[发明专利]一种基于小波孪生支持向量机的灰度图分类方法与系统

说明书

技术领域

本发明涉及人工智能和计算机图像处理技术领域。特别涉及一种基于小波孪生支持向量机的灰度图分类方法与系统。

背景技术

把白色与黑色之间按对数关系分为若干等级，称为灰度。用灰度表示的图像称作灰度图。随着计算机、医疗、航天以及地球物理科技的快速发展，灰度图资源大量涌现。许多卫星图像、航空照片、地球物理观测数据和医疗图像都以灰度图的形式表示和存储。图像分类是根据不同类别的数字图像中所反映的不同特征，把不同类别的目标区分开来的图像处理方法。对灰度图进行分类是从灰度图中获取有用信息的最基本手段，也是人们分析、理解和应用灰度图的重要途径之一。灰度图分类研究应用广泛，如人脸识别、辅助医疗、诊断从航空照片或卫星图片中辨别场景等。

常用的分类方法包括K近邻算法、支持向量机、人工神经网络、贝叶斯分类算法和决策树等。K近邻算法和支持向量机算法复杂度高；贝叶斯分类算法只有在具备先验概率的前提下才能使用；人工神经网络和决策树存在过拟合问题。以上方法往往不能很好地处理灰度图分类。因此，提供一种基于小波孪生支持向量机的灰度图分类方法与系统。

发明内容

本发明提供一种基于小波孪生支持向量机的灰度图分类方法与系统，能够运用人工萤火虫算法自动确定小波孪生支持向量机的参数，使用小波核作为核函数，训练得到一个小波孪生支持向量机灰度图分类器。一种基于小波孪生支持向量机的灰度图分类方法与系统的主要技术方案如下：

一种基于小波孪生支持向量机的灰度图分类方法与系统主要包括以下步骤：

步骤1：灰度图纹理特征提取。将灰度图量化，对灰度级压缩，将灰度图的灰度矩阵均匀量化为16级，计算灰度共生矩阵并根据灰度共生矩阵计算统计量能量、熵、相关性、逆差距,采用能量、熵、相关性、逆差距这四个统计量的均值构成纹理特征向量。

步骤2：灰度图边缘特征提取。使用高斯滤波器对原图进行去噪，计算梯度幅值确定图像各点邻域强度的变化值将图像灰度点邻域强度值有显著变化的点突显出来，通过阈值化方法来检测有用边缘信息作为边缘特征。

步骤3：构造加权混合特征。将步骤1和步骤2得到的纹理特征向量和边缘特征赋予不同权重并组合后进行归一化作为灰度图的混合特征。

步骤4：人工萤火虫算法初始化。设定萤火虫算法的最大迭代次数MAX_i、荧光素挥发因子ρ、萤火虫在解空间中的初始位置x_i、移动步长s、初试感知半径r、动态决策域更新率β和个体领域集内的萤火虫数目阈值n_s，并设置当前迭代次数为0。

步骤5：利用人工萤火虫算法选取小波孪生支持向量机的参数。运行人工萤火虫算法，将萤火虫个体的位置信息作为小波孪生支持向量机的参数。随机选取已有标签的灰度图集中的80％灰度图作为训练集，剩余灰度图构成测试集。将训练集灰度图在步骤3得到的加权混合特征数据以及由当前人工萤火虫算法给定的小波孪生支持向量机参数作为输入，训练得到小波孪生支持向量机模型，将测试集输入小波孪生支持向量机模型计算准确率ACCi作为萤火虫的目标函数值。统计出当次迭代目标函数最优值，记录当次迭代具有最优值个体的位置信息。判断此准确率是否为全局最优，如果是，更新全局最优值，并记录此组最优参数值。如果当前迭代次数大于了最大迭代次数，则执行步骤6；否则，当前迭代次数i加1，根据当前全局最优值信息更新所有萤火虫个体的荧光素值，种群中的每个萤火虫个体都在其自己的动态决策域半径内，自动比较周围个体的荧光素值，并将大于自己的个体挑选出来，进而组成自己的邻域集，计算移向其邻域集内个体的概率值，每个个体根据概率值选定需要进行移动的对象，并向其完成移动操作，修改各自的位置信息和动态决策半径，重新执行步骤5。

步骤6：小波孪生支持向量机分类器的构建。使用步骤5记录的全局最优值所对应的萤火虫位置向量作为参数，并以所有灰度图的特征数据作为输入，采用拟牛顿算法求解小波孪生支持向量机的二次规划问题，训练得到最终的小波孪生支持向量机分类器。

步骤7：分类决策。当得到一张未知类别的新图像时，将图像输入量化并执行步骤1、步骤2和步骤3得到新灰度图的特征数据，将该特征输入步骤6得到的小波孪生支持向量机分类器，输出待分类新图对应的类别。

本发明具有如下优点及效果：

(1)本方法使用人工萤火虫算法确定分类器的参数，能够得到合理的参数值。

(2)本方法使用小波孪生支持向量机作为分类器，具有更快的训练速度和更高的鲁棒性。

附图说明