[发明专利]基于特征融合的现勘图像分类方法

摘要

一种基于特征融合的现勘图像分类方法，由构建卷积神经网络、特征提取、特征选择、训练分类器步骤组成。本发明采用了ReLu激活函数、局部响应归一化、两种卷积神经网络特征融合和特征选择方法来构建卷积神经网络结构，通过卷积层特征与全连接层特征进行融合丰富了图像的信息，并通过结合拉普拉斯分值和互信息值的方法降低了特征的冗余性以及降低了特征维度。本发明与现有技术相比，具有分类准确率高、特征向量冗余性低、图像提取特征信息丰富等优点，可用于现勘图像的分类。

主权项

1.一种基于特征融合的现勘图像分类方法，其特征在于由下述步骤组成：/n(1)构建卷积神经网络/n1)图像预处理/n从现勘图像数据集中选取4000～8480张训练样本图像和1000～2120张测试样本图像进行大小归一化至像素为256×256或者224×224；/n2)设定卷积神经网络的初始结构/n输入层(1)是训练样本图像，输入层(1)后连接含有96个大小为109×109的卷积核的第一卷积层(2)，第一卷积层(2)后连接第一池化层(3)，第一池化层(3)后连接局部响应归一化层(4)，局部响应归一化层(4)后连接含有256个大小为33×33的卷积核的第二卷积层(5)，第二卷积层(5)后连接第二池化层(6)，第二池化层(6)后连接3个首尾连接含有512个大小为17×17的卷积核的第三巻积层(7)、第四巻积层(8)、第五巻积层(9)，第五巻积层(9)后连接第三池化层(10)，第三池化层(10)后连接4096个特征图的第一全连接层(11)，第一全连接层(11)后连接第二全连接层(12)，第二全连接层(12)后连接输出层(13)；/n3)引入激励函数/n在每个卷积层后引入激活函数ReLu为：/n /n其中x前是一层的输出、为有限的正整数；/n4)局部响应归一化/n按式(2)确定局部响应归一化：/n /n其中，a_i,j,k为归一化前第k个特征图在位置(i,j)池化后的输出，N为特征图的数目，n为有限的正整数，0≤α≤1、0≤β≤1；/n5)池化方法/n对每一个池化层用最大池化方法按式(3)进行池化:/np(x_i)＝max{|x₁|,|x₂|,...,|x_m|} (3)/n其中，x_i为特征向量，1≤i≤m，经过池化后，特征图变为原来特征图的1/3×1/3；/n(2)特征提取/n1)用上述卷积神经网络在ImageNet数据集上进行训练，得到预训练模型；/n2)将预训练模型迁移到现场勘验图像数据集上进行训练，得到卷积神经网络模型；/n3)提取卷积神经网络模型的第三池化层(10)作为卷积层特征；/n4)提取卷积神经网络模型的第二全连接层(12)作为全连接层特征；/n5)将卷积层特征与全连接层特征进行融合，得到图像特征；/n(3)特征选择/n1)确定拉普拉斯分值/n按式(4)确定第r个拉普拉斯分值L_r：/n /n式中Var(f_r)为第r个特征的方差，确定每个特征的拉普拉斯得分，并从低到高进行特征的重新排序，f_r表示对各个特征进行均值化处理结果，按式(5)确定：/n /n其中，f_ri为第i个样本的第r个特征(i＝1,2,...,m)，f_r为f_ri的集合f_r＝(f_r1,f_r2,...,f_rm)^T，I为m维的单位矢量，D为对角阵，矩阵L为拉普拉斯矩阵；/nD＝diag(SI) (6)/nL＝D-S (7)/n其中，S为样本之间的权重矩阵，S如下：/n /n式中，x_i和x_j分别为第i,j(1≤i,j≤m)个样本点，E是样本与样本之间的邻近关系、为(x_i,y_j)；/n2)K-means图像标签聚类/n用欧氏距离方法对排序后的特征进行K-means聚类，将聚类结果映射的聚类图像标签作为互信息中的一个输入；/n3)统计图像标签的互信息/n按式(9)统计标签的互信息：/n /n其中，p(x_iy_j)是图像标签与聚类后的图像标签的联合概率密度，p(x_i)和p(y_j)分别是图像标签和聚类后图像标签概率，MI(x,y)是互信息值、取值范围为[0,1]，输出选择后特征；/n(4)训练分类器/n用支持向量机分类器将选择后特征的训练样本数据映射到高维特征空间，找到最佳超平面，将一个类的所有数据点与另一个类分开，通过跟踪映射样本内核空间中的最大边缘超平面分离不同类的样本，选取每个类中80％的图像用作训练样本，20％的图像用作测试样本，完成分类器的训练。/n(5)测试方法/n将测试样本输入到卷积神经网络进行特征提取，进行特征选择，将选择后的特征输入分类器中进行测试，输出测试样本的分类准确率。/n