面获得了极大的成功，分类的准确率很高，用支持向量机的方法处理一些二值图像和灰度图像，能获得较好的统计结果。

本课题研究支持向量机在图像识别领域中运用，编程实现基于支持向量机的图像识别算法，并设计实例，讨论图像特征提取、预处理及参数选择对算法性能的影响。从中摸索出了一种特征向量集的选取方法，讨论了判断结果优劣的标准，比较了支持向量机方法与其他方法得到的结果，得出了重要结论：用支持向量机识别图像的边缘具有非常优异的统计性能。

关键词：支持向量机；图像识别；边缘检测；统计学习；数字图像处理

目  录

第一章  绪论 1
1.1背景 1
1.2研究内容及其现实意义 3
第二章  支持向量机基本理论 4
2.1支持向量机相关讨论 4
2.2图像识别 8
2.2.1图像概述 10
2.2.2图像处理 11
2.2.3图像识别 12
2.2.4 图像理解 12
2.2.5 图像识别、图像处理与图像理解的关系 13
2.2.6图像识别技术特点 13
2.2.7图像识别技术内容 14
2.3开发环境 17
2.3.1MFC技术原理和内容 17
2.3.2 MFC的优点和缺点 19
第三章  基于支持向量机的图像识别算法实现 21
3.1以像素作为训练集的图像识别 22
3.1.1以1/16像素作为训练集的图像识别 22
3.1.2以左上角1/16作为训练集，识别左上1/4图像 23
3.1.3用半幅图像作为训练集，识别整个图像 24
3.2目标集的指定方法和对结果的判断标准 26
3.3 特征向量集的选取方法 26
3.4 SVM和其他方法获得的边缘效果比较 27
结束语 30
致谢 31
参考文献 32