[發明專利]基于生物激發特征和流形學習的極光圖像分類方法

有效

• 申請號: 201310028098.7
• 申請日: 2013-01-25
• 公開（公告）號: CN103049767A
• 公開（公告）日: 2013-04-17
• 發明（設計）人: 韓冰;趙曉靜;高新波;李潔;楊曦;仇文亮;楊辰;王秀美
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/66
• 分類號: G06K9/66
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 王品華;朱紅星

1.一種基于生物激發特征和流形學習的極光圖像分類方法，包括如下步驟：

（1）輸入極光圖像，并采用掩膜處理方法對輸入的極光圖像進行邊緣去噪的預處理；

（2）利用HMAX模型，提取極光圖像的C1特征：

2a）構造16個尺度，每個尺度設有4個方向的Gabor濾波器組，用這些濾波器對預處理后的極光圖像進行Gabor濾波，得到極光圖像的S1層特征圖；

2b）對S1層特征圖采樣并使用最大值操作，得到極光圖像的C1層特征圖；

2c）計算每幅C1層特征圖的像素灰度值之和，得到極光圖像的C1特征；

（3）提取極光圖像的Gist特征：

3a）利用去除顏色通道的Itti顯著圖模型，得到預處理后極光圖像的顯著圖；

3b）將得到的顯著圖均分為8*8的子塊，對每一子塊的像素灰度值求平均，按從左至右，從上至下的順序將子塊的像素均值寫成向量形式，得到64維的Gist特征；

（4）將C1特征和Gist特征進行融合，得到極光圖像的BIFs特征；

（5）將極光圖像的BIFs特征進行低維空間的表示：

5a）對極光圖像的BIFs特征進行模糊c均值聚類，得到極光圖像模糊劃分后的類標；

5b）將模糊劃分后的類標作為流形學習算法DLA中樣本的初始類標，利用流形學習算法DLA，得到線性變換矩陣；

5c）根據線性變換矩陣，對極光圖像的BIFs特征進行降維，得到極光圖像BIFs特征在低維空間的表示：

Y_N×d=(X_N×m)^TU_m×d

其中，Y_N×d為極光圖像特征BIFs在低維空間的表示，N為極光圖像的樣本總數，d為降維后BIFs特征的維數，X_N×m為未降維時極光圖像的BIFs特征，m為未降維時BIFs特征的維數，T為求矩陣轉置的運算符號，U_m×d為DLA算法得到的線性變換矩陣；

（6）根據上述極光圖像BIFs特征在低維空間的表示，利用支持向量基分類器SVM和最近鄰分類器NN分別實現對極光圖像的分類。

2.根據權利要求1所述的極光圖像分類方法，其中步驟（1）所述的采用掩膜處理方法對輸入的極光圖像進行邊緣去噪的預處理，按如下步驟進行：

（1a）構造一幅與極光圖像大小相同的二值圖像P，以二值圖像的中心為圓心，以220為半徑作圓，該圓內的像素取值為1，圓外的像素取值為0；

（1b）根據構造的二值圖像P，對輸入的極光圖像進行掩膜處理，利用下式得到預處理后的極光圖像：

I＝O*P，

其中I為預處理后的極光圖像，O為輸入的原始極光圖像，P為圓形掩膜圖像，*為圖像間對應像素的相乘操作。