基于BBO_MLP和纹理特征的图像分类算法研究

摘要

图像分类就是根据不同类别的目标在图像信息中所反映的不同特征，把图像区分开来的图像处理方法。它利用计算机对图像进行定量分析，把图像或图像中的每个像元或区域划归为若干个类别中的某一种，以代替人的视觉判读。随着多媒体技术及Internet网络的迅速发展，图像信息资源的分类已成为国内外研究的热点。对于大量的图像数据，如何建立有效的图像描述和分类机制就成为了一个迫切需要解决的问题。为更好的帮助人们高效地从大型图像数据库中找到有用的信息，学者们提出了用筛选的特征值生成特征向量的方法来描述图像，其中使用纹理特征来对图像进行分类的算法受到广泛的研究。通过对智能优化算法的学习和纹理特征的探索，本文针对生物地理学优化训练多层感知器存在的早熟收敛以及初始化灵敏等问题，建立了基于DE_BBO_MLP和纹理特征算法的分类模型。
　　本论文完成的主要研究工作包括以下几个方面：
　　（1）在广泛调研的基础上，提出一种结合差分进化与生物地理学优化训练多层感知器的方法。将BBO与DE算法相结合，形成改进的混合DE_BBO算法；采用改进的DE_BBO来训练MLP，并应用于虹膜、乳腺癌、输血、钞票验证数据集分类。
　　（2）建立了 DE_BBO_MLP和纹理特征的图像分类算法模型，利用该模型解决了现有分类技术中存在的分类准确率差且收敛速度缓慢的问题。其操作步骤是：首先从图像库中选取3类不同的图片，对图像分类算法运行环境进行建模；其次，采用纹理特征描述图像的特性，由所提取灰度图像的几个纹理特征构造对应图像的特征向量，根据用户提供的类别号和图像的纹理特征向量生成训练样本文件；通过DE_BBO训练MLP来完成为MLP定义一个评估栖息地的误差适应度函数并对适应度函数进行全局优化，使用优化的MLP对训练样本文件进行分析，得到分类模型；最后根据已有的分类模型对测试样本文件信息进行类别测试，将得到的图像类别号返还给用户。统计分类错误的图片，对这些图片进行二次反馈，来提高图像分类的准确率。
　　（3）将DE_BBO与BBO、PSO、GA、ACO、ES、PBIL等优化算法的实验结果相对比，DE_BBO算法在收敛速度和分类精度方面等优于BBO等算法。

目录

封面

声明

中文摘要

英文摘要

插图索引

表格索引

符号对照表

缩略语对照表

目录

第一章 绪论

1.1 研究背景及意义

1.2 国内外的研究现状与发展

1.3论文的研究内容与关键技术

1.4 本文的结构安排

第二章 基于纹理特征的图像分类技术

2.1 图像分类的基本概念

2.2纹理特征的提取

2.3 GLCM的纹理特征提取

2.4基于纹理特征的图像分类过程

2.5 本章小结

第三章 生物地理学优化算法

3.1生物地理学数学模型

3.2 BBO算法的概述与流程

3.3 DE-BBO算法

3.4其他优化算法的比较

3.5本章小结

第四章 一种改进的BBO_MLP和纹理特征的图像分类算法

4.1 MLP的介绍

4.2 DE_BBO训练MLP

4.3 改进的分类算法流程图

4.4 实验结果

4.5本章小结

第五章 总结与展望

5.1 工作总结

5.2未来与展望

参考文献

致谢

作者简介