图像语义多特征的融合提取方法.docVIP

图像语义多特征的融合提取方法 　　摘 要 针对传统的多融合特征方法对图像特征提取准确率不高的缺点，本文运用了串行特征融合和并行特征融合的结合的思想提出本文的M特征提取方法，它是一个非常有效的基于核函数组合的多特征融合分类模型。对图像颜色、纹理及形状特征中的显著特征提取出来并采取本文融合方法获得了本文需要的融合特征即M特征。基于以上的思想基础，本文设计了对比试验，实验结果证明本文的算法效果达到提取较高准确率的语义 【关键词】图像语义 M特征 多特征融合 目前，就图像特征级的融合而言，研究成果较少。其实，图像特征级融合在信息融合过程中占有十分重要的地位。本文的融合方法的优点是既保留了参与融合的多特征的有效鉴别信息，又很大程度上消除了信息的冗余， 实现了可观的信息压缩，从而有利于图像的实时处理本文考虑到颜色与纹理、形状特征的互补性和紧密联系，希望通过综合各部分之间的关联性对图像进行分类。本文提出一种核函数线性组合的方式获得这些特征信息，通过综合分析处理的结果来生成最终的融合特征，以下简称为M特征 1 多特征融合方法概述 图像的多特征融合策略总体可归纳为两大类：串行特征融合和并行特征融合。串行特征融合出现时间先于并行特征融合，串行特征融合，也即特征层融合指的是将图像的N个特征组合在一起，构成一个特征向量，然后选择合适的分类器进行分类处理 由于单个特征并不能全面的反映图像信息，因此对每个特征分别进行分类器处理后，得到的信息并不准确，甚至千差万别，导致在结果融合时，图像的识别并不可靠。所以，本文综合这两种多特征融合方法提出了了一种核函数组合方法来提取M特征 2 M特征提取算法 近几年，为了使图像语义特征提取更加能准确表达图像语义，核函数的选取至关重要。目前最好的选取办法是采用线性函数与非线性函数的组合来创建一个新的核函数。本节主要内容是综合考虑特征提取算法，提出了一种改进的综合特征提取算法 具体说来，对于任意图像样本x，fi （x）表示从图像样本中提取的第i种特征 对于本文提到的三种特征使用χ2核函数是一种比较合适的选择。对于两个直方图S1=（u1，...，un）和S2=（w1，...，wn）可以定义两者的χ2距离为： 上式就是通常的χ2核函数。其中参数A，是通过交叉检验的方式来获取的。然而文献[4]告诉我们，在经过样本训练后，A可以直接取χ2距离的均值，这是因为通过此方法求出的A值与交叉检验的方式得到的值结果相当 为了更好的提取M特征，本文将采用特征核函数的组合核函数来表示，具体式子如下所示 其中k即为上面提到的RBF核函数，km为第m种特征对应的特征核函数，M为全部特征的数目，σm为第m种特征对应的特征核函数的组合系数。很明显，现在的问题转换成了求解最优的组合系数σm问题 3 问题的描述与求解 问题： 即：第一步是考虑固定σm情况下，对ω和εi进行优化；第二步，固定ω和εi，对σm进行优化，两个步骤反复迭代直到收敛 本文引入拉格朗日乘子，将公式（5）最优问题转化为约束最优化问题： 由于σm固定，因此式（11）是一个标准的SVM对偶形式，其使用的核函数为组合核函数k（xi，xj）=∑m σm km （xi，xj），这样就可以利用标准的SVM算法来求解最优的αi*。在获得了最优的αi*后代入 4 实验结果及分析 本实验还进行了不同特征在Corel图像集上的分类性能的比较，见表不同的核函数对于不同特征的平均分类准确率比较。从统计图6中不难看出，实验选用的几个图像特征都是Corel中几个性能稳定，易于区分的特征 （如颜色直方图：A；纹理特征：B；形状轮廓线：C），因而有利于研究特征融合方法是否能真正提高分类性能 从以上的统计图中可以看到： （1）单一图像特征通过不同的优化的核函数来只能在一定程度上提高分类性能，而如果选择一个高效的单一图像特征，不仅自身可以提高识别率，使分类更加准确可靠，还可以促进特征融合后整体性能和准确率的提高 （2）多融合特征方法进行图像分类比单个特征效果好 （3）本文提出的M特征提取方法取得了最高的分类效果，选取的核函数RBF也是在分类效果最好的。因此，本章提出的M特征提取方法来进行分类提高分类精度和效率得到了实验证明 5 本文小结 在图像语义提取中，有效的特征描述方法和表达形式能够大大提升图像语义提取精度和效率。本文首先在已有研究的基础上，详细的介绍了目前图像特征融合的各种方法，并比较了各自的突出优点和实际的应用。然后在针对核函数的构造方法的基础上，提出了一种改进的基于核函数的组合优化方法，并在此基础上提出了本文特征融合的分类模型。最后在Corel图像集中选取几类图像，并将算法应用于这些图像，