基于特征扩展和模糊支持向量机的多分组图像分类方法

摘要

基于特征扩展和模糊支持向量机的多分组图像分类方法，属于图像处理领域，本发明为解决现有多分组图像分类方法无法有效提取图像本质特征，分类精度较低的问题。本发明方法为：先去掉被噪声等严重污染而无法使用的波段，对剩下的波段依次进行二维经验模态分解，得到一些二维本征模态函数，将这些二维本征模态函数进行有机组合，扩展为多分组图像的特征，最后用模糊支持向量机分类器分类。本发明充分发挥了二维经验模态分解能自适应地提取复杂图像本质特征的优势，有效获取多分组图像特征；采用模糊支持向量机作为分类器，兼具支持向量机和模糊函数二者的优势，有利于提高分类精度。

主权项

1.基于特征扩展和模糊支持向量机的多分组图像分类方法，其特征在于，该方法包括以下步骤：步骤一、初始化给定波段数为I₀、尺寸为P×Q的多分组图像IM_j(p,q),j=1,2,...,I₀,p=1,2,...,P,q=1,2,...,Q，去掉多分组图像IM_j(p,q)中峰值信噪比在0～8之间的被噪声严重污染而无法使用的波段，对剩下的I个有效波段重新排序，得到待扩展多分组图像IM_i(p,q),i=1,2,...,I，其中I₀、I、P和Q为自然数；步骤二、依次对I个待扩展多分组图像IM_i(p,q)进行二维经验模态分解，得到I组二维本征模态函数BIMF_i^ui,u_i=1,2,...,U_i，其中U_i为第i个波段的二维本征模态函数的个数；得到I组二维本征模态函数BIMF_i^ui的过程为：步骤A、初始化r₁=IM_i(p,q);u=1;v=0;SD=1000;h_u,_v=r₁;c_u=r₁，其中，第i个待处理波段的待扩展多分组图像为IM_i(p,q)，r₁为第1次二维经验模态分解后的残差，SD为终止迭代阈值，h_u,v为第u次二维经验模态分解中经过第v次筛选后的剩余函数，c_u为二维本征模态函数BIMF_i^ui；步骤B、令v=v+1;h_u,_(v-1)=r_u，并通过与相邻像素对比，找出h_u,(_v-1)的极大值和极小值，其中，r_u为第u次二维经验模态分解后的残差，h_u,(v-1)为第u次二维经验模态分解中经过第v-1次筛选后的剩余函数；步骤C、对步骤B检测出的第u次二维经验模态分解中经过第v-1次筛选后的剩余函数h_u,(v-1)的极大值和极小值，构造Denaulay三角形网格，由双三次样条插值法求取图像的上包络e_max和下包络e_min，并计算包络均值$\mathrm{Ave}=\frac{(e_{\max }+e_{\min })}{2};$步骤D、计算h_uv=h_u(v-1)-Ave和终止准则$\mathrm{SD}=\underset{p=1}{\overset{P}{\Sigma }}\underset{q=1}{\overset{Q}{\Sigma }}\left[\frac{{|h_{(u-1)v}(p,q)-h_{\mathrm{uv}}(p,q)|}^2}{h_{(u-1)v}^2(p,q)}\right];$步骤E、判断SD<ε₀是否成立，ε₀=0.2～0.3，如果是，执行步骤F；否则，返回步骤B；步骤F、提取第u个二维本征模态函数BIMF_i^ui：c_u=h_uv；和第u+1个残差r_u+1=r_u-c_u；步骤G、判断r_u+1是否单调，判断结果为否，令v=0;u=u+1，并返回步骤B；判断结果为是，终止程序，获取u个二维本征模态函数BIMF_iui和一个残差r_u+1；步骤三、将所有二维本征模态函数BIMF_i^ui有机组合，扩展为待扩展多分组图像IM_i(p,q)各波段对应的特征，记为扩展后特征FBIMF；获取扩展后特征FBIMF的过程为：对第i个波段的二维本征模态函数依次进行处理，获取每个波段的二维本征模态函数对应的扩展后特征FBIMF，每个波段的二维本征模态函数的扩展后特征FBIMF的获取方法相同，为：对该波段二维本征模态函数中第u_i个BIMF来说，如果u_i为奇数，则将BIMF_i^ui直接衔接到BIMF_i^ui-¹尾部，如果u_i为偶数，则将BIMF_i^ui左右翻转再衔接到BIMF_i^ui-¹尾部，依次下去，直至该波段二维本征模态函数的所有U_i个BIMF全部处理完毕，获取该波段的扩展后特征FBIMF；步骤四、随机抽取扩展后特征FBIMF上的各像素形成训练样本F_trainingBIMF_k,k=1,2,...,N和测试样本F_testingBIMF_l,l=1,2,...,Mw其中，N为训练样本总数，M为测试样本总数；步骤五、对训练样本F_trainingBIMF_k指定模糊隶属度s_k，其中，0≤s_k≤1；步骤六、根据训练样本F_trainingBIMF_k及对应的模糊隶属度s_k训练FSVM分类器；FSVM分类器为多分类器，由多个二分类器根据一对一策略，一对多策略或分层树策略扩展而成，每个二分类器按公式进行构建，其中，w为权值向量，x_k为训练样本F_trainingBIMF_k中的元素，(x)为从x_k映射到高维特征空间的函数，b为偏置，y_k为x_k对应类别，且y_k∈{-1,+1}，α_k={α₁,α₂,...,α_N}为拉格朗日因子，且k=1,2,...,N，K(x,x_k)为核函数；步骤七、通过测试样本F_testingBIMF_l测试训练出的模糊支持向量机，并求其分类精度，完成对多分组图像IM_j(p,q)的分类。