耿艳萍，张建英

（山西大学 软件学院，山西 太原 030013）

图像分类是图像处理的基础，是通过计算机技术定量地分析图像像素和区域，把图像划分为某一类别的技术[1]，是计算机视觉领域的核心问题。现实中，有很多不同的实际应用，如人脸识别、视频监控分析、医疗影像分析等。支持向量机（Support Vector Machine，SVM）是机器学习常用方法，其理论基础是统计学习，SVM原理是用分离超平面作为分离训练数据的线性函数，解决非线性分类问题[2]。在图像分类时有很好的效果，尤其是样本数量有限，分类泛化能力更佳[3]。图像分类时，在特征提取方面，单一特征不能获取图像的完整信息，故分类效果比较差。多特征融合，可以获取互补的图像信息，分类效果更佳[4]。在本文中，主要提取彩色图像的颜色特征和纹理特征，在此基础上，采用Lib SVM方法对图像进行分类，不同特征的组合（进行特征融合）及类别数目对分类结果有一定影响，Lib SVM参数的设置对分类结果也有很大影响，本文经过多次实验，获取了最有效的特征组合，和最优参数设置，对分类准确率有了很大的提高。

1 颜色特征

任意获取一幅彩色图像，颜色特征在视觉上是很直观的，是图像的重要性质[5]。本文采用简单有效的方法：颜色矩来描述图像的颜色特征。颜色信息主要集中在低阶矩中，图像中任何一种颜色分量都可用它的一阶矩（均值）、二阶矩（方差）、三阶矩（倾斜度）来描述颜色分布特征。在本文的实验中，图像的颜色特征用9个分量来表示（3个颜色分量RGB，每个分量上3个低阶矩）。……