亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于SVM多分類的超分辨圖像細(xì)粒度分類方法

        2020-06-05 11:06:34連和謬
        關(guān)鍵詞:特征提取分類特征

        連和謬

        (閩南理工學(xué)院實(shí)踐教學(xué)中心,福建石獅362700)

        0 引言

        采用超分辨成像技術(shù)進(jìn)行圖像成像,能夠有效提高圖像的輸出分辨能力。在超分辨圖像檢索過程中,需要進(jìn)行超分辨圖像細(xì)粒度分類優(yōu)化處理,構(gòu)建超分辨圖像細(xì)粒度融合模型,結(jié)合人工智能方法進(jìn)行圖像的優(yōu)化分類,提高超分辨圖像細(xì)粒度的檢索和信息提取能力。研究超分辨圖像細(xì)粒度分類方法,在圖像數(shù)據(jù)庫(kù)構(gòu)建和優(yōu)化檢索中具有很好的應(yīng)用價(jià)值[1]。

        超分辨圖像細(xì)粒度分類建立在圖像的特征提取基礎(chǔ)上,通過提取超分辨圖像細(xì)粒度特征量,根據(jù)超分辨圖像細(xì)粒度特征量的分布屬性作圖像分類處理。傳統(tǒng)方法中,超分辨圖像細(xì)粒度分類方法主要有小波檢測(cè)方法、BP神經(jīng)網(wǎng)絡(luò)分類方法[2-3],以及Harris角點(diǎn)檢測(cè)的圖像分類算法[4],但上述方法進(jìn)行超分辨圖像細(xì)粒度分類的精度較低,實(shí)際運(yùn)用中需要不斷改進(jìn)。

        鑒此,本文提出基于SVM多分類的超分辨圖像細(xì)粒度分類算法。SVM多分類是對(duì)一種類型信息進(jìn)行多指標(biāo)分類的方法,通過提取目標(biāo)信息的多特征,利用不同分析方法獲取其特征量,根據(jù)特征量實(shí)現(xiàn)塊稀疏多特征匹配,并將匹配結(jié)果輸入到支持向量機(jī)中進(jìn)行細(xì)粒度分類,實(shí)現(xiàn)SVM多分類下的圖像細(xì)粒度分類。仿真實(shí)驗(yàn)分析展示了本文方法在提高超分辨圖像細(xì)粒度分類能力方面的優(yōu)越性能。

        1 超分辨圖像融合濾波和細(xì)粒度特征提取

        1.1 超分辨圖像融合濾波

        為實(shí)現(xiàn)基于SVM多分類的超分辨圖像細(xì)粒度分類,提高超分辨圖像細(xì)粒度可識(shí)別性,首先對(duì)采集的超分辨圖像進(jìn)行融合濾波處理,實(shí)現(xiàn)圖像的預(yù)處理。假設(shè)待分類的模糊超分辨圖像為F,相似性較高的圖像背景分量為GF,根據(jù)兩幅圖像的內(nèi)容相似度進(jìn)行特征匹配,對(duì)GF進(jìn)行模板融合處理,采用模板配準(zhǔn)方法進(jìn)行超分辨圖像的自適應(yīng)融合濾波,將待分類的超分辨圖像分成3×3拓?fù)浣Y(jié)構(gòu),設(shè)置4個(gè)超分辨圖像檢測(cè)窗口,結(jié)合超分辨像素特征重構(gòu)方法,進(jìn)行超分辨圖像的紋理特征匹配[5]。超分辨圖像的模糊度為ηF,每個(gè)子帶圖像的灰階像素為

        采用擴(kuò)展Kalman濾波方法,對(duì)超分辨圖像的中心像素點(diǎn)進(jìn)行區(qū)域性融合,構(gòu)建超分辨圖像的空間融合模型。根據(jù)圖像的相似度進(jìn)行空間分布重建,得到超分辨圖像的信息熵為H,H信息越多,表示超分辨圖像中的細(xì)粒度越多。對(duì)超分辨圖像的細(xì)粒度進(jìn)行模糊特征檢測(cè)和識(shí)別,提取超分辨圖像中的相似度成分,設(shè)每個(gè)子帶圖像的灰階像素f?F為主成分特征,圖像的相似度越大,則越接近F。在小波域中對(duì)超分辨圖像進(jìn)行二值化處理,得到每個(gè)超分辨子帶圖像中的細(xì)粒度特征量為

        其中,h、f分別代表圖像的顏色、紋理分布。給出批量超分辨圖像細(xì)粒度的向量量化值為Dg=βSi+(1-β)ml,其中為超分辨圖像的局部方差,為模板配準(zhǔn)的殘差分量;Si表示超分辨圖像細(xì)粒度分布的高階特征量,其計(jì)算公式為

        按照16:4:4比例進(jìn)行圖像的灰度像素特征匹配,輸出特征匹配值

        若超分辨圖像的細(xì)粒度的量化特征分布集滿足L(r)∈{-1,0,1},則圖像編碼特征量為

        其中,r為超分辨圖像的中心點(diǎn)相似度特征量,0≤r≤1。根據(jù)圖像編碼特征量及輸出特征匹配值的計(jì)算,進(jìn)行圖像的融合濾波處理。本文將采用Atanassov擴(kuò)展方法對(duì)超分辨圖像進(jìn)行融合濾波,圖像融合濾波

        式中,c為超分辨圖像細(xì)粒度的中心像素點(diǎn)分布矩陣的列數(shù)。根據(jù)式(6)得到融合濾波結(jié)果,為準(zhǔn)確進(jìn)行超分辨圖像細(xì)粒度分類,需對(duì)濾波結(jié)果進(jìn)行特征提取。

        1.2 圖像的細(xì)粒度多特征提取

        在上述進(jìn)行了超分辨圖像融合濾波的基礎(chǔ)上,進(jìn)行圖像的多特征提取[6]。在Markov鏈模型中得到圖像的灰度-梯度不變矩為

        考慮圖像的仿射區(qū)域不變性,采用Harris角點(diǎn)檢測(cè)算法實(shí)現(xiàn)超分辨圖像細(xì)粒度檢測(cè)[7],在近鄰相位點(diǎn)處,得到超分辨圖像細(xì)粒度重構(gòu)輸出為

        式中,σ表示為超分辨圖像細(xì)粒度融合的樣本系數(shù),Δx表示超分辨圖像細(xì)粒度的視覺差。采用LGB向量量化方法,進(jìn)行超分辨圖像細(xì)粒度多特征匹配,令細(xì)粒度差異性分布函數(shù)t(x)=e-βd(x),其中0<t(x)<1,采用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法,進(jìn)行超分辨圖像細(xì)粒度像素值計(jì)算,輸出結(jié)果表示為

        根據(jù)紋理多特征匹配方法,進(jìn)行超分辨圖像的最大灰度多特征量檢測(cè),采用邊緣多特征檢測(cè)方法,對(duì)圖像的輪廓點(diǎn)進(jìn)行深度學(xué)習(xí),得到最大灰度多特征量值為

        在圖像的細(xì)粒度分類過程中,進(jìn)行圖像多特征聚類處理,采用SVM方法進(jìn)行圖像檢測(cè)過程中的自適應(yīng)尋優(yōu),得到細(xì)粒度多特征提取輸出為

        其中,f0表示梯度方向的圖像像素樣本分布集,由此實(shí)現(xiàn)對(duì)待分類的超分辨圖像細(xì)粒度多特征提取[8]。

        2 圖像細(xì)粒度分類算法優(yōu)化

        2.1 基于SVM模型的塊稀疏多特征匹配

        在上述采用邊緣輪廓多特征提取方法進(jìn)行超分辨圖像細(xì)粒度提取的基礎(chǔ)上,進(jìn)行圖像細(xì)粒度分類算法優(yōu)化設(shè)計(jì),本文提出基于SVM多分類的超分辨圖像細(xì)粒度分類算法,得到超分辨圖像細(xì)粒度自適應(yīng)調(diào)節(jié)系數(shù)描述如下:

        對(duì)于CHi(i∈C1),超分辨圖像細(xì)粒度分布的空間位置信息標(biāo)定為

        式中

        對(duì)批量超分辨圖像細(xì)粒度進(jìn)行融合處理[9],得到多特征分辨率為

        采用圖像增強(qiáng)方法進(jìn)行超分辨圖像細(xì)粒度成像分辨率增強(qiáng)處理,將聯(lián)合稀疏問題轉(zhuǎn)換為塊稀疏多特征匹配問題,則圖像分類的塊稀疏多特征匹配公式為

        將提取的超分辨圖像細(xì)粒度多特征輸入到支持向量機(jī)中實(shí)現(xiàn)超分辨圖像細(xì)粒度分類,提高圖像的細(xì)粒度檢測(cè)能力[10]。

        2.2 支持向量機(jī)多分類模型

        采用粗糙集多特征分布式挖掘方法進(jìn)行圖像的細(xì)粒度多特征重構(gòu),構(gòu)建改進(jìn)的SVM模型,SVM進(jìn)行圖像細(xì)粒度分類的系統(tǒng)結(jié)構(gòu)函數(shù)描述為

        在分類器中采用自適應(yīng)的加權(quán)學(xué)習(xí)方法進(jìn)行自動(dòng)分類,構(gòu)建超分辨圖像細(xì)粒度深度學(xué)習(xí)模型,得到SVM分類模型如圖1所示。

        圖1 SVM圖像分類模型

        根據(jù)圖1所示的分類器模型,加入深度學(xué)習(xí)算法構(gòu)建圖像細(xì)粒度分類的學(xué)習(xí)迭代式

        將提取的超分辨圖像細(xì)粒度多特征輸入到支持向量機(jī)中,得到圖像分類的量化編碼為

        以圖像分類的量化編碼為指標(biāo),作為圖像細(xì)粒度分類依據(jù),進(jìn)行SVM多分類。該分類過程是一種全局收斂的過程,當(dāng)獲取到收斂最優(yōu)解時(shí),完成圖像細(xì)粒度分類,其中最優(yōu)解計(jì)算公式為:

        通過上述處理,實(shí)現(xiàn)了基于SVM多分類的超分辨圖像細(xì)粒度分類。為檢驗(yàn)本文方法的有效性及可靠性,需對(duì)其進(jìn)行仿真實(shí)驗(yàn)。

        3 仿真實(shí)驗(yàn)與結(jié)果分析

        3.1 樣本圖像的選擇

        為了測(cè)試本文方法在實(shí)現(xiàn)超分辨圖像細(xì)粒度分類中的應(yīng)用性能,進(jìn)行仿真實(shí)驗(yàn)。實(shí)驗(yàn)采用Mat?lab 7設(shè)計(jì),超分辨圖像細(xì)粒度多特征采樣集來自于Corel標(biāo)準(zhǔn)圖像庫(kù),樣本庫(kù)中的訓(xùn)練集圖像為4000組圖像,分類屬性類別為4,超分辨重組的系數(shù)為1.24。該圖像庫(kù)中包含多個(gè)主題,例如有動(dòng)物、海灘、汽車等。本文將從中選取9幅圖案用于仿真實(shí)驗(yàn)。以其中一組主體對(duì)象為例,進(jìn)行圖像分類,得到測(cè)試圖像對(duì)象如圖2所示。

        圖2 測(cè)試超分辨圖像

        3.2 實(shí)驗(yàn)評(píng)價(jià)指標(biāo)

        式中,R代表最大置信度,M表示細(xì)粒度類別,k表示分類回歸系數(shù)。

        本文針對(duì)Corel圖像樣本庫(kù)中選取任意超分辨圖像進(jìn)行細(xì)粒度分類。由于超分辨圖像類別間差異極小,因此置信值差別小。為更好進(jìn)行評(píng)價(jià),則有

        式中,Ni為預(yù)測(cè)類別,T為訓(xùn)練總數(shù),Nj為圖像實(shí)際類別。式(22)中,當(dāng)k=1時(shí),取置信度評(píng)分最高的預(yù)測(cè)結(jié)果進(jìn)行判斷;當(dāng)k=2時(shí),取置信度評(píng)分最高的兩個(gè)預(yù)測(cè)結(jié)果進(jìn)行判斷,只要其中一個(gè)預(yù)測(cè)結(jié)果預(yù)測(cè)正確,則判定為正確,以此類推。

        3.3 實(shí)驗(yàn)參數(shù)的選擇

        訓(xùn)練實(shí)驗(yàn)參數(shù)見表1。

        表1 訓(xùn)練實(shí)驗(yàn)參數(shù)

        根據(jù)上述參數(shù),進(jìn)行圖像細(xì)粒度分類。

        3.4 對(duì)比實(shí)驗(yàn)

        3.4.1 圖像分類有效性

        以圖2類型為研究對(duì)象,進(jìn)行圖像細(xì)粒度分類,得到分類輸出如圖3所示。

        圖3 圖像分類輸出

        采用本文方法可根據(jù)圖像中待識(shí)別物體的方向、顏色進(jìn)行分類。如圖3(a)~(c)所示,本文方法在選取的樣本圖案中,根據(jù)其細(xì)粒度組合多特征進(jìn)行選取、排序,以大象頭部朝向?yàn)橹笜?biāo)獲取分類結(jié)果。同樣的,本文方法采用RGB顏色分量重組方法進(jìn)行超分辨圖像細(xì)粒度分類,以背景顏色為指標(biāo),獲取分類結(jié)果。通過分析圖3可知,基于SVM多分類的超分辨圖像細(xì)粒度分類方法能夠有效將圖像以不同指標(biāo)進(jìn)行分類。

        3.4.2 分類結(jié)果的置信度及準(zhǔn)確性

        根據(jù)不同方法的訓(xùn)練驗(yàn)證結(jié)果置信度繪制準(zhǔn)確率性能對(duì)比圖(圖4)。

        圖4 圖像分類準(zhǔn)確率對(duì)比

        分析圖4得知,采用本文方法進(jìn)行超分辨圖像細(xì)粒度分類的準(zhǔn)確性較高,誤分率較低,提高了圖像的優(yōu)化檢索能力。這是由于本文方法采用了融合濾波方法對(duì)超分辨圖像進(jìn)行處理,在一定程度上減少了其他信息的干擾,提取了有效信息,為后續(xù)圖像細(xì)粒度分類提高了準(zhǔn)確率。

        4 結(jié)語(yǔ)

        進(jìn)行超分辨圖像細(xì)粒度分類優(yōu)化處理,構(gòu)建超分辨圖像細(xì)粒度融合模型,結(jié)合人工智能方法進(jìn)行圖像的優(yōu)化分類,提高超分辨圖像細(xì)粒度的檢索和信息提取能力,本文提出了基于SVM多分類的超分辨圖像細(xì)粒度分類算法。通過超分辨圖像融合濾波對(duì)圖像進(jìn)行預(yù)處理,采用SVM方法進(jìn)行圖像檢測(cè)過程中的自適應(yīng)尋優(yōu),得到細(xì)粒度多特征提取輸出,根據(jù)提出輸出值進(jìn)行塊稀疏多特征匹配,最終實(shí)現(xiàn)了基于支持向量機(jī)多分類模型的超分辨圖像細(xì)粒度分類。分析得知,采用該方法進(jìn)行超分辨圖像細(xì)粒度分類的準(zhǔn)確性較高,提高了超分辨圖像的檢索能力,具有很好的應(yīng)用價(jià)值。

        猜你喜歡
        特征提取分類特征
        分類算一算
        如何表達(dá)“特征”
        基于Gazebo仿真環(huán)境的ORB特征提取與比對(duì)的研究
        電子制作(2019年15期)2019-08-27 01:12:00
        不忠誠(chéng)的四個(gè)特征
        分類討論求坐標(biāo)
        數(shù)據(jù)分析中的分類討論
        教你一招:數(shù)的分類
        抓住特征巧觀察
        一種基于LBP 特征提取和稀疏表示的肝病識(shí)別算法
        基于MED和循環(huán)域解調(diào)的多故障特征提取
        女同久久精品国产99国产精品| 日韩人妖视频一区二区| 国产精品亚洲片在线观看不卡| 中文成人无字幕乱码精品区| 久久无码精品精品古装毛片| 亚洲高清国产拍精品熟女| 美女被男人插得高潮的网站| 亚洲av日韩av在线观看| 黄色毛片在线看| 亚洲精品尤物av在线网站| 日本一区二区三区亚洲| 专干老肥熟女视频网站300部| 欧美激情在线不卡视频网站| 久久久亚洲女精品aa| 亚洲精品av一区二区| 日本高清h色视频在线观看| 欧美日韩精品福利在线观看| 最新国产成人自拍视频| 精品一区二区三区芒果| 人妻丰满熟妇av无码片| 香蕉视频免费在线| 国产洗浴会所三级av| 亚洲日韩精品无码av海量| 亚洲粉嫩高潮的18p| 精品无码国产一二三区麻豆| 被灌醉的日本人妻中文字幕| 亚洲国产成人久久综合| 婷婷丁香五月亚洲| 一区两区三区视频在线观看| 免费av片在线观看网址| 洗澡被公强奷30分钟视频| 99久久精品国产片| 久久伊人精品中文字幕有尤物| 国产无遮挡又黄又爽免费网站| 人妻在线中文字幕| 国产精品国产三级国a| 色欲av伊人久久大香线蕉影院| 日韩成人无码一区二区三区 | 日本最新在线一区二区| 凌辱人妻中文字幕一区| 成av人片一区二区三区久久|