基于不變矩特征的圖像模式模糊分類軟件設計

吳文波

（閩南科技學院，福建 泉州 362000）

0 引言

矩陣概念在圖形識別中的應用，推廣了矩陣的一系列基本特質，證明了有關矩陣的平移、尺度和旋轉不變性。當前，矩陣特征被廣泛地應用于識別、場景匹配、圖形分析，圖像分析，文字識別[1]。針對無監督多分辨邊界探測問題，文獻[2]提出了一種新的無監督多分辨邊界探測算法，并對其進行了擴展。直至尺度空間的最底層。但該方法的圖像模式模糊分類軟件設計的識別精度低。文獻[3]出一種模糊分類方法。采用直流分布式融合技術，實現對圖像模糊技術的故障檢測。但在應用該方法設計圖像模式識別軟件時，出現了許多錯誤。對此本文提出一種基于不變矩特征的圖像模式模糊分類軟件設計，實驗結果顯示，在經過良好的訓練網絡中，平均正確識別率可達到94%以上。

1 基于不變矩特征的圖像模式模糊分類方法

對遙感影像進行分類時，分類器的選擇一般要考慮兩個因素，一是分類精度，二是分類速度，在保證分類精度的前提下，分類速度非常重要，隨著遙感影像的數據量擴大，使得分類器的識別精度也隨之升高，但分類速度慢，能滿足實際需要。在圖像分類中，考慮噪聲等因素的影響，采用基于樣本紋理的聯合關聯規則時，常常會出現紋理異常，即使是同一底物，它們紋理特征也是不同的。為此，本文采用模糊分類的方法，并設計了一種模糊分類器。常規分類方法將像素劃分為一類，而模糊分類法將像素劃分為兩類，顧名思義，一個象元可以分為兩類至多幾類，但隸屬于不同類別的象元有不同的屬性。模糊分類的數學基礎是模糊分類學。每一個像素所代表的地面區域內，在遙感影像中可能存在多個地面物，在本例中，可以存在多種地物類型。因此在這種情況下像素特征值反映了許多種特征，在分類時，必須考慮不同的歸屬情況。

在圖像特別是遙感圖像中，混雜像元占據了很大的比例。在圖像分類中，因為混合像元包含了多個物體的信息，它的灰度是多物體輻射能的某種組合，所以它不能明確地被分為一個類別[4]，并按照一定法則將其分為兩類或更多種類型。在圖像處理區域中，受圖像成像過程和各種外部條件的影響，圖像中物體的邊界很模糊，邊界不是絕對邊界，而是過渡帶。尤其是在遙感影像中，由于混合像元的存在，對模糊像元和模糊目標的處理越來越重要。模式識別過程中，需要合理地描述和提取這些模糊信息，才能實現有效的模式識別。

2 不變矩特征提取

特征量是指包含在圖像中的輸入信息來進行處理以及了解分析，采用不容易受到隨機信息等因素干擾的信息作為模態特征值。該方法能有效地去除特征提取過程中的冗余信息，盡可能地提高識別的精度以及減少運算方式和提高運算速度。好的特性應該是可分辨，穩定，獨立的?？蓞^域性是指模式種類不同，它們的特性是不同的，并且差異越大越明顯。魯棒性是指第一個模擬測試應該與相同的模式相似，且隨機因素越相似，干擾就越小[5]。

2.1 BP網絡

神經網絡是建立在人腦結構和功能基礎上的一門新學科，雖然目前還只是人腦的低級模仿，但其許多特征，如結構性、容錯性、穩健性、自適應性，他們與人類大腦有相似之處。神經網絡可以模擬生物神經系統的智能和功能，在信息處理和智能科學領域具有舉足輕重的作用，因此，神經網絡一直是國內外科學家研究的熱點，也是國際上研究的熱點。每個輸入節點對應于樣本的特征值，將未知分類樣本應用于實踐，可自適應調節權重和閾值。誤差容限的選擇有很多經驗性因素。它不僅有利于提高網絡的訓練速度和效率，而且不影響網絡訓練曲線的收斂，同時也有利于模型的實時實現。

2.2 不變矩矢量標準化

通過對矩矢量的標準化，提高了網絡的計算效率和收斂速度。因此，在向量被輸入到這個神經網絡前，最好采用矩矢量不變的標準。如下圖1所示：

圖1 不變矩特征分類流程圖

2.3 不變矩矢量排列

每一個輸出特征由一個不變矩矢量進行標準化，向量特征的排列方式為大小分布。不同樣本的矩不變性具有相似的模態特征。若直接把模式特征輸入神經網絡進行訓練，則網絡的學習和推廣能力較差。所以，不變式經過標準化后，必須對其特征進行重新排序，以解決具有相同結構特征的同種圖像與具有不同結構特征的異種圖像之間的矛盾，使其特征能夠區別性、穩定性和獨立性。從整數1和7之間的不變矩矢量特征數生成隨機整數序列。這兩個隨機整數總共包含從整數1到7的所有自然數據，因此保證了隨機數據只包含一個自然數據。

3 實驗結果與分析

實驗中，取模糊分類融合模型的型號為IRF460，傳感器的磁芯為EE42，傳感器的輸出聚焦35.7nF，慣性傳感器的漏感為0.46μH，降噪為12V，功率因素為15kW，根據上述參數設定，進行模糊分類融合傳感器物理特性參數識別，得到數據采集結果如圖2所示。

圖2 模糊類分析

根據圖2所示，本文方法與其他幾種方法相比，利用本文得到進行基于不變矩特征的圖像模式模糊分類軟件設計的性能更好，識別精度更高。測試模糊分類的誤差，得到對比結果如圖3所示。

圖3 實驗結果對比圖

根據圖3所示，本文方法與其他幾種方法相比，利用本文得到進行基于不變矩特征的圖像模式模糊分類軟件設計的效果和性能更好，誤差更低。

4 結束語

在提取醫學圖像特征向量時，采用矩法不變性，利用神經網絡作為分類器對醫學圖像進行特征向量分類。用矩不變量來規范訓練和模糊預處理和競爭選擇等一系列措施，提高了訓練和識別的速度，提高了識別的實時性，是醫學圖像分類識別的有效途徑。