验。实验中采用的场景图像分类数据库，其中包括室内场景两个，室外场景 两个，共四个场景，2000幅图像。所有图像均为灰度图像，其尺寸为288X224像素。从图像 库中随机选取600幅图像用于IT2FSVM模型的训练，其余场景图像用于测试。
[0098] 为了验证IT2FSVM场景图像分类方法在不确定条件下的鲁棒性，结合机器人实际 工作环境，建立场景图像分类数据库：1)受噪声污染场景图像数据库：考虑高斯噪声、脉冲 噪声和混合噪声（高斯噪声和脉冲噪声双重污染）三种情况，建立对应的3个小样本场景 图像分类数据库；2)不同视觉角度场景图像数据库：考虑机器人的自主移动，建立不同视 觉角度的场景图像分类数据库（场景图像在水平方向〇到180度变化角度）；3)不同光照 条件场景图像数据库：考虑同一幅图像其光照条件有可能会发生变化，如早上、中午和晚上 采集到的场景图像其光照条件就不同，建立对应的3个小样本场景图像分类数据库。
[0099] 为了突出本方法的优势，验证IT2FSVM分类模型的适应性，进行了一系列对比实 验，将IT2FSVM与采用RBF核、MLP核和加权核的SVM分类模型进行比较，实验结果表明： 在样本受噪声污染、不同视觉角度、不同光照条件等不确定条件下，本发明所提出的基于 IT2FSVM的场景图像分类方法能够对场景图像进行有效分类，采用本方法能够获得更好的 识别率和识别速度。
[0100] 综上，本发明采用改进型模糊支持向量机方法来进行场景图像分类。支持向量机 方法具有较好的推广能力，同时能巧妙解决维数问题、不容易陷入局部最小值等优点，而本 发明中改进型的模糊支持向量机方法，采用区间Type-2模糊集对不确定信息进行描述和 处理，构建了区间Type-2模糊支持向量机分类模型，以提高不确定条件下场景图像分类的 精确性和鲁棒性。在场景图像中提取灰度特征、边缘特征和方向特征，构建了场景图像分类 特征向量，其维数较大，则通过改进的FPCA进行降维。实验结果表明，基于区间Type-2模 糊支持向量机的场景图像分类方法能够提高场景图像分类的识别率及识别速度。
【主权项】
1. 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： 1)采集场景图像并进行预处理； 2) 对预处理后的图像进行图像划分，形成多个子图； 3) 在每个子图中分别提取图像分类特征； 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XfPP; 5)设计基于模糊核的主成分分析方法F'uzzy Principal Components Analysis,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Xfpdu。； 6)设计全新的区间Type-2模糊支持向量机模型，即Interval Type-SF'uzzy Support Vector Machine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。2.根据权利要求1所述的基于区间Type-2模糊支持向量机的场景图像分类方法，其特 征在于步骤2)中将图像划分为4X4个子图。3.根据权利要求1所述的基于区间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。4.根据权利要求3所述的基于区间Type-2模糊支持向量机的场景图像分类方法，其特 征在于：灰度特征的计算表达式为： □ (c,5) =|n(C) 00 (S) 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，（(')为对应尺度为C的图像灰度特征，运里取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。5. 根据权利要求4所述的基于区间Type-2模糊支持向量机的场景图像分类方法，其特 征在于：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： ￡(c，.s) = |￡：(c)?￡b) 其中，巧为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，E。(C)为对应尺度为C的图像边缘特化,运里取C= 2, 3, 4,S=C巧或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。6.根据权利要求5所述的基于区间Type-2模糊支持向量机的场景图像分类方法，其特 征在于：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： 菊均=蝴来時*沒气X,讀 其中，GV9 (X，Z)为G油or滤波器，N'(X，Z)为场景图像在位置（X，Z)处的灰度特征，V和0={〇° ,45°，90° ,135° }分别表示滤波算子的尺度和方向，运里可取两组不同的 算子，在滤波器四个不同方向上就可得到八个方向特征图。7. 根据权利要求6所述基于区间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：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Xf。。。8. 根据权利要求7所述基于区间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{鸣1檐，其中N为场泉样本图像的数目，用于PCA特征降维的模糖核函数，其表 达式如下：其中，为模糊核寬的第k个元素，K隶属于传统核函数集K^,Kw为核函数集的数 目，//(K巧式4^)为对应于核函数K的模糊隶属度，且有O^M巧种;，巧;：))^ 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量9. 根据权利要求8所述基于区间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：其中，每个支持向量机模型具有一个主级模糊隶属度区间山(D'MT(D')]，考虑支 持向量机模型的不确定性，并降低其计算复杂度，运里采用区间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：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W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： 和其中療、iil，r、：L，焉、I、b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：其中巧，互1为模型上界和下界对应样本的拉格朗日乘子，进一步地，利用核函数代替 上式高维特征向量的内积： 和结合Vapnik的相关理论，可得到Type-2模糊支持向量机模型上界和下界的决策函数 如下：其中，Sgn为符号函数，SVg为对应于非零拉格朗日乘子的支持向量，K( ?，?）为满足Mercer条件的核函数，为得到场景图像的类别，可利用IT2FSVM分类模型上界和下界决策 函数的均值作为Type-2模糊支持向量机分类模型最终的分类结果：采用训练好的Type-2模糊支持向量机分类模型6(义,.WM)用于未知类别的场景图像分 类识别。
【专利摘要】本发明公开了一种基于区间Type-2模糊支持向量机的场景图像分类方法，涉及一般的图像数据处理或产生方法技术领域。在本方法中提出了一种新的基于区间Type-2模糊集的模糊支持向量机设计方法，并基于图像分类特征提取、特征降维、特征分类三个步骤实现对场景图像的有效分类。本发明利用区间Type-2模糊集对不确定信息进行描述和处理，构建区间Type-2模糊支持向量机分类模型，提高了场景图像分类的精确性和鲁棒性。
【IPC分类】G06K9/62
【公开号】CN105373802
【申请号】CN201510136452
【发明人】徐淑琼, 卞建勇, 袁从贵
【申请人】东莞职业技术学院
【公开日】2016年3月2日
【申请日】2015年3月26日