[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

摘要

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，本发明为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。本发明方法为：先去掉被噪声等严重污染而无法使用的波段，对剩下的波段依次进行二维经验模态分解，得到一些二维本征模态函数，将这些二维本征模态函数进行有机组合，扩展为多分组图像的特征，最后用模糊支持向量机分类器分类。本发明充分发挥了二维经验模态分解能自适应地提取复杂图像本质特征的优势，有效获取多分组图像特征；采用模糊支持向量机作为分类器，兼具支持向量机和模糊函数二者的优势，有利于提高分类精度。

主权项

1.基于特征扩展和模糊支持向量机的多分组图像分类方法，其特征在于，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。