基于ELM和证据理论的纹理图像分类

易丐+李国进 王祥铜+��

摘要：目前纹理图像分类有不同的方法，但对纹理的描述还不够全面，而且当有新方法提取的特征加入时，系统的可扩展性也不够，通用性不好。本文针对上述问题提出了一种将DS证据理论与极限学习机相结合的决策级融合模型，用来对纹理图像进行分类。采用三种不同方法来提取特征以获得更多更全面的纹理表现形式，并对提取的每种特征向量用极限学习机建立相应的分类器，最后用DS证据理论在不确定性表示、度量和组合方面有着的优势来进行决策级融合。对于证据理论中基本概率赋值函数（BPAF）难以有效获取的问题，由于极限学习机具有学习速度快，泛化性能好的优点并且产生唯一的最优解的优点，所以利用其来构造其基本概率赋值函数。实验结果表明这种方法比单个分类器具有更高的识别正确率，降低了识别的不确定性。

关键词：纹理图像分类；特征提取；DS证据理论；极限学习机； 基本概率赋值函数

中图分类号：TP751文献标识码：ADOI：10.3969/j.issn.10036199.2017.01.020

1概述

纹理是由物体表面的物理属性不同而产生的，不同的纹理表面可得到不同的纹理图像特征。目前基于纹理图像的识别已广泛用于目标识别、金相分析、遥感图像分析、医学图像分析、工业表面检测、文档处理和图像检索等领域[1，2]。

目前常用的纹理图像分类识别算法主要有：K近邻法、决策树、人工神经网络、DS证据理论等算法[3，4]，在实际应用中会根据纹理特征提取的情况来选择相应的识别算法。对于渐晕纹理图像，张伟伟利用小波包提取纹理指数算法的基础上，根据提取的渐晕系数自动调整各小波包分解系数，来消除渐晕现象对纹理特征指数的影响，最后用支持向量机对其分类，取得了不错的效果[5]。王晓东对支持向量机分类算法进行了重点研究，提出了适用于复杂纹理图像分类的支持向量机多分类模型[6]。刘莹将灰度共生矩阵和小波变换结合用来提取图像纹理特征，最后选用支持向量机来分类[7]。Li提出了用快速变换提取图像特征，这样提取的纹理特征不会受旋转和光照的影响，最后用最近邻法分类[8]。Wang采用对偶树复小波变换对纹理图像进行特征提取，然后用小波变换和支持向量机的纹理图像分类方法[9]。Ye等人研究了支持向量机分类时核函数和误差惩罚因子获取的低效或不健全，提出一种用蝙蝠算法来获得比较好的参数用于支持向量机分类中[10]。

上述这些算法中，当图像有新的特征加入时，需要重新建立分类模型，重新计算，可扩展性不够。为此本文提出了一种将DS證据理论与极限学习机相结合的决策级融合模型，用于纹理图像分类识别。该模型利用三种不同的算法提取纹理图像的特征，以更全面的对纹理特征进行描述。而DS证据理论在不确定性表示、度量和组合方面有着明显的优势，但存在要求证据之间相互独立，特别是基本概率赋值获取困难等问题[11]，极限学习机[12]（ELM）具有学习速度快，泛化性能好的优点并且产生唯一的最优解，因此可以利用它来获得多个基本概率赋值函数。经过ELM处理的数据，可近似认为是相互独立的[13，14]。该模型当系统有新的特征证据加入时，可保留原有证据，减少计算量，也不必重新建立模型，便于扩充组合，通用性较好。

2基于ELM和证据理论的分类系统模型

考虑到DS证据理论和ELM的特点，提出分类器决策级融合的模型结构如图1所示。该算法提取三种不同的纹理特征，作为独立的证据。根据提取的特征分别建立ELM分类模型，将ELM网络的输出作为证据，经过DS证据理论进行决策级融合。可以充分利用ELM网络的学习能力，解决DS证据理论中基本概率赋值较难获得的问题，同时也提高了总体识别率。其具体过程可分为：纹理图像的特征提取→单ELM分类网络的建→BPAF的确定→决策合成及判决。

2.1.2基于图像灰度直方图特征提取

纹理是灰度分布在空间位置上反复出现而形成的，在图像空间中相隔某距离的两像素间存在一定的灰度关系。从灰度级为i的像素点出发，到距离为δ的另一个灰度级为j的像素点，定义这两个灰度在整个图像中发生的概率分布为灰度共生矩。灰度共生矩用符号Pδ（i，j）（i，j=0，1，2，…，L-1）表示，其中L为图像的灰度级数，δ为两个像素间的位置关系。那么从图像中，可以抽取四种灰度共生矩分别是：角二阶矩（ASM）是灰度值共生矩元素值平方的和；对比度（CON）可以理解为图像的清晰度，纹理越深则其对比度值越大；相关（COR） 是衡量灰度共生矩阵的元素在行的方向或列的方向相似程度；熵值（ENT）是图像具有的信息量的度量。对于一个N*M的像素图像，共生矩的计算公式分别如下：

结束语

采用不同特征提取方法提取纹理图像的特征，再通过ELM网络训练来确定证据理论的基本概率赋值函数，最后用证据理论进行融合的纹理图像分类方法，可以充分利用ELM和DS证据理论的优势，降低了系统的不确定性，提高目标识别的可靠性及正确率，当有新的证据出现时，可保留原多个基本概率赋值函数，只需用ELM模型训练新的数据即可得到扩充的多个基本概率赋值函数。这样既可以弥补证据理论的不足，也可使训练时间变短。

参考文献

[1]刘晓民.纹理研究综述[J].计算机应用研究，2008，25（8）：2284-2288..

[2]孙君顶，马媛媛.纹理特征研究综述[J]. 计算机系统应用，2010，19（6）：245-250.

[3]王龙.图像纹理特征提取及分类研究[D].青岛：中国海洋大学，2014.

[4]ZHU Hongwei，W'BASIR O.A Scheme for Constructing Evidence Structures in Dempster-Shafer Evidence Theory for Data Fusion[C].IEEE International Sgmaposium on Computiunal Inlelligencr in Knblics and Automation，2003，20（3）：960-965.

[5]张伟伟.图像纹理特征提取及分类方法研究[D].天津：天津大学，2012.

[6]王晓东.纹理图像分类系统及其关键技术研究[D].南京：南京郵电大学，2013.

[7]刘莹. 图像纹理的特征提取和分类方法研究[D].武汉：华中科技大学，2013.

[8]LI Chaorong，DENG Yonghai. Rotationinvariant Texture Image Classification Using R-transform [C]. IEEE Conference Publications，2012，p：271-274.

[9]WANG Huijing. Method of classification forlandscape trees based on tree texture image usingimproved support vector machine[C]. IEEE Conference Publications，2014，p：369-372.

[10]YE Zhiwei，MA Lie，WANG Mingwei，et al. Texture Image Classification Based on SupportVector Machine and Bat Algorithm[C]. IEEE Conference Publications，2014，1：309-314.

[11]宋建勋，张进，吴钦章.基于DS证据理论的多特在数据融合算法[J].火力与指挥控制， 2010，35（7）： 96-108.

[12]HUANG Guangbin，ZHU Qinyu，SIEW C K.Extreme learning machine：theory and applications[J].Neurocomputing 2006，70（1）：489-501.

[13]唐世杰，高社生，刑化玲.DS证据理论与神经网络相结合的信息融合模型研究[J].传感技术学报，2007 20（8）：1815-1820

[14]陆慧娟，张金伟，马小平，等.极限学习机集成在肿瘤分类中的应用[J].数学的实践与认识，2012，42（17）：148-154.

[15]王惠明，史萍.图像纹理特征的提取方法[J].中国传媒大学学报：自然科学版，2006，13（1）：49-52.

[16]冯登超，陈刚，吴新颖，等.纹理特征提取的不变矩探讨[J].国外电子测量技术，2012，31（4）：57-59.

[17]缪燕子，方健，马小平，等.DS证据理论融合技术及其应用[M].北京：电子工业出版社，2013.

第36卷第1期2017年3月计算技术与自动化Computing Technology and AutomationVol36，No1Mar. 2 0 1 7第36卷第1期2017年3月计算技术与自动化Computing Technology and AutomationVol36，No1Mar. 2 0 1 7