[发明专利]基于特征扩展和模糊支持向量机的多分组图像分类方法

说明书

技术领域

本发明涉及基于特征扩展和模糊支持向量机的多分组图像分类方法，属于图像处理领域。

背景技术

多分组图像由具有较高相关性的多波段图像组合而成，在环境监测、地球勘测、医学诊断、雷达探测和军事侦查等领域都有大量物理原型，如：海平面波动图像、高光谱图像和医学超声图像等。多分组图像一般针对同一区域或地点进行连续观测或由成像光谱仪分光观测，往往包含成百上千具有较高相关性的波段，它的各个像素点对应着一条涵盖了各波段的特征曲线，体现了被观察对象的多分辨信息，同时也包含了大量的冗余信息。

对多分组图像各像素所属种类进行识别，一直是图像处理和模式识别领域的热点研究问题。多分组图像分类算法包括两个重要方面，即：特征提取和分类器选择。前者从大量给定图像中抽取最能体现多分组图像本质的特征，后者对这些提取的特征进行分类。可见，如何提取图像本质特征以及选取何种分类器成了多分组图像分类是否准确的关键。传统的特征提取方法大都通过某些规则，直接选取原图像的某些波段，这样提取的特征未能完全反映图像本征信息，不利于分类精度的提高。另一方面，传统的分类器，如：最邻近分类器、最大似然分类器、最小距离分类器等，对分类样本限制较大，而对于多分组图像这类复杂样本，其分类精度往往不高。现有多分组图像分类方法无法有效提取图像本质特征，分类精度较低。

发明内容

本发明目的是为了解决现有多分组图像分类方法无法有效提取图像本质特征，分类精度较低的问题，提供了一种基于特征扩展和模糊支持向量机的多分组图像分类方法。

本发明所述基于特征扩展和模糊支持向量机的多分组图像分类方法，该方法包括以下步骤：步骤一、初始化给定波段数为I₀、尺寸为P×Q的多分组图像

IM_j(p，q)，j＝1，2，…，I₀，p＝1，2，…，P，q＝1，2，…，Q，

去掉多分组图像IM_j(p，q)中被噪声等严重污染而无法使用的波段，对剩下的I个有效波段重新排序，得到待扩展多分组图像

IM_i(p，q)，i＝1，2，…，I，

其中I₀、I、P和Q为自然数；

步骤二、依次对I个待扩展多分组图像IM_i(p，q)进行二维经验模态分解，得到I组二维本征模态函数

BIMFiui,ui=1,2,...,Ui,]]>

其中U_i为第i个波段的二维本征模态函数的个数；

步骤三、将所有二维本征模态函数有机组合，扩展为待扩展多分组图像IM_i(p，q)各波段对应的特征，记为扩展后特征FBIMF；

步骤四、随机抽取扩展后特征FBIMF上的各像素形成训练样本

F_trainingBIMF_k，k＝1，2，…，N

和测试样本

F_testingBIMF_l，l＝1，2，…，M，

其中，N为训练样本总数，M为测试样本总数；

步骤五、对训练样本F_trainingBIMF_k指定模糊隶属度s_k，其中，0≤s_k≤1；

步骤六、根据训练样本F_trainingBIMF_k及对应的模糊隶属度s_k训练FSVM分类器；

步骤七、通过测试样本F_testingBIMF_l测试训练出的模糊支持向量机，并求其分类精度，完成对多分组图像IM_j(p，q)的分类。

本发明的优点：