楊 靖 堯，里 紅 杰，陶 學 恒

(大連工業(yè)大學 信息科學與工程學院，遼寧 大連 116034)

0 引 言

20世紀中后期，計算機視覺技術(shù)得到了迅猛的發(fā)展，已經(jīng)成為各個工程應用領(lǐng)域中不可分割的一部分，如電子、食品、醫(yī)藥、紡織等領(lǐng)域[1]，還有學者把計算機視覺技術(shù)應用在海產(chǎn)品識別領(lǐng)域[2]。

在貝類圖像識別的整個過程中設(shè)計一個精確的分類器對貝類識別極為重要，以BP算法為代表的前饋神經(jīng)網(wǎng)絡(luò)已經(jīng)在模式識別中取得了廣泛的應用，但是它們都存在著以下幾點難以解決的問題：(1)學習速度慢，訓練過程需要不斷的迭代完成；(2)對參數(shù)選擇敏感，訓練步長和學習率選取不當會直接影響到前饋神經(jīng)外網(wǎng)絡(luò)的整體效果[3]。針對這些問題，Huang等[4]提出一種前饋神經(jīng)網(wǎng)絡(luò)的新的訓練算法——極限學習機，該方法隨機設(shè)置前饋神經(jīng)網(wǎng)絡(luò)的輸入權(quán)值，通過計算輸出權(quán)值的最小二泛數(shù)解來完成網(wǎng)絡(luò)的訓練，計算過程簡單、速度快，且泛化性良好。

1 基于Gabor變換和二維圖像主元分析2DPCA的特征提取

1.1 Gabor小波變換

Gabor小波變換是圖像多尺度表示和分析的有力工具，能同時兼顧信號在時域和頻域聯(lián)合，具有與生物視覺系統(tǒng)相類似的特點。本文采用二維Gabor濾波器在時域與頻域采用以下函數(shù)形式[5]

式(1)中：x＝xcosα＋ysinα，y＝－xcosα＋ysinα；σxy為高斯包絡(luò)在x，y方向的標準差；α為濾波器的方向；r0為濾波器的頻率

1.2 主成分分析

線性鑒別分析[5]目前已被廣泛地應用在圖像識別以及文本識別等領(lǐng)域，作為公認的特征提取最為重要的工具，主成分分析(Principal Component Analysis，PCA)方法是最成功的線性鑒別方法之一，其基礎(chǔ)就是Karhunen－Loeve變換(簡稱K－L變換)，是一種常用的正交變換。這種方法可以有效地找出數(shù)據(jù)中最“主要”的元素和結(jié)構(gòu)，其作用是去除噪音和相關(guān)冗余，將原有的復雜數(shù)據(jù)進行降維。

與傳統(tǒng)PCA方法不同，2DPCA方法是基于二維圖像矩陣，而不是一維圖像向量。把任意一幅貝類圖像A看作是一個m×n的隨機矩陣，通過如下線性變換[6]將A投影到X上，得到一個m維的投影向量Y，故定義如下準則函數(shù)：

式(2)中：Sx表示投影特征向量的協(xié)方差矩陣，tr(Sx)表示Sx的跡。則

矩陣Gt被稱為圖像的協(xié)方差(散度)矩陣，估計

最佳投影方向X即是Gt的最大特征值所對應特征向量的方向。一般情況下，只取一個最優(yōu)投影方向，分類鑒別能力是不夠的，通常情況下會選擇相互正交且極大化準則函數(shù)的一組投影向量X1，…，Xd即：

2 極限學習機

極限學習機(ELM)是一種前饋神經(jīng)網(wǎng)絡(luò)簡單、快速、有效的學習算法，跟傳統(tǒng)的基于梯度下降的學習算法相比極限學習機有很大的優(yōu)勢。

對于N個任意的各不相同的樣本(xi，yi)，其中，xi＝ [xi1，xi2，…，xin]T∈ Rn，yi＝ [yi1，yi2，…，yin]T∈Rm，擁有L個隱層節(jié)點，前饋神經(jīng)網(wǎng)絡(luò)的輸出可以表示為：

式(6)中：ai＝ [ai1，ai2，…，aim]T，是網(wǎng)絡(luò)的輸入層到第i個結(jié)點的輸入權(quán)值，bi是第i個隱層節(jié)點的偏置(bias)；βi＝ [βi1，βi2，…，βim]T是第i個隱層結(jié)點的輸出權(quán)值；ai·xi表示向量ai和xi的內(nèi)積。其中 激 勵 函 數(shù)g(x)可 以 選 擇 為 “sigmoid”，“Sine”或“RBF”等。

如果這個具有L個隱含層結(jié)點的前饋神經(jīng)網(wǎng)絡(luò)能以0誤差逼近這N個樣本，則存在ai，bi，βi使

式(7)可以簡化為：

式(8)中：

H被稱作網(wǎng)絡(luò)的隱含層輸出矩陣，在極限學習機算法中，輸出權(quán)值和偏差可以隨機給定，這樣隱層矩陣H就變成一個確定的矩陣，這樣前饋神經(jīng)網(wǎng)絡(luò)的訓練就可以轉(zhuǎn)化成一個求解輸出權(quán)值矩陣的最小二乘解的問題，只需要求出輸入權(quán)值的最小二乘解就能完成網(wǎng)絡(luò)的訓練，輸出權(quán)值矩陣β可以由下式得到：

3 實驗與分析

本文的算法可以用如圖1的流程表示。

圖1 算法流程圖Fig.1 Algorithm flow chart

樣本選用大連地區(qū)5種貝類，分別是鮑魚、海虹、海螺、蜆子、扇貝，每種每類都拍攝不同的個體獲得30張樣本圖片。

實驗 1：對比了 PCA、2DPCA、Gabor＋2DPCA 3種算法在貝類識別中的性能，分類器都選擇極限學習機分類器，其中Gabor變換選用8個尺度5個方向組成的40個Gabor濾波器族，3種算法都降維到(樣本數(shù)目－1)維，即24維度，實驗結(jié)果如表1所示。從表1中的測試精度可以看出，Gabor＋2DPCA方法比其他傳統(tǒng)方法識別效果好。樣本與Gabor濾波響應圖見圖2。

表1 3種算法的性能對比Tab.1 Contrast of three kinds of algorithm performance

實驗2：由實驗1得出Gabor＋2DPCA的算法要好于其他2種算法，選用Gabor＋2DPCA作為特征提取的算法，對于極限學習機、支持向量機(SVM)以及BP神經(jīng)網(wǎng)絡(luò)的分類性能，SVM選用libsvm工具包，實驗進行20次取平均值，結(jié)果如表2所示。從表2可見，采用極限學習機作為分類器進行貝類識別不僅具有極快的速度而且推廣能力也很不錯，效果要遠遠優(yōu)于BP神經(jīng)網(wǎng)絡(luò)，同時在小樣本的時候ELM同樣具有良好的分類性能，而BP網(wǎng)絡(luò)在小樣本的情況下效果較差。

圖2 5種貝類的樣本及Gabor濾波響應圖Fig.2 Five kinds of shell fish and their filter response images

表2 3種分類器的性能對比Tab.2 Comparison of three classifier performance

4 結(jié) 論

本實驗提出了一種貝類識別的新方法，首先選用5個中心頻率和8個方向的40組Gabor濾波器組提出每張圖片的Gabor特征，然后采用2DPCA對提取出來的特征進行降計算機科學維壓縮，解決了特征維數(shù)過高造成的維數(shù)災難問題，最后采用極限學習機分類器進行分類識別。通過與BP神經(jīng)網(wǎng)絡(luò)和SVM對比發(fā)現(xiàn)，極限學習機分類器用于貝類識別中不僅速度極快而且泛化性良好，同時相對于BP神經(jīng)網(wǎng)絡(luò)極限學習機在小樣本時也取得了良好的分類性能。

[1]SUN Dawen.Computer Vision Technology for Food Quality Evaluation[M].Dublin：Elsevier Press，2007：122－125.

[2]里紅杰，陶學恒，于曉強.計算機視覺技術(shù)在海產(chǎn)品質(zhì)量評估中的應用[J].食品與機械，2012，28(4)：154－156.

[3]鄧萬宇，鄭慶華，陳琳.神經(jīng)網(wǎng)絡(luò)極速學習方法研究[J].計算機學報，2010，33(2)：279－287.

[4]HUANG Guangbin，ZHU Qinyu，SIEW C K.Extreme learning machine：theory and applications[J].Neuro Computing，2006，70(1／2／3)：489－501.

[5]BELHUMEUR P N，HESPANHA J P，KRIEGMAN D J.Eigenfaces vs.fisherfaces：recognition using class specific linear projection[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，1997，19(7)：711－720.

[6]HUANG Linlin，SHIMIZU A，KOBATAKE H.Robust face detection using Gabor filter features[J].Pattern Recognition Letters，2005，26(11)：1641－1649.