基于生物激发特征和流形学习的极光图像分类方法技术

本发明专利技术公开了一种基于生物激发特征和流形学习的极光图像分类方法。其实现步骤为：（1）对输入的极光图像进行边缘去噪的预处理；（2）使用多尺度，多方向的Gabor滤波器组对预处理后的极光图像进行Gabor滤波，得到C1层特征图，取每幅特征图的像素灰度值之和作为极光图像的C1特征；（3）提取极光图像的Gist特征；（4）将C1特征和Gist特征融合，得到极光图像的BIFs特征；（5）对BIFs特征进行模糊c均值聚类后，利用流形学习算法DLA进行降维，得到BIFs在低维空间的表示；（6）利用支持向量基分类器SVM和最近邻分类器NN分别实现对极光图像的分类。本发明专利技术能很好的模拟人脑视皮层的识别过程，减少了数据冗余，提高了分类正确率，可用于场景分类与目标识别。

【技术实现步骤摘要】

本专利技术属于图像处理
，更进一步涉及极光图像的分类方法，可用于场景分类与目标识别。
技术介绍
图像分类是图像处理和模式识别中非常关键的技术之一，它是利用计算机对图像进行定量分析，根据图像信息中所反映的不同特征，把不同类别的目标区分开，从而以代替人的视觉判读。极光是各种磁层动力学过程最为直观的电离层踪迹，合理有效的极光分类对研究各类极光现象及其与磁层动力学过程之间的关系尤为重要。早期的极光分类研究以肉眼观察为基础，手工实现标记和分类工作，然而由全天空数字摄像仪所捕获的极光图像每年数以百万计，人工进行分类标记的方式已经不再满足对大规模数据进行客观分类的要求。直到2004年Syrjasuo在文献“Syrjasuo M. T.，andDonovanE.F. , Diurnal auroral occurrence statistics obtained via machine vision.Annales Geophysicae, 22 (4) : 1103—1113，2004. ”中才将图像处理技术引入到极光图像自动分类。利用极光图像的纹理特征对弧形，斑块型和欧米伽型三类极光图形进行了分类，该方法仅对形状特征明显的弧状极光效果良好，但此方法仅适用于形态较为单一的弧状极光，而且是在很小的极光数据集上进行的，不具备很好的泛化能力和图像表征算法的推广性。其主要原因在于最能够代表极光特征的纹理部分淹没在极其复杂的背景中，导致纹理受到了背景的干扰，纹理不清晰，特征描述也随之不够准确，进而分类效果不佳。2007 年，Wang 等人在文献 “Q. Wang, J. M. Liang and X. B. Gao, Appearance based auroraclassification. Proc. thel2th Conf. on physics ofSun-Earth space, 71，2007.，，中使用主成分分析法PCA对极光图像的灰度特征进行提取，提出了一种基于表象的极光分类方法，在冕状极光分类研究方向取得了一定进展。2008年，Gao等人在文献“X. B. Gao, andJ. M. Liang. , AdaBoost algorithm for dayside aurora detection based on samplesele-ction. J ournal of Image and Graphics, 15 (I) : 116-121，2010. ”中提出基于 Gabor变换的极光图像分类方法，采用了局部Gabor滤波器提取图像特征，在确保计算精度的情况下降低了特征冗余信息，取得了较好的分类效果。2009年，Fu等人在文献“FuR.，LiJ. , and GaoX. ,AutomaticAurora Images Classification Algorithm Based on SeparatedTexture. Proc.1nt. Conf. Robotics and Biomimetics, 1331-1335，2009. ” 中将形态学成分分析MCA与极光图像处理相结合，从经过MCA分离后所得到的极光纹理子图中提取特征，用于弧冕两类极光图像的分类，提高了弧冕极光分类的正确率；2010年，Wang在文献“WangY，Gao X. , FuR. , et al. , Dayside Corona Aurora Classification Based on X-Gray LevelAura Matrices. Proc. ACM Int. Conf.1mage and Video Retrieval, 282-287, 2010.，，中根据极光形态的特点对GLAM的邻域形状进行改进，提出了一种基于X-GLAM特征的日侧极光图像分类算法，大大提高了分类准确性，但该方法由于进行较大规模的像素运算，因而较为耗时。对现有算法研究分析发现，对极光图像分类的关键在于特征提取及其对特征的进一步处理，由于极光图像没有特定的形状等表象特征，因此现有大部分特征提取方法对其均会失效。在图像分类方法中有一种视觉注意模型的方法。例如，上海交通大学在其专利申请“基于视觉注意模型的图像分类方法”(专利申请号CN200810201625.9，公开号CN101383008)中提出了一种图像分类方法。该专利申请首先获取图像的亮度通道、颜色通道、方向通道以及稀少性通道，然后，利用多分辨率处理的机制，分别为各个通道建立高斯金字塔，其次，对于高斯金字塔通过中心一边缘操作生成一系列特征图，其中，对亮度通道通过中心一边缘操作计算中心一边缘差，同时也计算边缘一中心差，则亮度通道被分解为两个子通道上；最后，在各个通道内对生成的特征图进行跨尺度相加，使得每个通道各生成一幅总的特征图，并采用网格平均法对生成的各特征图提取特征向量；但此特征提取仍存在的不足是，计算复杂度高，并且没有更好的模拟人类视皮层注意机制，使得到的特征不能很好的表征图像，同时不能很好的符合人眼对目标的感知。通常，进入人们视野的视觉信息是海量的，但是从这些海量的信息中，人们依然能够搜寻到想要的信息。因此，需要关注人脑视皮层的识别过程，研究人类眼睛是如何将不同类别的目标区分开。基于此，心理学专家根据心理学的研究实验，模拟出了很多人类大脑感知事物的模型，而这些模型大都仅仅适用于解释某些心理物理学实验的结果，并不能直接用于图像分类。因此，如何利用计算机视觉和图像处理等理论和知识建立可用于图像分类的人类大脑视皮层识别过程的模型已经成为世界各国亟待解决的热门课题。综上所述，现有的极光图像分类方法和目前心理学研究的人类大脑感知模型都不能有效地实现极光图像分类。
技术实现思路
本专利技术的目的在于针对上述现有技术存在的不足，提出一种，以很好的模拟人脑视皮层的识别过程，全面精确的表征极光图像特征，有效的减少数据冗余，提高分类正确率。实现本专利技术上述目的的技术思路是使用圆形掩膜对极光图像进行预处理，提取极光图像的BIFs特征，利用流形学习算法DLA将BIFs特征映射到低维空间，得到更为有效的极光图像特征表示，并分别通过支持向量机分类器SVM和最近邻分类器NN对降维后的极光图像进行分类。其具体步骤包括如下(I)输入极光图像，并采用掩膜处理方法对输入的极光图像进行边缘去噪的预处理；(2)利用HMAX模型，提取极光图像的Cl特征 2a)构造16个尺度，每个尺度设有4个方向的Gabor滤波器组，用这些滤波器对预处理后的极光图像进行Gabor滤波，得到极光图像的SI层特征图；2b)对SI层特征图采样并使用最大值操作，得到极光图像的Cl层特征图；2c)计算每幅Cl层特征图的像素灰度值之和，得到极光图像的Cl特征；(3)提取极光图像的Gist特征3a)利用去除颜色通道的Itti显著图模型，得到预处理后极光图像的显著图；3b)将得到的显著图均分为8*8的子块，对每一子块的像素灰度值求平均，按从左至右，从上至下的顺序将子块的像素均值写成向量形式，得到64维的Gist特征；(4)将Cl特征和Gist特征进行融合，得到极光图像的BIFs特征；(5)将极光图像的BIFs特征进行低维空间的表示5a)对极光图像的B本文档来自技高网...

【技术保护点】
一种基于生物激发特征和流形学习的极光图像分类方法，包括如下步骤：（1）输入极光图像，并采用掩膜处理方法对输入的极光图像进行边缘去噪的预处理；（2）利用HMAX模型，提取极光图像的C1特征：2a）构造16个尺度，每个尺度设有4个方向的Gabor滤波器组，用这些滤波器对预处理后的极光图像进行Gabor滤波，得到极光图像的S1层特征图；2b）对S1层特征图采样并使用最大值操作，得到极光图像的C1层特征图；2c）计算每幅C1层特征图的像素灰度值之和，得到极光图像的C1特征；（3）提取极光图像的Gist特征：3a）利用去除颜色通道的Itti显著图模型，得到预处理后极光图像的显著图；3b）将得到的显著图均分为8*8的子块，对每一子块的像素灰度值求平均，按从左至右，从上至下的顺序将子块的像素均值写成向量形式，得到64维的Gist特征；（4）将C1特征和Gist特征进行融合，得到极光图像的BIFs特征；（5）将极光图像的BIFs特征进行低维空间的表示：5a）对极光图像的BIFs特征进行模糊c均值聚类，得到极光图像模糊划分后的类标；5b）将模糊划分后的类标作为流形学习算法DLA中样本的初始类标，利用流形学习算法DLA，得到线性变换矩阵；5c）根据线性变换矩阵，对极光图像的BIFs特征进行降维，得到极光图像BIFs特征在低维空间的表示：YN×d=(XN×m)TUm×d其中，YN×d为极光图像特征BIFs在低维空间的表示，N为极光图像的样本总数，d为降维后BIFs特征的维数，XN×m为未降维时极光图像的BIFs特征，m为未降维时BIFs特征的维数，T为求矩阵转置的运算符号，Um×d为DLA算法得到的线性变换矩阵；（6）根据上述极光图像BIFs特征在低维空间的表示，利用支持向量基分类器SVM和最近邻分类器NN分别实现对极光图像的分类。...

【技术特征摘要】
1.一种基于生物激发特征和流形学习的极光图像分类方法，包括如下步骤(1)输入极光图像，并采用掩膜处理方法对输入的极光图像进行边缘去噪的预处理；(2)利用HMAX模型，提取极光图像的Cl特征2a)构造16个尺度，每个尺度设有4个方向的Gabor滤波器组，用这些滤波器对预处理后的极光图像进行Gabor滤波，得到极光图像的SI层特征图；2b)对SI层特征图采样并使用最大值操作，得到极光图像的Cl层特征图；2c)计算每幅Cl层特征图的像素灰度值之和，得到极光图像的Cl特征；(3)提取极光图像的Gist特征3a)利用去除颜色通道的Itti显著图模型，得到预处理后极光图像的显著图；3b)将得到的显著图均分为8*8的子块，对每一子块的像素灰度值求平均，按从左至右，从上至下的顺序将子块的像素均值写成向量形式，得到64维的Gist特征；(4)将Cl特征和Gist特征进行融合，得到极光图像的BIFs特征；(5)将极光图像的BIFs特征进行低维空间的表示5a)对极光图像的BIFs特征进行模糊c均值聚类，得到极光图像模糊划分后的类标； 5b)将模糊划分后的类标作为流形学习算法DLA中样本的初始类标，利用流形学习算法DLA，得到线性变换矩阵；5c)根据线性变换矩阵，对极光图像的BIFs特征进行降维，得到极光图像BIFs特征在低维空间的表示其中，YNXd为极光图像特征BIFs在低维空间的表示，N为极光图像的样本总数，d为降维后BIFs特征的维数，Xnxdi为未降维时极光图像的BIFs特征，m为未降维时BIFs特征的维数，T为求矩阵转置的运算符号，Umxd为DLA算法得到的线性变换矩阵；(6)根据上述极光图像BIFs特征在低维空间的表示，利用支持向量基分类器SVM和最近邻分类器NN分别实现对极光图像的分类。2.根据权利要求1所述的极光图像分类方法，其中步骤(I)所述的采用掩膜处理方法对输入的极光图像进行边缘去噪的预处理，按如下步骤进行(Ia)构造一幅与极光图像大小相同的二值图像P，以二值图像的中心为圆心，以220为半径作圆，该圆内的像素取值为1，圆外的像素取值为O ;(Ib)根据构造的二值图像P，对输入的极光图像进行掩膜处理，利用下式得到预处理后的极光图像其中I为预处理后的极光图像，O为输入的原始极光图像，P为圆形掩膜图像，*为图像间对应像素的相乘操作。3.根据权利要求1所述的极光图像分类方法，其中步骤2a)所述的构造16个尺度，每个尺度设有4个方向的Gabor滤波器组，用这些滤波器对预处理后的极光图像进行Gabor 滤波，得到极光图像的SI层特征图，按如下...

【专利技术属性】
技术研发人员：韩冰，赵晓静，高新波，李洁，杨曦，仇文亮，杨辰，王秀美，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：