易丐+李国进 王祥铜+��

摘要：目前纹理图像分类有不同的方法，但对纹理的描述还不够全面，而且当有新方法提取的特征加入时，系统的可扩展性也不够，通用性不好。本文针对上述问题提出了一种将DS证据理论与极限学习机相结合的决策级融合模型，用来对纹理图像进行分类。采用三种不同方法来提取特征以获得更多更全面的纹理表现形式，并对提取的每种特征向量用极限学习机建立相应的分类器，最后用DS证据理论在不确定性表示、度量和组合方面有着的优势来进行决策级融合。对于证据理论中基本概率赋值函数（BPAF）难以有效获取的问题，由于极限学习机具有学习速度快，泛化性能好的优点并且产生唯一的最优解的优点，所以利用其来构造其基本概率赋值函数。实验结果表明这种方法比单个分类器具有更高的识别正确率，降低了识别的不确定性。

关键词：纹理图像分类；特征提取；DS证据理论；极限学习机； 基本概率赋值函数

中图分类号：TP751文献标识码：ADOI：10.3969/j.issn.10036199.2017.01.020

1概述

纹理是由物体表面的物理属性不同而产生的，不同的纹理表面可得到不同的纹理图像特征。目前基于纹理图像的识别已广泛用于目标识别、金相分析、遥感图像分析、医学图像分析、工业表面检测、文档处理和图像检索等领域[1，2]。

目前常用的纹理图像分类识别算法主要有：K近邻法、决策树、人工神经网络、DS证据理论等算法[3，4]，在实际应用中会根据纹理特征提取的情况来选择相应的识别算法。……