[發(fā)明專利]一種基于混沌智能圖像識別的弱信號檢測方法及裝置

有效

• 申請?zhí)枺?/td>: 202010025488.9
• 申請日: 2020-01-10
• 公開（公告）號: CN111553370B
• 公開（公告）日: 2023-05-09
• 發(fā)明（設(shè)計）人: 楊伏洲;沈夢琳;何思瑾;梁世遠;彭晶
• 申請（專利權(quán)）人: 長江大學(xué)
• 主分類號: G06F18/2411
• 分類號: G06F18/2411;G06F18/213;G06V10/20;G06V10/50;G06V10/75;G06V10/774
• 代理公司: 武漢河山金堂專利事務(wù)所(普通合伙) 42212
• 代理人: 胡清堂;陳懿

1.一種基于混沌智能圖像識別的弱信號檢測方法，其特征在于，包括如下步驟：

S1、構(gòu)建Duffing振子信號檢測系統(tǒng)，獲取不同狀態(tài)的Duffing振子相位圖；其中，所述Duffing振子信號檢測系統(tǒng)為：

其中k為阻尼系數(shù)，ω為信號頻率，-ωx+ωx³為非線性恢復(fù)力，f為系統(tǒng)內(nèi)策動力，fcos(ωt)為驅(qū)動力幅值，s(t)+n(t)為輸入信號；

S2、調(diào)節(jié)Duffing振子信號檢測系統(tǒng)的系數(shù)，使系統(tǒng)處于混沌狀態(tài)到大尺度周期狀態(tài)的臨界狀態(tài)，輸入待測信號后，得到待測信號相空間狀態(tài)圖；

S3、對所述不同狀態(tài)的Duffing振子相位圖做預(yù)處理，去除坐標邊框，將所述不同狀態(tài)的Duffing振子相位圖按照類別不同分別標注，得到預(yù)處理好的圖像樣本；

S4、提取所述圖像樣本的HOG特征和GLCM特征，將提取的HOG和GLCM特征組成圖像樣本的特征向量；

S5、組合多個SVM分類器用于多分類，通過所述圖像樣本的特征向量訓(xùn)練各SVM分類器，得到訓(xùn)練好的SVM模型；

S6、采用與步驟S4相同的方式提取待測信號相空間狀態(tài)圖的HOG和GLCM特征并組成待測信號相空間狀態(tài)圖的特征向量；

S7、將待測信號相空間狀態(tài)圖的特征向量輸入訓(xùn)練好的SVM模型，得到弱信號檢測結(jié)果。

2.根據(jù)權(quán)利要求1所述基于混沌智能圖像識別的弱信號檢測方法，其特征在于，所述步驟S2中，所述預(yù)處理好的圖像樣本分別標注為“同宿”、“分叉”、“混沌”、“大周期”四類。

3.根據(jù)權(quán)利要求1所述基于混沌智能圖像識別的弱信號檢測方法，其特征在于，所述步驟S4具體包括：

S41、將圖像劃分成多個細胞單元，為每個細胞單元構(gòu)建梯度方向直方圖，把細胞單元組合成大的塊，塊內(nèi)歸一化梯度直方圖并收集HOG特征；

S42、對圖像上的每一像元求出預(yù)設(shè)鄰域內(nèi)的灰度共生矩陣，由所述灰度共生矩陣求出對應(yīng)紋理圖像的統(tǒng)計量，所述統(tǒng)計量包括能量ASM、熵ENT、對比度CON、相關(guān)度IDE，將所述統(tǒng)計量組成圖像GLCM特征；

S43、將提取到的HOG和GLCM特征組成圖像樣本的特征向量。

4.根據(jù)權(quán)利要求3所述基于混沌智能圖像識別的弱信號檢測方法，其特征在于，所述步驟S42具體為：

從圖像中灰度為i的像素位置為(x,y)出發(fā)，統(tǒng)計與其距離為d灰度為J的像素(x+D_x，y+D_y)同時出現(xiàn)的次數(shù)p(i,j,d,θ)，數(shù)學(xué)表達式為：

p(i,j,d,θ)＝[(x,y),(x+D_x,y+D_y)|f(x,y)＝i,f(x+D_x,y+D_y)＝j(luò)]

其中：x,y＝0,1,2,…,N-1是圖像中的像素坐標；i,j＝0,1,2,…,L-1是灰度級；D_x，D_y是位置偏移量；d為生成灰度共生矩陣的步長；θ生成方向，取0°,45°,90°,135°四個方向，從而生成不同方向的灰度共生矩陣；對灰度共生矩陣進行歸一化處理，計算對應(yīng)紋理圖像的統(tǒng)計量，所述統(tǒng)計量包括能量ASM、熵ENT、對比度CON、相關(guān)度IDE：

將上述統(tǒng)計量組成圖像的GLCM特征。