CAJ | 학술논문

当有标识的样本数量有限时,Laplacian SVM算法需要加入尽量多的无标识样本,以提高分类精度.但同时当无标识样本数很大时,算法的时间和空间复杂度将难以接受.为了将Laplacian SVM应用于SAR图像分割这样的大规模分类问题中,提出了一种改进的Laplacian支持向量机算法(Improved Laplacian Support Vector Machine,Improved Laplacian SVM),首先采用分水岭算法将原始SAR图像分成多个小原型块,提取每个小原型块的图像特征作为训练样本.再采用改进的Laplacian SVM算法得到小原型块的分类结果.通过3幅SAR图像验证了提出的方法,实验表明该方法不仅提高了分割的准确性同时减少了Laplacian SVM算法用于图像分割时的运行时间.
당유표식적양본수량유한시,Laplacian SVM산법수요가입진량다적무표식양본,이제고분류정도.단동시당무표식양본수흔대시,산법적시간화공간복잡도장난이접수.위료장Laplacian SVM응용우SAR도상분할저양적대규모분류문제중,제출료일충개진적Laplacian지지향량궤산법(Improved Laplacian Support Vector Machine,Improved Laplacian SVM),수선채용분수령산법장원시SAR도상분성다개소원형괴,제취매개소원형괴적도상특정작위훈련양본.재채용개진적Laplacian SVM산법득도소원형괴적분류결과.통과3폭SAR도상험증료제출적방법,실험표명해방법불부제고료분할적준학성동시감소료Laplacian SVM산법용우도상분할시적운행시간.