專利名稱：基于特征擴(kuò)展和模糊支持向量機(jī)的多分組圖像分類方法
技術(shù)領(lǐng)域：
本發(fā)明涉及基于特征擴(kuò)展和模糊支持向量機(jī)的多分組圖像分類方法，屬于圖像處理領(lǐng)域。
背景技術(shù)：
多分組圖像由具有較高相關(guān)性的多波段圖像組合而成，在環(huán)境監(jiān)測、地球勘測、醫(yī)學(xué)診斷、雷達(dá)探測和軍事偵查等領(lǐng)域都有大量物理原型，如海平面波動圖像、高光譜圖像和醫(yī)學(xué)超聲圖像等。多分組圖像一般針對同一區(qū)域或地點進(jìn)行連續(xù)觀測或由成像光譜儀分光觀測，往往包含成百上千具有較高相關(guān)性的波段，它的各個像素點對應(yīng)著一條涵蓋了各波段的特征曲線，體現(xiàn)了被觀察對象的多分辨信息，同時也包含了大量的冗余信息。對多分組圖像各像素所屬種類進(jìn)行識別，一直是圖像處理和模式識別領(lǐng)域的熱點研究問題。多分組圖像分類算法包括兩個重要方面，即特征提取和分類器選擇。前者從大量給定圖像中抽取最能體現(xiàn)多分組圖像本質(zhì)的特征，后者對這些提取的特征進(jìn)行分類。可見，如何提取圖像本質(zhì)特征以及選取何種分類器成了多分組圖像分類是否準(zhǔn)確的關(guān)鍵。傳統(tǒng)的特征提取方法大都通過某些規(guī)則，直接選取原圖像的某些波段，這樣提取的特征未能完全反映圖像本征信息，不利于分類精度的提高。另ー方面，傳統(tǒng)的分類器，如最鄰近分類器、最大似然分類器、最小距離分類器等，對分類樣本限制較大，而對于多分組圖像這類復(fù)雜樣本，其分類精度往往不高?，F(xiàn)有多分組圖像分類方法無法有效提取圖像本質(zhì)特征，分類精度較低。

發(fā)明內(nèi)容
本發(fā)明目的是為了解決現(xiàn)有多分組圖像分類方法無法有效提取圖像本質(zhì)特征，分類精度較低的問題，提供了ー種基于特征擴(kuò)展和模糊支持向量機(jī)的多分組圖像分類方法。本發(fā)明所述基于特征擴(kuò)展和模糊支持向量機(jī)的多分組圖像分類方法，該方法包括以下步驟步驟一、初始化給定波段數(shù)為Itl、尺寸為PXQ的多分組圖像IMj(p, q), j = 1,2,, I0, p = 1,2,, P, q = 1,2, Q,去掉多分組圖像IMj(Pd)中被噪聲等嚴(yán)重污染而無法使用的波段，對剩下的I個有效波段重新排序，得到待擴(kuò)展多分組圖像IMi (p, q) , i = I, 2, ...,I,其中I。、I、P和Q為自然數(shù)；步驟ニ、依次對I個待擴(kuò)展多分組圖像Mi (P，q)進(jìn)行ニ維經(jīng)驗?zāi)B(tài)分解，得到I組ニ維本征模態(tài)函數(shù)BIMF^i ,U1 =1,2,..., U1,
其中Ui為第i個波段的ニ維本征模態(tài)函數(shù)的個數(shù)；步驟三、將所有ニ維本征模態(tài)函數(shù)B/M/f有機(jī)組合，擴(kuò)展為待擴(kuò)展多分組圖像IMi (p, q)各波段對應(yīng)的特征，記為擴(kuò)展后特征FBMF ；
步驟四、隨機(jī)抽取擴(kuò)展后特征FBMF上的各像素形成訓(xùn)練樣本FtrainingBIMFk, k = 1，2，…，N和測試樣本FtestingBIMF1, I = 1,2, ...，M，其中，N為訓(xùn)練樣本總數(shù)，M為測試樣本總數(shù)；步驟五、對訓(xùn)練樣本FtrainingBMFk指定模糊隸屬度sk，其中，0彡Sk彡I ;步驟六、根據(jù)訓(xùn)練樣本FtrainingBIMFk及對應(yīng)的模糊隸屬度Sk訓(xùn)練FSVM分類器；步驟七、通過測試樣本FtestingBIMF1測試訓(xùn)練出的模糊支持向量機(jī)，并求其分類精度，完成對多分組圖像頂ゴ(P，q)的分類。本發(fā)明的優(yōu)點I)本發(fā)明米用基于BEMD(Bi-dimensional Empirical Mode Decomposition,ニ維經(jīng)驗?zāi)B(tài)分解)的特征擴(kuò)展方法對多分組圖像進(jìn)行特征提取，依次對初始化后的圖像IMi (p, q), i = I, 2,, I, p = 1,2,q=l,2, ...,Q進(jìn)行BEMD,得到 I 組 BIMF (Bi-dimensional Intrinsic Mode Function, ニ維本征模態(tài)函數(shù))、BIMF]u、Ui = 1,2,…,U^i = 1,2,…，I,并將這些3ルが^進(jìn)行有機(jī)組合,擴(kuò)展為多分組圖像的特征，充分發(fā)揮了 BEMD能自適應(yīng)地提取復(fù)雜圖像本質(zhì)特征的優(yōu)勢，有效獲取多分組圖像特征；2)本發(fā)明采用FSVM作為分類器,在原有支持向量機(jī)(Support Vector Machine,SVM)中引入模糊隸屬度，使構(gòu)造的分類器兼具SVM和模糊函數(shù)二者的優(yōu)勢，能將實際問題通過非線性變換轉(zhuǎn)換到高維特征空間，通過二次型尋優(yōu)問題得到全局最優(yōu)值，決策函數(shù)僅由少數(shù)支持向量決定，避免了“維數(shù)災(zāi)難”，引入的模糊隸屬度提高了對噪聲、孤立點樣本的識別能力，有利于提聞分類精度。


圖I是基于特征擴(kuò)展和模糊支持向量機(jī)的多分組圖像分類方法的流程圖；圖2是實施方式ニ BEMD方法流程圖；圖3是基于分層樹策略的FSVM多分類器構(gòu)造示意圖；圖4是多分組圖像波段序列圖；圖5是擴(kuò)展后的多分組圖像波段序列圖。
具體實施例方式具體實施方式
一下面結(jié)合圖I說明本實施方式，本實施方式所述基于特征擴(kuò)展和模糊支持向量機(jī)的多分組圖像分類方法，方法包括以下步驟步驟一、初始化給定波段數(shù)為Itl、尺寸為PXQ的多分組圖像IMj(p, q), j = 1,2,, I0, p = 1,2,, P, q = 1,2, Q,去掉多分組圖像IMj(Pd)中被噪聲等嚴(yán)重污染而無法使用的波段，對剩下的I個有效波段重新排序，得到待擴(kuò)展多分組圖像IMi (p, q) , i = I, 2, ...,I,其中I。、I、P和Q為自然數(shù)；
步驟ニ、依次對I個待擴(kuò)展多分組圖像Mi (P，q)進(jìn)行ニ維經(jīng)驗?zāi)B(tài)分解，得到I組ニ維本征模態(tài)函數(shù)BIMFiu^ui =1,,其中Ui為第i個波段的ニ維本征模態(tài)函數(shù)的個數(shù)；步驟三、將所有ニ維本征模態(tài)函數(shù)B/M/f有機(jī)組合，擴(kuò)展為待擴(kuò)展多分組圖像IMi (p, q)各波段對應(yīng)的特征，記為擴(kuò)展后特征FBMF ；步驟四、隨機(jī)抽取擴(kuò)展后特征FBMF上的各像素形成訓(xùn)練樣本FtrainingBIMFk, k = 1,2,…，N和測試樣本FtestingBIMF1, I = 1,2, ...，M，其中，N為訓(xùn)練樣本總數(shù)，M為測試樣本總數(shù)；步驟五、對訓(xùn)練樣本FtrainingBMFk指定模糊隸屬度sk，其中，0彡Sk彡I ;步驟六、根據(jù)訓(xùn)練樣本FtrainingBMFk及對應(yīng)的模糊隸屬度Sk訓(xùn)練FSVM分類器；步驟七、通過測試樣本FtestingBIMF1測試訓(xùn)練出的模糊支持向量機(jī)，并求其分類精度，完成對多分組圖像頂ゴ(P，q)的分類。FSVM為模糊支持向量機(jī)。步驟一中被噪聲嚴(yán)重污染的圖像的判斷標(biāo)準(zhǔn)為峰值信噪比在0 8之間的圖像。即看起來不清晰的圖像。
具體實施方式
ニ 下面結(jié)合圖2說明本實施方式，本實施方式對實施方式一作進(jìn)ー步說明，步驟ニ中依次對I個待擴(kuò)展多分組圖像頂i(P，q)進(jìn)行ニ維經(jīng)驗?zāi)B(tài)分解，得到I組ニ維本征模態(tài)函數(shù)的過程為步驟A、初始化;T1 = IMi (p, q) ；u = I ；v = 0 ；SD = 1000 ;hu,v = !T1 ；cu = r1；其中，第i個待處理波段的待擴(kuò)展多分組圖像為頂Jp，q)，r:為第I次ニ維經(jīng)驗?zāi)B(tài)分解后的殘差，SD為終止迭代閾值，hu, v為第u次ニ維經(jīng)驗?zāi)B(tài)分解中經(jīng)過第V次篩選后的剩余函數(shù)，Cu為ニ維本征模態(tài)函數(shù)5/M/^ ；步驟B、令V = v+1 ;hu, (v_d = ru,并通過與相鄰像素對比，找出hu, (v_1}的極大值和極小值，其中，ru為第u次ニ維經(jīng)驗?zāi)B(tài)分解后的殘差，ru, (v_d為第u次ニ維經(jīng)驗?zāi)B(tài)分解中經(jīng)過第v-1次篩選后的剩余函數(shù)；步驟C、對步驟B檢測出的第u次ニ維經(jīng)驗?zāi)B(tài)分解中經(jīng)過第v-1次篩選后的剰余函數(shù)hu, (v-i)的極大值和極小值，構(gòu)造Denaulay三角形網(wǎng)格，由雙三次樣條插值法求取圖像的上包絡(luò)和下包絡(luò)emin，并計算包絡(luò)均值
權(quán)利要求
1.基于特征擴(kuò)展和模糊支持向量機(jī)的多分組圖像分類方法，其特征在于，該方法包括以下步驟 步驟一、初始化給定波段數(shù)為Ιο、尺寸為PXQ的多分組圖像 IMj (p, q), j = I, 2, ···, I0, p = 1,2, ···, P, q = 1,2, ···, Q, 去掉多分組圖像(P，q)中被噪聲嚴(yán)重污染而無法使用的波段，對剩下的I個有效波段重新排序，得到待擴(kuò)展多分組圖像IMi (p, q), i = I, 2, ...,I, 其中IpKP和Q為自然數(shù)； 步驟二、依次對I個待擴(kuò)展多分組圖像Mi (P，q)進(jìn)行二維經(jīng)驗?zāi)B(tài)分解，得到I組二維本征模態(tài)函數(shù) BIMF^i ,U1 =1,2,..., U1， 其中Ui為第i個波段的二維本征模態(tài)函數(shù)的個數(shù)； 步驟三、將所有二維本征模態(tài)函數(shù)有機(jī)組合，擴(kuò)展為待擴(kuò)展多分組圖像Mi (p，q)各波段對應(yīng)的特征，記為擴(kuò)展后特征FBMF ； 步驟四、隨機(jī)抽取擴(kuò)展后特征FBMF上的各像素形成訓(xùn)練樣本FtrainingBIMFk, k — 1,2,…，N 和測試樣本 FtestingBIMF1, 1 = 1,2, ...，M， 其中，N為訓(xùn)練樣本總數(shù)，M為測試樣本總數(shù)； 步驟五、對訓(xùn)練樣本FtrainingBMFk指定模糊隸屬度sk，其中，O彡Sk彡I ; 步驟六、根據(jù)訓(xùn)練樣本FtrainingBIMFk及對應(yīng)的模糊隸屬度Sk訓(xùn)練FSVM分類器； 步驟七、通過測試樣本FtestingBIMF1測試訓(xùn)練出的模糊支持向量機(jī)，并求其分類精度，完成對多分組圖像(P，q)的分類。
2.根據(jù)權(quán)利要求I所述基于特征擴(kuò)展和模糊支持向量機(jī)的多分組圖像分類方法，其特征在于，步驟二中依次對I個待擴(kuò)展多分組圖像IMi (p，q)進(jìn)行二維經(jīng)驗?zāi)B(tài)分解，得到I組二維本征模態(tài)函數(shù)的過程為步驟 A、初始化!T1 = IMi (p, q) ；u = I ；v = O ；SD = IOOO ;hu,v = !T1 ；cu = r1； 其中，第i個待處理波段的待擴(kuò)展多分組圖像為Mi (P，q)， Γ!為第I次二維經(jīng)驗?zāi)B(tài)分解后的殘差， SD為終止迭代閾值， hu,v為第u次二維經(jīng)驗?zāi)B(tài)分解中經(jīng)過第V次篩選后的剩余函數(shù)， cu為二維本征模態(tài)函數(shù)5/Mif ； 步驟B、令 V = V+1 ;hu, (v-i) = ru, 并通過與相鄰像素對比，找出hu,(v_D的極大值和極小值，其中，ru為第u次二維經(jīng)驗?zāi)B(tài)分解后的殘差， hu, (v-i)為第u次二維經(jīng)驗?zāi)B(tài)分解中經(jīng)過第v-1次篩選后的剩余函數(shù)； 步驟C、對步驟B檢測出的第u次二維經(jīng)驗?zāi)B(tài)分解中經(jīng)過第v-1次篩選后的剩余函數(shù)hu, (v-i)的極大值和極小值，構(gòu)造Denaulay三角形網(wǎng)格，由雙三次樣條插值法求取圖像的上包絡(luò)emax和下包絡(luò)emin，并計算包絡(luò)均值
3.根據(jù)權(quán)利要求I所述基于特征擴(kuò)展和模糊支持向量機(jī)的多分組圖像分類方法，其特征在于，步驟三中將所有二維本征模態(tài)函數(shù)有機(jī)組合，獲取擴(kuò)展后特征FBMF的過程為 對第i個波段的二維本征模態(tài)函數(shù)依次進(jìn)行處理，獲取每個波段的二維本征模態(tài)函數(shù)對應(yīng)的擴(kuò)展后特征FBIMF，每個波段的二維本征模態(tài)函數(shù)的擴(kuò)展后特征FBIMF的獲取方法相同，為對該波段二維本征模態(tài)函數(shù)中第Ui fBIMF來說，如果Ui為奇數(shù)，則將直接銜接到尾部，如果Ui為偶數(shù)，則將5/M/f左右翻轉(zhuǎn)再銜接到尾部，依次下去，直至該波段二維本征模態(tài)函數(shù)的所有Ui個BIMF全部處理完畢，獲取該波段的擴(kuò)展后特征 FBMF。
4.根據(jù)權(quán)利要求I所述基于特征擴(kuò)展和模糊支持向量機(jī)的多分組圖像分類方法，其特征在于，步驟六中根據(jù)訓(xùn)練樣本FtrainingBIMFk及對應(yīng)的模糊隸屬度Sk訓(xùn)練FSVM分類器，所述FSVM分類器為多分類器，由多個二分類器根據(jù)一對一策略，一對多策略或分層樹策略擴(kuò)展而成，每個二分類器按公式g(x) = sgn (〈w, φ(χ)) + ) = Sgn^ ykakK (x,xk) + b^ 進(jìn)行構(gòu)建，其中， w為權(quán)值向量， Xk為訓(xùn)練樣本FtadningBIMFk中的元素， φ(χ)為JA Xk映射到高維特征空間的函數(shù)， b為偏置， yk為xk對應(yīng)類別，且yk e {-l,+l}, Qk= { α 1 α 2,…，αΝ}為拉格朗日因子，且k = 1,2, ···, N,K(x, xk)為核函數(shù)。
5.根據(jù)權(quán)利要求I所述基于特征擴(kuò)展和模糊支持向量機(jī)的多分組圖像分類方法，其特征在于，步驟一中被噪聲嚴(yán)重污染的圖像的判斷標(biāo)準(zhǔn)為峰值信噪比在O 8之間的圖像。
全文摘要
基于特征擴(kuò)展和模糊支持向量機(jī)的多分組圖像分類方法，屬于圖像處理領(lǐng)域，本發(fā)明為解決現(xiàn)有多分組圖像分類方法無法有效提取圖像本質(zhì)特征，分類精度較低的問題。本發(fā)明方法為先去掉被噪聲等嚴(yán)重污染而無法使用的波段，對剩下的波段依次進(jìn)行二維經(jīng)驗?zāi)B(tài)分解，得到一些二維本征模態(tài)函數(shù)，將這些二維本征模態(tài)函數(shù)進(jìn)行有機(jī)組合，擴(kuò)展為多分組圖像的特征，最后用模糊支持向量機(jī)分類器分類。本發(fā)明充分發(fā)揮了二維經(jīng)驗?zāi)B(tài)分解能自適應(yīng)地提取復(fù)雜圖像本質(zhì)特征的優(yōu)勢，有效獲取多分組圖像特征；采用模糊支持向量機(jī)作為分類器，兼具支持向量機(jī)和模糊函數(shù)二者的優(yōu)勢，有利于提高分類精度。
文檔編號G06K9/62GK102622611SQ20121006553
公開日2012年8月1日 申請日期2012年1月13日 優(yōu)先權(quán)日2012年1月13日
發(fā)明者張淼, 沈毅, 賀智 申請人:哈爾濱工業(yè)大學(xué)