基于SVM的图像分割MATLAB实现实例

一、应用场景

实例演示如何使用支持向量机（SVM）对自然图像进行二值分割（前景与背景分离）。以鸭子图像分割为例，通过RGB颜色特征训练SVM模型，实现从湖水背景中提取鸭子区域。

二、核心步骤与代码实现

1. 数据准备与特征提取

• 输入图像：读取RGB图像，转换为双精度矩阵。
• 训练样本选择：手动标注前景（鸭子）和背景（湖水）的像素点，提取RGB值作为特征。

%% 读取图像
pic = imread('littleduck.jpg'); % 替换为实际图像路径
[m, n, k] = size(pic); % 图像尺寸

%% 手动标注训练样本（示例数据）
% 背景样本（湖水）
TrainData_background = [
    52 74 87; 76 117 150; 19 48 62; 35 64 82; 46 58 36;
    50 57 23; 110 127 135; 156 173 189; 246 242 232; 166 174 151
]'; % 10个样本，每列[R, G, B]

% 前景样本（鸭子）
TrainData_foreground = [
    211 192 107; 202 193 164; 32 25 0; 213 201 151; 115 75 16;
    101 70 0; 169 131 22; 150 133 87
]'; % 8个样本，每列[R, G, B]

%% 构建训练集与标签
TrainLabel = [zeros(size(TrainData_background,2),1); ones(size(TrainData_foreground,2),1)];
TrainData = [TrainData_background, TrainData_foreground];

2. SVM模型训练

• 核函数选择：线性核（-t 1）适用于线性可分场景，RBF核（-t 2）适用于非线性问题。
• 参数设置：惩罚系数C控制分类误差容忍度，-d 1指定多项式核阶数（线性核无需设置）。

%% 训练SVM模型（使用LIBSVM工具箱）
model = svmtrain(TrainLabel, TrainData, '-t 1 -d 1 -c 1'); % 线性核，C=1

3. 图像分割与预测

• 像素级预测：将图像重塑为二维矩阵，逐像素分类。
• 生成分割掩码：根据预测标签重构二值图像。

%% 预测图像像素类别
TestData = double(reshape(pic, m*n, k)); % 转换为二维特征矩阵
[predict_label, accuracy, dec_values] = svmpredict(zeros(size(TestData,1),1), TestData, model);

%% 生成分割掩码
seg_mask = reshape(predict_label, m, n); % 重塑为图像尺寸
seg_img = pic; % 初始化分割图像
seg_img(~seg_mask) = 0; % 背景置零

4. 结果可视化

• 对比显示：原始图像与分割结果并排展示。
• 后处理优化（可选）：形态学操作去除噪点。

%% 显示结果
figure;
subplot(1,2,1); imshow(pic); title('原始图像');
subplot(1,2,2); imshow(seg_img); title('SVM分割结果');

%% 形态学去噪（可选）
se = strel('disk',2); % 定义结构元素
seg_img_clean = imopen(seg_img, se); % 开运算去噪
figure; imshow(seg_img_clean); title('形态学优化后结果');

三、完整MATLAB代码

%% 基于SVM的图像分割实例
clear; clc; close all;

%% 1. 读取图像
pic = imread('littleduck.jpg'); % 替换为实际图像路径
[m, n, k] = size(pic);

%% 2. 准备训练样本（示例数据）
TrainData_background = [52 74 87; 76 117 150; 19 48 62; 35 64 82; 46 58 36; 50 57 23; 110 127 135; 156 173 189; 246 242 232; 166 174 151]';
TrainData_foreground = [211 192 107; 202 193 164; 32 25 0; 213 201 151; 115 75 16; 101 70 0; 169 131 22; 150 133 87]';
TrainLabel = [zeros(size(TrainData_background,2),1); ones(size(TrainData_foreground,2),1)];
TrainData = [TrainData_background, TrainData_foreground];

%% 3. 训练SVM模型
model = svmtrain(TrainLabel, TrainData, '-t 1 -d 1 -c 1'); % 线性核，C=1

%% 4. 预测与分割
TestData = double(reshape(pic, m*n, k));
[predict_label, ~, ~] = svmpredict(zeros(size(TestData,1),1), TestData, model);
seg_mask = reshape(predict_label, m, n);
seg_img = pic;
seg_img(~seg_mask) = 0;

%% 5. 显示结果
figure;
subplot(1,2,1); imshow(pic); title('原始图像');
subplot(1,2,2); imshow(seg_img); title('SVM分割结果');

%% 6. 形态学优化（可选）
se = strel('disk',2);
seg_img_clean = imopen(seg_img, se);
figure; imshow(seg_img_clean); title('去噪后结果');

四、关键参数说明

参考代码 图像分割、支持向量机（SVM）的一个简单应用实例及matlab代码 www.youwenfan.com/contentalh/97497.html

五、性能优化

1. 特征增强： 使用HSV颜色空间替代RGB，提升光照不变性。 添加纹理特征（如GLCM）或几何特征（面积、周长）。
2. 参数调优： 通过网格搜索（Grid Search）优化C和gamma（RBF核）。 使用交叉验证评估模型泛化能力。
3. 后处理： 结合形态学操作（腐蚀、膨胀）消除噪点。 使用连通域分析去除小面积干扰。

六、应用扩展

• 多类分割：扩展为多类别问题（如区分天空、草地、建筑物）。
• 实时分割：结合GPU加速（gpuArray）处理视频流。
• 深度学习融合：使用预训练CNN提取特征，结合SVM分类。

七、参考

1. CSDN博客《以图像分割为例浅谈支持向量机(SVM)》
2. MATLAB官方网页：svmtrain与svmpredict函数说明
3. 豆丁网论文《基于支持向量机的叶片图像分割》