Lib SVM在彩色圖像分類中的應(yīng)用

耿艷萍，張建英

（山西大學(xué) 軟件學(xué)院，山西 太原 030013）

圖像分類是圖像處理的基礎(chǔ)，是通過計(jì)算機(jī)技術(shù)定量地分析圖像像素和區(qū)域，把圖像劃分為某一類別的技術(shù)[1]，是計(jì)算機(jī)視覺領(lǐng)域的核心問題。現(xiàn)實(shí)中，有很多不同的實(shí)際應(yīng)用，如人臉識(shí)別、視頻監(jiān)控分析、醫(yī)療影像分析等。支持向量機(jī)（Support Vector Machine，SVM）是機(jī)器學(xué)習(xí)常用方法，其理論基礎(chǔ)是統(tǒng)計(jì)學(xué)習(xí)，SVM原理是用分離超平面作為分離訓(xùn)練數(shù)據(jù)的線性函數(shù)，解決非線性分類問題[2]。在圖像分類時(shí)有很好的效果，尤其是樣本數(shù)量有限，分類泛化能力更佳[3]。圖像分類時(shí)，在特征提取方面，單一特征不能獲取圖像的完整信息，故分類效果比較差。多特征融合，可以獲取互補(bǔ)的圖像信息，分類效果更佳[4]。在本文中，主要提取彩色圖像的顏色特征和紋理特征，在此基礎(chǔ)上，采用Lib SVM方法對(duì)圖像進(jìn)行分類，不同特征的組合（進(jìn)行特征融合）及類別數(shù)目對(duì)分類結(jié)果有一定影響，Lib SVM參數(shù)的設(shè)置對(duì)分類結(jié)果也有很大影響，本文經(jīng)過多次實(shí)驗(yàn)，獲取了最有效的特征組合，和最優(yōu)參數(shù)設(shè)置，對(duì)分類準(zhǔn)確率有了很大的提高。

1 顏色特征

任意獲取一幅彩色圖像，顏色特征在視覺上是很直觀的，是圖像的重要性質(zhì)[5]。本文采用簡(jiǎn)單有效的方法：顏色矩來描述圖像的顏色特征。顏色信息主要集中在低階矩中，圖像中任何一種顏色分量都可用它的一階矩（均值）、二階矩（方差）、三階矩（傾斜度）來描述顏色分布特征。在本文的實(shí)驗(yàn)中，圖像的顏色特征用9個(gè)分量來表示（3個(gè)顏色分量RGB，每個(gè)分量上3個(gè)低階矩）。如：有N個(gè)像素的一幅彩色圖像，pi,j表示第i個(gè)顏色通道中，灰度為j的像素出現(xiàn)的概論。

公式（1）為一階顏色矩的計(jì)算方法，描述圖像顏色明暗度。

公式（2）二階顏色矩的計(jì)算方法，描述圖像顏色分布范圍。

公式（3）三階顏色矩的計(jì)算方法，描述圖像顏色分布的對(duì)稱性。

2 紋理特征

2.1 Tamura紋理特征

從視覺心理學(xué)的角度，Tamura等人提出了6個(gè)紋理特征[6]：coarseness（粗糙度），刻畫紋理基元（組成紋理的基本單位）的大小和重復(fù)次數(shù)；contrast（對(duì)比度），統(tǒng)計(jì)圖像的灰度分布情況；directory（方向度），衡量紋理的方向性；rgularity（規(guī)則度），刻畫紋理的規(guī)律性；linkness（線性度）；roughness（粗略度），對(duì)比度和粗糙度的和。這些紋理特在圖像識(shí)別、圖像合成方面都有很好的應(yīng)用。

2.2 統(tǒng)計(jì)特征

圖像的統(tǒng)計(jì)特征是對(duì)圖像的像素分布情況進(jìn)行統(tǒng)計(jì)，從而描述圖像的全局信息，常用的統(tǒng)計(jì)特征有：熵值、均值、方差等。具體計(jì)算方法如下：

公式（4）計(jì)算熵值，其中pi為圖像中k種灰度值出現(xiàn)的概率。

對(duì)于一幅M×N的圖像，某一點(diǎn)（i，j）的灰度值用f（i，j）表示，用公式（5）計(jì)算圖像的灰度算術(shù)均值。

公式（6）為灰度方差的計(jì)算方法，反映了整幅圖像的灰度均值與圖像中每一像素灰度值的離散程度。

本實(shí)驗(yàn)提取了圖像的上述3個(gè)統(tǒng)計(jì)特征。

2.3 特征融合

本實(shí)驗(yàn)所選corel圖像庫中的圖像都是彩色圖像，顏色是圖像的關(guān)鍵特征，辨識(shí)度較高。Tamura特征和統(tǒng)計(jì)特征刻畫圖像其他某方面的特征。本實(shí)驗(yàn)中提取了3類圖像特征，這些特征對(duì)不同類別的圖像在分類時(shí)所起的作用不同，所以融合不同的特征能提高圖像分類的準(zhǔn)確度，實(shí)驗(yàn)中融合了顏色特征9個(gè)，Tamura特征6個(gè)和統(tǒng)計(jì)特征3個(gè)，形成一個(gè)能從多方面，多角度描述圖像特征的18維綜合特征向量T=（C1，C2，C3，C4，C5，C6，C7，C8，C9，T1，T2，T3，T4，T5，T6，P1，P2，P3），對(duì)次實(shí)驗(yàn)證明多特征融合比單一特征對(duì)圖像分類更有效。

3 圖像分類算法

本實(shí)驗(yàn)分類算法的流程如圖1所示。

圖1 實(shí)驗(yàn)分類算法流程

SVM，從樣本的特征入手分析對(duì)象，預(yù)測(cè)對(duì)象的屬性類別。通過支持向量（Support Vector）能夠使經(jīng)驗(yàn)誤差最小，幾何邊緣最大的分類過程[7]，其特點(diǎn)在于在某種程度上解決了樣本容量小、非線性等分類中遇到的困難，一定程度上解決了分類模型局部最小的問題，提高了分類的精度。

實(shí)驗(yàn)中對(duì)支持向量機(jī)的具體實(shí)現(xiàn)采用臺(tái)灣大學(xué)林智仁 教授設(shè)計(jì)開發(fā)的工具包—Lib SVM（Library for Support Vector Machines）—進(jìn)行圖像分類。Lib SVM主要由以下幾個(gè)函數(shù)組成。

（1）svm_scale，對(duì)訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)做歸一化處理，一般情況，把數(shù)據(jù)縮放到[-1,1]或[0,1]；（2）svm_train，對(duì)樣本分類建模，提供優(yōu)化參數(shù)；（3）svm_predict，利用上一步已建模型，對(duì)測(cè)試數(shù)據(jù)進(jìn)行分類。

4 實(shí)驗(yàn)結(jié)果分析

4.1 實(shí)驗(yàn)設(shè)置

實(shí)驗(yàn)從corel圖像庫中選擇花、食物、建筑、大象、車5類圖像各80張，并歸一化成512×512的圖像；其中每一類隨機(jī)選取40張作為訓(xùn)練集，另外的40張作為測(cè)試集。在Win7系統(tǒng)下采用了MATLAB R2016a，Lib SVM-mat-3.0-1，MinGW-64編譯器等軟件進(jìn)行實(shí)驗(yàn)。

4.2 實(shí)驗(yàn)結(jié)果

如表1所示，分類正確率=正確分的該類的數(shù)目/測(cè)試集中該類的總數(shù)。

Lib SVM可以實(shí)現(xiàn)多分類，圖像分類的種類越多時(shí)，系統(tǒng)進(jìn)行分類的難度就越大，分類的準(zhǔn)確率就越低。實(shí)驗(yàn)中只選兩種樣本種類（動(dòng)物類，食物類）時(shí)，分類準(zhǔn)確率可達(dá)100%，當(dāng)選3種樣本種類（建筑類、動(dòng)物類、食物類）時(shí)，識(shí)別準(zhǔn)確率可達(dá)95%，而再加入花和車后，分類準(zhǔn)確率明顯下降。在corel圖像庫中，花和食物色彩多樣鮮艷，顏色特征對(duì)花和食物的分類很有效；建筑類和車類，棱角清晰，線性感較強(qiáng)，Tamura紋理特征對(duì)建筑對(duì)這兩種分類更有效。

表1 分類實(shí)驗(yàn)結(jié)果

由于訓(xùn)練集數(shù)量有限，從訓(xùn)練集提取的特征不能包含后面測(cè)試集圖像的所有特征，故由訓(xùn)練集得到的分類模型魯棒性不夠強(qiáng)，在實(shí)驗(yàn)中當(dāng)把每類圖像的訓(xùn)練集增到60，測(cè)試集減少到20時(shí)，分類準(zhǔn)確率有很大提高。

分類模型參數(shù)的設(shè)置對(duì)分類準(zhǔn)確率也有一定影響，經(jīng)過多次實(shí)驗(yàn)，結(jié)合參數(shù)優(yōu)化算法，當(dāng)懲罰系數(shù)C=1，核參數(shù)g=0.07時(shí)，分類效果最佳。

5 結(jié)語

多種特征的融合比單一特征，更有助于提高分類準(zhǔn)確率，但是也并非特征越多越好，首先，大量增加特征向量的維度，會(huì)降低算法的運(yùn)行效率，準(zhǔn)確率卻沒有明顯提高。故在下一步的研究工作中，采用主成分分析的方法降維，去掉特征向量中的冗余信息，采用貢獻(xiàn)率高的分類特征[8]。