专利名称：基于特征扩展和模糊支持向量机的多分组图像分类方法
技术领域：
本发明涉及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。
背景技术：
多分组图像由具有较高相关性的多波段图像组合而成，在环境监测、地球勘测、医学诊断、雷达探测和军事侦查等领域都有大量物理原型，如海平面波动图像、高光谱图像和医学超声图像等。多分组图像一般针对同一区域或地点进行连续观测或由成像光谱仪分光观测，往往包含成百上千具有较高相关性的波段，它的各个像素点对应着一条涵盖了各波段的特征曲线，体现了被观察对象的多分辨信息，同时也包含了大量的冗余信息。对多分组图像各像素所属种类进行识别，一直是图像处理和模式识别领域的热点研究问题。多分组图像分类算法包括两个重要方面，即特征提取和分类器选择。前者从大量给定图像中抽取最能体现多分组图像本质的特征，后者对这些提取的特征进行分类。可见，如何提取图像本质特征以及选取何种分类器成了多分组图像分类是否准确的关键。传统的特征提取方法大都通过某些规则，直接选取原图像的某些波段，这样提取的特征未能完全反映图像本征信息，不利于分类精度的提高。另ー方面，传统的分类器，如最邻近分类器、最大似然分类器、最小距离分类器等，对分类样本限制较大，而对于多分组图像这类复杂样本，其分类精度往往不高。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。
发明内容
本发明目的是为了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，提供了ー种基于特征扩展和模糊支持向量机的多分组图像分类方法。本发明所述基于特征扩展和模糊支持向量机的多分组图像分类方法，该方法包括以下步骤步骤一、初始化给定波段数为Itl、尺寸为PXQ的多分组图像IMj(p, q), j = 1,2,, I0, p = 1,2,, P, q = 1,2, Q,去掉多分组图像IMj(Pd)中被噪声等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IMi (p, q) , i = I, 2, ...,I,其中I。、I、P和Q为自然数；步骤ニ、依次对I个待扩展多分组图像Mi (P，q)进行ニ维经验模态分解，得到I组ニ维本征模态函数BIMF^i ,U1 =1,2,..., U1,
其中Ui为第i个波段的ニ维本征模态函数的个数；步骤三、将所有ニ维本征模态函数B/M/f有机组合，扩展为待扩展多分组图像IMi (p, q)各波段对应的特征，记为扩展后特征FBMF ；
步骤四、随机抽取扩展后特征FBMF上的各像素形成训练样本FtrainingBIMFk, k = 1，2，…，N和测试样本FtestingBIMF1, I = 1,2, ...，M，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FtrainingBMFk指定模糊隶属度sk，其中，0彡Sk彡I ;步骤六、根据训练样本FtrainingBIMFk及对应的模糊隶属度Sk训练FSVM分类器；步骤七、通过测试样本FtestingBIMF1测试训练出的模糊支持向量机，并求其分类精度，完成对多分组图像頂ゴ(P，q)的分类。本发明的优点I)本发明米用基于BEMD(Bi-dimensional Empirical Mode Decomposition,ニ维经验模态分解)的特征扩展方法对多分组图像进行特征提取，依次对初始化后的图像IMi (p, q), i = I, 2,, I, p = 1,2,q=l,2, ...,Q进行BEMD,得到 I 组 BIMF (Bi-dimensional Intrinsic Mode Function, ニ维本征模态函数)、BIMF]u、Ui = 1,2,…,U^i = 1,2,…，I,并将这些3ルが^进行有机组合,扩展为多分组图像的特征，充分发挥了 BEMD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；2)本发明采用FSVM作为分类器,在原有支持向量机(Support Vector Machine,SVM)中引入模糊隶属度，使构造的分类器兼具SVM和模糊函数二者的优势，能将实际问题通过非线性变换转换到高维特征空间，通过二次型寻优问题得到全局最优值，决策函数仅由少数支持向量决定，避免了“维数灾难”，引入的模糊隶属度提高了对噪声、孤立点样本的识别能力，有利于提闻分类精度。
图I是基于特征扩展和模糊支持向量机的多分组图像分类方法的流程图；图2是实施方式ニ BEMD方法流程图；图3是基于分层树策略的FSVM多分类器构造示意图；图4是多分组图像波段序列图；图5是扩展后的多分组图像波段序列图。
具体实施例方式具体实施方式
一下面结合图I说明本实施方式，本实施方式所述基于特征扩展和模糊支持向量机的多分组图像分类方法，方法包括以下步骤步骤一、初始化给定波段数为Itl、尺寸为PXQ的多分组图像IMj(p, q), j = 1,2,, I0, p = 1,2,, P, q = 1,2, Q,去掉多分组图像IMj(Pd)中被噪声等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IMi (p, q) , i = I, 2, ...,I,其中I。、I、P和Q为自然数；
步骤ニ、依次对I个待扩展多分组图像Mi (P，q)进行ニ维经验模态分解，得到I组ニ维本征模态函数BIMFiu^ui =1,,其中Ui为第i个波段的ニ维本征模态函数的个数；步骤三、将所有ニ维本征模态函数B/M/f有机组合，扩展为待扩展多分组图像IMi (p, q)各波段对应的特征，记为扩展后特征FBMF ；步骤四、随机抽取扩展后特征FBMF上的各像素形成训练样本FtrainingBIMFk, k = 1,2,…，N和测试样本FtestingBIMF1, I = 1,2, ...，M，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FtrainingBMFk指定模糊隶属度sk，其中，0彡Sk彡I ;步骤六、根据训练样本FtrainingBMFk及对应的模糊隶属度Sk训练FSVM分类器；步骤七、通过测试样本FtestingBIMF1测试训练出的模糊支持向量机，并求其分类精度，完成对多分组图像頂ゴ(P，q)的分类。FSVM为模糊支持向量机。步骤一中被噪声严重污染的图像的判断标准为峰值信噪比在0 8之间的图像。即看起来不清晰的图像。
具体实施方式
ニ 下面结合图2说明本实施方式，本实施方式对实施方式一作进ー步说明，步骤ニ中依次对I个待扩展多分组图像頂i(P，q)进行ニ维经验模态分解，得到I组ニ维本征模态函数的过程为步骤A、初始化;T1 = IMi (p, q) ；u = I ；v = 0 ；SD = 1000 ;hu,v = !T1 ；cu = r1；其中，第i个待处理波段的待扩展多分组图像为頂Jp，q)，r:为第I次ニ维经验模态分解后的残差，SD为终止迭代阈值，hu, v为第u次ニ维经验模态分解中经过第V次筛选后的剩余函数，Cu为ニ维本征模态函数5/M/^ ；步骤B、令V = v+1 ;hu, (v_d = ru,并通过与相邻像素对比，找出hu, (v_1}的极大值和极小值，其中，ru为第u次ニ维经验模态分解后的残差，ru, (v_d为第u次ニ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次ニ维经验模态分解中经过第v-1次筛选后的剰余函数hu, (v-i)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和下包络emin，并计算包络均值
权利要求
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Ιο、尺寸为PXQ的多分组图像 IMj (p, q), j = I, 2, ···, I0, p = 1,2, ···, P, q = 1,2, ···, Q, 去掉多分组图像(P，q)中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IMi (p, q), i = I, 2, ...,I, 其中IpKP和Q为自然数； 步骤二、依次对I个待扩展多分组图像Mi (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 ,U1 =1,2,..., U1， 其中Ui为第i个波段的二维本征模态函数的个数； 步骤三、将所有二维本征模态函数有机组合，扩展为待扩展多分组图像Mi (p，q)各波段对应的特征，记为扩展后特征FBMF ； 步骤四、随机抽取扩展后特征FBMF上的各像素形成训练样本FtrainingBIMFk, k — 1,2,…，N 和测试样本 FtestingBIMF1, 1 = 1,2, ...，M， 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FtrainingBMFk指定模糊隶属度sk，其中，O彡Sk彡I ; 步骤六、根据训练样本FtrainingBIMFk及对应的模糊隶属度Sk训练FSVM分类器； 步骤七、通过测试样本FtestingBIMF1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(P，q)的分类。
2.根据权利要求I所述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，步骤二中依次对I个待扩展多分组图像IMi (p，q)进行二维经验模态分解，得到I组二维本征模态函数的过程为步骤 A、初始化!T1 = IMi (p, q) ；u = I ；v = O ；SD = IOOO ;hu,v = !T1 ；cu = r1； 其中，第i个待处理波段的待扩展多分组图像为Mi (P，q)， Γ!为第I次二维经验模态分解后的残差， SD为终止迭代阈值， hu,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， cu为二维本征模态函数5/Mif ； 步骤B、令 V = V+1 ;hu, (v-i) = ru, 并通过与相邻像素对比，找出hu,(v_D的极大值和极小值，其中，ru为第u次二维经验模态分解后的残差， hu, (v-i)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hu, (v-i)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emax和下包络emin，并计算包络均值
3.根据权利要求I所述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，步骤三中将所有二维本征模态函数有机组合，获取扩展后特征FBMF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Ui fBIMF来说，如果Ui为奇数，则将直接衔接到尾部，如果Ui为偶数，则将5/M/f左右翻转再衔接到尾部，依次下去，直至该波段二维本征模态函数的所有Ui个BIMF全部处理完毕，获取该波段的扩展后特征 FBMF。
4.根据权利要求I所述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，步骤六中根据训练样本FtrainingBIMFk及对应的模糊隶属度Sk训练FSVM分类器，所述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g(x) = sgn (〈w, φ(χ)) + ) = Sgn^ ykakK (x,xk) + b^ 进行构建，其中， w为权值向量， Xk为训练样本FtadningBIMFk中的元素， φ(χ)为JA Xk映射到高维特征空间的函数， b为偏置， yk为xk对应类别，且yk e {-l,+l}, Qk= { α 1 α 2,…，αΝ}为拉格朗日因子，且k = 1,2, ···, N,K(x, xk)为核函数。
5.根据权利要求I所述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，步骤一中被噪声严重污染的图像的判断标准为峰值信噪比在O 8之间的图像。
全文摘要
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。
文档编号G06K9/62GK102622611SQ20121006553
公开日2012年8月1日 申请日期2012年1月13日 优先权日2012年1月13日
发明者张淼, 沈毅, 贺智 申请人:哈尔滨工业大学