[发明专利]一种基于BBO-MLP和纹理特征的图像分类方法

摘要

本发明公开了一种基于BBO-MLP和纹理特征的图像分类方法，其步骤是：首先，提取图像的角二阶矩ASM、熵ENT、惯性矩(对比度)CON和相关性COR等4个纹理特征，构造图像的特征向量；然后，根据用户提供的类别号和图像的纹理特征向量生成训练样本文件，选取MLP的均方误差作为BBO适应度函数，利用BBO对MLP进行全局优化，得到分类模型；最后，根据优化得到的分类模型对测试样本文件进行类别测试，将得到的图像类别号返还给用户。本发明综合考虑了图像分类算法的准确性和鲁棒性，主要解决了现有技术中存在的分类准确率差且收敛速度缓慢的问题。

主权项

一种基于BBO‑MLP和纹理特征的图像分类方法，其特征在于，包括以下步骤：(1)对图像分类算法运行环境进行初始化，具体包括图像库建立，生物地理学优化算法参数设置，多层感知器结构设计；(2)采用灰度共生矩阵描述图像纹理特征，具体选取标量来表征灰度共生矩阵的特征，在此选取图像的角二阶矩ASM、熵ENT、惯性矩CON和相关性COR这4个纹理特征，具体如下：设f(x,y)是一幅二维数字图像，S为区域目标R中的具有特定空间联系的像素对的集合，则满足一定空间关系的灰度共生矩阵P(i,j)定义为：上式等号右边的分子是S中灰度值分别为i和j的像素对的个数，分母为S中像素对的总个数之和，#代表数量；(2.1)角二阶矩：角二阶矩也称为能量，为灰度共生矩阵上所有元素的平方和；角二阶矩小的纹理偏细；反之，角二阶矩偏大；$ASM=\underset{i}{\Σ}\underset{j}{\Σ}{\left\{P(i,j)\right\}}^2---2)$其中，ASM表示图像的角二阶矩，P(i,j)表示图像的灰度共生矩阵；(2.2)熵：熵是图像所拥有的信息量的度量，表示图像中纹理分布的非均匀度或复杂度；图像的纹理分布均匀，复杂程度高，熵值大；反之，纹理分布不均匀，复杂程度低，熵值小；如果无纹理，那么熵值为0；$ENT=-\underset{i}{\Σ}\underset{j}{\Σ}P(i,j)\log P(i,j)---3)$其中，ENT表示图像的熵，P(i,j)表示图像的灰度共生矩阵；(2.3)惯性矩：惯性矩即对比度，反映了图像的清晰度和纹理沟纹深浅的程度；纹理沟纹越深，其对比度越大，视觉效果越清晰；反之，对比度小，则沟纹浅，效果模糊；灰度差大的像素对越多，惯性矩越大；灰度共生矩阵中远离对角线的元素值越大，惯性矩越大；$CON=\underset{i}{\Σ}\underset{j}{\Σ}{(i-j)}^{2}P(i,j)---4)$其中，CON表示图像的惯性矩，P(i,j)表示图像的灰度共生矩阵；(2.4)相关性：度量空间灰度共生矩阵元素在行或列方向上的相似程度，反映了图像中局部灰度相关性，表示纹理的方向；当矩阵元素值均匀相等时，相关值就大；相反，如果矩阵元素值相差很大，则相关值小；相关性COR定义如下：$COR=\frac{\[\mathrm{\Σ}\mathrm{\Σ}(i-\stackrel{\‾}{x})(j-\stackrel{\‾}{y})P(i,j)\]}{{\mathrm{\σ}}_x{\mathrm{\σ}}_y}---5)$上式中，各参数分别为：$\left\{\begin{array}{c}\stackrel{\‾}{x}=\underset{i}{\Σ}i\underset{j}{\Σ}P\left(i,j\right)\\ \stackrel{\‾}{y}=\underset{j}{\Σ}j\underset{i}{\Σ}P\left(i,j\right)\\ {\mathrm{\σ}}_x^2=\underset{i}{\Σ}{\left(i-\stackrel{\‾}{x}\right)}^2\underset{j}{\Σ}P\left(i,j\right)\\ {\mathrm{\σ}}_y^2=\underset{j}{\Σ}{\left(j-\stackrel{\‾}{y}\right)}^2\underset{i}{\Σ}P\left(i,j\right)\end{array}\right.---6)$(3)由所提取图像的角二阶矩ASM、熵ENT、惯性矩CON和相关性COR这4个纹理特征，构造图像的纹理特征向量；将所有训练图像的纹理特征向量保存到训练样本文件中，每一条记录包含一副图像的类别号和4个纹理特征值；(4)定义适应度函数：将训练样本文件输入到多层感知器MLP，通过训练样本来计算每个栖息地的适宜度指数HSI；选取所有训练样本的对应MLP输出的均方误差MSE作为BBO适应度函数：$MSE=\underset{k=1}{\overset{q}{\Σ}}\frac{{\mathrm{\Σ}}_{t=1}^m{(o_t^k-d_t^k)}^2}{q}---7)$其中q是训练样本的数量，m为输出的数量，是在k个训练样本下的第t个输入单元的所期望输出；是k个训练样本下的第t个输入单元的实际输出如，第t个栖息地的适宜度指数HIS为：HSI(Habitat_t)＝MSE(Habitat_t)          8)(5)利用BBO对多层感知器MLP进行全局优化：(5.1)生成随机的MLP集作为初始栖息地；(5.2)由公式7)计算每个多层感知器MLP的均方误差MSE；(5.3)根据公式9)‑10)更新每个栖息地的迁入率、迁出率和突变率m_n；${\mathrm{\λ}}_k=I(1-\frac{k}{N})---9)$${\mathrm{\μ}}_k=E\frac{k}{N}---10)$$m_n=M\×(1-\frac{p_n}{p_{max}})---11)$其中，λ_k为迁入率，μ_k为迁出率，突变率为m_n，I和E分别为迁入率、迁出率的最大值，k为当前物种数，N为最大容纳物种数，M为最大突变率，p_n为某栖息地已有n个物种的概率，p_max为p_n的最大值；(5.4)根据栖息地的迁出率和迁入率按照迁移策略修改多层感知器MLP；(5.5)根据突变率对多层感知器MLP进行突变；(5.6)精英选择：选取较低的均方误差MSE的解作为精英解保留；(5.7)判断是否满足终止条件；满足条件则输出迭代最优解；如不满足，则重回到步骤(5.2)。(6)根据已有的分类模型对测试样本进行分类，将得到的图像类别号返还给用户。