摘要：

提出了一种对人类视觉中的黑白老照片和彩色照片进行分类的方法, 其基本思想是, 首先在分析两者各自特点的基础上,定义了一些指标特征; 其次利用这些指标对图像进行预分类, 找出其中特征明显的图像; 然后使用支持向量机( SVM) 的算法对这些指标进行学习来区分剩余图像, 最终达到对图像分类的效果。实验结果表明指标定义是合理的, 效果也较满意。

关键词：

黑白老照片; 彩色照片; SVM; 图像分类

结论：

本文提出了一种时间窗内可调的在线支持向量回归方法, 根据各时间窗内支持向量比例的后验信息对 ! 进行调整,适应于噪声水平随时间变化的回归分析问题, 改善了支持向量分布, 提高回归泛化能力及拟合精度。分析了调整时对解的影响, 在此基础上给出了 ! 调整的加权支持向量回归在线训练算法, 避免重复求解凸优化问题, 这一在线算法亦可应用于其它类型的 ! 可变的支持向量回归。通过实例分析, 这种方法能适应噪声时变的系统, 回归效果较好。

1.该论文研究了什么？

如何对视觉上的黑白老照片和彩色照片进行区分。因为人们视觉上的黑白照片在计算机中是以彩色图片存储的，照片老化过程中会出现泛黄、泛绿、泛褐现象这与彩色照片中黑白背景、色彩不鲜明情况不易区分，造成了分类困难。根据黑白老照片和彩色照片的特定定义一些指标特征，其次利用这些指标对两者进行逐级预分类，找出其中特征明显的图像，然后再将上述指标作为SVM学习参数来区分剩余图像。

2.创新点在哪？

本文提出了一种时间窗内 ! 可调的在线支持向量回归方法, 根据各时间窗内支持向量比例的后验信息对 ! 进行调整,适应于噪声水平随时间变化的回归分析问题, 改善了支持向量分布, 提高回归泛化能力及拟合精度。

3.研究方法是什么？

在这里插入图片描述
对预分类后的剩余照片进行SVM分类，采用线性核、多项式核、高斯核三种核函数对比分类精度。

4.得到的结论是什么？

选用不同的核函数对识别率有不同的影响, 而核函数的参数变化时, 结果也会略有不同, 需要根据实验来选择合适的参数。实验结果保持了较高的准确性, 证明了指标定义是合理的。作为比较, 将图像特征改为前面提及的 HSV颜色空间中的 256 维颜色直方图, 采用相同的训练集和测试集, 仍用上述的 SVM 进行测试, 发现结果略差, 得到最高的平均正确率为 75.44%。