国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

基于Gabor變換和極限學(xué)習(xí)機(jī)的貝類圖像種類識(shí)別

2013-09-19 08:54:00堯,里杰,陶學(xué)
關(guān)鍵詞:學(xué)習(xí)機(jī)貝類權(quán)值

楊 靖 堯,里 紅 杰,陶 學(xué) 恒

(大連工業(yè)大學(xué) 信息科學(xué)與工程學(xué)院,遼寧 大連 116034)

0 引 言

20世紀(jì)中后期,計(jì)算機(jī)視覺技術(shù)得到了迅猛的發(fā)展,已經(jīng)成為各個(gè)工程應(yīng)用領(lǐng)域中不可分割的一部分,如電子、食品、醫(yī)藥、紡織等領(lǐng)域[1],還有學(xué)者把計(jì)算機(jī)視覺技術(shù)應(yīng)用在海產(chǎn)品識(shí)別領(lǐng)域[2]。

在貝類圖像識(shí)別的整個(gè)過程中設(shè)計(jì)一個(gè)精確的分類器對(duì)貝類識(shí)別極為重要,以BP算法為代表的前饋神經(jīng)網(wǎng)絡(luò)已經(jīng)在模式識(shí)別中取得了廣泛的應(yīng)用,但是它們都存在著以下幾點(diǎn)難以解決的問題:(1)學(xué)習(xí)速度慢,訓(xùn)練過程需要不斷的迭代完成;(2)對(duì)參數(shù)選擇敏感,訓(xùn)練步長和學(xué)習(xí)率選取不當(dāng)會(huì)直接影響到前饋神經(jīng)外網(wǎng)絡(luò)的整體效果[3]。針對(duì)這些問題,Huang等[4]提出一種前饋神經(jīng)網(wǎng)絡(luò)的新的訓(xùn)練算法——極限學(xué)習(xí)機(jī),該方法隨機(jī)設(shè)置前饋神經(jīng)網(wǎng)絡(luò)的輸入權(quán)值,通過計(jì)算輸出權(quán)值的最小二泛數(shù)解來完成網(wǎng)絡(luò)的訓(xùn)練,計(jì)算過程簡(jiǎn)單、速度快,且泛化性良好。

1 基于Gabor變換和二維圖像主元分析2DPCA的特征提取

1.1 Gabor小波變換

Gabor小波變換是圖像多尺度表示和分析的有力工具,能同時(shí)兼顧信號(hào)在時(shí)域和頻域聯(lián)合,具有與生物視覺系統(tǒng)相類似的特點(diǎn)。本文采用二維Gabor濾波器在時(shí)域與頻域采用以下函數(shù)形式[5]

式(1)中:x=xcosα+ysinα,y=-xcosα+ysinα;σxy為高斯包絡(luò)在x,y方向的標(biāo)準(zhǔn)差;α為濾波器的方向;r0為濾波器的頻率

1.2 主成分分析

線性鑒別分析[5]目前已被廣泛地應(yīng)用在圖像識(shí)別以及文本識(shí)別等領(lǐng)域,作為公認(rèn)的特征提取最為重要的工具,主成分分析(Principal Component Analysis,PCA)方法是最成功的線性鑒別方法之一,其基礎(chǔ)就是Karhunen-Loeve變換(簡(jiǎn)稱K-L變換),是一種常用的正交變換。這種方法可以有效地找出數(shù)據(jù)中最“主要”的元素和結(jié)構(gòu),其作用是去除噪音和相關(guān)冗余,將原有的復(fù)雜數(shù)據(jù)進(jìn)行降維。

與傳統(tǒng)PCA方法不同,2DPCA方法是基于二維圖像矩陣,而不是一維圖像向量。把任意一幅貝類圖像A看作是一個(gè)m×n的隨機(jī)矩陣,通過如下線性變換[6]將A投影到X上,得到一個(gè)m維的投影向量Y,故定義如下準(zhǔn)則函數(shù):

式(2)中:Sx表示投影特征向量的協(xié)方差矩陣,tr(Sx)表示Sx的跡。則

矩陣Gt被稱為圖像的協(xié)方差(散度)矩陣,估計(jì)

最佳投影方向X即是Gt的最大特征值所對(duì)應(yīng)特征向量的方向。一般情況下,只取一個(gè)最優(yōu)投影方向,分類鑒別能力是不夠的,通常情況下會(huì)選擇相互正交且極大化準(zhǔn)則函數(shù)的一組投影向量X1,…,Xd即:

2 極限學(xué)習(xí)機(jī)

極限學(xué)習(xí)機(jī)(ELM)是一種前饋神經(jīng)網(wǎng)絡(luò)簡(jiǎn)單、快速、有效的學(xué)習(xí)算法,跟傳統(tǒng)的基于梯度下降的學(xué)習(xí)算法相比極限學(xué)習(xí)機(jī)有很大的優(yōu)勢(shì)。

對(duì)于N個(gè)任意的各不相同的樣本(xi,yi),其中,xi= [xi1,xi2,…,xin]T∈ Rn,yi= [yi1,yi2,…,yin]T∈Rm,擁有L個(gè)隱層節(jié)點(diǎn),前饋神經(jīng)網(wǎng)絡(luò)的輸出可以表示為:

式(6)中:ai= [ai1,ai2,…,aim]T,是網(wǎng)絡(luò)的輸入層到第i個(gè)結(jié)點(diǎn)的輸入權(quán)值,bi是第i個(gè)隱層節(jié)點(diǎn)的偏置(bias);βi= [βi1,βi2,…,βim]T是第i個(gè)隱層結(jié)點(diǎn)的輸出權(quán)值;ai·xi表示向量ai和xi的內(nèi)積。其中 激 勵(lì) 函 數(shù)g(x)可 以 選 擇 為 “sigmoid”,“Sine”或“RBF”等。

如果這個(gè)具有L個(gè)隱含層結(jié)點(diǎn)的前饋神經(jīng)網(wǎng)絡(luò)能以0誤差逼近這N個(gè)樣本,則存在ai,bi,βi使

式(7)可以簡(jiǎn)化為:

式(8)中:

H被稱作網(wǎng)絡(luò)的隱含層輸出矩陣,在極限學(xué)習(xí)機(jī)算法中,輸出權(quán)值和偏差可以隨機(jī)給定,這樣隱層矩陣H就變成一個(gè)確定的矩陣,這樣前饋神經(jīng)網(wǎng)絡(luò)的訓(xùn)練就可以轉(zhuǎn)化成一個(gè)求解輸出權(quán)值矩陣的最小二乘解的問題,只需要求出輸入權(quán)值的最小二乘解就能完成網(wǎng)絡(luò)的訓(xùn)練,輸出權(quán)值矩陣β可以由下式得到:

3 實(shí)驗(yàn)與分析

本文的算法可以用如圖1的流程表示。

圖1 算法流程圖Fig.1 Algorithm flow chart

樣本選用大連地區(qū)5種貝類,分別是鮑魚、海虹、海螺、蜆子、扇貝,每種每類都拍攝不同的個(gè)體獲得30張樣本圖片。

實(shí)驗(yàn) 1:對(duì)比了 PCA、2DPCA、Gabor+2DPCA 3種算法在貝類識(shí)別中的性能,分類器都選擇極限學(xué)習(xí)機(jī)分類器,其中Gabor變換選用8個(gè)尺度5個(gè)方向組成的40個(gè)Gabor濾波器族,3種算法都降維到(樣本數(shù)目-1)維,即24維度,實(shí)驗(yàn)結(jié)果如表1所示。從表1中的測(cè)試精度可以看出,Gabor+2DPCA方法比其他傳統(tǒng)方法識(shí)別效果好。樣本與Gabor濾波響應(yīng)圖見圖2。

表1 3種算法的性能對(duì)比Tab.1 Contrast of three kinds of algorithm performance

實(shí)驗(yàn)2:由實(shí)驗(yàn)1得出Gabor+2DPCA的算法要好于其他2種算法,選用Gabor+2DPCA作為特征提取的算法,對(duì)于極限學(xué)習(xí)機(jī)、支持向量機(jī)(SVM)以及BP神經(jīng)網(wǎng)絡(luò)的分類性能,SVM選用libsvm工具包,實(shí)驗(yàn)進(jìn)行20次取平均值,結(jié)果如表2所示。從表2可見,采用極限學(xué)習(xí)機(jī)作為分類器進(jìn)行貝類識(shí)別不僅具有極快的速度而且推廣能力也很不錯(cuò),效果要遠(yuǎn)遠(yuǎn)優(yōu)于BP神經(jīng)網(wǎng)絡(luò),同時(shí)在小樣本的時(shí)候ELM同樣具有良好的分類性能,而BP網(wǎng)絡(luò)在小樣本的情況下效果較差。

圖2 5種貝類的樣本及Gabor濾波響應(yīng)圖Fig.2 Five kinds of shell fish and their filter response images

表2 3種分類器的性能對(duì)比Tab.2 Comparison of three classifier performance

4 結(jié) 論

本實(shí)驗(yàn)提出了一種貝類識(shí)別的新方法,首先選用5個(gè)中心頻率和8個(gè)方向的40組Gabor濾波器組提出每張圖片的Gabor特征,然后采用2DPCA對(duì)提取出來的特征進(jìn)行降計(jì)算機(jī)科學(xué)維壓縮,解決了特征維數(shù)過高造成的維數(shù)災(zāi)難問題,最后采用極限學(xué)習(xí)機(jī)分類器進(jìn)行分類識(shí)別。通過與BP神經(jīng)網(wǎng)絡(luò)和SVM對(duì)比發(fā)現(xiàn),極限學(xué)習(xí)機(jī)分類器用于貝類識(shí)別中不僅速度極快而且泛化性良好,同時(shí)相對(duì)于BP神經(jīng)網(wǎng)絡(luò)極限學(xué)習(xí)機(jī)在小樣本時(shí)也取得了良好的分類性能。

[1]SUN Dawen.Computer Vision Technology for Food Quality Evaluation[M].Dublin:Elsevier Press,2007:122-125.

[2]里紅杰,陶學(xué)恒,于曉強(qiáng).計(jì)算機(jī)視覺技術(shù)在海產(chǎn)品質(zhì)量評(píng)估中的應(yīng)用[J].食品與機(jī)械,2012,28(4):154-156.

[3]鄧萬宇,鄭慶華,陳琳.神經(jīng)網(wǎng)絡(luò)極速學(xué)習(xí)方法研究[J].計(jì)算機(jī)學(xué)報(bào),2010,33(2):279-287.

[4]HUANG Guangbin,ZHU Qinyu,SIEW C K.Extreme learning machine:theory and applications[J].Neuro Computing,2006,70(1/2/3):489-501.

[5]BELHUMEUR P N,HESPANHA J P,KRIEGMAN D J.Eigenfaces vs.fisherfaces:recognition using class specific linear projection[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1997,19(7):711-720.

[6]HUANG Linlin,SHIMIZU A,KOBATAKE H.Robust face detection using Gabor filter features[J].Pattern Recognition Letters,2005,26(11):1641-1649.

猜你喜歡
學(xué)習(xí)機(jī)貝類權(quán)值
我國海水貝類養(yǎng)殖低碳效應(yīng)評(píng)價(jià)
一種融合時(shí)間權(quán)值和用戶行為序列的電影推薦模型
CONTENTS
CONTENTS
QuEChERS-液相色譜-高分辨質(zhì)譜法測(cè)定貝類中6種親脂性貝類毒素
鮮美貝類可能暗藏毒素
食品與生活(2019年8期)2019-10-30 12:13:09
極限學(xué)習(xí)機(jī)綜述
基于極限學(xué)習(xí)機(jī)參數(shù)遷移的域適應(yīng)算法
分層極限學(xué)習(xí)機(jī)在滾動(dòng)軸承故障診斷中的應(yīng)用
基于權(quán)值動(dòng)量的RBM加速學(xué)習(xí)算法研究
嘉兴市| 来宾市| 临西县| 永济市| 定远县| 松桃| 常宁市| 石家庄市| 桑植县| 任丘市| 罗甸县| 平泉县| 凤城市| 遂川县| 嘉鱼县| 乐都县| 巴马| 乌兰浩特市| 和田市| 泽州县| 育儿| 黔江区| 临沭县| 阳高县| 长白| 遵化市| 青龙| 井研县| 黔西县| 巧家县| 利津县| 突泉县| 名山县| 门头沟区| 贺兰县| 泰州市| 武隆县| 勐海县| 崇阳县| 海门市| 汨罗市|