一種基于bbo-mlp和紋理特征的圖像分類方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像工程技術(shù)領(lǐng)域，特別是涉及對(duì)不同類型的圖像進(jìn)行分類的方法， 具體是一種基于BB0-MLP和紋理特征的圖像分類方法，可用于各類圖像的自主分類。
【背景技術(shù)】
[0002] 圖像分類技術(shù)也有著十分廣闊的應(yīng)用領(lǐng)域。最初的使用方法是人工標(biāo)注。人們首 先通過(guò)觀察圖像的內(nèi)容并使用相關(guān)文本進(jìn)行標(biāo)記，作為圖片的關(guān)鍵字，然后再借用成熟的 文本信息管理技術(shù)來(lái)實(shí)現(xiàn)圖像的自動(dòng)組織和檢索。據(jù)統(tǒng)計(jì)，百度、google等搜索引擎中的圖 片也超過(guò)數(shù)十億，如此龐大而又急速更新的圖像數(shù)據(jù)庫(kù)使得人工標(biāo)注花費(fèi)高，耗時(shí)長(zhǎng)近年 來(lái)。為了幫助人們快速、有效地從大型圖像信息庫(kù)中找到其有價(jià)值的信息，研究者們提出了 用篩選的特征值生成特征向量來(lái)描述圖像。計(jì)算機(jī)視覺(jué)是目前最熱門的應(yīng)用研究，計(jì)算機(jī) 視覺(jué)簡(jiǎn)單來(lái)說(shuō)就是研究怎樣使用計(jì)算機(jī)來(lái)模擬生物視覺(jué)，它的主要任務(wù)是計(jì)算機(jī)通過(guò)對(duì)采 集的圖片或視頻進(jìn)行處理，能像人類那樣通過(guò)視覺(jué)觀察世界，具有自主識(shí)別、理解和適應(yīng)環(huán) 境的能力。而圖像分類技術(shù)正是解決上述研究問(wèn)題的核心內(nèi)容，被應(yīng)用到計(jì)算機(jī)視覺(jué)領(lǐng)域 的方方面面。如：自主車輛的視覺(jué)導(dǎo)航，它就是以圖片的分類識(shí)別環(huán)境為基礎(chǔ);航空和衛(wèi)星 照片的讀取判別與分類;工業(yè)機(jī)器人手眼系統(tǒng)的特定目標(biāo)識(shí)別;生物特征的鑒別等。已有的 圖像分類方法存在以下不足：（1)運(yùn)算時(shí)間長(zhǎng)、空間復(fù)雜度高，很難達(dá)到用戶對(duì)檢索實(shí)時(shí)性 的要求;（2)收斂速度比較慢。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)中存在的不足，提出一種基于BB0-MLP和紋 理特征的圖像分類方法，以快速有效地實(shí)現(xiàn)對(duì)不同類型的圖像進(jìn)行準(zhǔn)確的分類。
[0004] 實(shí)現(xiàn)本發(fā)明的技術(shù)方案是:一種基于BB0-MLP和紋理特征的圖像分類方法，包括以 下步驟：
[0005] (1)對(duì)圖像分類算法運(yùn)行環(huán)境進(jìn)行初始化，具體包括圖像庫(kù)建立，生物地理學(xué)優(yōu)化 算法參數(shù)設(shè)置，多層感知器結(jié)構(gòu)設(shè)計(jì)。
[0006] (2)采用灰度共生矩陣描述圖像紋理特征，具體選取標(biāo)量來(lái)表征灰度共生矩陣的 特征，在此選取圖像的角二階矩ASM、熵ENT、慣性矩C0N和相關(guān)性C0R這4個(gè)紋理特征，具體如 下：
[0007] 設(shè)f(x，y)是一幅二維數(shù)字圖像，S為區(qū)域目標(biāo)R中的具有特定空間聯(lián)系的像素對(duì)的 集合，則滿足一定空間關(guān)系的灰度共生矩陣P( i，j)定義為：
[0009]上式等號(hào)右邊的分子是S中灰度值分別為i和j的像素對(duì)的個(gè)數(shù)，分母為S中像素對(duì) 的總個(gè)數(shù)之和，#代表數(shù)量；
[0010] (2.1)角二階矩：角二階矩也稱為能量，為灰度共生矩陣上所有元素的平方和；角 二階矩小的紋理偏細(xì);反之，角二階矩偏大。
[0012] 其中，ASM表示圖像的角二階矩，P(i，j)表示圖像的灰度共生矩陣；
[0013] (2.2)熵:熵是圖像所擁有的信息量的度量，表示圖像中紋理分布的非均勻度或復(fù) 雜度;圖像的紋理分布均勻，復(fù)雜程度高，熵值大;反之，紋理分布不均勻，復(fù)雜程度低，熵值 小;如果無(wú)紋理，那么熵值為〇;
[0015] 其中，ENT表示圖像的熵，P(i，j)表示圖像的灰度共生矩陣。
[0016] (2.3)慣性矩:慣性矩即對(duì)比度，反映了圖像的清晰度和紋理溝紋深淺的程度;紋 理溝紋越深，其對(duì)比度越大，視覺(jué)效果越清晰;反之，對(duì)比度小，則溝紋淺，效果模糊;灰度差 大的像素對(duì)越多，慣性矩越大;灰度共生矩陣中遠(yuǎn)離對(duì)角線的元素值越大，慣性矩越大；
[0018] 其中，C0N表示圖像的慣性矩，P(i，j)表示圖像的灰度共生矩陣；
[0019] (2.4)相關(guān)性:度量空間灰度共生矩陣元素在行或列方向上的相似程度，反映了圖 像中局部灰度相關(guān)性，表示紋理的方向；當(dāng)矩陣元素值均勻相等時(shí)，相關(guān)值就大;相反，如果 矩陣元素值相差很大，則相關(guān)值小;相關(guān)性C0R定義如下：
[0023] (3)由所提取圖像的角二階矩ASM、熵ENT、慣性矩C0N和相關(guān)性C0R這4個(gè)紋理特征， 構(gòu)造圖像的紋理特征向量;將所有訓(xùn)練圖像的紋理特征向量保存到訓(xùn)練樣本文件中，每一 條記錄包含一副圖像的類別號(hào)和4個(gè)紋理特征值；
[0024] (4)定義適應(yīng)度函數(shù)：
[0025]將訓(xùn)練樣本文件輸入到多層感知器MLP，通過(guò)訓(xùn)練樣本來(lái)計(jì)算每個(gè)棲息地的適宜 度指數(shù)HSI;選取所有訓(xùn)練樣本的對(duì)應(yīng)MLP輸出的均方誤差MSE作為ΒΒ0適應(yīng)度函數(shù)：
[0027]其中q是訓(xùn)練樣本的數(shù)量，m為輸出的數(shù)量，< 是在k個(gè)訓(xùn)練樣本下的第t個(gè)輸入單 元的所期望輸出；of是k個(gè)訓(xùn)練樣本下的第t個(gè)輸入單元的實(shí)際輸出如，第t個(gè)棲息地的適宜 度指數(shù)HIS為：
[0028] HSI(Habitatt) =MSE(Habitatt) 8)
[0029] (5)利用BBO對(duì)多層感知器MLP進(jìn)行全局優(yōu)化：
[0030] (5.1)生成隨機(jī)的MLP集作為初始棲息地；
[0031] (5.2)由公式7)計(jì)算每個(gè)多層感知器MLP的均方誤差MSE;
[0032 ] (5.3)根據(jù)公式9) -10)更新每個(gè)棲息地的迀入率、迀出率和突變率mn;
[0036] 其中，Ak為迀入率，μΑ迀出率，突變率為mn，I和E分別為迀入率、迀出率的最大值， k為當(dāng)前物種數(shù)，N為最大容納物種數(shù)，Μ為最大突變率，pn為某棲息地已有η個(gè)物種的概率， Pmax為Ρη的最大值；
[0037] (5.4)根據(jù)棲息地的迀出率和迀入率按照迀移策略修改多層感知器MLP;
[0038] (5.5)根據(jù)突變率對(duì)多層感知器MLP進(jìn)行突變；
[0039] (5.6)精英選擇:選取較低的均方誤差MSE的解作為精英解保留；
[0040] (5.7)判斷是否滿足終止條件;滿足條件則輸出迭代最優(yōu)解;如不滿足，則重回到 步驟(5.2)。
[0041] (6)根據(jù)已有的分類模型對(duì)測(cè)試樣本進(jìn)行分類，將得到的圖像類別號(hào)返還給用戶。
[0042] 上述步驟(2)所述的紋理特征，分別在d= 1，0 = 0° ,45° ,90°，135°的情況下，選取 角二階矩、熵、慣性矩、相關(guān)性4個(gè)典型的特征值，并求取Θ在不同方向下的均值，得到對(duì)應(yīng)圖 像的一個(gè)4維特征矩。
[0043]上述步驟(5)適用于圖像分類問(wèn)題和ΒΒ0優(yōu)化的多層感知器MLP的構(gòu)建方法，其多 層感知器由輸入層、隱藏層、輸出層組成，其中η是輸入節(jié)點(diǎn)的數(shù)目，h是隱藏節(jié)點(diǎn)的數(shù)目，m 是輸出節(jié)點(diǎn)的數(shù)目；
[0044]首先由公式12)計(jì)算得到輸入的加權(quán)和：
[0046]其中，η是輸入節(jié)點(diǎn)的數(shù)目，是從輸入層第i節(jié)點(diǎn)到隱藏層第j節(jié)點(diǎn)的連接權(quán)重， 是第j個(gè)隱含節(jié)點(diǎn)的偏置，&表示第i個(gè)輸入;每一隱藏節(jié)點(diǎn)輸出計(jì)算如式13):
[0048]計(jì)算隱節(jié)點(diǎn)的輸出為式14)，然后用式15)計(jì)算最終輸出；

[0051] 其中^是從第j個(gè)隱藏節(jié)點(diǎn)到第k個(gè)輸出節(jié)點(diǎn)的連接權(quán)重，0'k是第k個(gè)輸出節(jié)點(diǎn)的 偏置。
[0052] 本發(fā)明的有益效果:本發(fā)明具有如下優(yōu)點(diǎn)：
[0053]①由于采用選擇適于MLP分類的紋理特征來(lái)對(duì)圖像進(jìn)行分類，可提高圖像分類算 法的準(zhǔn)確率和魯棒性；
[0054]②由于采用ΒΒ0優(yōu)化算法對(duì)分類器MLP進(jìn)行訓(xùn)練，因而具有快速收斂和全局尋優(yōu)特 性，符合用戶對(duì)檢索實(shí)時(shí)性的要求；
[0055]③由于采用BB0_MLP進(jìn)行圖像分類算法設(shè)計(jì)，可以根據(jù)不同的需求方便地調(diào)整適 應(yīng)度函數(shù)。
【附圖說(shuō)明】
[0056]圖1為本發(fā)明基于BB0-MLP和紋理特征的圖像分類方法的流程圖；
[0057]圖2為從圖像庫(kù)選取的部分訓(xùn)練和測(cè)試圖片(3類）；
[0058]圖3為本發(fā)明對(duì)MLP全局優(yōu)化的流程圖；
[0059]圖4為本發(fā)明進(jìn)行圖像分類的收斂曲線；
[0000]圖5為n-h-m結(jié)構(gòu)的多層感知器；
[00611圖6為2-3-1的多層感知器。
【具體實(shí)施方式】
[0062]參見(jiàn)圖1，本發(fā)明提供了一種基于BB0-MLP和紋理特征的圖像分類方法，包括以下 步驟：
[0063] (1)對(duì)圖像分類算法運(yùn)行環(huán)境進(jìn)行初始化，具體包括圖像庫(kù)建立，生物地理學(xué)優(yōu)化 算法參數(shù)設(shè)置，多層感知器結(jié)構(gòu)設(shè)計(jì)等。
[0064] (2)采用灰度共生矩陣描述圖像紋理特征，具體選取一些標(biāo)量來(lái)表征灰度共生矩 陣的特征，這里的紋理特征，分別在d=l，0 = 〇°，45°，90°，135°的情況下，選取角二階矩、 熵、慣性矩、相關(guān)性4個(gè)典型的特征值，并求取Θ在不同方向下的均值，得到對(duì)應(yīng)圖像的一個(gè)4 維特征矩。本方法在此選取圖像的角二階矩ASM、熵ENT、慣性矩(對(duì)比度)C0N和相關(guān)性C0R等 4個(gè)紋理特征，具體如下：
[0