杜 娟，孫君頂，2

(1．河南理工大學(xué)計算機科學(xué)與技術(shù)學(xué)院，河南焦作454000;2．“圖像處理與圖像通信”江蘇省重點實驗室，江蘇南京210003)

1 引言

隨著多媒體技術(shù)和信息技術(shù)的快速發(fā)展，越來越多的信息以圖像的形式呈現(xiàn)出來并成為當(dāng)今互聯(lián)網(wǎng)的一種重要的信息載體，而且圖像已廣泛應(yīng)用于社會的多個領(lǐng)域。為了更好組織、管理和利用這些海量的圖片信息，建立有效的分類方式已成為迫切需要解決的問題。目前用于圖像分類的方法很多，如有貝葉斯分類法［1］，神經(jīng)網(wǎng)絡(luò)算法［2］，K － NN 算法［3］，支持向量機算法［4］等。其中，支持向量機從結(jié)構(gòu)風(fēng)險最小化的原則出發(fā)設(shè)計，是小樣本學(xué)習(xí)中十分有效的一種學(xué)習(xí)方法。與傳統(tǒng)的學(xué)習(xí)方法相比支持向量機具有小樣本、推廣性能好、全局最優(yōu)等優(yōu)點。本文在研究圖像底層特征每一維向量的相對重要程度的基礎(chǔ)上，利用特征加權(quán)的方法［5］，并基于支持向量機，實現(xiàn)了圖像的有效分類。

2 圖像特征提取

圖像特征提取和對其進行有效的描述是理解視覺內(nèi)容的關(guān)鍵，本文主要采用的是顏色和紋理特征作為分類依據(jù)。

2．1 顏色特征

顏色是圖像最基本和最直觀的特征，且對圖像大小、方向、旋轉(zhuǎn)都不敏感。常用的顏色描述方法有顏色直方圖，顏色矩，顏色分布熵等。王陳飛［6］等利用顏色直方圖實現(xiàn)了對圖像的分類，但全局顏色直方圖無法捕捉顏色組成的空間關(guān)系，本文采用符合人眼視覺特性的HSV顏色模型，并分別提取圖像的顏色直方圖和顏色低階矩特征。首先將圖像由RGB顏色空間轉(zhuǎn)換成HSV顏色空間;然后，顏色低階矩采用HSV三個分量的均值、方差和三階矩表示，得到9維的顏色矩特征。在提取顏色直方圖特征時，采取符合人類視覺特性的非均勻的量化模式將圖像的顏色量化為36個等級，具體量化方法如下式所示:

2．2 紋理特征

紋理反映了像素鄰域灰度空間分布規(guī)律，常用的描述方法如灰度直方圖的矩、灰度共生矩陣等［7］。本文采用的是灰度共生矩陣和方向紋理普描述符［8］。為了減少計算量本文將灰度級量化成16 級，計算 0°，45°，90°，135°四個方向的共生矩陣，并采用共生矩陣的能量、熵、慣性矩、相關(guān)性4個紋理參數(shù)的均值和標(biāo)準(zhǔn)差作為灰度共生矩陣紋理特征。方向紋理普描述符D－LBP(direction local binary pattern，D－LBP)描述符，描述如下:

3 特征加權(quán)計算和基于支持向量機的分類

通常我們提取圖像的某種特征之后，每一維的權(quán)重都默認(rèn)為1，同等對待。但實際上并不是每一維的特征都與分類強相關(guān)，有一些弱相關(guān)的特征影響著我們的分類結(jié)果，為此我們采用特征加權(quán)來提高分類的準(zhǔn)確性。

3．1 特征加權(quán)

為了實現(xiàn)特征加權(quán)，確定特征權(quán)重是關(guān)鍵。本文利用特征數(shù)據(jù)的穩(wěn)定性來判定特征的重要程度，通過計算訓(xùn)練數(shù)據(jù)每一類每一維的標(biāo)準(zhǔn)差，標(biāo)準(zhǔn)差越小說明特征越穩(wěn)定，這一維特征對分類的貢獻就越大。假定一個訓(xùn)練集D，有M個類，每類有R個樣本，每個樣本有N維特征，其表示如下:

假設(shè)第p類第q維的特征標(biāo)準(zhǔn)差為Spq:

從而相對應(yīng)的權(quán)重系數(shù)定義如下:

從而可得到權(quán)重矩陣Wpq，如下所示:

3．2 基于SVM的分類

支持向量機的基本思想是通過非線性變換將輸入空間變換到一個高維空間，然后在這個新空間中求最優(yōu)線性分類面，這種非線性變換是通過定義適當(dāng)?shù)膬?nèi)積函數(shù)實現(xiàn)的［9］。在自然界中大多數(shù)分類問題是非線性可分的。在這種情況下，我們可以在線性分類約束函數(shù)上增加一個松弛項，這樣得到的最優(yōu)分類面稱為廣義最優(yōu)分類面。相應(yīng)的判別函數(shù)為:

在支持向量機中，采用不同的內(nèi)積函數(shù)將導(dǎo)致不同的支持向量機算法，因此內(nèi)積函數(shù)的選擇對支持向量機的構(gòu)建有重要作用，本文采用高斯核函數(shù)，從而得到徑向基函數(shù)分類器:

基于SVM圖像分類的具體過程如下:

(1)訓(xùn)練數(shù)據(jù)準(zhǔn)備

將訓(xùn)練集D中每一類的每一維特征加權(quán)，從而得到新的訓(xùn)練集D'={xij'}，其中xij'表示如下:

(2)測試數(shù)據(jù)的準(zhǔn)備

將矩陣W的任意一行元素分別乘到對應(yīng)維的特征上可得到一個新的集合，M行元素即可得到M個集合，其中第p個集合表示為Dp={xij'}，其中xij'表示如下:

(3)選擇適當(dāng)?shù)膽土P系數(shù)C，通過訓(xùn)練數(shù)據(jù)對支持向量機進行訓(xùn)練得到分類模型，用于測試這M個測試數(shù)據(jù)集合，得到M個分類結(jié)果。

(4)統(tǒng)計測試的結(jié)果，根據(jù)投票規(guī)則，某個樣本落入哪一類的概率最大，我們就把它歸到哪一類。最后統(tǒng)計出準(zhǔn)確率。

4 實驗結(jié)果與分析

實驗中，我們從COREL圖像庫中選取10個類別共1000幅圖像組成圖像數(shù)據(jù)庫，它們包括人物、馬匹、花朵、恐龍、大象、雪山風(fēng)景、建筑物、海邊風(fēng)景、公共汽車、食品等各100幅。隨機選取每一類的30幅作為訓(xùn)練數(shù)據(jù)，剩下的70幅作為測試數(shù)據(jù)。實驗比較在四種圖像特征下以及特征綜合及特征加權(quán)通過支持向量機的分類結(jié)果，實驗結(jié)果如表1所示，其中Histogram代表36維顏色直方圖，D－LBP代表16維紋理譜描述符，ColorMoment代表9維顏色矩，GLCM代表8維灰度共生矩陣紋理特征，Histogram＆D－LBP代表融合顏色直方圖與D－LBP，ColorMoment＆GLCM代表融合顏色矩與灰度共生矩陣紋理特征。

表1 圖像分類結(jié)果

從表1可以看出，由于特征的每一維對分類的重要程度不同，通過加權(quán)計算后的分類結(jié)果有了明顯的提高。同時還可看出，采用不同的底層特征分類結(jié)果不同，準(zhǔn)確率的高低主要取決于底層特征能不能很好的描述圖像的本質(zhì)特征;另外低層特征的維數(shù)也在一定程度上影響著分類結(jié)果，但考慮到計算的復(fù)雜性問題，所以選取適當(dāng)?shù)木S數(shù)是關(guān)鍵;在多種特征綜合下比在某一種特征下的分類結(jié)果正確率高。

為了進一步驗證本文分類算法的性能，我們將其應(yīng)用到遺跡化石圖像的分類中。圖像庫選擇10類遺跡化石圖像，每類16幅，共160幅圖像，其中部分圖像如圖1所示。實驗中融合顏色直方圖與DLBP通過特征加權(quán)的方法，對遺跡化石圖像進行分類，實驗取得了較好的分類結(jié)果，分類正確率達到71%。

圖1 遺跡化石示例圖像

5 結(jié)論

本文基于特征加權(quán)及支持向量機實現(xiàn)了圖像分類，通過比較特征加權(quán)和不加權(quán)分類的結(jié)果，可以看出，采用特征加權(quán)地方法有效地提高了圖像分類效果。另外，如何有效提取圖像特征、如何增加加權(quán)效果以及考慮樣本對分類的重要程度，通過對樣本加權(quán)提高分類效果，將是本文進一步研究的內(nèi)容。

［1］ D ong Liyan，Yuan Sensen，Liu Guangyuan，et al．Image classification based on bayesian classifier［J］．Journal of Jilin University:Science Edition，2007，45(2):249 －253．(in Chinese)董立巖，苑森森，劉光遠，等．基于貝葉斯分類器的圖像分類［J］．吉林大學(xué)學(xué)報:理學(xué)版，2007，45(2):249－253．

［2］ X ie Wenlan，Shi Yuexiang，Xiao Ping．Classification of natural image based on BP neural network［J］．Computer Engineering and Applications，2010，46(2):63 －166．(in Chinese)謝文蘭，石躍祥，肖平．應(yīng)用BP神經(jīng)網(wǎng)絡(luò)對自然圖像分類［J］．計算機工程與應(yīng)用，2010，46(2):63 －166．

［3］ Y u Xiaosheng，Zhou Ning，Zhang Fangfang．A KNN based model for automatic image categorization．［J］．Zhongguo Tushuguanxuebao，2007，33(167):74 －76．(in Chinese)余肖生，周寧，張芳芳．基于KNN的圖像自動分類模型研究［J］．中國圖書館學(xué)報，2007，33(167):74 －76．

［4］ Gao Yonggang，Zhou Mingquan，Geng Guohua，et al．Image classification based on feature selection and SVMs［J］．Computer Engineering and Appfications，2010，46(5):169 －172．(in Chinese)高永崗，周明全，耿國華，等．基于特征選擇和SVMs的圖像分類［J］．計算機工程與應(yīng)用，2010，46(5):169－172．

［5］ Wang Keping．Research on key techniques of automatic image annotation［D］．Beijing:Beijing University of Posts and Telecommunications，2010．(in Chinese)王科平．自動圖像標(biāo)注的關(guān)鍵技術(shù)研究［D］．北京:北京郵電大學(xué)，2010．

［6］ Wang Chenfei，Xiao Shibin．Study of image classification based on SVM［J］．Computer and Digital Engineering，2006，34(8):74 －77．(in Chinese)王陳飛，肖詩斌．基于SVM的圖像分類研究［J］．計算機與數(shù)字工程，2006，34(8):74 －77．

［7］ S un Junding，Ma Yuanyuan．Summary of texture feature research［J］．Computer Systems ＆ Appfications，2010，19(6):245 －250．(in Chinese)孫君頂，馬媛媛．紋理特征研究綜述［J］．計算機系統(tǒng)應(yīng)用，2010，19(6):245 －250．

［8］ W u Xiaosheng．Image retrieval based on texture spectrum［D］．Jiaozuo:Henan Polytechnic University，2010．(in Chinese)毋小省．基于紋理譜特征的圖像檢索技術(shù)研究［D］．焦作:河南理工大學(xué)，2010．

［9］ V apnik V．The nature of the statistical theory［M］．Zhang Xuegong，Translation．Beijing:Tsinghua University Press，2000．(in Chinese)Vapnik V．統(tǒng)計學(xué)理論的本質(zhì)［M］．張學(xué)工，譯．北京:清華大學(xué)出版社，2000．