[发明专利]一种基于极端学习机的纹理分类方法

说明书

技术领域

本发明涉及计算机模式识别和纹理图像的交叉领域，尤其涉及一种基于极端学习机的纹理分类方法。

背景技术

纹理识别是计算机视觉和模式识别领域的一个重要研究内容，并广泛应用于农业、工业、医疗、军事等领域，如遥感系统中不同地形地貌的分类、人脸识别、生物医学图像分析系统的医学影像中病变组织检测等。目前，纹理识别技术的研究已经取得了一定的进步，为多个领域的发展提供了良好的平台和契机，吸引着越来越多的研究人员在相关领域进一步研究和探索。

纹理识别是通过计算不同类别的纹理所表现出的不同特性，判定某种未知纹理图像的类别属性。纹理识别技术主要可以分为：特征提取和纹理分类两部分。其中，特征提取是进行纹理分类的前提和基础，提取特征区分度的好坏会在很大程度上影响最终的纹理分类效果。Tuceryan和Jain将目前常用的纹理特征方法分为4大类：基于统计、基于模型、基于结构和基于信号处理，其中，具有代表性的特征提取方法主要包括：Gabor滤波、小波变换、小波包变换等。

分类算法的研究也是纹理分类的一个重要方面，目前各国学者已经开发了多种分类器和分类算法，其中最常用的纹理分类方法主要包括：最近邻分类器、人工神经网络分类器和支持向量机分类器。针对上述算法普遍存在的分类正确率低、计算量大和缺乏理论支持等缺点，有些科研人员提出了极端学习机分类方法(ELM)，它是近年来发展起来的一种新型单隐层前馈神经网络；与传统的方法不同，极端学习机通过随机的选择网络中的隐层神经元，其网络的输出层权值可以通过解析方法获得，具有学习速度快、泛化能力好等诸多优点。然而，由于传统极端学习机的输入层与隐层之间的输入权重和隐层的偏差是随机赋值的，因此容易导致输出结果不稳定，这在很大程度上限制了该方法在实际工程中的应用。

发明内容

本发明提供了一种基于极端学习机的纹理分类方法，本发明将多个ELM作为基准分类器，通过构建动力模型对其输出向量进行相应的整合，以获得更加稳定的输出，实现纹理图像的自动分类和识别，详见下文描述：

一种基于极端学习机的纹理分类方法，所述方法包括以下步骤：

对已知的纹理图像样本进行特征提取，获取纹理特征向量；

采用极端学习机作为基分类器，将纹理特征向量作为极端学习机的输入元素，训练基分类器，利用训练样本集对基分类器进行训练，建立分类模型；

对未知的纹理图像进行特征提取，根据构建的动力学模型，获得多个基分类器的输出向量；

对未知纹理图像获得的多个输出向量，采用动力学模型将其进行融合，利用最大决策规则进行未知的纹理图像识别。

所述构建的动力学模型为：

其中，为线性动力模型；为非线性动力模型；γ₁表示线性动力模型的权重系数；γ₂表示非线性动力模型的权重系数。

本发明提供的技术方案的有益效果是：本发明在深入研究纹理图像的基础上，选择了能够充分反映现实自然纹理的哥伦比亚反射纹理数据库(CURET图像数据库)进行分析，利用动力模型改进的分类器实现纹理图像的自动分类。本发明与现有技术相比的优点在于：

(1)提出将极端学习机应用于纹理分类领域，学习速度快是极端学习机的一个显著特点，比传统的分类方法效率显著提升，可以实现快速的纹理图像分类和识别。

(2)提出了新型的动力模型，利用线性模型和非线性模型的平衡状态的不断迭代，实现多分类器的融合，使分类输出更加稳定，并且相较于传统的分类方法正确率明显提升。

总之，本发明将极端学习机和动力学模型相关理论用于纹理图像的自动分类和识别，弥补了传统的纹理分类方法正确率低、学习速度慢的不足，本发明能更加准确高效的区分纹理图像类型，具有准确率高、时间效率高、稳定性强等优点，有着广泛的应用前景。

附图说明

图1本发明提供的极端学习机原理示意图；

图2本发明提供的学习模型原理示意图；

图3本发明提供的一种基于极端学习机的纹理分类方法的流程图；

图4本发明提供的稳定性对比示意图。

表1本发明提供的CURET纹理图像分类正确率结果对比；

表2本发明提供的CURET纹理图像分类训练时间结果对比。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。