[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

摘要

本发明公开了一种基于生物激发特征和流形学习的极光图像分类方法。其实现步骤为：（1）对输入的极光图像进行边缘去噪的预处理；（2）使用多尺度，多方向的Gabor滤波器组对预处理后的极光图像进行Gabor滤波，得到C1层特征图，取每幅特征图的像素灰度值之和作为极光图像的C1特征；（3）提取极光图像的Gist特征；（4）将C1特征和Gist特征融合，得到极光图像的BIFs特征；（5）对BIFs特征进行模糊c均值聚类后，利用流形学习算法DLA进行降维，得到BIFs在低维空间的表示；（6）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。本发明能很好的模拟人脑视皮层的识别过程，减少了数据冗余，提高了分类正确率，可用于场景分类与目标识别。

主权项

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：YN×d=(XN×m)TUm×d其中，YN×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，XN×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，Um×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。