基于ELM和證據(jù)理論的紋理圖像分類

易丐+李國進(jìn) 王祥銅+??

摘要：目前紋理圖像分類有不同的方法，但對紋理的描述還不夠全面，而且當(dāng)有新方法提取的特征加入時(shí)，系統(tǒng)的可擴(kuò)展性也不夠，通用性不好。本文針對上述問題提出了一種將DS證據(jù)理論與極限學(xué)習(xí)機(jī)相結(jié)合的決策級融合模型，用來對紋理圖像進(jìn)行分類。采用三種不同方法來提取特征以獲得更多更全面的紋理表現(xiàn)形式，并對提取的每種特征向量用極限學(xué)習(xí)機(jī)建立相應(yīng)的分類器，最后用DS證據(jù)理論在不確定性表示、度量和組合方面有著的優(yōu)勢來進(jìn)行決策級融合。對于證據(jù)理論中基本概率賦值函數(shù)（BPAF）難以有效獲取的問題，由于極限學(xué)習(xí)機(jī)具有學(xué)習(xí)速度快，泛化性能好的優(yōu)點(diǎn)并且產(chǎn)生唯一的最優(yōu)解的優(yōu)點(diǎn)，所以利用其來構(gòu)造其基本概率賦值函數(shù)。實(shí)驗(yàn)結(jié)果表明這種方法比單個(gè)分類器具有更高的識別正確率，降低了識別的不確定性。

關(guān)鍵詞：紋理圖像分類；特征提取；DS證據(jù)理論；極限學(xué)習(xí)機(jī)； 基本概率賦值函數(shù)

中圖分類號：TP751文獻(xiàn)標(biāo)識碼：ADOI：10.3969/j.issn.10036199.2017.01.020

1概述

紋理是由物體表面的物理屬性不同而產(chǎn)生的，不同的紋理表面可得到不同的紋理圖像特征。目前基于紋理圖像的識別已廣泛用于目標(biāo)識別、金相分析、遙感圖像分析、醫(yī)學(xué)圖像分析、工業(yè)表面檢測、文檔處理和圖像檢索等領(lǐng)域[1，2]。

目前常用的紋理圖像分類識別算法主要有：K近鄰法、決策樹、人工神經(jīng)網(wǎng)絡(luò)、DS證據(jù)理論等算法[3，4]，在實(shí)際應(yīng)用中會根據(jù)紋理特征提取的情況來選擇相應(yīng)的識別算法。對于漸暈紋理圖像，張偉偉利用小波包提取紋理指數(shù)算法的基礎(chǔ)上，根據(jù)提取的漸暈系數(shù)自動調(diào)整各小波包分解系數(shù)，來消除漸暈現(xiàn)象對紋理特征指數(shù)的影響，最后用支持向量機(jī)對其分類，取得了不錯(cuò)的效果[5]。王曉東對支持向量機(jī)分類算法進(jìn)行了重點(diǎn)研究，提出了適用于復(fù)雜紋理圖像分類的支持向量機(jī)多分類模型[6]。劉瑩將灰度共生矩陣和小波變換結(jié)合用來提取圖像紋理特征，最后選用支持向量機(jī)來分類[7]。Li提出了用快速變換提取圖像特征，這樣提取的紋理特征不會受旋轉(zhuǎn)和光照的影響，最后用最近鄰法分類[8]。Wang采用對偶樹復(fù)小波變換對紋理圖像進(jìn)行特征提取，然后用小波變換和支持向量機(jī)的紋理圖像分類方法[9]。Ye等人研究了支持向量機(jī)分類時(shí)核函數(shù)和誤差懲罰因子獲取的低效或不健全，提出一種用蝙蝠算法來獲得比較好的參數(shù)用于支持向量機(jī)分類中[10]。

上述這些算法中，當(dāng)圖像有新的特征加入時(shí)，需要重新建立分類模型，重新計(jì)算，可擴(kuò)展性不夠。為此本文提出了一種將DS證據(jù)理論與極限學(xué)習(xí)機(jī)相結(jié)合的決策級融合模型，用于紋理圖像分類識別。該模型利用三種不同的算法提取紋理圖像的特征，以更全面的對紋理特征進(jìn)行描述。而DS證據(jù)理論在不確定性表示、度量和組合方面有著明顯的優(yōu)勢，但存在要求證據(jù)之間相互獨(dú)立，特別是基本概率賦值獲取困難等問題[11]，極限學(xué)習(xí)機(jī)[12]（ELM）具有學(xué)習(xí)速度快，泛化性能好的優(yōu)點(diǎn)并且產(chǎn)生唯一的最優(yōu)解，因此可以利用它來獲得多個(gè)基本概率賦值函數(shù)。經(jīng)過ELM處理的數(shù)據(jù)，可近似認(rèn)為是相互獨(dú)立的[13，14]。該模型當(dāng)系統(tǒng)有新的特征證據(jù)加入時(shí)，可保留原有證據(jù)，減少計(jì)算量，也不必重新建立模型，便于擴(kuò)充組合，通用性較好。

2基于ELM和證據(jù)理論的分類系統(tǒng)模型

考慮到DS證據(jù)理論和ELM的特點(diǎn)，提出分類器決策級融合的模型結(jié)構(gòu)如圖1所示。該算法提取三種不同的紋理特征，作為獨(dú)立的證據(jù)。根據(jù)提取的特征分別建立ELM分類模型，將ELM網(wǎng)絡(luò)的輸出作為證據(jù)，經(jīng)過DS證據(jù)理論進(jìn)行決策級融合。可以充分利用ELM網(wǎng)絡(luò)的學(xué)習(xí)能力，解決DS證據(jù)理論中基本概率賦值較難獲得的問題，同時(shí)也提高了總體識別率。其具體過程可分為：紋理圖像的特征提取→單ELM分類網(wǎng)絡(luò)的建→BPAF的確定→決策合成及判決。

2.1.2基于圖像灰度直方圖特征提取

紋理是灰度分布在空間位置上反復(fù)出現(xiàn)而形成的，在圖像空間中相隔某距離的兩像素間存在一定的灰度關(guān)系。從灰度級為i的像素點(diǎn)出發(fā)，到距離為δ的另一個(gè)灰度級為j的像素點(diǎn)，定義這兩個(gè)灰度在整個(gè)圖像中發(fā)生的概率分布為灰度共生矩。灰度共生矩用符號Pδ（i，j）（i，j=0，1，2，…，L-1）表示，其中L為圖像的灰度級數(shù)，δ為兩個(gè)像素間的位置關(guān)系。那么從圖像中，可以抽取四種灰度共生矩分別是：角二階矩（ASM）是灰度值共生矩元素值平方的和；對比度（CON）可以理解為圖像的清晰度，紋理越深則其對比度值越大；相關(guān)（COR） 是衡量灰度共生矩陣的元素在行的方向或列的方向相似程度；熵值（ENT）是圖像具有的信息量的度量。對于一個(gè)N*M的像素圖像，共生矩的計(jì)算公式分別如下：

結(jié)束語

采用不同特征提取方法提取紋理圖像的特征，再通過ELM網(wǎng)絡(luò)訓(xùn)練來確定證據(jù)理論的基本概率賦值函數(shù)，最后用證據(jù)理論進(jìn)行融合的紋理圖像分類方法，可以充分利用ELM和DS證據(jù)理論的優(yōu)勢，降低了系統(tǒng)的不確定性，提高目標(biāo)識別的可靠性及正確率，當(dāng)有新的證據(jù)出現(xiàn)時(shí)，可保留原多個(gè)基本概率賦值函數(shù)，只需用ELM模型訓(xùn)練新的數(shù)據(jù)即可得到擴(kuò)充的多個(gè)基本概率賦值函數(shù)。這樣既可以彌補(bǔ)證據(jù)理論的不足，也可使訓(xùn)練時(shí)間變短。

參考文獻(xiàn)

[1]劉曉民.紋理研究綜述[J].計(jì)算機(jī)應(yīng)用研究，2008，25（8）：2284-2288..

[2]孫君頂，馬媛媛.紋理特征研究綜述[J]. 計(jì)算機(jī)系統(tǒng)應(yīng)用，2010，19（6）：245-250.

[3]王龍.圖像紋理特征提取及分類研究[D].青島：中國海洋大學(xué)，2014.

[4]ZHU Hongwei，W'BASIR O.A Scheme for Constructing Evidence Structures in Dempster-Shafer Evidence Theory for Data Fusion[C].IEEE International Sgmaposium on Computiunal Inlelligencr in Knblics and Automation，2003，20（3）：960-965.

[5]張偉偉.圖像紋理特征提取及分類方法研究[D].天津：天津大學(xué)，2012.

[6]王曉東.紋理圖像分類系統(tǒng)及其關(guān)鍵技術(shù)研究[D].南京：南京郵電大學(xué)，2013.

[7]劉瑩. 圖像紋理的特征提取和分類方法研究[D].武漢：華中科技大學(xué)，2013.

[8]LI Chaorong，DENG Yonghai. Rotationinvariant Texture Image Classification Using R-transform [C]. IEEE Conference Publications，2012，p：271-274.

[9]WANG Huijing. Method of classification forlandscape trees based on tree texture image usingimproved support vector machine[C]. IEEE Conference Publications，2014，p：369-372.

[10]YE Zhiwei，MA Lie，WANG Mingwei，et al. Texture Image Classification Based on SupportVector Machine and Bat Algorithm[C]. IEEE Conference Publications，2014，1：309-314.

[11]宋建勛，張進(jìn)，吳欽章.基于DS證據(jù)理論的多特在數(shù)據(jù)融合算法[J].火力與指揮控制， 2010，35（7）： 96-108.

[12]HUANG Guangbin，ZHU Qinyu，SIEW C K.Extreme learning machine：theory and applications[J].Neurocomputing 2006，70（1）：489-501.

[13]唐世杰，高社生，刑化玲.DS證據(jù)理論與神經(jīng)網(wǎng)絡(luò)相結(jié)合的信息融合模型研究[J].傳感技術(shù)學(xué)報(bào)，2007 20（8）：1815-1820

[14]陸慧娟，張金偉，馬小平，等.極限學(xué)習(xí)機(jī)集成在腫瘤分類中的應(yīng)用[J].數(shù)學(xué)的實(shí)踐與認(rèn)識，2012，42（17）：148-154.

[15]王惠明，史萍.圖像紋理特征的提取方法[J].中國傳媒大學(xué)學(xué)報(bào)：自然科學(xué)版，2006，13（1）：49-52.

[16]馮登超，陳剛，吳新穎，等.紋理特征提取的不變矩探討[J].國外電子測量技術(shù)，2012，31（4）：57-59.

[17]繆燕子，方健，馬小平，等.DS證據(jù)理論融合技術(shù)及其應(yīng)用[M].北京：電子工業(yè)出版社，2013.

第36卷第1期2017年3月計(jì)算技術(shù)與自動化Computing Technology and AutomationVol36，No1Mar. 2 0 1 7第36卷第1期2017年3月計(jì)算技術(shù)與自動化Computing Technology and AutomationVol36，No1Mar. 2 0 1 7