基于优化卷积自动编码网络的极光图像分类方法
【技术领域】
[0001] 本发明属于图像处理技术领域，更进一步涉及极光图像的分类方法，可用于图像 的场景分类与目标识别。
【背景技术】
[0002] 极光是各种磁层动力学过程最为直观的电离层踪迹，中国北极黄河站的全天空成 像系统六11-81^〇31116抑同时对极光的三个典型谱段427.811111，557.7111]1和630.〇111]1进行连续 观测，产生数以万计的极光图像，数据量巨大。合理有效的极光图像分类对研究各类极光现 象及其与磁层动力学过程之间的关系尤为重要。
[0003] 早期的极光分类研究以肉眼观察为基础，手工实现标记和分类工作，然而极光图 像每年数以百万计，人工进行分类标记的方式已经不再满足对大规模数据进行客观分类的 要求。直到2004年 Syrjasuo 在文献"SyrjiisuoM.T.，and Donovan E.F.，Diurnal auroral occurrence statistics obtained via machine vision.Annales Geophysicae,22(4): 1103-1113,2004."中才将图像处理技术引入到极光图像自动分类。Wang等人于2007年在文 章"Wang Qian，Liang Jimin，Hu ZeJun，Hu HaiHong，Zhao Heng，Hu HongQiao，Gao Xinbo， Yang Huigen.Spatial texture based automatic classification of dayside aurora in all-sky images.Journal of Atmospheric and Solar-Terrestrial Physics,2010, 72(5) :498-508."中使用主成分分析法PCA对极光图像的灰度特征进行提取，提出了一种基 于表象的极光分类方法，在冕状极光分类研究方向取得了一定进展;2008年，Gao等人发表 文章 "L .Gao，Χ· B·Gao，and J.Μ. Liang.Dayside corona autora detection based on sample selection and adaBoost algorithm.J.I mage Graph,2010,15(1):116-121. 提出基于Gabor变换的极光图像分类方法，采用了局部Gabor滤波器提取图像特征，在确保 计算精度的情况下降低了特征冗余信息，取得了较好的分类效果；2009年，Fu等人在文章 "Fu Ru，Jie Li and X.B.Gao..Automatic aurora images classification algorithm based on separated texture.Proc.Int.Conf.Robotics and Biomimetics,2009:1331-1335."中将形态学成分分析(MCA)与极光图像处理相结合，从经过MCA分离后所得到的极光 纹理子图中提取特征，用于弧冕两类极光图像的分类，提高了弧冕极光分类的正确率。后续 的相关研究还有：Han等人在文章"Bing Han，Xiaojing Zhao，Dacheng Tao，et al.Dayside aurora classification via BIFs-based sparse representation using manifold learning.International Journal of Computer Mathematics.Published online:12Nov 2013 中又提出基于BIFs特征和C均值分类的极光分类法;Yang等人在文章"Yang Xi，Li Ji e, Han Bing , Gao Xinbo. Wavelet hierarchical model for aurora images classification. Journal of Xidian University ,2013,40(2): 18-24." 中提出多层小波 变换来表示极光图像特征，取得了较高的分类准确率;2013年，Han等人在文章"Han B Jang C，Gao XB.Aurora image classification based on LDA combining with saliency information.RuanJian Xue Bao/Journal of Software,2013,24(11):2758-2766.''中引 入隐含狄利克雷分布模型LDA，并结合图像显著性信息，又进一步提高了极光图像的分类准 确率。
[0004] 但是，现有的极光图像处理算法都是基于浅层特征的，特征表征能力和分类准确 率都受到 了极大的限制。文章 "A · Krizhevsky，I · Sutskever，and G.Hinton.ImageNet classification with deep convolutional neural networks. In NIPS,2012."提出卷积 神经网络，其出色的图像特征提取能力在学术界持续升温，其应用在极光图像特征提取上 的巨大潜力值得深入研究。
[0005] 但是，将深度卷积网络直接用于极光图像的特征提取仍存在以下几个问题:首先 是由于极光图像中存在许多完全没有任何信息的全黑部分，现有深度学习算法对于这部分 冗余没有处理方法;其次由于训练样本数限制，现有深度卷积网络技术对极光图像的分类 准确率不高;第三，深度卷积网络训练耗时严重。
【发明内容】
[0006] 本发明的目的在于针对上述现有技术存在的不足，提出一种基于优化卷积自动编 码网络的极光图像分类方法，以快速完成网络训练，提高分类正确率。
[0007] 实现本发明上述目的的技术方案是:对极光图像进行显著性分析，基于极光显著 图提取用于训练自动编码网络AE的训练样本，然后用训练好的自动编码网络特征提取极光 图像的卷积自编码特征，并利用平均池化对卷积自编码特征进行约减，最后通过softmax分 类器实现对极光图像的分类。其实现步骤包括如下：
[0008] (1)输入极光图像，根据极光图像显著图提取共100000个训练像素块，组成训练像 素块集P8X8X1QQ000 ;
[0009] (2)对训练像素块集P 8X8X1QQ()()()进行白化预处理，得到白化后的训练样本集 XPCAwhite ；
[0010] (3)利用白化后的训练样本集XPCAwhite，训练自动编码网络AE:
[0011 ] 3a)将训练样本集表示为XPCAwhite = {xp(1)，xp(2)，xp(3)，…，xp(1)，…，xp( m)}，其中 xp(1)表示第i个训练样本，xp(1)eR64，i = l，2, . . .，m，m表示训练样本数;根据训练样本xp(1) 求自动编码网络AE隐含层第j个神经元的平均活跃度：
[0013]其中，j = l，2, · · ·，n，n表示隐含层节点数，aw,b(xpW)表示当输入为xp(1)时自动编 码网络AE隐含层第j个神经元的激活度，（W，b) = (W(1)，b(1)，W(2)，b(2))表示自动编码网络AE 的参数，其中，W (1)表示输入层节点到隐含层节点的权重，W(2)表示隐含层节点到输出层节点 的权重，b (1)表示输入层节点到隐含层节点的偏置，b(2)表示隐含层节点到输出层节点的偏 置；
[0014] 3b)根据反向传播BP训练法原理，用自动编码网络AE的参数(W，b)和隐含层平均活 跃度&构造一个稀疏的代价函数Jsparse(W，b):
[0016] 式中，hw,b( ·)表示非线性的自动编码网络AE函数表示以P为均值和以 为均值的两个伯努利随机变量之间的相对熵，λ1和λ2分别表不隐含层和输出层的权重衰减 参数，ρ表示稀疏度系数，其取值为一个小于0.1的常数；
[0017] 3c)通过最小化代价函数Jsparse(w，b)得到优化后的自动编码网络ΑΕ的参数(Wopt, b〇pt):
[0019] 其中，表示优化后输入层的第q个节点到隐含层的第j个节点的权重，~二 表示优化后隐含层第j个节点到隐含层到输出层第k个节点的权重，表示优化后输入 层节点到隐含层第j个节点的偏置表示优化后隐含层节点到第k个节点的偏置，q = k =1，2,. . .，64,64表示输入层节点数，且输出层节点数等于输入层节点数，j = l，2,. . .，n，n 表示隐含层节点数；
[0020] (4)用优化后输入层的第q个节点到隐含层的第j个节点的权重求极光图像 I的卷积自编码特征Fr;
[0021] (5)将极光图像I的卷积自编码特征Fr进行平均池化操作，即将卷积自编码特征Fr 平均划分为11X11大小的块，将每块都合并为一个平均值，然后将这些平均值重新组合得 到池化特征FERllxllXn;
[0022] (6)将极光图像的池化特征F输入到softmax分类器，得到一个类别标签，即为该极 光图像的类别。
[0023] 本发明与现有技术相比具有如下优点：
[0024] 第一，本发明利用图像显著图进行训练样本的优选，有效去除了无效训练样本，提 高了网络训练效率，同时提高了模型对极光图像的分类准确率；
[0025]第二，发明选用自动编码网络AE预训练卷积滤波器，构建卷积网络，有效克服了极 光图像训练样本不足导致的分类准确率较低问题。
【附图说明】
[0026]图1是本发明的实现流程图；
[0027]图2是本发明对极光图像显著图、显著图二值化和提取训练片段结果图；
[0028]图3是本发明通过训练自动编码网络AE得到的部分卷积滤波器；
[0029]图4是本发明中自动编码网络AE隐含层节点数不同时对应的分类准确率和分类时 间对比图；
[0030]图5是本发明自动编码网络AE隐含层稀疏度对分类准确率的影响图。
【具体实施方式】
[0031] 下面结合附图对本发明的实现步骤和技术效果做进一步的详细描述。
[0032] 参照图1，本发明的实现步骤如下：
[0033]步骤1，输入极光图像，提取训练像素块集P8x8x1Q_ 0〇
[0034] 1.1)输入一幅如图2(a)所示的极光图像，获取该图像中的每一个像素点I(x，y)， 的亮度特征L(x，y)、梯度特征H(x，y)以及边缘二值化特征B(x，y)，并将这三种特征融合，得 到极光图像像素点I(x，y)的显著性信息值S(x，y):
[0035] S(x,y)=L(x,y)+H(x,y)+B(x,y);
[0036] 将极光图像所有点的显著性信息值S(x，y)组成如图2(b)所示的极光图像显著图 S；
[0037] 1.2)对图像显著图S进行二值化操作，得到如图2(c)的二值化显著图S1;
[0038] 1.3)随机在二值化显著图Si上提取8X8大小的训练像素块pS8x8,判断该像素块的 值:如果像素块PS8X8中的1值所占比例大于0.8,则提取原图像I在该位置的像素块P8X8;如 果像素块PS8X8中1值所占比例小于等于0.8，则不作处理；
[0039] 1.4)按照1.3)的方法，提取极光图像共100000个训练像素块，组成训练像素块集 ΡδΧ8Χ100000〇
[0040] 步骤2,对训练像素块集Ρ 8X8X1QQ()()()进行白化预处理，