基于SVM多分類的超分辨圖像細粒度分類方法

連和謬

（閩南理工學院實踐教學中心，福建石獅362700）

0 引言

采用超分辨成像技術進行圖像成像，能夠有效提高圖像的輸出分辨能力。在超分辨圖像檢索過程中，需要進行超分辨圖像細粒度分類優化處理，構建超分辨圖像細粒度融合模型，結合人工智能方法進行圖像的優化分類，提高超分辨圖像細粒度的檢索和信息提取能力。研究超分辨圖像細粒度分類方法，在圖像數據庫構建和優化檢索中具有很好的應用價值[1]。

超分辨圖像細粒度分類建立在圖像的特征提取基礎上，通過提取超分辨圖像細粒度特征量，根據超分辨圖像細粒度特征量的分布屬性作圖像分類處理。傳統方法中，超分辨圖像細粒度分類方法主要有小波檢測方法、BP神經網絡分類方法[2-3]，以及Harris角點檢測的圖像分類算法[4]，但上述方法進行超分辨圖像細粒度分類的精度較低，實際運用中需要不斷改進。

鑒此，本文提出基于SVM多分類的超分辨圖像細粒度分類算法。SVM多分類是對一種類型信息進行多指標分類的方法，通過提取目標信息的多特征，利用不同分析方法獲取其特征量，根據特征量實現塊稀疏多特征匹配，并將匹配結果輸入到支持向量機中進行細粒度分類，實現SVM多分類下的圖像細粒度分類。仿真實驗分析展示了本文方法在提高超分辨圖像細粒度分類能力方面的優越性能。

1 超分辨圖像融合濾波和細粒度特征提取

1.1 超分辨圖像融合濾波

為實現基于SVM多分類的超分辨圖像細粒度分類，提高超分辨圖像細粒度可識別性，首先對采集的超分辨圖像進行融合濾波處理，實現圖像的預處理。假設待分類的模糊超分辨圖像為F，相似性較高的圖像背景分量為GF，根據兩幅圖像的內容相似度進行特征匹配，對GF進行模板融合處理，采用模板配準方法進行超分辨圖像的自適應融合濾波，將待分類的超分辨圖像分成3×3拓撲結構，設置4個超分辨圖像檢測窗口，結合超分辨像素特征重構方法，進行超分辨圖像的紋理特征匹配[5]。超分辨圖像的模糊度為ηF，每個子帶圖像的灰階像素為

采用擴展Kalman濾波方法，對超分辨圖像的中心像素點進行區域性融合，構建超分辨圖像的空間融合模型。根據圖像的相似度進行空間分布重建，得到超分辨圖像的信息熵為H，H信息越多，表示超分辨圖像中的細粒度越多。對超分辨圖像的細粒度進行模糊特征檢測和識別，提取超分辨圖像中的相似度成分，設每個子帶圖像的灰階像素f?F為主成分特征，圖像的相似度越大，則越接近F。在小波域中對超分辨圖像進行二值化處理，得到每個超分辨子帶圖像中的細粒度特征量為

其中，h、f分別代表圖像的顏色、紋理分布。給出批量超分辨圖像細粒度的向量量化值為Dg=βSi+(1-β)ml，其中為超分辨圖像的局部方差，為模板配準的殘差分量；Si表示超分辨圖像細粒度分布的高階特征量，其計算公式為

按照16：4：4比例進行圖像的灰度像素特征匹配，輸出特征匹配值

若超分辨圖像的細粒度的量化特征分布集滿足L(r)∈{-1,0,1}，則圖像編碼特征量為

其中，r為超分辨圖像的中心點相似度特征量，0≤r≤1。根據圖像編碼特征量及輸出特征匹配值的計算，進行圖像的融合濾波處理。本文將采用Atanassov擴展方法對超分辨圖像進行融合濾波，圖像融合濾波

式中，c為超分辨圖像細粒度的中心像素點分布矩陣的列數。根據式（6）得到融合濾波結果，為準確進行超分辨圖像細粒度分類，需對濾波結果進行特征提取。

1.2 圖像的細粒度多特征提取

在上述進行了超分辨圖像融合濾波的基礎上，進行圖像的多特征提取[6]。在Markov鏈模型中得到圖像的灰度-梯度不變矩為

考慮圖像的仿射區域不變性，采用Harris角點檢測算法實現超分辨圖像細粒度檢測[7]，在近鄰相位點處，得到超分辨圖像細粒度重構輸出為

式中，σ表示為超分辨圖像細粒度融合的樣本系數，Δx表示超分辨圖像細粒度的視覺差。采用LGB向量量化方法，進行超分辨圖像細粒度多特征匹配，令細粒度差異性分布函數t(x)=e-βd(x)，其中0＜t(x)＜1，采用深度學習神經網絡訓練方法，進行超分辨圖像細粒度像素值計算，輸出結果表示為

根據紋理多特征匹配方法，進行超分辨圖像的最大灰度多特征量檢測，采用邊緣多特征檢測方法，對圖像的輪廓點進行深度學習，得到最大灰度多特征量值為

在圖像的細粒度分類過程中，進行圖像多特征聚類處理，采用SVM方法進行圖像檢測過程中的自適應尋優，得到細粒度多特征提取輸出為

其中，f0表示梯度方向的圖像像素樣本分布集，由此實現對待分類的超分辨圖像細粒度多特征提取[8]。

2 圖像細粒度分類算法優化

2.1 基于SVM模型的塊稀疏多特征匹配

在上述采用邊緣輪廓多特征提取方法進行超分辨圖像細粒度提取的基礎上，進行圖像細粒度分類算法優化設計，本文提出基于SVM多分類的超分辨圖像細粒度分類算法，得到超分辨圖像細粒度自適應調節系數描述如下：

對于CHi(i∈C1)，超分辨圖像細粒度分布的空間位置信息標定為

式中

對批量超分辨圖像細粒度進行融合處理[9]，得到多特征分辨率為

采用圖像增強方法進行超分辨圖像細粒度成像分辨率增強處理，將聯合稀疏問題轉換為塊稀疏多特征匹配問題，則圖像分類的塊稀疏多特征匹配公式為

將提取的超分辨圖像細粒度多特征輸入到支持向量機中實現超分辨圖像細粒度分類，提高圖像的細粒度檢測能力[10]。

2.2 支持向量機多分類模型

采用粗糙集多特征分布式挖掘方法進行圖像的細粒度多特征重構，構建改進的SVM模型，SVM進行圖像細粒度分類的系統結構函數描述為

在分類器中采用自適應的加權學習方法進行自動分類，構建超分辨圖像細粒度深度學習模型，得到SVM分類模型如圖1所示。

圖1 SVM圖像分類模型

根據圖1所示的分類器模型，加入深度學習算法構建圖像細粒度分類的學習迭代式

將提取的超分辨圖像細粒度多特征輸入到支持向量機中，得到圖像分類的量化編碼為

以圖像分類的量化編碼為指標，作為圖像細粒度分類依據，進行SVM多分類。該分類過程是一種全局收斂的過程，當獲取到收斂最優解時，完成圖像細粒度分類，其中最優解計算公式為：

通過上述處理，實現了基于SVM多分類的超分辨圖像細粒度分類。為檢驗本文方法的有效性及可靠性，需對其進行仿真實驗。

3 仿真實驗與結果分析

3.1 樣本圖像的選擇

為了測試本文方法在實現超分辨圖像細粒度分類中的應用性能，進行仿真實驗。實驗采用Mat?lab 7設計，超分辨圖像細粒度多特征采樣集來自于Corel標準圖像庫，樣本庫中的訓練集圖像為4000組圖像，分類屬性類別為4，超分辨重組的系數為1.24。該圖像庫中包含多個主題，例如有動物、海灘、汽車等。本文將從中選取9幅圖案用于仿真實驗。以其中一組主體對象為例，進行圖像分類，得到測試圖像對象如圖2所示。

圖2 測試超分辨圖像

3.2 實驗評價指標

式中，R代表最大置信度，M表示細粒度類別，k表示分類回歸系數。

本文針對Corel圖像樣本庫中選取任意超分辨圖像進行細粒度分類。由于超分辨圖像類別間差異極小，因此置信值差別小。為更好進行評價，則有

式中，Ni為預測類別，T為訓練總數，Nj為圖像實際類別。式（22）中，當k=1時，取置信度評分最高的預測結果進行判斷；當k=2時，取置信度評分最高的兩個預測結果進行判斷，只要其中一個預測結果預測正確，則判定為正確，以此類推。

3.3 實驗參數的選擇

訓練實驗參數見表1。

表1 訓練實驗參數

根據上述參數，進行圖像細粒度分類。

3.4 對比實驗

3.4.1 圖像分類有效性

以圖2類型為研究對象，進行圖像細粒度分類，得到分類輸出如圖3所示。

圖3 圖像分類輸出

采用本文方法可根據圖像中待識別物體的方向、顏色進行分類。如圖3（a）～（c）所示，本文方法在選取的樣本圖案中，根據其細粒度組合多特征進行選取、排序，以大象頭部朝向為指標獲取分類結果。同樣的，本文方法采用RGB顏色分量重組方法進行超分辨圖像細粒度分類，以背景顏色為指標，獲取分類結果。通過分析圖3可知，基于SVM多分類的超分辨圖像細粒度分類方法能夠有效將圖像以不同指標進行分類。

3.4.2 分類結果的置信度及準確性

根據不同方法的訓練驗證結果置信度繪制準確率性能對比圖（圖4）。

圖4 圖像分類準確率對比

分析圖4得知，采用本文方法進行超分辨圖像細粒度分類的準確性較高，誤分率較低，提高了圖像的優化檢索能力。這是由于本文方法采用了融合濾波方法對超分辨圖像進行處理，在一定程度上減少了其他信息的干擾，提取了有效信息，為后續圖像細粒度分類提高了準確率。

4 結語

進行超分辨圖像細粒度分類優化處理，構建超分辨圖像細粒度融合模型，結合人工智能方法進行圖像的優化分類，提高超分辨圖像細粒度的檢索和信息提取能力，本文提出了基于SVM多分類的超分辨圖像細粒度分類算法。通過超分辨圖像融合濾波對圖像進行預處理，采用SVM方法進行圖像檢測過程中的自適應尋優，得到細粒度多特征提取輸出，根據提出輸出值進行塊稀疏多特征匹配，最終實現了基于支持向量機多分類模型的超分辨圖像細粒度分類。分析得知，采用該方法進行超分辨圖像細粒度分類的準確性較高，提高了超分辨圖像的檢索能力，具有很好的應用價值。