0
点赞
收藏
分享

微信扫一扫

MATLAB环境下基于深层小波散射网络的纹理图像分类方法

图像分类是模式识别重要研究领域之一,它的任务是把目标样本分成不同类别,赋予样本相应类别标签。分类实现的基础是用传感器检测到样本的特征,比如形状、颜色、纹理等基本特征或通过基本特征提取更为复杂的特征信息,其中纹理是表示图像重要特征之一。很多物体如布、木板、森林、草原、梯田、斑马、病理照影等图像中有很多相似图像单元重复并成规则性分布,这类图像常称为纹理图像,其中相似图像单元重复成规则性分布常称为图像的纹理特征,纹理特征描述图像灰度级之间的空间分布及空间相互关系,常表现为斑、格、条、纹、环等图案,是大量特性相似或相同个体的有规律性综合反映。

不同物体纹理特征通常有较大区别,例如,森林比草地纹理粗糙,湿地和沼泽比森林和灌木林有更细微的纹理,沼泽与湿地相比其纹理更细,色调变化更缓慢;图像纹理特征受图像传感器分辨率的影响较大,如在高分辨率遥感图像中,细小地物都能在图像中清晰地表现出来,纹理特征不明显;而在低分辨率的图像中,纹理特征则要明显得多。纹理特征比几何特征、灰度特征含有更丰富的信息,它在遥感、医学图像处理、人脸识别、农业、工业等领域有广泛的应用。

人们对纹理图像进行了大量的研究,主要包括纹理特征提取、纹理图像分割、纹理图像分类、识别等领域。纹理特征提取在纹理识别过程中有着重要的作用,纹理特征性能对纹理图像分类影响很大,好的纹理特征使得纹理图像更容易分类,反之,不好的纹理特征使得纹理图像较难分类,不但分类时间长,而且分类效果差。除纹理特征外,分类方法对纹理图像分类效果也影响较大,好的分类方法使得分类时间短,分类效率高,分类准确率高,故分类方法在纹理图像分类中也非常重要。

小波散射网络是非反馈式的,通过计算信号的半离散小波变换,再通过非线性取模操作,得到的信号特征表达具有平移不变性、形变稳定性等优良特性。小波散射网络不但具有深度卷积网络的性质,还具有数学上的严格理论证明,且不需要学习滤波器的响应,所以适用于缺乏训练数据的情况。

小波散射变换以迭代的方式生成特征。首先,采用缩放函数对信号进行卷积,获得零阶散射系数。然后,按照以下步骤进行:(1)用一阶滤波器组中的每个小波滤波器对输入数据进行小波变换;(2)取每个滤波器输出结果的模数;(3)采用缩放滤波器对每个模数进行平均,其结果为一阶散射系数。

鉴于小波散射网络的优势,提出一种基于深层小波散射网络的纹理图像分类方法,算法程序运行环境为MATLAB R2021b,主要利用小波散射网络对二维纹理图像进行分类,可迁移至其他图像。所用数据如下:

分类结果如下:

工学博士,担任《Mechanical System and Signal Processing》审稿专家,担任
《中国电机工程学报》优秀审稿专家,《控制与决策》,《系统工程与电子技术》,《电力系统保护与控制》,《宇航学报》等EI期刊审稿专家。

擅长领域:现代信号处理,机器学习,深度学习,数字孪生,时间序列分析,设备缺陷检测、设备异常检测、设备智能故障诊断与健康管理PHM等。

举报

相关推荐

0 条评论