一种基于多通道特征的ELM和DE相结合的图像分类方法技术

本发明专利技术提供了一种基于多通道特征的ELM和DE相结合的图像分类方法，其特征在于，包括训练过程和预测过程，所述训练过程包括：步骤a1：取不同光照场景下、不同年龄、不同性别等人脸作为正样本，取除人脸之外的其他身体部位小块作为负样本；步骤a2：将上述样本的大小统一变换到规定尺寸，并进行高斯滤波处理；步骤a3：提取上述样本图像的积分通道特征，包括：灰度颜色通道特征、梯度方向直方图通道特征和梯度幅值通道特征；步骤a4：将步骤3中提取的积分通道特征作为ELM的输入并进行图像分类训练，同时，使用DE差分进化算法对ELM进行改进优化，使ELM的分类效果达到最优，从而获得训练好的分类器；所述预测过程利用训练好的分类器对图像进行分类。

【技术实现步骤摘要】
一种基于多通道特征的ELM和DE相结合的图像分类方法
本专利技术涉及图像分类领域，尤其涉及一种基于多通道特征的ELM(extremelearningmachine极端学习机)和DE(differentialevolution差分进化算法)相结合的图像分类方法。
技术介绍
图像分类问题是当今计算机视觉与图像处理领域许多重要研究领域的基础问题。好的图像分类技术可以有效地解决其他科研领域的难题，比如图像检索领域、遥感图像领域、三维重建领域等等。分类的目的就是根据现有的图像特征建立一个分类器，能够对未知的图像类型进行预测。例如，通过遥感图像分类获得土地利用图、植被覆盖图以及其他一些图件，进而将这些图件作为下一步的基础图件，进行环境、土地利用；在医学上可以通过对X线图形分类进行乳腺癌肿块的诊断。因此，近些年来许多图像分类方法被提出来。有基于纹理、形状以及颜色空间的图像分类技术，分类器一般都使用SVM(SupportVectorMachine，支持向量机)。但是这些方法都存在不同程度的问题。首先，对于采用的这些纹理、形状以及颜色空间特征不足以表达图像的特征。其次，SVM分类器需要反馈调节参数，耗本文档来自技高网...

【技术保护点】
一种基于多通道特征的ELM和DE相结合的图像分类方法，其特征在于，包括训练过程和预测过程，所述训练过程包括：步骤a1：获取正负样本；步骤a2：将上述样本的大小统一变换到规定尺寸，并进行高斯滤波处理；步骤a3：提取上述样本图像的积分通道特征，包括：灰度颜色通道特征、梯度方向直方图通道特征和梯度幅值通道特征；步骤a4：将步骤3中提取的积分通道特征作为ELM的输入并进行图像分类训练，同时，使用DE差分进化算法对ELM进行改进优化，使ELM的分类效果达到最优，从而获得训练好的分类器；所述预测过程包括：步骤b1：将待预测图像的大小缩到规定尺寸，并进行高斯滤波处理；步骤b2：提取上述待预测图像的积分通道特...

【技术特征摘要】
1.一种基于多通道特征的ELM和DE相结合的图像分类方法，其特征在于，包括训练过程和预测过程，所述训练过程包括：步骤a1：获取正负样本；步骤a2：将上述样本的大小统一变换到规定尺寸，并进行高斯滤波处理；步骤a3：提取上述样本图像的积分通道特征，包括：灰度颜色通道特征、梯度方向直方图通道特征和梯度幅值通道特征；步骤a4：将步骤3中提取的积分通道特征作为ELM的输入并进行图像分类训练，同时，使用DE差分进化算法对ELM进行改进优化，使ELM的分类效果达到最优，从而获得训练好的分类器；所述预测过程包括：步骤b1：将待预测图像的大小缩到规定尺寸，并进行高斯滤波处理；步骤b2：提取上述待预测图像的积分通道特征，包括灰度颜色通道、梯度方向直方图通道和梯度幅值通道；步骤b3：将上述提取的积分通道特征作为上述训练好的分类器的输入，通过所述分类器进行分类，将分类结果输出。2.根据权利要求1所述的图像分类方法，其特征在于，步骤a1中，取不同光照场景下、不同年龄、不同性别等人脸作为正样本，取除人脸之外的其他身体部位小块作为负样本。3.根据权利要求1所述的图像分类方法，其特征在于，步骤a2中，所述规定尺寸为20*20。4.根据权利要求1所述的图像分类方法，其特征在于，步骤a3中，所述灰度颜色通道特征为1个、梯度方向直方图通道特征为6个，所述梯度幅值通道特征为1个。...

【专利技术属性】
技术研发人员：欧阳海飞，许震，张如高，
申请(专利权)人：新智认知数据服务有限公司，
类型：发明
国别省市：上海,31