[發明專利]基于自適應云模型的大霧場景空中圖像融合識別方法

在審

• 申請號: 201810090427.3
• 申請日: 2018-01-30
• 公開（公告）號: CN108460337A
• 公開（公告）日: 2018-08-28
• 發明（設計）人: 成昆
• 申請（專利權）人: 李家菊
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于自適應云模型的大霧場景空中圖像融合識別方法，其特征在于，包括以下步驟：

采集原始大霧場景空中圖像作為樣本，使用加權灰度化算法對原始大霧場景空中圖像進行灰度化處理，得到灰度圖像；使用直方圖均衡化對灰度圖像進行處理，得到均衡后灰度圖，使用改進的索貝爾邊緣檢測算子對均衡后灰度圖進行邊緣檢測，得到邊緣大霧檢測圖像，所述改進的索貝爾邊緣檢測算子改進主要在：將原有的索貝爾算子分成四個歸一化算子，使用自適應閾值算法對邊緣圖像進行二值化，得到二值化后的原始大霧場景空中圖像；使用形態學運算操作對二值化后的原始大霧場景空中圖像進行處理，得到原始大霧場景空中圖像醫學候選區域圖像，并將候選區域圖像形成訓練數據，對腦部圖像的灰度直方圖進行擬合的步驟；根據擬合得出的曲線谷值點劃分區間，并在區間內，生在區間內生成云模型，其中云模型的三個特征值采用逆向云發生器算法；由特征值生成云模型采用正向云發生器算法；在灰度值0～256之間，相鄰兩個谷值點構成一個區間，在每個區間內，運用逆向云算法和正向云算法得到一個云，進而得到每幅圖像對應的云模型；對得到的兩幅待融合圖像的云模型，設計云推理規則；構造二維云圖，實現輸入數據對到輸出單個數據值的轉換；激發Y條件云發生器將灰度值映射出，即為融合后的灰度值，進而得到融合后的圖像；激發X條件云發生器將輸入灰度值數據對映射到云模型上；所述X/Y條件云發生器變換，具體包括以下步驟：假設圖像A生成n₁個云，圖像B生成n₂個云；記一組輸入灰度值數據對對兩個云模型的激發分別為μ_1i和μ_2j，即構成X條件云發生器，通過軟與算法構造二維云，實現μ_x＝μ_1i×μ_2j，求其最大值記為μ_max；μ_1i激發圖像A云模型，即構成Y條件云發生器，生成一系列灰度值，求其平均記為μ_2j激發圖像B云模型生成一系列灰度值，求其平均記為比較和取較大者輸出，即為融合后的灰度值，μ_1i中1<＝i<＝n₁，μ_2j中1<＝j<＝n₂，μ_x中1<＝x<＝n₁×n₂；n，i，j均取正整數；

將映射到云模型取的灰度值數據傳到支持向量機中進行訓練，把經過卷積神經網絡的訓練特征數據輸入支持向量機，同時，用網格搜索的優化方法來優化支持向量機的參數C和δ，確定最優的支持向量機模型，建立大霧場景空中圖像識別訓練模型；對于經過大霧場景空中圖像識別訓練模型訓練后的圖像采用多尺度分解得到平滑圖像和細節圖像，平滑圖像采用信息熵進行融合得到平滑圖像F_D，而對于細節圖像D采用多特征進行融合得到細節圖像F_S，將平滑圖像F_D和細節圖像F_S進行重構得到融合圖像，將融合圖像輸入大霧場景空中圖像識別訓練模型中進行判斷，最終得到準確的大霧場景空中圖像訓練融合識別結果。

2.根據權利要求1所述的基于自適應云模型的大霧場景空中圖像融合識別方法，其特征在于，所述將訓練數據分批均分到輸入卷積神經網絡中，訓練數據分別經過卷積層、降采樣層、卷積層、降采樣層、多層感知器，完成前向傳播，具體包括：首先從樣本集中取一批樣本(X，Y_P)，其中X是樣本數字的向量，Y是X對應的期望值，P是0到9的數字，將X輸入卷積神經網絡，計算出相應的實際輸出O_P，O_P＝F_n(...F₂(F₁(X_PW⁽¹⁾)W⁽²⁾)W⁽ⁿ⁾)，n是卷積神經網絡的第n層，W表示權值，其中卷積運算是用卷積濾波器在上層網絡結構中做卷積運算，然后進行非線性變換，而降采樣運算只采用最大池化操作，即最大池采樣是通過一個濾波器提取上層網絡結構的特征數據，不經過非線性運算，每次濾波后的最大值是數據降采樣后的一個特征。

3.根據權利要求1所述的基于自適應云模型的大霧場景空中圖像融合識別方法，其特征在于，所述反向傳播算法具體為：按極小化誤差的方法反向傳播并且調整卷積神經網絡中的權矩陣，首先對樣本批量前向傳播，計算出卷積神經網絡中所有的激活值；然后，針對每層節點，計算其殘差，殘差是從后向前的求導過程；接著，計算權值的偏導數，并更新權值參數；最后，重復以上方法迭代卷積神經網絡參數使代價函數收斂到一個極小值，最終求解得到卷積神經網絡模型。