[发明专利]基于生物激发特征和流形学习的极光图像分类方法

权利要求书

1.一种基于生物激发特征和流形学习的极光图像分类方法，包括如下步骤：

（1）输入极光图像，并采用掩膜处理方法对输入的极光图像进行边缘去噪的预处理；

（2）利用HMAX模型，提取极光图像的C1特征：

2a）构造16个尺度，每个尺度设有4个方向的Gabor滤波器组，用这些滤波器对预处理后的极光图像进行Gabor滤波，得到极光图像的S1层特征图；

2b）对S1层特征图采样并使用最大值操作，得到极光图像的C1层特征图；

2c）计算每幅C1层特征图的像素灰度值之和，得到极光图像的C1特征；

（3）提取极光图像的Gist特征：

3a）利用去除颜色通道的Itti显著图模型，得到预处理后极光图像的显著图；

3b）将得到的显著图均分为8*8的子块，对每一子块的像素灰度值求平均，按从左至右，从上至下的顺序将子块的像素均值写成向量形式，得到64维的Gist特征；

（4）将C1特征和Gist特征进行融合，得到极光图像的BIFs特征；

（5）将极光图像的BIFs特征进行低维空间的表示：

5a）对极光图像的BIFs特征进行模糊c均值聚类，得到极光图像模糊划分后的类标；

5b）将模糊划分后的类标作为流形学习算法DLA中样本的初始类标，利用流形学习算法DLA，得到线性变换矩阵；

5c）根据线性变换矩阵，对极光图像的BIFs特征进行降维，得到极光图像BIFs特征在低维空间的表示：

Y_N×d=(X_N×m)^TU_m×d

其中，Y_N×d为极光图像特征BIFs在低维空间的表示，N为极光图像的样本总数，d为降维后BIFs特征的维数，X_N×m为未降维时极光图像的BIFs特征，m为未降维时BIFs特征的维数，T为求矩阵转置的运算符号，U_m×d为DLA算法得到的线性变换矩阵；

（6）根据上述极光图像BIFs特征在低维空间的表示，利用支持向量基分类器SVM和最近邻分类器NN分别实现对极光图像的分类。

2.根据权利要求1所述的极光图像分类方法，其中步骤（1）所述的采用掩膜处理方法对输入的极光图像进行边缘去噪的预处理，按如下步骤进行：

（1a）构造一幅与极光图像大小相同的二值图像P，以二值图像的中心为圆心，以220为半径作圆，该圆内的像素取值为1，圆外的像素取值为0；

（1b）根据构造的二值图像P，对输入的极光图像进行掩膜处理，利用下式得到预处理后的极光图像：

I＝O*P，

其中I为预处理后的极光图像，O为输入的原始极光图像，P为圆形掩膜图像，*为图像间对应像素的相乘操作。