一种基于bbo-mlp和纹理特征的图像分类方法
【技术领域】
[0001] 本发明属于图像工程技术领域，特别是涉及对不同类型的图像进行分类的方法， 具体是一种基于BB0-MLP和纹理特征的图像分类方法，可用于各类图像的自主分类。
【背景技术】
[0002] 图像分类技术也有着十分广阔的应用领域。最初的使用方法是人工标注。人们首 先通过观察图像的内容并使用相关文本进行标记，作为图片的关键字，然后再借用成熟的 文本信息管理技术来实现图像的自动组织和检索。据统计，百度、google等搜索引擎中的图 片也超过数十亿，如此庞大而又急速更新的图像数据库使得人工标注花费高，耗时长近年 来。为了帮助人们快速、有效地从大型图像信息库中找到其有价值的信息，研究者们提出了 用筛选的特征值生成特征向量来描述图像。计算机视觉是目前最热门的应用研究，计算机 视觉简单来说就是研究怎样使用计算机来模拟生物视觉，它的主要任务是计算机通过对采 集的图片或视频进行处理，能像人类那样通过视觉观察世界，具有自主识别、理解和适应环 境的能力。而图像分类技术正是解决上述研究问题的核心内容，被应用到计算机视觉领域 的方方面面。如：自主车辆的视觉导航，它就是以图片的分类识别环境为基础;航空和卫星 照片的读取判别与分类;工业机器人手眼系统的特定目标识别;生物特征的鉴别等。已有的 图像分类方法存在以下不足：（1)运算时间长、空间复杂度高，很难达到用户对检索实时性 的要求;（2)收敛速度比较慢。
【发明内容】
[0003] 本发明的目的在于克服上述现有技术中存在的不足，提出一种基于BB0-MLP和纹 理特征的图像分类方法，以快速有效地实现对不同类型的图像进行准确的分类。
[0004] 实现本发明的技术方案是:一种基于BB0-MLP和纹理特征的图像分类方法，包括以 下步骤：
[0005] (1)对图像分类算法运行环境进行初始化，具体包括图像库建立，生物地理学优化 算法参数设置，多层感知器结构设计。
[0006] (2)采用灰度共生矩阵描述图像纹理特征，具体选取标量来表征灰度共生矩阵的 特征，在此选取图像的角二阶矩ASM、熵ENT、惯性矩C0N和相关性C0R这4个纹理特征，具体如 下：
[0007] 设f(x，y)是一幅二维数字图像，S为区域目标R中的具有特定空间联系的像素对的 集合，则满足一定空间关系的灰度共生矩阵P( i，j)定义为：
[0009]上式等号右边的分子是S中灰度值分别为i和j的像素对的个数，分母为S中像素对 的总个数之和，#代表数量；
[0010] (2.1)角二阶矩：角二阶矩也称为能量，为灰度共生矩阵上所有元素的平方和；角 二阶矩小的纹理偏细;反之，角二阶矩偏大。
[0012] 其中，ASM表示图像的角二阶矩，P(i，j)表示图像的灰度共生矩阵；
[0013] (2.2)熵:熵是图像所拥有的信息量的度量，表示图像中纹理分布的非均匀度或复 杂度;图像的纹理分布均匀，复杂程度高，熵值大;反之，纹理分布不均匀，复杂程度低，熵值 小;如果无纹理，那么熵值为〇;
[0015] 其中，ENT表示图像的熵，P(i，j)表示图像的灰度共生矩阵。
[0016] (2.3)惯性矩:惯性矩即对比度，反映了图像的清晰度和纹理沟纹深浅的程度;纹 理沟纹越深，其对比度越大，视觉效果越清晰;反之，对比度小，则沟纹浅，效果模糊;灰度差 大的像素对越多，惯性矩越大;灰度共生矩阵中远离对角线的元素值越大，惯性矩越大；
[0018] 其中，C0N表示图像的惯性矩，P(i，j)表示图像的灰度共生矩阵；
[0019] (2.4)相关性:度量空间灰度共生矩阵元素在行或列方向上的相似程度，反映了图 像中局部灰度相关性，表示纹理的方向；当矩阵元素值均匀相等时，相关值就大;相反，如果 矩阵元素值相差很大，则相关值小;相关性C0R定义如下：
[0023] (3)由所提取图像的角二阶矩ASM、熵ENT、惯性矩C0N和相关性C0R这4个纹理特征， 构造图像的纹理特征向量;将所有训练图像的纹理特征向量保存到训练样本文件中，每一 条记录包含一副图像的类别号和4个纹理特征值；
[0024] (4)定义适应度函数：
[0025]将训练样本文件输入到多层感知器MLP，通过训练样本来计算每个栖息地的适宜 度指数HSI;选取所有训练样本的对应MLP输出的均方误差MSE作为ΒΒ0适应度函数：
[0027]其中q是训练样本的数量，m为输出的数量，< 是在k个训练样本下的第t个输入单 元的所期望输出；of是k个训练样本下的第t个输入单元的实际输出如，第t个栖息地的适宜 度指数HIS为：
[0028] HSI(Habitatt) =MSE(Habitatt) 8)
[0029] (5)利用BBO对多层感知器MLP进行全局优化：
[0030] (5.1)生成随机的MLP集作为初始栖息地；
[0031] (5.2)由公式7)计算每个多层感知器MLP的均方误差MSE;
[0032 ] (5.3)根据公式9) -10)更新每个栖息地的迀入率、迀出率和突变率mn;
[0036] 其中，Ak为迀入率，μΑ迀出率，突变率为mn，I和E分别为迀入率、迀出率的最大值， k为当前物种数，N为最大容纳物种数，Μ为最大突变率，pn为某栖息地已有η个物种的概率， Pmax为Ρη的最大值；
[0037] (5.4)根据栖息地的迀出率和迀入率按照迀移策略修改多层感知器MLP;
[0038] (5.5)根据突变率对多层感知器MLP进行突变；
[0039] (5.6)精英选择:选取较低的均方误差MSE的解作为精英解保留；
[0040] (5.7)判断是否满足终止条件;满足条件则输出迭代最优解;如不满足，则重回到 步骤(5.2)。
[0041] (6)根据已有的分类模型对测试样本进行分类，将得到的图像类别号返还给用户。
[0042] 上述步骤(2)所述的纹理特征，分别在d= 1，0 = 0° ,45° ,90°，135°的情况下，选取 角二阶矩、熵、惯性矩、相关性4个典型的特征值，并求取Θ在不同方向下的均值，得到对应图 像的一个4维特征矩。
[0043]上述步骤(5)适用于图像分类问题和ΒΒ0优化的多层感知器MLP的构建方法，其多 层感知器由输入层、隐藏层、输出层组成，其中η是输入节点的数目，h是隐藏节点的数目，m 是输出节点的数目；
[0044]首先由公式12)计算得到输入的加权和：
[0046]其中，η是输入节点的数目，是从输入层第i节点到隐藏层第j节点的连接权重， 是第j个隐含节点的偏置，&表示第i个输入;每一隐藏节点输出计算如式13):
[0048]计算隐节点的输出为式14)，然后用式15)计算最终输出；
[0051] 其中^是从第j个隐藏节点到第k个输出节点的连接权重，0'k是第k个输出节点的 偏置。
[0052] 本发明的有益效果:本发明具有如下优点：
[0053]①由于采用选择适于MLP分类的纹理特征来对图像进行分类，可提高图像分类算 法的准确率和鲁棒性；
[0054]②由于采用ΒΒ0优化算法对分类器MLP进行训练，因而具有快速收敛和全局寻优特 性，符合用户对检索实时性的要求；
[0055]③由于采用BB0_MLP进行图像分类算法设计，可以根据不同的需求方便地调整适 应度函数。
【附图说明】
[0056]图1为本发明基于BB0-MLP和纹理特征的图像分类方法的流程图；
[0057]图2为从图像库选取的部分训练和测试图片(3类）；
[0058]图3为本发明对MLP全局优化的流程图；
[0059]图4为本发明进行图像分类的收敛曲线；
[0000]图5为n-h-m结构的多层感知器；
[00611图6为2-3-1的多层感知器。
【具体实施方式】
[0062]参见图1，本发明提供了一种基于BB0-MLP和纹理特征的图像分类方法，包括以下 步骤：
[0063] (1)对图像分类算法运行环境进行初始化，具体包括图像库建立，生物地理学优化 算法参数设置，多层感知器结构设计等。
[0064] (2)采用灰度共生矩阵描述图像纹理特征，具体选取一些标量来表征灰度共生矩 阵的特征，这里的纹理特征，分别在d=l，0 = 〇°，45°，90°，135°的情况下，选取角二阶矩、 熵、惯性矩、相关性4个典型的特征值，并求取Θ在不同方向下的均值，得到对应图像的一个4 维特征矩。本方法在此选取图像的角二阶矩ASM、熵ENT、惯性矩(对比度)C0N和相关性C0R等 4个纹理特征，具体如下：
[0