專利名稱：一種基于經(jīng)驗(yàn)?zāi)B(tài)分解的多分組圖像有監(jiān)督分類方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種基于經(jīng)驗(yàn)?zāi)B(tài)分解的多分組圖像有監(jiān)督分類方法，屬于圖像處理領(lǐng)域。

背景技術(shù)：
多分組圖像是一組具有較高相關(guān)性的多波段圖像，在地球觀測、醫(yī)學(xué)診斷、雷達(dá)探測等領(lǐng)域都存在大量的物理原型，例如高光譜圖像、醫(yī)學(xué)超聲圖像、海平面波動(dòng)圖像等。它們一般是針對同一區(qū)域的連續(xù)觀測或多光譜分光觀測，往往包含成百上千個(gè)波段的圖像，各波段圖像之間普遍具有較高的相關(guān)性，因此多分組圖像既包含觀察區(qū)域的多分辨信息，又存在大量的冗余信息。
多分組圖像中的每個(gè)像素都對應(yīng)一條覆蓋了各個(gè)波段的特征曲線，直接利用各像素的特征曲線作為特征向量進(jìn)行分類識別是多分組圖像分類有別于其它分類方法的根本區(qū)別?，F(xiàn)有的有監(jiān)督分類方法僅輸入原始特征，而原始特征曲線的維數(shù)往往受限于多分組成像設(shè)備的連續(xù)采集能力或多光譜分光能力，因此盡管支持向量機(jī)分類器對高維輸入空間并不敏感，也無法為分類器的輸入端提供更高維的特征向量以實(shí)現(xiàn)提高分類精度的目的?，F(xiàn)有的有監(jiān)督分類方法對特征利用不充分，分類精度低。


發(fā)明內(nèi)容
本發(fā)明目的是為了解決現(xiàn)有的有監(jiān)督分類方法對特征利用不充分，分類精度低的問題，提供了一種基于經(jīng)驗(yàn)?zāi)B(tài)分解的多分組圖像有監(jiān)督分類方法。
本發(fā)明的方法包括以下步驟 步驟一對多分組圖像中訓(xùn)練向量的各像素特征曲線所構(gòu)成的訓(xùn)練特征向量進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，得到訓(xùn)練向量各像素的擴(kuò)展訓(xùn)練特征向量； 對多分組圖像中測試向量的各像素特征曲線所構(gòu)成的測試特征向量進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，得到測試向量各像素的擴(kuò)展測試特征向量； 步驟二將多分組圖像中訓(xùn)練向量各像素的原始訓(xùn)練特征向量及與其對應(yīng)的擴(kuò)展訓(xùn)練特征向量結(jié)合成平滑的擴(kuò)維特征訓(xùn)練向量； 將多分組圖像中測試向量各像素的原始測試特征向量及與其對應(yīng)的擴(kuò)展測試特征向量結(jié)合成平滑的擴(kuò)維特征測試向量； 步驟三利用擴(kuò)維特征訓(xùn)練向量及其所對應(yīng)像素的歸屬類別對支持向量機(jī)進(jìn)行訓(xùn)練，獲得支持向量機(jī)的相關(guān)參數(shù)，即支持向量和拉格朗日乘子， 然后結(jié)合所述相關(guān)參數(shù)，并利用已訓(xùn)練完畢的支持向量機(jī)對擴(kuò)維特征測試向量所對應(yīng)像素的類別進(jìn)行歸屬判定，形成多個(gè)支持向量機(jī)子分類器； 步驟四利用所述多個(gè)支持向量機(jī)子分類器構(gòu)建基于一對一策略的多分類器，并依據(jù)決策函數(shù)對擴(kuò)維測試特征向量的各像素的歸屬類別作出決策，完成多分組圖像的分類。
1998年美國國家航空航天管理局(National Aeronautics and SpaceAdministration，NASA)的黃鍔博士發(fā)表了經(jīng)驗(yàn)?zāi)B(tài)分解法(Empirical ModeDecomposition，EMD)，利用信號內(nèi)部時(shí)間尺度的變化做能量與頻率的解析，將信號展開成數(shù)個(gè)本征模態(tài)函數(shù)(Intrinsic Mode Function，IMF)，再利用希爾伯特變換(Hilbert Transform，HT)獲得IMF的瞬時(shí)頻率和振幅，上述過程總稱為希爾伯特黃轉(zhuǎn)換(Hilbert-Huang Tramsform，HHT)。
EMD是HHT算法的重要步驟，不同于使用固定形態(tài)窗口為分界基底函數(shù)的傳統(tǒng)方法，EMD的基底函數(shù)是從信號中提取得到的，即使用IMF作基底。而IMF必須滿足下列條件 1)在整個(gè)函數(shù)中，極值點(diǎn)的數(shù)目與穿越零點(diǎn)的數(shù)目相等或者相差1； 2)在任何時(shí)刻，由局部極值包絡(luò)線所定義的包絡(luò)線局部均值為零。
其中，第一個(gè)條件與傳統(tǒng)高斯平穩(wěn)過程中窄頻寬的要求類似。第二個(gè)條件是一個(gè)新的想法將整體性要求改變?yōu)榫植啃砸?，使得瞬時(shí)頻率不會(huì)因?yàn)椴粚ΨQ波形的存在而導(dǎo)致不必要的晃動(dòng)。依托這兩個(gè)條件構(gòu)建起來的EMD及HHT被認(rèn)為是強(qiáng)有力地求解非線性、非平穩(wěn)信號的自適應(yīng)方法，是近年來對以傅立葉變換為基礎(chǔ)的線性及穩(wěn)態(tài)譜分析的重大突破，并得到了廣泛的應(yīng)用。
考慮到多分組圖像是對觀測區(qū)域的多次重復(fù)成像，這些成像之間只是存在時(shí)間上或譜段上的差異，因此從各幅圖像中提取出同一位置像素點(diǎn)的特征向量不可避免地存在高頻擾動(dòng)。去除各特征向量的高頻擾動(dòng)可以得到一個(gè)擴(kuò)展的特征向量，與原特征向量相結(jié)合后可以得到擴(kuò)維的特征向量，以期獲得更好的分類效果。而HHT從瞬時(shí)頻率的定義和解法出發(fā)，定義了EMD方法和IMF的概念，通過EMD方法可以將任意信號分解為從高頻到低頻的IMF分量的信號疊加，為多分組圖像高精度分類中的特征擴(kuò)展提供了隔離高頻擾動(dòng)以提高分類精度的新思路。
本發(fā)明的優(yōu)點(diǎn) 1)本發(fā)明所提出的分類方法利用經(jīng)驗(yàn)?zāi)B(tài)分解對多分組圖像進(jìn)行特征擴(kuò)展從而增加了分類器的輸入信息，同時(shí)利用對輸入空間高維數(shù)不敏感的支持向量機(jī)構(gòu)成基于一對一策略的多分類器，與僅輸入原始特征的多分類方法相比，可在不增加運(yùn)算復(fù)雜度的基礎(chǔ)上有效提升分類精度。
2)本發(fā)明所提出的分類方法無需增加訓(xùn)練向量的數(shù)量，只是在原訓(xùn)練向量與測試向量的基礎(chǔ)上通過特征擴(kuò)展更充分地利用多波段圖像信息，因此該分類方法與原始特征輸入的分類方法在結(jié)構(gòu)上保持了較好的一致性，無需改變已有訓(xùn)練向量知識庫以及訓(xùn)練向量的采集方法，有利于本發(fā)明方法的推廣應(yīng)用。



圖1是本發(fā)明方法流程圖，圖2是本發(fā)明方法流程原理圖，圖3是經(jīng)驗(yàn)?zāi)B(tài)分解流程圖，圖4是經(jīng)驗(yàn)?zāi)B(tài)分解中實(shí)現(xiàn)步驟c的流程圖，圖5是像素(100，130)的原始特征曲線，圖6是像素(100，130)的經(jīng)過經(jīng)驗(yàn)?zāi)B(tài)分解的第1個(gè)本征模態(tài)函數(shù)，圖7是像素(100，130)的剩余趨勢函數(shù)，圖8是像素(100，130)的擴(kuò)維后的特征曲線，圖9是基于原始特征方法的分類結(jié)果散點(diǎn)示意圖，圖10是本發(fā)明方法的分類結(jié)果散點(diǎn)示意圖。

具體實(shí)施例方式具體實(shí)施方式
一下面結(jié)合圖1至圖10說明本實(shí)施方式，本實(shí)施方式包括以下步驟 步驟一對多分組圖像中訓(xùn)練向量的各像素特征曲線所構(gòu)成的訓(xùn)練特征向量進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，得到訓(xùn)練向量各像素的擴(kuò)展訓(xùn)練特征向量； 對多分組圖像中測試向量的各像素特征曲線所構(gòu)成的測試特征向量進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，得到測試向量各像素的擴(kuò)展測試特征向量； 獲得擴(kuò)展訓(xùn)練特征向量或擴(kuò)展測試特征向量的方法為 設(shè)定輸入向量信號為x(t)，其中，1≤t≤N，N為多分組圖像的波段總數(shù)， 設(shè)定rn(t)為第n次本征模態(tài)函數(shù)分解的剩余趨勢函數(shù)，hnk(t)為第n次分解的剩余趨勢函數(shù)中經(jīng)過第k次篩選后的剩余函數(shù)， 步驟a、初始化n＝0，且輸入信號x(t)未經(jīng)過本征模態(tài)函數(shù)分解的剩余趨勢函數(shù)r0(t)＝x(t)， 步驟b、初始化k＝0，且輸入信號x(t)經(jīng)過第1次本征模態(tài)函數(shù)分解中第0次篩選后的剩余函數(shù)h10(t)＝r0(t)， 步驟c、根據(jù)篩選程序獲取輸入信號x(t)經(jīng)過第n次本征模態(tài)函數(shù)分解的剩余趨勢函數(shù)中經(jīng)過第k次篩選后的剩余函數(shù)hnk(t)， 步驟c1、利用三次樣條函數(shù)獲取輸入信號x(t)經(jīng)過第n次本征模態(tài)函數(shù)分解的剩余趨勢函數(shù)中經(jīng)過第k-1次篩選后的剩余函數(shù)hn(k-1)(t)的上、下包絡(luò)， 步驟c2、計(jì)算所述剩余函數(shù)hn(k-1)(t)上、下包絡(luò)曲線在各個(gè)t的均值mn(k-1)(t)， 步驟c3、獲取輸入信號x(t)經(jīng)過第n次本征模態(tài)函數(shù)分解的剩余趨勢函數(shù)中經(jīng)過第k次篩選后的剩余函數(shù)hnk(t)＝hn(k-1)(t)-mn(k-1)(t)。
步驟d、采用標(biāo)準(zhǔn)偏差準(zhǔn)則判斷輸入信號x(t)經(jīng)過第n次本征模態(tài)函數(shù)分解中經(jīng)過第k次篩選后的剩余函數(shù)hnk(t)是否滿足本征模態(tài)函數(shù)的條件，即(hn(k-1)(t)-hnk(t))2/hn(k-1)2(t)是否小于閾值T，0.2≤T≤0.3； 判斷結(jié)果為是，執(zhí)行步驟e，判斷結(jié)果為否，則k＝k+1，然后執(zhí)行步驟c， 步驟e、提取一個(gè)本征模態(tài)函數(shù)分量cn(t)＝hnk(t)， 步驟f、獲取輸入信號x(t)經(jīng)過第n次本征模態(tài)函數(shù)分解的剩余趨勢函數(shù)rn(t)＝rn-1(t)-cn(t)， 步驟g、判斷剩余趨勢函數(shù)rn(t)是否為單調(diào)函數(shù)， 判斷結(jié)果為否，則n＝n+1，然后執(zhí)行步驟b，判斷結(jié)果為是，獲得結(jié)果向量為rn(t)； 當(dāng)輸入向量信號x(t)為訓(xùn)練特征向量時(shí)，獲得的結(jié)果向量rn(t)為擴(kuò)展訓(xùn)練特征向量；輸入向量信號x(t)為測試特征向量時(shí)，獲得的結(jié)果向量rn(t)為擴(kuò)展測試特征。
對于一般的特征曲線，只需分解出第1個(gè)本征模態(tài)函數(shù)分量(以下簡稱IMF分量)c1(t)后即可停止，若特征空間中干擾成分較大則需要多進(jìn)行幾次IMF提取，最后，獲得的剩余趨勢函數(shù)rn(t)即是特征曲線x(t)的擴(kuò)展特征曲線——擴(kuò)展訓(xùn)練特征向量或擴(kuò)展測試特征向量構(gòu)成的曲線。本步驟需要對所有訓(xùn)練特征向量和測試特征向量執(zhí)行。
步驟二將多分組圖像中訓(xùn)練向量各像素的原始訓(xùn)練特征向量及與其對應(yīng)的擴(kuò)展訓(xùn)練特征向量結(jié)合成平滑的擴(kuò)維特征訓(xùn)練向量； 將多分組圖像中測試向量各像素的原始測試特征向量及與其對應(yīng)的擴(kuò)展測試特征向量結(jié)合成平滑的擴(kuò)維特征測試向量； 獲取擴(kuò)維特征訓(xùn)練向量的方法為 將多分組圖像中訓(xùn)練向量每個(gè)像素的擴(kuò)展訓(xùn)練特征向量的曲線左右翻轉(zhuǎn)后連接在該像素的原始訓(xùn)練特征向量的曲線右側(cè)。
獲取擴(kuò)維特征測試向量的方法為 將多分組圖像中測試向量每個(gè)像素的擴(kuò)展測試特征向量的曲線左右翻轉(zhuǎn)后連接在該像素的原始測試特征向量的曲線右側(cè)。
這樣的合并方式可以有效避免原始特征與擴(kuò)展特征之間的數(shù)據(jù)不連續(xù)現(xiàn)象。該步驟需要對所有訓(xùn)練特征向量和測試特征向量統(tǒng)一實(shí)施，以保證其維數(shù)一致，即特征向量的維數(shù)均擴(kuò)大了1倍。
步驟三利用擴(kuò)維特征訓(xùn)練向量及其所對應(yīng)像素的歸屬類別對支持向量機(jī)進(jìn)行訓(xùn)練，獲得支持向量機(jī)的相關(guān)參數(shù)，即支持向量和拉格朗日乘子， 然后結(jié)合所述相關(guān)參數(shù)，并利用已訓(xùn)練完畢的支持向量機(jī)對擴(kuò)維特征測試向量所對應(yīng)像素的類別進(jìn)行歸屬判定，形成多個(gè)支持向量機(jī)子分類器； 支持向量和拉格朗日乘子的獲取方法為 步驟31、支持向量機(jī)分類器的基本核函數(shù)選取徑向基函數(shù)KRBF(x，x′) 利用擴(kuò)維特征訓(xùn)練向量通過篩選確定支持向量機(jī)的徑向基函數(shù)的參數(shù)σ， 步驟32、由KRBF(x，x′)所構(gòu)成的支持向量機(jī)子分類器fij(x)為 其中αt＝(α1，α2，……，αM)為拉格朗日乘子，yt∈{-1，1}為歸屬類別， 利用擴(kuò)維特征訓(xùn)練向量及其所對應(yīng)像素的歸屬類別對支持向量機(jī)進(jìn)行訓(xùn)練，獲得各支持向量和拉格朗日乘子。
形成多個(gè)支持向量機(jī)子分類器的方法為根據(jù)獲取的各支持向量和拉格朗日乘子，將擴(kuò)維特征訓(xùn)練向量不同類別對應(yīng)的特征數(shù)據(jù)輸入支持向量機(jī)子分類器fij(x)，形成多個(gè)支持向量機(jī)子分類器。
步驟四利用所述多個(gè)支持向量機(jī)子分類器構(gòu)建基于一對一策略的多分類器，并依據(jù)決策函數(shù)對擴(kuò)維測試特征向量的各像素的歸屬類別作出決策，完成多分組圖像的分類。
所述決策函數(shù)采用得分最多者獲勝的原則，并按下式求出擴(kuò)維測試特征向量所對應(yīng)像素的最終歸屬類別i* 其中，評分函數(shù)Fi(x)可表示為 U為擴(kuò)維特征測試向量區(qū)分類別總數(shù)量。
鑒于多分組圖像來自于對特定區(qū)域的連續(xù)性觀測，待分類的像素呈現(xiàn)復(fù)雜的多樣性特點(diǎn)，因此多分組圖像分類是典型的多分類任務(wù)。而支持向量機(jī)本質(zhì)上只能分辨兩種類別，為了完成多分類任務(wù)便需要利用多個(gè)支持向量機(jī)結(jié)合一定的策略來構(gòu)造多分類器。鑒于不同類別所對應(yīng)的像素?cái)?shù)目不可預(yù)計(jì)，采用一對一(One Against One，OAO)策略來構(gòu)建多分類器，其優(yōu)勢在于每個(gè)子分類器的訓(xùn)練時(shí)間不會(huì)因?yàn)閮煞N類別像素?cái)?shù)目的差別較大而變得過長，從而確保分類任務(wù)的可執(zhí)行性。
對基于一對一策略的多分類器，任意兩種類別都需要構(gòu)造一個(gè)支持向量機(jī)子分類器來處理。區(qū)分類別總數(shù)為U的多分類任務(wù)，需要構(gòu)造U(U-1)/2個(gè)子分類器fhk(x)來分別處理類別p和類別q之間的分類任務(wù)，這也意味著步驟三實(shí)際上要執(zhí)行U(U-1)/2次，而且各子分類器所對應(yīng)的訓(xùn)練樣本與測試樣本均不同。最終決策前，需要計(jì)算每一類別的評分函數(shù)Fi(x)，該函數(shù)統(tǒng)計(jì)了各子分類器的正負(fù)得分。評分函數(shù)Fi(x)可表示為 決策函數(shù)采用得分最多者獲勝的原則并按下式求出測試向量所對應(yīng)像素的最終歸屬類別i* 下面結(jié)合92AV3C高光譜圖像的多分類實(shí)施例闡述本發(fā)明的
具體實(shí)施例方式 高光譜圖像是典型的多分組圖像之一。92AV3C高光譜圖像來自于AVIRIS(Airborne Visible/Infrared Imaging Spectrometer)傳感器對美國印地安那州西北部某農(nóng)業(yè)地區(qū)的遙感觀測。該數(shù)據(jù)集合包含220個(gè)波段(另有4個(gè)波段全為0值而被丟棄)，從0.40μm到2.45μm大約每隔10nm一個(gè)波段，并附帶通過實(shí)地考察所標(biāo)定的各像素歸屬類別參考圖，可利用該參考圖輔助構(gòu)建訓(xùn)練集合以及計(jì)算分類方法關(guān)于測試集合的分類精度。本實(shí)施例中安排了92AV3C高光譜圖像中7種像素最多的類別，為交叉驗(yàn)證實(shí)驗(yàn)提供了充足的數(shù)據(jù)基礎(chǔ)。實(shí)驗(yàn)采用高達(dá)5折的交叉驗(yàn)證(5-fold cross validation)實(shí)驗(yàn)來計(jì)算分類精度，使得結(jié)果更加具有說服力。
執(zhí)行步驟一對92AV3C高光譜圖像中各像素特征曲線所構(gòu)成的特征向量進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，得到各像素的擴(kuò)展特征向量。
以像素(100，130)為例，其對應(yīng)的特征曲線如圖5所示，可見原始特征向量的維數(shù)為220維；進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解之后得到的第1個(gè)本征模態(tài)函數(shù)(IntrinsicMode Function，IMF)和此時(shí)剩余趨勢函數(shù)分別如圖6和圖7所示(皆為220維)，可見第1個(gè)IMF即光譜中的高頻特性，所反映的主要是AVIRIS高光譜傳感器的干擾信息，而剩余趨勢函數(shù)即該像素的擴(kuò)展特征曲線。需要對所有訓(xùn)練特征向量和測試特征向量執(zhí)行該步驟。
執(zhí)行步驟二將92AV3C高光譜圖像中各像素的原始訓(xùn)練特征向量及其擴(kuò)展訓(xùn)練特征向量按統(tǒng)一規(guī)則進(jìn)行結(jié)合，得到擴(kuò)維訓(xùn)練特征向量與擴(kuò)維測試特征向量。
將該像素(100，130)的擴(kuò)展特征曲線左右翻轉(zhuǎn)，并連接在該像素的原始特征曲線之后，形成新的特征曲線。其擴(kuò)維后的特征曲線如圖8所示，可見兩部分曲線過渡平滑。需要對所有擴(kuò)展訓(xùn)練特征向量和擴(kuò)展測試特征向量統(tǒng)一實(shí)施該步驟，以保證其維數(shù)均由220維擴(kuò)展為440維。
執(zhí)行步驟三利用擴(kuò)維特征訓(xùn)練向量及其所對應(yīng)像素的歸屬類別對支持向量機(jī)進(jìn)行訓(xùn)練，再利用參數(shù)已訓(xùn)練完畢的支持向量機(jī)對擴(kuò)維特征測試向量所對應(yīng)像素的類別進(jìn)行歸屬判定。
支持向量機(jī)的基本核函數(shù)為徑向基函數(shù) 利用訓(xùn)練向量進(jìn)行篩選擇優(yōu)之后，支持向量機(jī)的懲罰因子選取60，徑向基核函數(shù)的參數(shù)σ選取0.4。令α＝(α1，α2，L，αM)為拉格朗日乘子，yt∈{-1，1}為歸屬類別，由KRBF(x，x′)所構(gòu)成的支持向量機(jī)分類器為 本實(shí)施例采用一對一策略構(gòu)建7類地面物種的多分類器，共需要7×(7-1)/2＝21個(gè)支持向量機(jī)子分類器分別處理其中兩兩類別之間的鑒別任務(wù)，因此本步驟需要執(zhí)行21次。
執(zhí)行步驟四利用多個(gè)支持向量機(jī)子分類器構(gòu)建基于一對一策略的多分類器，并依據(jù)決策函數(shù)對各像素的歸屬類別作出決策。
最終決策前，首先統(tǒng)計(jì)各子分類器的結(jié)果中關(guān)于7種類別的正、負(fù)得分情況，評分函數(shù)Fi(x)的計(jì)算公式如下 決策函數(shù)采用得分最多者獲勝的原則并按下式求出擴(kuò)維測試特征向量所對應(yīng)像素的最終歸屬類別i* 由于實(shí)驗(yàn)所用92AV3C高光譜圖像自帶歸屬類別參考圖，因此我們實(shí)際上已經(jīng)知道了各測試特征向量所對應(yīng)像素的真實(shí)類別，因此可統(tǒng)計(jì)出本發(fā)明方法的實(shí)際分類精度。此外，我們還選取基于原始特征向量的一對一策略支持向量機(jī)多分類器，也對同樣的數(shù)據(jù)集合進(jìn)行了分類實(shí)驗(yàn)并得出了該傳統(tǒng)方法的分類精度，用來與本發(fā)明方法的分類效果進(jìn)行對比，詳細(xì)的分類精度對比見表1，兩種方法的分類結(jié)果散點(diǎn)圖見圖9和圖10，其中黑色區(qū)域?yàn)閷?shí)驗(yàn)所涉及的7類地面物種，黑色區(qū)域中的白色散點(diǎn)表示測試集合中被錯(cuò)誤分類的像素，其他大面積的淺灰色區(qū)域?yàn)閷?shí)驗(yàn)未涉及的圖像區(qū)域。
從表1中的分類精度對比可知對原始特征向量進(jìn)行擴(kuò)展之后，具體7類地面物種的分類精度中除Soybean-clean till外均得到提高，平均精度提高了1.72％。從兩種方法的分類結(jié)果散點(diǎn)圖來看，圖10的錯(cuò)誤分類像素(白色散點(diǎn)區(qū)域)在大多數(shù)子類別區(qū)域的密度是低于圖9的，這說明本發(fā)明方法對輸入特征向量進(jìn)行擴(kuò)維之后能夠有效提高分類精度。
表1兩種分類方法的分類精度比較
具體實(shí)施方式
二、本實(shí)施方式與具體實(shí)施方式
一的不同之處在于，T＝0.25，其它與實(shí)施方式一相同。
權(quán)利要求
1.一種基于經(jīng)驗(yàn)?zāi)B(tài)分解的多分組圖像有監(jiān)督分類方法，其特征在于，該方法包括以下步驟
步驟一對多分組圖像中訓(xùn)練向量的各像素特征曲線所構(gòu)成的訓(xùn)練特征向量進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，得到訓(xùn)練向量各像素的擴(kuò)展訓(xùn)練特征向量；
對多分組圖像中測試向量的各像素特征曲線所構(gòu)成的測試特征向量進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，得到測試向量各像素的擴(kuò)展測試特征向量；
步驟二將多分組圖像中訓(xùn)練向量各像素的原始訓(xùn)練特征向量及與其對應(yīng)的擴(kuò)展訓(xùn)練特征向量結(jié)合成平滑的擴(kuò)維特征訓(xùn)練向量；
將多分組圖像中測試向量各像素的原始測試特征向量及與其對應(yīng)的擴(kuò)展測試特征向量結(jié)合成平滑的擴(kuò)維特征測試向量；
步驟三利用擴(kuò)維特征訓(xùn)練向量及其所對應(yīng)像素的歸屬類別對支持向量機(jī)進(jìn)行訓(xùn)練，獲得支持向量機(jī)的相關(guān)參數(shù)，即支持向量和拉格朗日乘子，
然后結(jié)合所述相關(guān)參數(shù)，并利用已訓(xùn)練完畢的支持向量機(jī)對擴(kuò)維特征測試向量所對應(yīng)像素的類別進(jìn)行歸屬判定，形成多個(gè)支持向量機(jī)子分類器；
步驟四利用所述多個(gè)支持向量機(jī)子分類器構(gòu)建基于一對一策略的多分類器，并依據(jù)決策函數(shù)對擴(kuò)維測試特征向量的各像素的歸屬類別作出決策，完成多分組圖像的分類。
2.根據(jù)權(quán)利要求1所述的一種基于經(jīng)驗(yàn)?zāi)B(tài)分解的多分組圖像有監(jiān)督分類方法，其特征在于，步驟一獲得擴(kuò)展訓(xùn)練特征向量或擴(kuò)展測試特征向量的方法為
設(shè)定輸入向量信號為x(t)，其中，1≤t≤N，N為多分組圖像的波段總數(shù)，
設(shè)定rn(t)為第n次本征模態(tài)函數(shù)分解的剩余趨勢函數(shù)，hnk(t)為第n次分解的剩余趨勢函數(shù)中經(jīng)過第k次篩選后的剩余函數(shù)，
步驟a、初始化n＝0，且輸入信號x(t)未經(jīng)過本征模態(tài)函數(shù)分解的剩余趨勢函數(shù)r0(t)＝x(t)，
步驟b、初始化k＝0，且輸入信號x(t)經(jīng)過第1次本征模態(tài)函數(shù)分解中第0次篩選后的剩余函數(shù)h10(t)＝r0(t)，
步驟c、根據(jù)篩選程序獲取輸入信號x(t)經(jīng)過第n次本征模態(tài)函數(shù)分解的剩余趨勢函數(shù)中經(jīng)過第k次篩選后的剩余函數(shù)hnk(t)，
步驟d、采用標(biāo)準(zhǔn)偏差準(zhǔn)則判斷輸入信號x(t)經(jīng)過第n次本征模態(tài)函數(shù)分解中經(jīng)過第k次篩選后的剩余函數(shù)hnk(t)是否滿足本征模態(tài)函數(shù)的條件，即(hn(k-1)(t)-hnk(t))2/hn(k-1)2(t)是否小于閾值T，0.2≤T≤0.3；
判斷結(jié)果為是，執(zhí)行步驟e，判斷結(jié)果為否，則k＝k+1，然后執(zhí)行步驟c，
步驟e、提取一個(gè)本征模態(tài)函數(shù)分量cn(t)＝hnk(t)，
步驟f、獲取輸入信號x(t)經(jīng)過第n次本征模態(tài)函數(shù)分解的剩余趨勢函數(shù)rn(t)＝rn-1(t)-cn(t)，
步驟g、判斷剩余趨勢函數(shù)rn(t)是否為單調(diào)函數(shù)，
判斷結(jié)果為否，則n＝n+1，然后執(zhí)行步驟b，判斷結(jié)果為是，獲得結(jié)果向量為rn(t)；
當(dāng)輸入向量信號x(t)為訓(xùn)練特征向量時(shí)，獲得的結(jié)果向量rn(t)為擴(kuò)展訓(xùn)練特征向量；輸入向量信號x(t)為測試特征向量時(shí)，獲得的結(jié)果向量rn(t)為擴(kuò)展測試特征。
3.根據(jù)權(quán)利要求2所述的一種基于經(jīng)驗(yàn)?zāi)B(tài)分解的多分組圖像有監(jiān)督分類方法，其特征在于，步驟c根據(jù)篩選程序獲取輸入信號x(t)經(jīng)過第n次本征模態(tài)函數(shù)分解的剩余趨勢函數(shù)中經(jīng)過第k次篩選后的剩余函數(shù)hnk(t)的過程為
步驟c1、利用三次樣條函數(shù)獲取輸入信號x(t)經(jīng)過第n次本征模態(tài)函數(shù)分解的剩余趨勢函數(shù)中經(jīng)過第k-1次篩選后的剩余函數(shù)hn(k-1)(t)的上、下包絡(luò)，
步驟c2、計(jì)算所述剩余函數(shù)hn(k-1)(t)上、下包絡(luò)曲線在各個(gè)t的均值mn(k-1)(t)，
步驟c3、獲取輸入信號x(t)經(jīng)過第n次本征模態(tài)函數(shù)分解的剩余趨勢函數(shù)中經(jīng)過第k次篩選后的剩余函數(shù)hnk(t)＝hn(k-1)(t)-mn(k-1)(t)。
4.根據(jù)權(quán)利要求2所述的一種基于經(jīng)驗(yàn)?zāi)B(tài)分解的多分組圖像有監(jiān)督分類方法，其特征在于，步驟d中T＝0.25。
5.根據(jù)權(quán)利要求1所述的一種基于經(jīng)驗(yàn)?zāi)B(tài)分解的多分組圖像有監(jiān)督分類方法，其特征在于，步驟二獲取擴(kuò)維特征訓(xùn)練向量的方法為
將多分組圖像中訓(xùn)練向量每個(gè)像素的擴(kuò)展訓(xùn)練特征向量的曲線左右翻轉(zhuǎn)后連接在該像素的原始訓(xùn)練特征向量的曲線右側(cè)。
獲取擴(kuò)維特征測試向量的方法為
將多分組圖像中測試向量每個(gè)像素的擴(kuò)展測試特征向量的曲線左右翻轉(zhuǎn)后連接在該像素的原始測試特征向量的曲線右側(cè)。
6.根據(jù)權(quán)利要求1所述的一種基于經(jīng)驗(yàn)?zāi)B(tài)分解的多分組圖像有監(jiān)督分類方法，其特征在于，步驟三中支持向量和拉格朗日乘子的獲取方法為
步驟31、支持向量機(jī)分類器的基本核函數(shù)選取徑向基函數(shù)KRBF(x，x′)
利用擴(kuò)維特征訓(xùn)練向量通過篩選確定支持向量機(jī)的徑向基函數(shù)的參數(shù)σ，步驟32、由KRBF(x，x′)所構(gòu)成的支持向量機(jī)子分類器fij(x)為
其中αt＝(α1，α2，......，αM)為拉格朗日乘子，yt∈{-1，1}為歸屬類別，
利用擴(kuò)維特征訓(xùn)練向量及其所對應(yīng)像素的歸屬類別對支持向量機(jī)進(jìn)行訓(xùn)練，獲得各支持向量和拉格朗日乘子，
步驟三中形成多個(gè)支持向量機(jī)子分類器的方法為根據(jù)獲取的各支持向量和拉格朗日乘子，將擴(kuò)維特征訓(xùn)練向量不同類別對應(yīng)的特征數(shù)據(jù)輸入支持向量機(jī)子分類器fij(x)，形成多個(gè)支持向量機(jī)子分類器。
7.根據(jù)權(quán)利要求1所述的一種基于經(jīng)驗(yàn)?zāi)B(tài)分解的多分組圖像有監(jiān)督分類方法，其特征在于，步驟四所述決策函數(shù)采用得分最多者獲勝的原則，并按下式求出擴(kuò)維測試特征向量所對應(yīng)像素的最終歸屬類別i*
其中，評分函數(shù)Fi(x)可表示為
U為擴(kuò)維特征測試向量區(qū)分類別總數(shù)量。
全文摘要
一種基于經(jīng)驗(yàn)?zāi)B(tài)分解的多分組圖像有監(jiān)督分類方法，屬于圖像處理領(lǐng)域，本發(fā)明為解決現(xiàn)有的有監(jiān)督分類方法對特征利用不充分，分類精度低的問題。本發(fā)明方法包括以下步驟一、對各像素的特征向量進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，得到擴(kuò)展特征向量；二、將各像素的原始特征向量及其擴(kuò)展特征向量按統(tǒng)一規(guī)則結(jié)合，得到擴(kuò)維特征向量；三、對支持向量機(jī)進(jìn)行訓(xùn)練，然后對擴(kuò)維測試特征向量的類別進(jìn)行歸屬判定，形成多個(gè)支持向量機(jī)子分類器；四、構(gòu)建基于一對一策略的多分類器對各像素的歸屬類別作出決策，完成多分組圖像的分類。本發(fā)明用于需要高精度分類的多分組圖像模式識別應(yīng)用。
文檔編號G06K9/62GK101799873SQ201010102438
公開日2010年8月11日 申請日期2010年1月28日 優(yōu)先權(quán)日2010年1月28日
發(fā)明者沈毅, 張淼, 王艷, 金晶, 林玉榮 申請人:哈爾濱工業(yè)大學(xué)