蔡德明 孙宇 马涛 许兰东 吉林大学软件学院

精细图像分类方法的研究

蔡德明 孙宇 马涛 许兰东 吉林大学软件学院

随着计算机技术，人工智能技术的飞速发展，人们的需求也在随着技术的提高而渴望得到提升，因此模式分类技术的发展显得尤为重要，但目前的专家和学者都把主要研究内容聚焦在基本层的分类上，而很少在从属层分类上进行研究，即对具有相同基本层属性的图像，或具有相似视觉的图像进行分类，也就是对图像进行精细分类。

精细分类 机器学习 图像分类器

1.概述

精细图像分类方法是近年来新兴起的前沿研究方向，此项目对生物学，生态学，地质学等多个领域的发展有着很大的促进作用。目前国外相关研究已经发展到一定阶段，但国内进度相对缓慢。该项目旨在在原有数据库的基础上，对噪声，光照等因素进行处理，设计高效准确的分类器。随着工业技术的逐步提高，精细图像分类技术定会成为图像分类的焦点。

2.具体流程

2.1 图像的预处理

图像的采集过程中会受到采集设备、光照、噪声和背景环境等影响，这些不利因素可能对提取图像中的关键元素产生一定的阻碍作用。为改善图像的质量，首先要对图像进行预处理。主要有两种基本思路：

(1)图像的增强：不考虑次要信息对图像产生的降质影响，只对图像中我们感兴趣的特征进行有选择的突出，而相对衰减其他信息，从而提高图像的可读性。

(2)图像的复原：针对图像的降质原因，设法补偿降质的元素，使改善后的图像尽可能接近原始图像。

图像需要在很多方面进行预处理，这里我们主要探讨光照和噪声两方面：

(1)基于光照因素的预处理：人眼感受到的亮度与进入人眼的光强度成对数关系，对数变换后的图像感觉柔和，符合人类的视觉特点。对数变换使图像低灰度范围的值进行扩展，高灰度范围的值进行压缩，对光照不足的图像有很好的补偿作用，但对光照过强图像却无能为力，而指数变换则对过亮图像可以进行光照补偿。

(2)基于噪声因素的预处理：目前为止图像去噪的方法有很多，但是大多数方法都是基于二阶微分的推导，但是经过长时间的实验可以看出此方法有很多局限性，会使得图像出现视觉呆板的效果，且容易出现伪边缘，因此我们这次尝试新的方法。通过大量的数据证明，采用四阶微分偏导可以改善这种缺陷，并且对图像的去噪处理也可以做到很好的效果。去噪处理完成的图像可以达到更加自然逼真的效果。

2.2 图像的表示

图像信息的表示是精细图像分类的关键，因为精细图像在形状上和视觉感上都极其的相似，因此对其进行精细的分类无疑是很严峻的挑战。由于基于码本和词典的表示方法会对图像的关键信息造成缺失的问题，而释文解释的方法虽然很好的解决了这类问题，但人工成本过高，所以我们采用另一种模板匹配的方法来表示图像。

主要思路为：首先从选取的样图中以随机生成的方式产生模板，将要分类的图像与模板进行匹配，抽取出匹配成功的关键点，图像与模板的匹配程度可以表示为很多种形式，在这里我们采用形状特征和颜色特征的两种形式来表示，在每个特征图中进行选取匹配程度最大的特征向量，将多组特征向量组合在一起构成目标图像，不同特征向量表示可以采用融合策略进行有效融合，共同表示图像信息

2.3 分类器的设计

分类器设计是精细图像分类的最后一个环节，也是至关重要的环节。分类器设计的好坏，将直接决定最终的分类结果。由于我们拟采用随机生成大量模板训练并分类精细图像，因而会存在模板局部交叠，信息冗余或不具判别性等风险，训练的分类器也很有可能遭遇过拟合问题。为此，我们拟采用具有很好稳定性的Bagging算法设计分类器（bagging是一种用来提高学习算法准确度的方法，这种方法通过构造一个预测函数系列，然后以一定的方式将它们组合成一个预测函数。Bagging要求“不稳定”（不稳定是指数据集的小的变动能够使得分类结果的显著的变动）的分类方法）。Bagging算法具有如下优点：

(1)训练集是随机的，各训练集是独立的；

(2)每个预测函数(即弱假设)没有权重；

(3)各个预测函数可以并行生成，通过并行训练节省大量时间；

(4)一般情况下，Bagging方法总是可以改善学习系统的性能。

具体目标函数如下：

其中W1，W2…Wp为特征集权重，l()中为代价损失函数，N为训练样本个数，xi为第i幅图像的特征向量表示，yi为类标签，P为Bagging算法包含的分类器个数，α和β为正则化参数，分别控制特征集权重的稀疏性和正交性。

3.总结

目前，精细图像分类的研究已成为国际上的热点课题之一。随着计算机、人工智能等新技术的不断突破和创新，以及人们需求的不断增长，准确、高效、鲁棒的精细图像分类技术将对上述学科领域和人们生产生活发挥越来越重要的作用。

[1]席伟.基于判别函数算法的图像分类器设计[J].电脑知识与技术,2012,8(33):8018-8020+8032.[2017-08-31].

[2]谢晓东.面向花卉图像的精细图像分类研究[D].厦门大学,2014.

[3]吴会宁.基于内容的花卉图像检索算法研究[D].扬州大学,2014.