APP下载

基于SVM多分类的超分辨图像细粒度分类方法

2020-06-05连和谬

安阳工学院学报 2020年2期
关键词:细粒度特征提取滤波

连和谬

(闽南理工学院实践教学中心,福建石狮362700)

0 引言

采用超分辨成像技术进行图像成像,能够有效提高图像的输出分辨能力。在超分辨图像检索过程中,需要进行超分辨图像细粒度分类优化处理,构建超分辨图像细粒度融合模型,结合人工智能方法进行图像的优化分类,提高超分辨图像细粒度的检索和信息提取能力。研究超分辨图像细粒度分类方法,在图像数据库构建和优化检索中具有很好的应用价值[1]。

超分辨图像细粒度分类建立在图像的特征提取基础上,通过提取超分辨图像细粒度特征量,根据超分辨图像细粒度特征量的分布属性作图像分类处理。传统方法中,超分辨图像细粒度分类方法主要有小波检测方法、BP神经网络分类方法[2-3],以及Harris角点检测的图像分类算法[4],但上述方法进行超分辨图像细粒度分类的精度较低,实际运用中需要不断改进。

鉴此,本文提出基于SVM多分类的超分辨图像细粒度分类算法。SVM多分类是对一种类型信息进行多指标分类的方法,通过提取目标信息的多特征,利用不同分析方法获取其特征量,根据特征量实现块稀疏多特征匹配,并将匹配结果输入到支持向量机中进行细粒度分类,实现SVM多分类下的图像细粒度分类。仿真实验分析展示了本文方法在提高超分辨图像细粒度分类能力方面的优越性能。

1 超分辨图像融合滤波和细粒度特征提取

1.1 超分辨图像融合滤波

为实现基于SVM多分类的超分辨图像细粒度分类,提高超分辨图像细粒度可识别性,首先对采集的超分辨图像进行融合滤波处理,实现图像的预处理。假设待分类的模糊超分辨图像为F,相似性较高的图像背景分量为GF,根据两幅图像的内容相似度进行特征匹配,对GF进行模板融合处理,采用模板配准方法进行超分辨图像的自适应融合滤波,将待分类的超分辨图像分成3×3拓扑结构,设置4个超分辨图像检测窗口,结合超分辨像素特征重构方法,进行超分辨图像的纹理特征匹配[5]。超分辨图像的模糊度为ηF,每个子带图像的灰阶像素为

采用扩展Kalman滤波方法,对超分辨图像的中心像素点进行区域性融合,构建超分辨图像的空间融合模型。根据图像的相似度进行空间分布重建,得到超分辨图像的信息熵为H,H信息越多,表示超分辨图像中的细粒度越多。对超分辨图像的细粒度进行模糊特征检测和识别,提取超分辨图像中的相似度成分,设每个子带图像的灰阶像素f̂F为主成分特征,图像的相似度越大,则越接近F。在小波域中对超分辨图像进行二值化处理,得到每个超分辨子带图像中的细粒度特征量为

其中,h、f分别代表图像的颜色、纹理分布。给出批量超分辨图像细粒度的向量量化值为Dg=βSi+(1-β)ml,其中为超分辨图像的局部方差,为模板配准的残差分量;Si表示超分辨图像细粒度分布的高阶特征量,其计算公式为

按照16:4:4比例进行图像的灰度像素特征匹配,输出特征匹配值

若超分辨图像的细粒度的量化特征分布集满足L(r)∈{-1,0,1},则图像编码特征量为

其中,r为超分辨图像的中心点相似度特征量,0≤r≤1。根据图像编码特征量及输出特征匹配值的计算,进行图像的融合滤波处理。本文将采用Atanassov扩展方法对超分辨图像进行融合滤波,图像融合滤波

式中,c为超分辨图像细粒度的中心像素点分布矩阵的列数。根据式(6)得到融合滤波结果,为准确进行超分辨图像细粒度分类,需对滤波结果进行特征提取。

1.2 图像的细粒度多特征提取

在上述进行了超分辨图像融合滤波的基础上,进行图像的多特征提取[6]。在Markov链模型中得到图像的灰度-梯度不变矩为

考虑图像的仿射区域不变性,采用Harris角点检测算法实现超分辨图像细粒度检测[7],在近邻相位点处,得到超分辨图像细粒度重构输出为

式中,σ表示为超分辨图像细粒度融合的样本系数,Δx表示超分辨图像细粒度的视觉差。采用LGB向量量化方法,进行超分辨图像细粒度多特征匹配,令细粒度差异性分布函数t(x)=e-βd(x),其中0<t(x)<1,采用深度学习神经网络训练方法,进行超分辨图像细粒度像素值计算,输出结果表示为

根据纹理多特征匹配方法,进行超分辨图像的最大灰度多特征量检测,采用边缘多特征检测方法,对图像的轮廓点进行深度学习,得到最大灰度多特征量值为

在图像的细粒度分类过程中,进行图像多特征聚类处理,采用SVM方法进行图像检测过程中的自适应寻优,得到细粒度多特征提取输出为

其中,f0表示梯度方向的图像像素样本分布集,由此实现对待分类的超分辨图像细粒度多特征提取[8]。

2 图像细粒度分类算法优化

2.1 基于SVM模型的块稀疏多特征匹配

在上述采用边缘轮廓多特征提取方法进行超分辨图像细粒度提取的基础上,进行图像细粒度分类算法优化设计,本文提出基于SVM多分类的超分辨图像细粒度分类算法,得到超分辨图像细粒度自适应调节系数描述如下:

对于CHi(i∈C1),超分辨图像细粒度分布的空间位置信息标定为

式中

对批量超分辨图像细粒度进行融合处理[9],得到多特征分辨率为

采用图像增强方法进行超分辨图像细粒度成像分辨率增强处理,将联合稀疏问题转换为块稀疏多特征匹配问题,则图像分类的块稀疏多特征匹配公式为

将提取的超分辨图像细粒度多特征输入到支持向量机中实现超分辨图像细粒度分类,提高图像的细粒度检测能力[10]。

2.2 支持向量机多分类模型

采用粗糙集多特征分布式挖掘方法进行图像的细粒度多特征重构,构建改进的SVM模型,SVM进行图像细粒度分类的系统结构函数描述为

在分类器中采用自适应的加权学习方法进行自动分类,构建超分辨图像细粒度深度学习模型,得到SVM分类模型如图1所示。

图1 SVM图像分类模型

根据图1所示的分类器模型,加入深度学习算法构建图像细粒度分类的学习迭代式

将提取的超分辨图像细粒度多特征输入到支持向量机中,得到图像分类的量化编码为

以图像分类的量化编码为指标,作为图像细粒度分类依据,进行SVM多分类。该分类过程是一种全局收敛的过程,当获取到收敛最优解时,完成图像细粒度分类,其中最优解计算公式为:

通过上述处理,实现了基于SVM多分类的超分辨图像细粒度分类。为检验本文方法的有效性及可靠性,需对其进行仿真实验。

3 仿真实验与结果分析

3.1 样本图像的选择

为了测试本文方法在实现超分辨图像细粒度分类中的应用性能,进行仿真实验。实验采用Mat⁃lab 7设计,超分辨图像细粒度多特征采样集来自于Corel标准图像库,样本库中的训练集图像为4000组图像,分类属性类别为4,超分辨重组的系数为1.24。该图像库中包含多个主题,例如有动物、海滩、汽车等。本文将从中选取9幅图案用于仿真实验。以其中一组主体对象为例,进行图像分类,得到测试图像对象如图2所示。

图2 测试超分辨图像

3.2 实验评价指标

式中,R代表最大置信度,M表示细粒度类别,k表示分类回归系数。

本文针对Corel图像样本库中选取任意超分辨图像进行细粒度分类。由于超分辨图像类别间差异极小,因此置信值差别小。为更好进行评价,则有

式中,Ni为预测类别,T为训练总数,Nj为图像实际类别。式(22)中,当k=1时,取置信度评分最高的预测结果进行判断;当k=2时,取置信度评分最高的两个预测结果进行判断,只要其中一个预测结果预测正确,则判定为正确,以此类推。

3.3 实验参数的选择

训练实验参数见表1。

表1 训练实验参数

根据上述参数,进行图像细粒度分类。

3.4 对比实验

3.4.1 图像分类有效性

以图2类型为研究对象,进行图像细粒度分类,得到分类输出如图3所示。

图3 图像分类输出

采用本文方法可根据图像中待识别物体的方向、颜色进行分类。如图3(a)~(c)所示,本文方法在选取的样本图案中,根据其细粒度组合多特征进行选取、排序,以大象头部朝向为指标获取分类结果。同样的,本文方法采用RGB颜色分量重组方法进行超分辨图像细粒度分类,以背景颜色为指标,获取分类结果。通过分析图3可知,基于SVM多分类的超分辨图像细粒度分类方法能够有效将图像以不同指标进行分类。

3.4.2 分类结果的置信度及准确性

根据不同方法的训练验证结果置信度绘制准确率性能对比图(图4)。

图4 图像分类准确率对比

分析图4得知,采用本文方法进行超分辨图像细粒度分类的准确性较高,误分率较低,提高了图像的优化检索能力。这是由于本文方法采用了融合滤波方法对超分辨图像进行处理,在一定程度上减少了其他信息的干扰,提取了有效信息,为后续图像细粒度分类提高了准确率。

4 结语

进行超分辨图像细粒度分类优化处理,构建超分辨图像细粒度融合模型,结合人工智能方法进行图像的优化分类,提高超分辨图像细粒度的检索和信息提取能力,本文提出了基于SVM多分类的超分辨图像细粒度分类算法。通过超分辨图像融合滤波对图像进行预处理,采用SVM方法进行图像检测过程中的自适应寻优,得到细粒度多特征提取输出,根据提出输出值进行块稀疏多特征匹配,最终实现了基于支持向量机多分类模型的超分辨图像细粒度分类。分析得知,采用该方法进行超分辨图像细粒度分类的准确性较高,提高了超分辨图像的检索能力,具有很好的应用价值。

猜你喜欢

细粒度特征提取滤波
船岸通信技术下舰船导航信号非线性滤波
一种考虑GPS信号中断的导航滤波算法
空间目标的ISAR成像及轮廓特征提取
基于Gazebo仿真环境的ORB特征提取与比对的研究
基于特征提取的绘本阅读机器人设计方案
高效LCL滤波电路的分析与设计
基于Daubechies(dbN)的飞行器音频特征提取
在线评论情感分析研究综述
基于型号装备?角色的IETM访问控制研究
基于web粒度可配的编辑锁设计