[發明專利]一種基于BBO-MLP和紋理特征的圖像分類方法

在審

• 申請號: 201610024369.5
• 申請日: 2016-01-14
• 公開（公告）號: CN105701512A
• 公開（公告）日: 2016-06-22
• 發明（設計）人: 吳憲祥;葉素華;曹艷玲;王娟;楊強;郭寶龍
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 西安吉盛專利代理有限責任公司 61108
• 代理人: 何銳

1.一種基于BBO-MLP和紋理特征的圖像分類方法，其特征在于，包括以下 步驟：

(1)對圖像分類算法運行環境進行初始化，具體包括圖像庫建立，生 物地理學優化算法參數設置，多層感知器結構設計；

(2)采用灰度共生矩陣描述圖像紋理特征，具體選取標量來表征灰度 共生矩陣的特征，在此選取圖像的角二階矩ASM、熵ENT、慣性矩CON和相 關性COR這4個紋理特征，具體如下：

設f(x,y)是一幅二維數字圖像，S為區域目標R中的具有特定空間聯系 的像素對的集合，則滿足一定空間關系的灰度共生矩陣P(i,j)定義為：

上式等號右邊的分子是S中灰度值分別為i和j的像素對的個數，分母為S 中像素對的總個數之和，#代表數量；

(2.1)角二階矩：角二階矩也稱為能量，為灰度共生矩陣上所有元素的平 方和；角二階矩小的紋理偏細；反之，角二階矩偏大；

ASM=ΣiΣj{P(i,j)}2---2)]]>

其中，ASM表示圖像的角二階矩，P(i,j)表示圖像的灰度共生矩陣；

(2.2)熵：熵是圖像所擁有的信息量的度量，表示圖像中紋理分布的非均 勻度或復雜度；圖像的紋理分布均勻，復雜程度高，熵值大；反之，紋理 分布不均勻，復雜程度低，熵值?。蝗绻麩o紋理，那么熵值為0；

ENT=-ΣiΣjP(i,j)logP(i,j)---3)]]>

其中，ENT表示圖像的熵，P(i,j)表示圖像的灰度共生矩陣；

(2.3)慣性矩：慣性矩即對比度，反映了圖像的清晰度和紋理溝紋深淺的 程度；紋理溝紋越深，其對比度越大，視覺效果越清晰；反之，對比度小， 則溝紋淺，效果模糊；灰度差大的像素對越多，慣性矩越大；灰度共生矩 陣中遠離對角線的元素值越大，慣性矩越大；

CON=ΣiΣj(i-j)2P(i,j)---4)]]>

其中，CON表示圖像的慣性矩，P(i,j)表示圖像的灰度共生矩陣；

(2.4)相關性：度量空間灰度共生矩陣元素在行或列方向上的相似程度， 反映了圖像中局部灰度相關性，表示紋理的方向；當矩陣元素值均勻相等 時，相關值就大；相反，如果矩陣元素值相差很大，則相關值小；相關性COR 定義如下：

COR=[ΣΣ(i-x‾)(j-y‾)P(i,j)]σxσy---5)]]>

上式中，各參數分別為：

x‾=ΣiiΣjP(i,j)y‾=ΣjjΣiP(i,j)σx2=Σi(i-x‾)2ΣjP(i,j)σy2=Σj(j-y‾)2ΣiP(i,j)---6)]]>

(3)由所提取圖像的角二階矩ASM、熵ENT、慣性矩CON和相關性COR 這4個紋理特征，構造圖像的紋理特征向量；將所有訓練圖像的紋理特征 向量保存到訓練樣本文件中，每一條記錄包含一副圖像的類別號和4個紋 理特征值；

(4)定義適應度函數：

將訓練樣本文件輸入到多層感知器MLP，通過訓練樣本來計算每個棲息 地的適宜度指數HSI；選取所有訓練樣本的對應MLP輸出的均方誤差MSE作 為BBO適應度函數：

MSE=Σk=1qΣt=1m(otk-dtk)2q---7)]]>

其中q是訓練樣本的數量，m為輸出的數量，是在k個訓練樣本下的第t 個輸入單元的所期望輸出；是k個訓練樣本下的第t個輸入單元的實際 輸出如，第t個棲息地的適宜度指數HIS為：

HSI(Habitat_t)＝MSE(Habitat_t)8)

(5)利用BBO對多層感知器MLP進行全局優化：

(5.1)生成隨機的MLP集作為初始棲息地；

(5.2)由公式7)計算每個多層感知器MLP的均方誤差MSE；

(5.3)根據公式9)-10)更新每個棲息地的遷入率、遷出率和突變率m_n；

λk=I(1-kN)---9)]]>

μk=EkN---10)]]>

mn=M×(1-pnpmax)---11)]]>

其中，λ_k為遷入率，μ_k為遷出率，突變率為m_n，I和E分別為遷入率、遷 出率的最大值，k為當前物種數，N為最大容納物種數，M為最大突變率，p_n為某棲息地已有n個物種的概率，p_max為p_n的最大值；

(5.4)根據棲息地的遷出率和遷入率按照遷移策略修改多層感知器MLP；

(5.5)根據突變率對多層感知器MLP進行突變；

(5.6)精英選擇：選取較低的均方誤差MSE的解作為精英解保留；

(5.7)判斷是否滿足終止條件；滿足條件則輸出迭代最優解；如不滿 足，則重回到步驟(5.2)。

(6)根據已有的分類模型對測試樣本進行分類，將得到的圖像類別號 返還給用戶。