基于區(qū)間Type-2模糊支持向量機(jī)的場景圖像分類方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一般的圖像數(shù)據(jù)處理或產(chǎn)生方法技術(shù)領(lǐng)域，尤其涉及一種基于區(qū)間 Type-2模糊支持向量機(jī)的場景圖像分類方法。
【背景技術(shù)】
[0002] 隨著數(shù)字技術(shù)的發(fā)展和數(shù)字設(shè)備的應(yīng)用，各種圖像數(shù)據(jù)庫中的圖像數(shù)量呈現(xiàn)爆炸 式增長，迫切需要通過計(jì)算機(jī)提取人們能夠理解的圖像語義信息，從而方便用戶對各種數(shù) 字圖像進(jìn)行自動的管理、組織和分析。如何對這些圖像進(jìn)行有效的管理與快速的檢索是一 個巨大的挑戰(zhàn)。場景圖像的分類正是解決這個問題的關(guān)鍵技術(shù)。場景圖像分類，即依據(jù)場 景圖像中所包含的特征來完成對圖像場景類別（如辦公室，走廊，街道，城市，高層建筑等） 的自動識別，是圖像理解領(lǐng)域的一個重要分支，已成為多媒體信息管理、計(jì)算機(jī)視覺等領(lǐng)域 的熱點(diǎn)問題，受到研究者的廣泛關(guān)注。
[0003] 眾所周知，場景圖像分類已成為計(jì)算機(jī)視覺領(lǐng)域的一個重要研究課題，它是圖像 處理、計(jì)算機(jī)視覺、模式識別和機(jī)器學(xué)習(xí)等多個研究領(lǐng)域的一個交匯點(diǎn)，具有廣闊的應(yīng)用空 間。例如：機(jī)器視覺任務(wù)，網(wǎng)絡(luò)圖像檢索，視頻分祈與檢索，遙感圖像分類，醫(yī)學(xué)圖像數(shù)據(jù)挖 掘，圖像編輯，圖像檢測，網(wǎng)絡(luò)圖像過濾等。迄今為止，研究者已提出了許多場景圖像分類方 法，這些方法大多數(shù)把圖像分類理解成模式識別過程，包括訓(xùn)練和測試兩部分。訓(xùn)練部分提 取圖像特征并訓(xùn)練分類器或分類模型，測試部分用訓(xùn)練好的分類器或分類模型對未知類別 圖像進(jìn)行分類。本發(fā)明的側(cè)重點(diǎn)在于設(shè)計(jì)有效的分類器。
[0004] 支持向量機(jī)（SupportVectorMachine，SVM)是由Vapnik等人根據(jù)小樣本情況下 的統(tǒng)計(jì)規(guī)律及學(xué)習(xí)方法提出的一種機(jī)器學(xué)習(xí)算法，有著完備的理論框架基礎(chǔ)。SVM求解的是 凸二次規(guī)劃問題，它根據(jù)最小化經(jīng)驗(yàn)風(fēng)險泛函標(biāo)準(zhǔn)選擇支持向量子集，同時考慮給定樣本 的逼近精度和逼近函數(shù)的復(fù)雜性，從而實(shí)現(xiàn)模型的結(jié)構(gòu)風(fēng)險優(yōu)化控制目標(biāo)。SVM很好地解決 了小樣本、非線性、高維數(shù)等問題，較傳統(tǒng)機(jī)器學(xué)習(xí)算法具有更好的泛化推廣能力和學(xué)習(xí)性 能，已經(jīng)廣泛應(yīng)用于模式識別、圖像處理、場景圖像分類等領(lǐng)域。
[0005] 然而，場景圖像中普遍存在的不確定信息（如噪聲變化、拍攝角度變化、光照條件 變化等），標(biāo)準(zhǔn)支持向量機(jī)模型無法對其進(jìn)行有效表示和處理，因而難以獲取精準(zhǔn)的分類結(jié) 果?？紤]系統(tǒng)不確定因素，如何根據(jù)模糊理論，引入專家經(jīng)驗(yàn)知識，如何構(gòu)造應(yīng)用靈活的模 糊核函數(shù)，如何設(shè)計(jì)系統(tǒng)化的模糊支持向量機(jī)（FuzzySupportVectorMachine，F(xiàn)SVM)模 型等問題，現(xiàn)有的模糊支持向量機(jī)方法在這方面的討論仍較少。通過設(shè)計(jì)合適的FSVM模 型，進(jìn)一步將專家經(jīng)驗(yàn)邏輯與支持向量方法有機(jī)融合起來，有效處理系統(tǒng)的不確定信息，提 高支持向量機(jī)算法對實(shí)際問題的適用性，這是支持向量機(jī)面向工程技術(shù)領(lǐng)域亟待解決的重 要問題。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明所要解決的技術(shù)問題是提供一種基于區(qū)間Type-2模糊支持向量機(jī)的場景 圖像分類方法，所述分類方法能有效提高支持向量機(jī)模型的分類精度，場景圖像分類效果 好。
[0007] 為解決上述技術(shù)問題，本發(fā)明所采取的技術(shù)方案是：一種基于區(qū)間Type-2模糊支 持向量機(jī)的場景圖像分類方法，其特征在于所述方法包括如下步驟：
[0008] 1)采集場景圖像并進(jìn)行預(yù)處理；
[0009] 2)對預(yù)處理后的圖像進(jìn)行圖像劃分，形成多個子圖；
[0010] 3)在每個子圖中分別提取圖像分類特征；
[0011] 4)計(jì)算每個特征子圖的均值和方差，構(gòu)建場景圖像分類特征向量Xrap;
[0012] 5)設(shè)計(jì)基于模糊核的主成分分析方法FuzzyPrincipalComponentsAnalysis， 簡稱FPCA，用于場景圖像分類特征向量的降維，得到其主成分特征向量Xradu。；
[0013] 6)設(shè)計(jì)全新的區(qū)間Type-2模糊支持向量機(jī)模型，即IntervalType_2Fuzzy SupportVectorMachine模型，簡稱IT2FSVM模型，并對其進(jìn)行優(yōu)化，得到訓(xùn)練好的 IT2FSVM分類模型并應(yīng)用于場景圖像分類。
[0014] 進(jìn)一步的技術(shù)方案在于：步驟2)中將圖像劃分為4X4個子圖。
[0015] 進(jìn)一步的技術(shù)方案在于：步驟3)中提取場景圖像分類特征包括灰度特征、邊緣特 征和方向特征。
[0016] 進(jìn)一步的技術(shù)方案在于：灰度特征的計(jì)算表達(dá)式為：
[0017]
[0018]其中，#為Center-surround操作，c和s分別為場景圖像濾波輸出的細(xì)尺度和粗 尺度，□ (c)為對應(yīng)尺度為c的圖像灰度特征，這里取c= 2, 3, 4,s=c+3或s=c+4,由 此得到與2-5, 2-6, 3-6, 3-7, 4-7和4-8六個尺度對應(yīng)的六個灰度特征圖。
[0019] 進(jìn)一步的技術(shù)方案在于：邊緣特征先采用Canny算子對場景圖像在不同尺度上進(jìn) 行邊緣特征的提取操作，再利用灰度特征的方法得到場景圖像的邊緣特征，其計(jì)算表達(dá)式 如下：
[0020]
[0021] 其中，為Center-surround操作，c和s分別為場景圖像濾波輸出的細(xì)尺度和粗 尺度，Ejc)為對應(yīng)尺度為c的圖像邊緣特征，這里取c= 2, 3, 4,s=c+3或s=c+4,由此 得到與2-5, 2-6, 3-6, 3-7, 4-7和4-8六個尺度對應(yīng)的六個灰度特征圖。
[0022] 進(jìn)一步的技術(shù)方案在于：方向特征圖通過圖像與Gabor濾波器的卷積運(yùn)算得到， 其計(jì)算表達(dá)式如下：
[0023]
[0024] 其中，Gv0 (X，z)為Gabor濾波器，為場景圖像在位置（X，z)處的灰度特征， v和θ={0°，45°，90°，135° }則分別表示濾波算子的尺度和方向，這里可取兩組不 同的算子，在濾波器四個不同方向上就可得到八個方向特征圖。
[0025] 進(jìn)一步的技術(shù)方案在于：步驟4)計(jì)算每個灰度特征圖的均值和方差，其計(jì)算表達(dá) 式如下：
[0026]
[0027]
[0028] 其中，WH表示場景圖像的尺寸，邊緣特征圖和方向特征圖的計(jì)算方法與灰度特征 圖類似，只需要將相關(guān)函數(shù)更換為邊緣特征和方向特征的表達(dá)式即可，將計(jì)算得到的結(jié)果 按順序排列成高維的特征向量，構(gòu)建場景圖像分類特征向量Xrap。
[0029] 進(jìn)一步的技術(shù)方案在于：步驟5)中特征降維包括模糊核函數(shù)的設(shè)計(jì)、特征統(tǒng)計(jì)優(yōu) 化和主成分特征選擇；假定樣本訓(xùn)練集為，其中N為場景樣本圖像的數(shù)目，用于PCA 特征降維的模糊核函數(shù)，其表達(dá)式如下：
[0030]
[0031]其中，K(k)為模糊核1的第k個元素，Κ隸屬于傳統(tǒng)核函數(shù)集K(k)，ΚΝ為核函數(shù)集的 數(shù)目，//(夂(0?))為對應(yīng)于核函數(shù)κ的模糊隸屬度，且有0ΙΜΙΚΧ；1))<1，通過 標(biāo)準(zhǔn)核PCA方法的特征統(tǒng)計(jì)優(yōu)化和主成分特征選擇環(huán)節(jié)，可得到場景圖像降維后的特征向 mx!VjUc= (χ<Λ]1.···.^?,\<n<d〇
[0032] 進(jìn)一步的技術(shù)方案在于：步驟6)采用Type-2模糊集來描述支持向量機(jī)模型的不 確定性，其表達(dá)式如下：
[0033]
[0034] 其中，每個支持向量機(jī)模型具有一個主級模糊隸屬度區(qū)間匕.，考 慮支持向量機(jī)模型的不確定性，并降低其計(jì)算復(fù)雜度，這里采用區(qū)間Type-2模糊集來描述 支持向量機(jī)模型的模糊隸屬度，將標(biāo)準(zhǔn)支持向量機(jī)擴(kuò)展為區(qū)間Type-2模糊支持向量機(jī)，其 定義如下：
[0035]
[0036] 其中，支持向量機(jī)模型的主級模糊隸屬度區(qū)間同樣取決于模糊隸屬度上界和下 界，次級模糊隸屬度則取值為1，對于上述Type-2模糊支持向量機(jī)難以直接求解，因此，對 其進(jìn)行降維，將問題轉(zhuǎn)化為對Type-2模糊支持向量機(jī)模型上界和下界優(yōu)化的目標(biāo)函數(shù)進(jìn) 行求解：
[0037]
[00381
[0039
[004C
[0041
[0042] 其中6、義f、丄，馬、色，分別為模型上界和下界對應(yīng)的權(quán)向量，正則化參 數(shù)，允許誤差，和模型常量，為求解目標(biāo)函數(shù)，定義其對偶形式如下：
[0043]
[0044]
[0045]
[0046]
[0047] Γ=1
[0048] 其中巧，模型上