精細(xì)圖像分類方法的研究

蔡德明 孫宇 馬濤 許蘭東 吉林大學(xué)軟件學(xué)院

精細(xì)圖像分類方法的研究

蔡德明 孫宇 馬濤 許蘭東 吉林大學(xué)軟件學(xué)院

隨著計(jì)算機(jī)技術(shù)，人工智能技術(shù)的飛速發(fā)展，人們的需求也在隨著技術(shù)的提高而渴望得到提升，因此模式分類技術(shù)的發(fā)展顯得尤為重要，但目前的專家和學(xué)者都把主要研究內(nèi)容聚焦在基本層的分類上，而很少在從屬層分類上進(jìn)行研究，即對(duì)具有相同基本層屬性的圖像，或具有相似視覺的圖像進(jìn)行分類，也就是對(duì)圖像進(jìn)行精細(xì)分類。

精細(xì)分類 機(jī)器學(xué)習(xí) 圖像分類器

1.概述

精細(xì)圖像分類方法是近年來新興起的前沿研究方向，此項(xiàng)目對(duì)生物學(xué)，生態(tài)學(xué)，地質(zhì)學(xué)等多個(gè)領(lǐng)域的發(fā)展有著很大的促進(jìn)作用。目前國外相關(guān)研究已經(jīng)發(fā)展到一定階段，但國內(nèi)進(jìn)度相對(duì)緩慢。該項(xiàng)目旨在在原有數(shù)據(jù)庫的基礎(chǔ)上，對(duì)噪聲，光照等因素進(jìn)行處理，設(shè)計(jì)高效準(zhǔn)確的分類器。隨著工業(yè)技術(shù)的逐步提高，精細(xì)圖像分類技術(shù)定會(huì)成為圖像分類的焦點(diǎn)。

2.具體流程

2.1 圖像的預(yù)處理

圖像的采集過程中會(huì)受到采集設(shè)備、光照、噪聲和背景環(huán)境等影響，這些不利因素可能對(duì)提取圖像中的關(guān)鍵元素產(chǎn)生一定的阻礙作用。為改善圖像的質(zhì)量，首先要對(duì)圖像進(jìn)行預(yù)處理。主要有兩種基本思路：

(1)圖像的增強(qiáng)：不考慮次要信息對(duì)圖像產(chǎn)生的降質(zhì)影響，只對(duì)圖像中我們感興趣的特征進(jìn)行有選擇的突出，而相對(duì)衰減其他信息，從而提高圖像的可讀性。

(2)圖像的復(fù)原：針對(duì)圖像的降質(zhì)原因，設(shè)法補(bǔ)償降質(zhì)的元素，使改善后的圖像盡可能接近原始圖像。

圖像需要在很多方面進(jìn)行預(yù)處理，這里我們主要探討光照和噪聲兩方面：

(1)基于光照因素的預(yù)處理：人眼感受到的亮度與進(jìn)入人眼的光強(qiáng)度成對(duì)數(shù)關(guān)系，對(duì)數(shù)變換后的圖像感覺柔和，符合人類的視覺特點(diǎn)。對(duì)數(shù)變換使圖像低灰度范圍的值進(jìn)行擴(kuò)展，高灰度范圍的值進(jìn)行壓縮，對(duì)光照不足的圖像有很好的補(bǔ)償作用，但對(duì)光照過強(qiáng)圖像卻無能為力，而指數(shù)變換則對(duì)過亮圖像可以進(jìn)行光照補(bǔ)償。

(2)基于噪聲因素的預(yù)處理：目前為止圖像去噪的方法有很多，但是大多數(shù)方法都是基于二階微分的推導(dǎo)，但是經(jīng)過長時(shí)間的實(shí)驗(yàn)可以看出此方法有很多局限性，會(huì)使得圖像出現(xiàn)視覺呆板的效果，且容易出現(xiàn)偽邊緣，因此我們這次嘗試新的方法。通過大量的數(shù)據(jù)證明，采用四階微分偏導(dǎo)可以改善這種缺陷，并且對(duì)圖像的去噪處理也可以做到很好的效果。去噪處理完成的圖像可以達(dá)到更加自然逼真的效果。

2.2 圖像的表示

圖像信息的表示是精細(xì)圖像分類的關(guān)鍵，因?yàn)榫?xì)圖像在形狀上和視覺感上都極其的相似，因此對(duì)其進(jìn)行精細(xì)的分類無疑是很嚴(yán)峻的挑戰(zhàn)。由于基于碼本和詞典的表示方法會(huì)對(duì)圖像的關(guān)鍵信息造成缺失的問題，而釋文解釋的方法雖然很好的解決了這類問題，但人工成本過高，所以我們采用另一種模板匹配的方法來表示圖像。

主要思路為：首先從選取的樣圖中以隨機(jī)生成的方式產(chǎn)生模板，將要分類的圖像與模板進(jìn)行匹配，抽取出匹配成功的關(guān)鍵點(diǎn)，圖像與模板的匹配程度可以表示為很多種形式，在這里我們采用形狀特征和顏色特征的兩種形式來表示，在每個(gè)特征圖中進(jìn)行選取匹配程度最大的特征向量，將多組特征向量組合在一起構(gòu)成目標(biāo)圖像，不同特征向量表示可以采用融合策略進(jìn)行有效融合，共同表示圖像信息

2.3 分類器的設(shè)計(jì)

分類器設(shè)計(jì)是精細(xì)圖像分類的最后一個(gè)環(huán)節(jié)，也是至關(guān)重要的環(huán)節(jié)。分類器設(shè)計(jì)的好壞，將直接決定最終的分類結(jié)果。由于我們擬采用隨機(jī)生成大量模板訓(xùn)練并分類精細(xì)圖像，因而會(huì)存在模板局部交疊，信息冗余或不具判別性等風(fēng)險(xiǎn)，訓(xùn)練的分類器也很有可能遭遇過擬合問題。為此，我們擬采用具有很好穩(wěn)定性的Bagging算法設(shè)計(jì)分類器（bagging是一種用來提高學(xué)習(xí)算法準(zhǔn)確度的方法，這種方法通過構(gòu)造一個(gè)預(yù)測函數(shù)系列，然后以一定的方式將它們組合成一個(gè)預(yù)測函數(shù)。Bagging要求“不穩(wěn)定”（不穩(wěn)定是指數(shù)據(jù)集的小的變動(dòng)能夠使得分類結(jié)果的顯著的變動(dòng)）的分類方法）。Bagging算法具有如下優(yōu)點(diǎn)：

(1)訓(xùn)練集是隨機(jī)的，各訓(xùn)練集是獨(dú)立的；

(2)每個(gè)預(yù)測函數(shù)(即弱假設(shè))沒有權(quán)重；

(3)各個(gè)預(yù)測函數(shù)可以并行生成，通過并行訓(xùn)練節(jié)省大量時(shí)間；

(4)一般情況下，Bagging方法總是可以改善學(xué)習(xí)系統(tǒng)的性能。

具體目標(biāo)函數(shù)如下：

其中W1，W2…Wp為特征集權(quán)重，l()中為代價(jià)損失函數(shù)，N為訓(xùn)練樣本個(gè)數(shù)，xi為第i幅圖像的特征向量表示，yi為類標(biāo)簽，P為Bagging算法包含的分類器個(gè)數(shù)，α和β為正則化參數(shù)，分別控制特征集權(quán)重的稀疏性和正交性。

3.總結(jié)

目前，精細(xì)圖像分類的研究已成為國際上的熱點(diǎn)課題之一。隨著計(jì)算機(jī)、人工智能等新技術(shù)的不斷突破和創(chuàng)新，以及人們需求的不斷增長，準(zhǔn)確、高效、魯棒的精細(xì)圖像分類技術(shù)將對(duì)上述學(xué)科領(lǐng)域和人們生產(chǎn)生活發(fā)揮越來越重要的作用。

[1]席偉.基于判別函數(shù)算法的圖像分類器設(shè)計(jì)[J].電腦知識(shí)與技術(shù),2012,8(33):8018-8020+8032.[2017-08-31].

[2]謝曉東.面向花卉圖像的精細(xì)圖像分類研究[D].廈門大學(xué),2014.

[3]吳會(huì)寧.基于內(nèi)容的花卉圖像檢索算法研究[D].揚(yáng)州大學(xué),2014.