Automatic detection of image orientation using Support Vector Machines
Date
2002-12
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Stellenbosch : Stellenbosch University
Abstract
ENGLISH ABSTRACT: In this thesis, we present a technique for the automatic detection of image orientation using Support
Vector Machines (SVMs). SVMs are able to handle feature spaces of high dimension and automatically
choose the most discriminative features for classification. We investigate the use of various
kernels, including heavy tailed RBF kernels. We compare the classification performance of SVMs
with the performance of multilayer perceptrons and a Bayesian classifier. Our results show that SVMs
out perform both of these methods in the classification of individual images. We also implement an
application for the classification of film rolls in a photographic workflow environment with 100%
classification accuracy.
AFRIKAANSE OPSOMMING: In hierdie tesis, gebruik ons 'n tegniek vir die automatiese klassifisering van beeldoriëntasie deur middel van Support Vector Machines (SVM's). SVM's kan kenmerkruimtes van 'n hoë dimensie hanteer en kan automaties die mees belangrike kenmerke vir klassifikasie kies. Ons vors die gebruik van verskeie kerne, insluitende RBF-kerne, na. Ons vergelyk die klassifiseringsresultate van SVM's met die van multilaagperseptrone en 'n Bayes-klassifiseerder. Ons bewys dat SVM's beter resultate gee as beide van hierdie metodes vir die klassifikasie van individuele beelde. Ons implementeer ook a toepassing vir die klassifisering van rolle film in a fotografiese werkvloei-omgewing met 100% klassifikasie akuraatheid.
AFRIKAANSE OPSOMMING: In hierdie tesis, gebruik ons 'n tegniek vir die automatiese klassifisering van beeldoriëntasie deur middel van Support Vector Machines (SVM's). SVM's kan kenmerkruimtes van 'n hoë dimensie hanteer en kan automaties die mees belangrike kenmerke vir klassifikasie kies. Ons vors die gebruik van verskeie kerne, insluitende RBF-kerne, na. Ons vergelyk die klassifiseringsresultate van SVM's met die van multilaagperseptrone en 'n Bayes-klassifiseerder. Ons bewys dat SVM's beter resultate gee as beide van hierdie metodes vir die klassifikasie van individuele beelde. Ons implementeer ook a toepassing vir die klassifisering van rolle film in a fotografiese werkvloei-omgewing met 100% klassifikasie akuraatheid.
Description
Thesis (MSc)--University of Stellenbosch, 2002.
Keywords
Image processing, Vector processing (Computer science), Kernel functions, Dissertations -- Computer science, Theses -- Computer science