基于区间Type-2模糊支持向量机的场景图像分类方法
【技术领域】
[0001] 本发明涉及一般的图像数据处理或产生方法技术领域，尤其涉及一种基于区间 Type-2模糊支持向量机的场景图像分类方法。
【背景技术】
[0002] 随着数字技术的发展和数字设备的应用，各种图像数据库中的图像数量呈现爆炸 式增长，迫切需要通过计算机提取人们能够理解的图像语义信息，从而方便用户对各种数 字图像进行自动的管理、组织和分析。如何对这些图像进行有效的管理与快速的检索是一 个巨大的挑战。场景图像的分类正是解决这个问题的关键技术。场景图像分类，即依据场 景图像中所包含的特征来完成对图像场景类别（如办公室，走廊，街道，城市，高层建筑等） 的自动识别，是图像理解领域的一个重要分支，已成为多媒体信息管理、计算机视觉等领域 的热点问题，受到研究者的广泛关注。
[0003] 众所周知，场景图像分类已成为计算机视觉领域的一个重要研究课题，它是图像 处理、计算机视觉、模式识别和机器学习等多个研究领域的一个交汇点，具有广阔的应用空 间。例如：机器视觉任务，网络图像检索，视频分祈与检索，遥感图像分类，医学图像数据挖 掘，图像编辑，图像检测，网络图像过滤等。迄今为止，研究者已提出了许多场景图像分类方 法，这些方法大多数把图像分类理解成模式识别过程，包括训练和测试两部分。训练部分提 取图像特征并训练分类器或分类模型，测试部分用训练好的分类器或分类模型对未知类别 图像进行分类。本发明的侧重点在于设计有效的分类器。
[0004] 支持向量机（SupportVectorMachine，SVM)是由Vapnik等人根据小样本情况下 的统计规律及学习方法提出的一种机器学习算法，有着完备的理论框架基础。SVM求解的是 凸二次规划问题，它根据最小化经验风险泛函标准选择支持向量子集，同时考虑给定样本 的逼近精度和逼近函数的复杂性，从而实现模型的结构风险优化控制目标。SVM很好地解决 了小样本、非线性、高维数等问题，较传统机器学习算法具有更好的泛化推广能力和学习性 能，已经广泛应用于模式识别、图像处理、场景图像分类等领域。
[0005] 然而，场景图像中普遍存在的不确定信息（如噪声变化、拍摄角度变化、光照条件 变化等），标准支持向量机模型无法对其进行有效表示和处理，因而难以获取精准的分类结 果。考虑系统不确定因素，如何根据模糊理论，引入专家经验知识，如何构造应用灵活的模 糊核函数，如何设计系统化的模糊支持向量机（FuzzySupportVectorMachine，FSVM)模 型等问题，现有的模糊支持向量机方法在这方面的讨论仍较少。通过设计合适的FSVM模 型，进一步将专家经验逻辑与支持向量方法有机融合起来，有效处理系统的不确定信息，提 高支持向量机算法对实际问题的适用性，这是支持向量机面向工程技术领域亟待解决的重 要问题。
【发明内容】
[0006] 本发明所要解决的技术问题是提供一种基于区间Type-2模糊支持向量机的场景 图像分类方法，所述分类方法能有效提高支持向量机模型的分类精度，场景图像分类效果 好。
[0007] 为解决上述技术问题，本发明所采取的技术方案是：一种基于区间Type-2模糊支 持向量机的场景图像分类方法，其特征在于所述方法包括如下步骤：
[0008] 1)采集场景图像并进行预处理；
[0009] 2)对预处理后的图像进行图像划分，形成多个子图；
[0010] 3)在每个子图中分别提取图像分类特征；
[0011] 4)计算每个特征子图的均值和方差，构建场景图像分类特征向量Xrap;
[0012] 5)设计基于模糊核的主成分分析方法FuzzyPrincipalComponentsAnalysis， 简称FPCA，用于场景图像分类特征向量的降维，得到其主成分特征向量Xradu。；
[0013] 6)设计全新的区间Type-2模糊支持向量机模型，即IntervalType_2Fuzzy SupportVectorMachine模型，简称IT2FSVM模型，并对其进行优化，得到训练好的 IT2FSVM分类模型并应用于场景图像分类。
[0014] 进一步的技术方案在于：步骤2)中将图像划分为4X4个子图。
[0015] 进一步的技术方案在于：步骤3)中提取场景图像分类特征包括灰度特征、边缘特 征和方向特征。
[0016] 进一步的技术方案在于：灰度特征的计算表达式为：
[0017]
[0018]其中，#为Center-surround操作，c和s分别为场景图像滤波输出的细尺度和粗 尺度，□ (c)为对应尺度为c的图像灰度特征，这里取c= 2, 3, 4,s=c+3或s=c+4,由 此得到与2-5, 2-6, 3-6, 3-7, 4-7和4-8六个尺度对应的六个灰度特征图。
[0019] 进一步的技术方案在于：边缘特征先采用Canny算子对场景图像在不同尺度上进 行边缘特征的提取操作，再利用灰度特征的方法得到场景图像的边缘特征，其计算表达式 如下：
[0020]
[0021] 其中，为Center-surround操作，c和s分别为场景图像滤波输出的细尺度和粗 尺度，Ejc)为对应尺度为c的图像边缘特征，这里取c= 2, 3, 4,s=c+3或s=c+4,由此 得到与2-5, 2-6, 3-6, 3-7, 4-7和4-8六个尺度对应的六个灰度特征图。
[0022] 进一步的技术方案在于：方向特征图通过图像与Gabor滤波器的卷积运算得到， 其计算表达式如下：
[0023]
[0024] 其中，Gv0 (X，z)为Gabor滤波器，为场景图像在位置（X，z)处的灰度特征， v和θ={0°，45°，90°，135° }则分别表示滤波算子的尺度和方向，这里可取两组不 同的算子，在滤波器四个不同方向上就可得到八个方向特征图。
[0025] 进一步的技术方案在于：步骤4)计算每个灰度特征图的均值和方差，其计算表达 式如下：
[0026]
[0027]
[0028] 其中，WH表示场景图像的尺寸，边缘特征图和方向特征图的计算方法与灰度特征 图类似，只需要将相关函数更换为边缘特征和方向特征的表达式即可，将计算得到的结果 按顺序排列成高维的特征向量，构建场景图像分类特征向量Xrap。
[0029] 进一步的技术方案在于：步骤5)中特征降维包括模糊核函数的设计、特征统计优 化和主成分特征选择；假定样本训练集为，其中N为场景样本图像的数目，用于PCA 特征降维的模糊核函数，其表达式如下：
[0030]
[0031]其中，K(k)为模糊核1的第k个元素，Κ隶属于传统核函数集K(k)，ΚΝ为核函数集的 数目，//(夂(0?))为对应于核函数κ的模糊隶属度，且有0ΙΜΙΚΧ；1))<1，通过 标准核PCA方法的特征统计优化和主成分特征选择环节，可得到场景图像降维后的特征向 mx!VjUc= (χ<Λ]1.···.^?,\<n<d〇
[0032] 进一步的技术方案在于：步骤6)采用Type-2模糊集来描述支持向量机模型的不 确定性，其表达式如下：
[0033]
[0034] 其中，每个支持向量机模型具有一个主级模糊隶属度区间匕.，考 虑支持向量机模型的不确定性，并降低其计算复杂度，这里采用区间Type-2模糊集来描述 支持向量机模型的模糊隶属度，将标准支持向量机扩展为区间Type-2模糊支持向量机，其 定义如下：
[0035]
[0036] 其中，支持向量机模型的主级模糊隶属度区间同样取决于模糊隶属度上界和下 界，次级模糊隶属度则取值为1，对于上述Type-2模糊支持向量机难以直接求解，因此，对 其进行降维，将问题转化为对Type-2模糊支持向量机模型上界和下界优化的目标函数进 行求解：
[0037]
[00381
[0039
[004C
[0041
[0042] 其中6、义f、丄，馬、色，分别为模型上界和下界对应的权向量，正则化参 数，允许误差，和模型常量，为求解目标函数，定义其对偶形式如下：
[0043]
[0044]
[0045]
[0046]
[0047] Γ=1
[0048] 其中巧，模型上