[发明专利]基于成组小波-变分关联向量机断口图像识别方法

摘要

本发明公开了一种基于成组小波‑变分关联向量机断口图像识别方法，首先，采用成组小波(Grouplet)变换处理断口图像，对Grouplet系数分别计算Grouplet调和熵、Grouplet峭度和Grouplet平均能量这3个特征向量，然后，将特征数据送入变分关联向量机(VRVM)分类器进行识别。该方法特色在于吸收了成组小波和变分关联向量机的所有优点，与现有的图像识别方法相比较，提出的方法在图像识别方面具有明显的优势，不仅提高了图像的识别率，而且识别速度大幅度得到了提高，并且随着训练样本数量的增加，这种优势表现得越明显，在图像处理中具有广阔的应用前景。

主权项

1.基于成组小波‑变分关联向量机断口图像识别方法，采用Grouplet变换处理断口图像，得到图像的Grouplet系数子带；针对各频带输出的Grouplet系数进行计算，得到Grouplet调和熵、Grouplet平均能量和Grouplet峭度的断口图像特征数据；然后，建立VRVM断口图像识别模型； 在传统的概率模型中，随机变量可分为观测数据D和非观测变量θ；其中，观测数据D的边缘概率密度为：P(D)＝∫P(D,θ)dθ；其特征在于，在建立VRVM断口图像识别模型时，将传统的概率模型的非观测数据的边缘概率密度的积分计算形式，改为先进行对数计算，再相加，然后，选择一个合适的分布Q(θ)来改进计算的复杂程度；为此，对于参数θ，将上式写成：LnP(D)＝L(Q)+KL(Q|P)；式中：其中，采用的相似分布Q(θ)是概率密度P(D,θ)和后验分布KL(Q|P)之间的相对熵距离差：这里，KL(Q|P)≥0，且L(Q)+KL(Q|P)是Q的独立分布，因此最大化L(Q)相当于最小化的KL(Q|P)，结合上式L(Q)和KL(Q|P)的表达式，Q(θ)就是P(θ|D)的近似分布；考虑到P(D)＝∫P(D,θ)dθ和参数θ的变形形式{θi}，Q(θ)可定义为：其中：其中，＜lnP(D,θ)＞k≠i是Qk(θk)分布的期望，其中k≠i；然后，通过循环迭代更新得到最终的值；对于断口图像的分类器，给出输入数据的边缘概率为：lnP(T|X)＝ln∫∫P(T|X,ω)P(ω|α)P(α)dωdα；根据以上的思路，改进的关联向量机可近似得到：lnP(T|X)≥L＝++‑‑；其中：这样，完成VRVM断口图像识别模型的建立；最后，利用提取的Grouplet调和熵、Grouplet平均能量、Grouplet峭度输入到建立的VRVM断口图像识别模型中进行训练和识别。