一种基于极端学习机的纹理分类方法
【技术领域】
[0001] 本发明涉及计算机模式识别和纹理图像的交叉领域，尤其涉及一种基于极端学习 机的纹理分类方法。
【背景技术】
[0002] 纹理识别是计算机视觉和模式识别领域的一个重要研宄内容，并广泛应用于农 业、工业、医疗、军事等领域，如遥感系统中不同地形地貌的分类、人脸识别、生物医学图像 分析系统的医学影像中病变组织检测等。目前，纹理识别技术的研宄已经取得了一定的进 步，为多个领域的发展提供了良好的平台和契机，吸引着越来越多的研宄人员在相关领域 进一步研宄和探索。
[0003] 纹理识别是通过计算不同类别的纹理所表现出的不同特性，判定某种未知纹理图 像的类别属性。纹理识别技术主要可以分为：特征提取和纹理分类两部分。其中，特征提取 是进行纹理分类的前提和基础，提取特征区分度的好坏会在很大程度上影响最终的纹理分 类效果。Tuceryan和Jain将目前常用的纹理特征方法分为4大类：基于统计、基于模型、 基于结构和基于信号处理，其中，具有代表性的特征提取方法主要包括：Gabor滤波、小波 变换、小波包变换等。
[0004] 分类算法的研宄也是纹理分类的一个重要方面，目前各国学者已经开发了多种分 类器和分类算法，其中最常用的纹理分类方法主要包括：最近邻分类器、人工神经网络分类 器和支持向量机分类器。针对上述算法普遍存在的分类正确率低、计算量大和缺乏理论支 持等缺点，有些科研人员提出了极端学习机分类方法（ELM)，它是近年来发展起来的一种新 型单隐层前馈神经网络；与传统的方法不同，极端学习机通过随机的选择网络中的隐层神 经元，其网络的输出层权值可以通过解析方法获得，具有学习速度快、泛化能力好等诸多优 点。然而，由于传统极端学习机的输入层与隐层之间的输入权重和隐层的偏差是随机赋值 的，因此容易导致输出结果不稳定，这在很大程度上限制了该方法在实际工程中的应用。
【发明内容】
[0005] 本发明提供了一种基于极端学习机的纹理分类方法，本发明将多个ELM作为基准 分类器，通过构建动力模型对其输出向量进行相应的整合，以获得更加稳定的输出，实现纹 理图像的自动分类和识别，详见下文描述：
[0006] 一种基于极端学习机的纹理分类方法，所述方法包括以下步骤：
[0007] 对已知的纹理图像样本进行特征提取，获取纹理特征向量；
[0008] 采用极端学习机作为基分类器，将纹理特征向量作为极端学习机的输入元素，训 练基分类器，利用训练样本集对基分类器进行训练，建立分类模型；
[0009] 对未知的纹理图像进行特征提取，根据构建的动力学模型，获得多个基分类器的 输出向量；
[0010] 对未知纹理图像获得的多个输出向量，采用动力学模型将其进行融合，利用最大 决策规则进行未知的纹理图像识别。
[0011] 所述构建的动力学模型为：
[0012]
【主权项】
1. 一种基于极端学习机的纹理分类方法，其特征在于，所述方法包括以下步骤： 对已知的纹理图像样本进行特征提取，获取纹理特征向量； 采用极端学习机作为基分类器，将纹理特征向量作为极端学习机的输入元素，训练基 分类器，利用训练样本集对基分类器进行训练，建立分类模型； 对未知的纹理图像进行特征提取，根据构建的动力学模型，获得多个基分类器的输出 向量； 对未知纹理图像获得的多个输出向量，采用动力学模型将其进行融合，利用最大决策 规则进行未知的纹理图像识别。
2. 根据权利要求1所述的一种基于极端学习机的纹理分类方法，其特征在于，所述构 建的动力学模型为：
其中，U?(0)为线性动力模型；lijw)为非线性动力模型；丫:表示线性动力模 型的权重系数；y2表示非线性动力模型的权重系数。
【专利摘要】本发明公开了一种基于极端学习机的纹理分类方法，该方法包括以下步骤：对已知的纹理图像样本进行特征提取，获取纹理特征向量；采用极端学习机作为基分类器，将纹理特征向量作为极端学习机的输入元素，训练基分类器，利用训练样本集对基分类器进行训练，建立分类模型；对未知的纹理图像进行特征提取，根据构建的动力学模型，获得多个基分类器的输出向量；对未知纹理图像获得的多个输出向量，采用动力模型将其进行融合，利用最大决策规则进行未知的纹理图像识别。本发明实现了纹理图像的自动分类和识别，能够获得较高的分类进度，提高了工作效率及其稳定性。本发明具有精度高、速度快、稳定性强等诸多优点，可以用于纹理图像的自动检测。
【IPC分类】G06K9-62
【公开号】CN104573728
【申请号】CN201510025460
【发明人】何凯, 吴春芳, 葛云峰
【申请人】天津大学
【公开日】2015年4月29日
【申请日】2015年1月19日