• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      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:細(xì)粒度特征提取濾波

      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方法、BP神經(jīng)網(wǎng)絡(luò)分類方法[2-3],以及Harris角點(diǎn)檢測的圖像分類算法[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)粒度可識別性,首先對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。對超分辨圖像的細(xì)粒度進(jìn)行模糊特征檢測和識別,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)檢測算法實(shí)現(xiàn)超分辨圖像細(xì)粒度檢測[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,采用邊緣多特征檢測方法,對圖像的輪廓點(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,樣本庫中的訓(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)。以其中一組主體對象為例,進(jìn)行圖像分類,得到測試圖像對象如圖2所示。

      圖2 測試超分辨圖像

      3.2 實(shí)驗(yàn)評價(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Corel圖像樣本庫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)行評價(jià),則有

      式中,Ni為預(yù)測類別,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),取置信度評分最高的預(yù)測結(jié)果進(jìn)行判斷;當(dāng)k=2時(shí),取置信度評分最高的兩個(gè)預(yù)測結(jié)果進(jìn)行判斷,只要其中一個(gè)預(yù)測結(jié)果預(yù)測正確,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 對比實(shí)驗(yàn)

      3.4.1 圖像分類有效性

      以圖2類型為研究對象,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)確率性能對比圖(圖4)。

      圖4 圖像分類準(zhǔn)確率對比

      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

      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圖像進(jìn)行預(yù)處理,采用SVM方法進(jìn)行圖像檢測過程中的自適應(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
      細(xì)粒度特征提取濾波
      融合判別性與細(xì)粒度特征的抗遮擋紅外目標(biāo)跟蹤算法
      細(xì)粒度的流計(jì)算執(zhí)行效率優(yōu)化方法
      基于Daubechies(dbN)的飛行器音頻特征提取
      電子制作(2018年19期)2018-11-14 02:37:08
      基于雙線性卷積網(wǎng)絡(luò)的細(xì)粒度圖像定位
      Bagging RCSP腦電特征提取算法
      支持細(xì)粒度權(quán)限控制且可搜索的PHR云服務(wù)系統(tǒng)
      RTS平滑濾波在事后姿態(tài)確定中的應(yīng)用
      基于線性正則變換的 LMS 自適應(yīng)濾波
      遙測遙控(2015年2期)2015-04-23 08:15:18
      基于MED和循環(huán)域解調(diào)的多故障特征提取
      基于隨機(jī)加權(quán)估計(jì)的Sage自適應(yīng)濾波及其在導(dǎo)航中的應(yīng)用
      青田县| 大英县| 蒲城县| 银川市| 宜兰县| 沙洋县| 枝江市| 科技| 泾阳县| 库伦旗| 雷山县| 岗巴县| 眉山市| 巴东县| 浪卡子县| 易门县| 滨州市| 上林县| 肇源县| 浦县| 独山县| 河源市| 新乡县| 旬阳县| 青岛市| 道孚县| 临江市| 金寨县| 积石山| 叶城县| 金山区| 板桥市| 南岸区| 大足县| 治县。| 洪湖市| 象山县| 天柱县| 巴林右旗| 杭锦后旗| 文水县|