精細圖像分類方法的研究

蔡德明 孫宇 馬濤 許蘭東 吉林大學軟件學院

精細圖像分類方法的研究

蔡德明 孫宇 馬濤 許蘭東 吉林大學軟件學院

隨著計算機技術，人工智能技術的飛速發展，人們的需求也在隨著技術的提高而渴望得到提升，因此模式分類技術的發展顯得尤為重要，但目前的專家和學者都把主要研究內容聚焦在基本層的分類上，而很少在從屬層分類上進行研究，即對具有相同基本層屬性的圖像，或具有相似視覺的圖像進行分類，也就是對圖像進行精細分類。

精細分類 機器學習 圖像分類器

1.概述

精細圖像分類方法是近年來新興起的前沿研究方向，此項目對生物學，生態學，地質學等多個領域的發展有著很大的促進作用。目前國外相關研究已經發展到一定階段，但國內進度相對緩慢。該項目旨在在原有數據庫的基礎上，對噪聲，光照等因素進行處理，設計高效準確的分類器。隨著工業技術的逐步提高，精細圖像分類技術定會成為圖像分類的焦點。

2.具體流程

2.1 圖像的預處理

圖像的采集過程中會受到采集設備、光照、噪聲和背景環境等影響，這些不利因素可能對提取圖像中的關鍵元素產生一定的阻礙作用。為改善圖像的質量，首先要對圖像進行預處理。主要有兩種基本思路：

(1)圖像的增強：不考慮次要信息對圖像產生的降質影響，只對圖像中我們感興趣的特征進行有選擇的突出，而相對衰減其他信息，從而提高圖像的可讀性。

(2)圖像的復原：針對圖像的降質原因，設法補償降質的元素，使改善后的圖像盡可能接近原始圖像。

圖像需要在很多方面進行預處理，這里我們主要探討光照和噪聲兩方面：

(1)基于光照因素的預處理：人眼感受到的亮度與進入人眼的光強度成對數關系，對數變換后的圖像感覺柔和，符合人類的視覺特點。對數變換使圖像低灰度范圍的值進行擴展，高灰度范圍的值進行壓縮，對光照不足的圖像有很好的補償作用，但對光照過強圖像卻無能為力，而指數變換則對過亮圖像可以進行光照補償。

(2)基于噪聲因素的預處理：目前為止圖像去噪的方法有很多，但是大多數方法都是基于二階微分的推導，但是經過長時間的實驗可以看出此方法有很多局限性，會使得圖像出現視覺呆板的效果，且容易出現偽邊緣，因此我們這次嘗試新的方法。通過大量的數據證明，采用四階微分偏導可以改善這種缺陷，并且對圖像的去噪處理也可以做到很好的效果。去噪處理完成的圖像可以達到更加自然逼真的效果。

2.2 圖像的表示

圖像信息的表示是精細圖像分類的關鍵，因為精細圖像在形狀上和視覺感上都極其的相似，因此對其進行精細的分類無疑是很嚴峻的挑戰。由于基于碼本和詞典的表示方法會對圖像的關鍵信息造成缺失的問題，而釋文解釋的方法雖然很好的解決了這類問題，但人工成本過高，所以我們采用另一種模板匹配的方法來表示圖像。

主要思路為：首先從選取的樣圖中以隨機生成的方式產生模板，將要分類的圖像與模板進行匹配，抽取出匹配成功的關鍵點，圖像與模板的匹配程度可以表示為很多種形式，在這里我們采用形狀特征和顏色特征的兩種形式來表示，在每個特征圖中進行選取匹配程度最大的特征向量，將多組特征向量組合在一起構成目標圖像，不同特征向量表示可以采用融合策略進行有效融合，共同表示圖像信息

2.3 分類器的設計

分類器設計是精細圖像分類的最后一個環節，也是至關重要的環節。分類器設計的好壞，將直接決定最終的分類結果。由于我們擬采用隨機生成大量模板訓練并分類精細圖像，因而會存在模板局部交疊，信息冗余或不具判別性等風險，訓練的分類器也很有可能遭遇過擬合問題。為此，我們擬采用具有很好穩定性的Bagging算法設計分類器（bagging是一種用來提高學習算法準確度的方法，這種方法通過構造一個預測函數系列，然后以一定的方式將它們組合成一個預測函數。Bagging要求“不穩定”（不穩定是指數據集的小的變動能夠使得分類結果的顯著的變動）的分類方法）。Bagging算法具有如下優點：

(1)訓練集是隨機的，各訓練集是獨立的；

(2)每個預測函數(即弱假設)沒有權重；

(3)各個預測函數可以并行生成，通過并行訓練節省大量時間；

(4)一般情況下，Bagging方法總是可以改善學習系統的性能。

具體目標函數如下：

其中W1，W2…Wp為特征集權重，l()中為代價損失函數，N為訓練樣本個數，xi為第i幅圖像的特征向量表示，yi為類標簽，P為Bagging算法包含的分類器個數，α和β為正則化參數，分別控制特征集權重的稀疏性和正交性。

3.總結

目前，精細圖像分類的研究已成為國際上的熱點課題之一。隨著計算機、人工智能等新技術的不斷突破和創新，以及人們需求的不斷增長，準確、高效、魯棒的精細圖像分類技術將對上述學科領域和人們生產生活發揮越來越重要的作用。

[1]席偉.基于判別函數算法的圖像分類器設計[J].電腦知識與技術,2012,8(33):8018-8020+8032.[2017-08-31].

[2]謝曉東.面向花卉圖像的精細圖像分類研究[D].廈門大學,2014.

[3]吳會寧.基于內容的花卉圖像檢索算法研究[D].揚州大學,2014.