一種基於小波孿生支持向量機的灰度圖分類方法與系統與流程
2023-10-10 09:37:19 2
本發明涉及人工智慧和計算機圖像處理技術領域。特別涉及一種基於小波孿生支持向量機的灰度圖分類方法與系統。
背景技術：
把白色與黑色之間按對數關係分為若干等級，稱為灰度。用灰度表示的圖像稱作灰度圖。隨著計算機、醫療、航天以及地球物理科技的快速發展，灰度圖資源大量湧現。許多衛星圖像、航空照片、地球物理觀測數據和醫療圖像都以灰度圖的形式表示和存儲。圖像分類是根據不同類別的數字圖像中所反映的不同特徵，把不同類別的目標區分開來的圖像處理方法。對灰度圖進行分類是從灰度圖中獲取有用信息的最基本手段，也是人們分析、理解和應用灰度圖的重要途徑之一。灰度圖分類研究應用廣泛，如人臉識別、輔助醫療、診斷從航空照片或衛星圖片中辨別場景等。
常用的分類方法包括k近鄰算法、支持向量機、人工神經網絡、貝葉斯分類算法和決策樹等。k近鄰算法和支持向量機算法複雜度高；貝葉斯分類算法只有在具備先驗概率的前提下才能使用；人工神經網絡和決策樹存在過擬合問題。以上方法往往不能很好地處理灰度圖分類。因此，提供一種基於小波孿生支持向量機的灰度圖分類方法與系統。
技術實現要素：
本發明提供一種基於小波孿生支持向量機的灰度圖分類方法與系統，能夠運用人工螢火蟲算法自動確定小波孿生支持向量機的參數，使用小波核作為核函數，訓練得到一個小波孿生支持向量機灰度圖分類器。一種基於小波孿生支持向量機的灰度圖分類方法與系統的主要技術方案如下：
一種基於小波孿生支持向量機的灰度圖分類方法與系統主要包括以下步驟：
步驟1：灰度圖紋理特徵提取。將灰度圖量化，對灰度級壓縮，將灰度圖的灰度矩陣均勻量化為16級，計算灰度共生矩陣並根據灰度共生矩陣計算統計量能量、熵、相關性、逆差距,採用能量、熵、相關性、逆差距這四個統計量的均值構成紋理特徵向量。
步驟2：灰度圖邊緣特徵提取。使用高斯濾波器對原圖進行去噪，計算梯度幅值確定圖像各點鄰域強度的變化值將圖像灰度點鄰域強度值有顯著變化的點突顯出來，通過閾值化方法來檢測有用邊緣信息作為邊緣特徵。
步驟3：構造加權混合特徵。將步驟1和步驟2得到的紋理特徵向量和邊緣特徵賦予不同權重並組合後進行歸一化作為灰度圖的混合特徵。
步驟4：人工螢火蟲算法初始化。設定螢火蟲算法的最大迭代次數max_i、螢光素揮發因子ρ、螢火蟲在解空間中的初始位置xi、移動步長s、初試感知半徑r、動態決策域更新率β和個體領域集內的螢火蟲數目閾值ns，並設置當前迭代次數為0。
步驟5：利用人工螢火蟲算法選取小波孿生支持向量機的參數。運行人工螢火蟲算法，將螢火蟲個體的位置信息作為小波孿生支持向量機的參數。隨機選取已有標籤的灰度圖集中的80％灰度圖作為訓練集，剩餘灰度圖構成測試集。將訓練集灰度圖在步驟3得到的加權混合特徵數據以及由當前人工螢火蟲算法給定的小波孿生支持向量機參數作為輸入，訓練得到小波孿生支持向量機模型，將測試集輸入小波孿生支持向量機模型計算準確率acci作為螢火蟲的目標函數值。統計出當次迭代目標函數最優值，記錄當次迭代具有最優值個體的位置信息。判斷此準確率是否為全局最優，如果是，更新全局最優值，並記錄此組最優參數值。如果當前迭代次數大於了最大迭代次數，則執行步驟6；否則，當前迭代次數i加1，根據當前全局最優值信息更新所有螢火蟲個體的螢光素值，種群中的每個螢火蟲個體都在其自己的動態決策域半徑內，自動比較周圍個體的螢光素值，並將大於自己的個體挑選出來，進而組成自己的鄰域集，計算移向其鄰域集內個體的概率值，每個個體根據概率值選定需要進行移動的對象，並向其完成移動操作，修改各自的位置信息和動態決策半徑，重新執行步驟5。
步驟6：小波孿生支持向量機分類器的構建。使用步驟5記錄的全局最優值所對應的螢火蟲位置向量作為參數，並以所有灰度圖的特徵數據作為輸入，採用擬牛頓算法求解小波孿生支持向量機的二次規劃問題，訓練得到最終的小波孿生支持向量機分類器。
步驟7：分類決策。當得到一張未知類別的新圖像時，將圖像輸入量化並執行步驟1、步驟2和步驟3得到新灰度圖的特徵數據，將該特徵輸入步驟6得到的小波孿生支持向量機分類器，輸出待分類新圖對應的類別。
本發明具有如下優點及效果：
(1)本方法使用人工螢火蟲算法確定分類器的參數，能夠得到合理的參數值。
(2)本方法使用小波孿生支持向量機作為分類器，具有更快的訓練速度和更高的魯棒性。
附圖說明
附圖1為本發明一種基於小波孿生支持向量機的灰度圖分類方法與系統的實施流程圖。
附圖2為本發明一種基於小波孿生支持向量機的灰度圖分類方法與系統中的人工螢火蟲優化算法流程圖。
附圖3為本發明一種基於小波孿生支持向量機的灰度圖分類方法與系統的模塊組成示意圖。
附圖4為本發明實施例公開的一種基於小波孿生支持向量機的灰度圖分類方法與系統的過程示意圖。
附圖5為本發明一種基於小波孿生支持向量機的灰度圖分類方法與系統的性能比較圖。
具體實施方式
本發明一種基於小波孿生支持向量機的灰度圖分類方法與系統的實施過程為：
本發明的基本框架為小波分析和孿生支持向量機分類器，是一種有監督分類方法，訓練小波孿生支持向量機過程是使用小波函數構造核函數將輸入的樣本特徵映射到高維再生空間，利用高維再生空間中的特徵數據構造兩個二次規劃問題，通過求解二次規劃問題得到兩個超平面，每個超平面各對應一個類別，分類規則為將新樣本通過小波核函數映射後得到的樣本離哪個類對應的超平面近就分類到對應的類別。上述小波核函數的應用、超平面和分類規則就構成了小波孿生支持向量機分類器。小波孿生支持向量機分類器需要設定兩個參數，通過人工螢火蟲算法自動確定參數。
以下結合圖1詳細描述本發明具體實施方式。
步驟1：灰度圖紋理特徵提取，本步驟對應於s101。將灰度圖量化得到圖像的灰度矩陣，對灰度級壓縮,將灰度矩陣均勻量化為16級得到壓縮後灰度g(x,y)，根據灰度矩陣構造灰度共生矩陣p，灰度共生矩陣p的元素p(i,j,δ,θ)通過統計g(x,y)中從灰度為i的像素出發，距離為δ，角度為θ處灰度為j的像素點出現的次數再除以所有統計得到的次數總和求得。這樣得到的灰度共生矩陣p已經是歸一化的，根據灰度共生矩陣p可計算能量、熵、相關性、逆差距等統計量。
能量的計算公式：
熵的計算公式：
相關性的計算公式：
逆差距的計算公式：
其中
取距離為2像素，角度為0，0.25π，0.5π和0.75π，通過前面描述的方法得到四個灰度共生矩陣p1、p2、p3及p4，根據灰度共生矩陣計算能量、熵、相關性、逆差距，然後分別取平均數作為紋理特徵。於是每幅灰度圖的紋理特徵可用一個四維的實數向量表示。
步驟2：灰度圖紋理特徵提取，本步驟對應於s102。首先使用高斯濾波器對原圖進行去噪，根據高斯函數選擇平滑濾波器的權值，除去屬於低能量的噪聲，其中高斯函數為：
然後用一階偏導的有限差分來計算梯度的幅值，採用roberts算子
灰度圖的每個點的梯度幅值為：g(i,j)＝|g(i,j)-g(i+1,j+1)|+|g(i+1,j)-g(i,j-1)|，確定圖像各點鄰域強度的變化值將圖像灰度點鄰域強度值有顯著變化的點突顯出來，對梯度幅值進行非極大值抑制，通過閾值化方法來檢測有用邊緣信息作為邊緣特徵，根據高閾值得到一個幾乎不含假邊緣的邊緣圖像，再利用低閾值確保邊緣閉合。
步驟3：構造加權混合特徵，該步對應於圖1中s103。將步驟1和步驟2得到的紋理特徵向量和邊緣特徵賦予不同權值然後進行組合併進行歸一化處理得到混合特徵z。紋理特徵的權值取0.35，邊緣特徵的權值可取0.65。
圖1中s104對應步驟4和步驟5。圖2是人工螢火蟲算法的流程圖，人工螢火蟲算法初始化後經過若干步迭代為小波孿生支持向量機分類器找到合適的參數。具體的如下。
步驟4：初始化人工螢火蟲算法。設定螢火蟲算法的最大迭代次數max_t為1000、螢光素揮發因子為0.4、螢火蟲在解空間中的初始位置為原點、移動步長s為0.01、動態決策域更新率為0.08和個體領域集內的螢火蟲數目閾值為6，並設置當前迭代次數t為0，當前最優目標函數值best為0。
步驟5：利用人工螢火蟲算法選取小波孿生支持向量機的參數。運行人工螢火蟲算法，將螢火蟲個體的位置信息作為小波孿生支持向量機的兩個參數。隨機選取80％圖像作為訓練集，剩餘圖像構成測試集。將訓練集圖像在步驟4得到的混合特徵數據z以及由當前人工螢火蟲算法給定的小波孿生支持向量機參數作為輸入，構成兩個二次規劃問題：
s.t-(k(b,zt)w1+e2b1)+ζ≥e2,ζ≥0
s.t(k(a,zt)w2+e1b2)+η≥e1,η≥0
其中a,b表示+1類和-1類兩類圖像樣本的圖像混合特徵數據，每一行都是一張圖像的混合特徵。k表示小波核函數。e1和e2是元素全為1的向量。求解上面的二次規劃得到小波孿生支持向量機模型。記求解得到的解為和將測試集中圖像的混合特徵所組成的向量依次地輸入並計算
和
比較和φ(x)的大小，前者小則將此測試圖像判定為與a圖像同類，即+1類，否則標為另一類，即-1類，然後對比小波孿生支持向量機的輸出與對應圖像的實際類別是否一致，統計準確率acci作為螢火蟲i的目標函數值。統計得到此次迭代所有螢火蟲的最大目標函數值，記錄當次迭代具有最優值個體的位置信息。判斷此準確率是否為全局最優，即是否大於全局最優記錄值best，如果是，更新全局最優值best，並記錄此組最優參數值。如果當前迭代次數大於了最大迭代次數，則執行步驟6，否則，根據當前全局最優值信息更新所有螢火蟲個體的螢光素值，更新公式為：
li(t)＝(1-ρ)li(t-1)+γxi(t)
種群中的每個螢火蟲個體都在其自己的動態決策域半徑內自動比較周圍個體的螢光素值，並將大於自己的個體挑選出來，進而組成自己的鄰域集n，計算移向其鄰域集內個體的概率值，公式為：
每個個體選定鄰域集n中概率值最大的對象並向其進行移動，修改各自的位置信息
和動態決策半徑
然後重新執行步驟5。
步驟6：圖1中s105。小波孿生支持向量機分類器的構建。使用步驟5確定的最優參數和所有灰度圖的混合特徵數據z作為輸入，構造如下二次規劃問題：
s.t-(k(b,zt)w1+e2b1)+ζ≥e2,ζ≥0
s.t(k(a,zt)w2+e1b2)+η≥e1,η≥0
a,b分別表示所有圖像中+1類和-1類兩類灰度圖樣本的混合特徵數據。採用擬牛頓法求解二次規劃問題確定兩個超平面
和
這就是的小波孿生支持向量機分類器的分類超平面。決策函數為
步驟7：對類別非知的灰度圖進行分類，即圖1中s106。當得到一張未知類別的新灰度圖時，將圖像輸入量化並執行步驟1、步驟2和步驟3得到新圖像特徵數據，將該特徵輸入步驟6得到的小波孿生支持向量機分類器，即計算決策函數label(x)，輸出為新圖像對應的類別。
本發明一種基於小波孿生支持向量機的灰度圖分類方法與系統，在仿真過程中，分別經過10次的獨立仿真運行，並與現有方法中的基於svm的方法和基於k近鄰方法進行比較，6個不同的灰度圖像集上10次運行得到的錯誤率的平均值如圖5所示，這表明本發明提供的方法能夠準確地對灰度圖片進行分類。
圖3反映了本發明主要由三個模塊組成，s310灰度圖的特徵提取模塊負責從灰度圖像中提取加權混合特徵，s302基於人工螢火蟲算法的參數優化模塊負責利用人工螢火蟲算法選取小波孿生支持向量機的參數，s303負責訓練小波孿生支持向量機分類器。s301和s302的輸出為s303的輸入，因此必須先開始執行s301和s302才可以執行s303。
圖4為本發明實施例公開的一種基於小波孿生支持向量機的灰度圖分類方法與系統的過程示意圖。該過程示意圖反映了本發明中各個模塊之間在實施中的具體的協作關係和流程。第一步是將第一類灰度圖的圖像集和第二類灰度圖像的圖像集中的灰度圖表示為混合特徵矩陣；然後將該步得到特徵矩陣z輸入人工螢火蟲算法得到小波孿生支持向量機的最優參數；接著利用前兩步得到的混合特徵矩陣z以及小波孿生支持向量機的參數訓練得到小波孿生支持向量機分類器，最後就可以利用得到小波孿生支持向量機分類器對未知類別的灰度圖進行分類。