基于多特征提取和SVM分类器的纹理图像分类

第２８卷第６期　２０１１年６月　计算机应用与软件　Ｃｏｍｐｕｔｅｒ　Ａｐｐｌｉｃａｔｉｏｎｓ　ａｎｄ　Ｓｏｆｔｗａｒｅ　Ｖ０ｌ＿２８　Ｎｏ．６　Ｊｕｎ．２０１１　基于多特征提取和ＳＶＭ分类器的纹理图像分类　唐银凤　黄志明　黄荣娟　姜佳欣　卢　昕。　（武汉大学电子信息学院（武汉大学国际软件学院湖北武汉４３ｏｏｏｏ）　湖北武汉４３００００）　（武汉大学电子信息工程学院信号处理实验室湖北武汉４３００００）　摘要　能够从大量高分辨率遥感图像中识别出各种感兴趣的目标并进行归类，是一种具有广泛应用前景的技术需求。实验以　ＭＡＴＬＡＢ为平台，应用Ｇａｂｏｒ滤波器、高斯马尔柯夫随机场（ＧＭＲＦ）和灰度共生矩阵（ＧＬＣＭ）三种纹理图像特征提取算法对当前广　泛应用于纹理图像分类的样本集ｂｒｏｄａｔｚ光学数据库图像进行特征提取；然后在二分类支持向量机的基础上构造多类分类器的方　法，完成了利用支持向量机ＳＶＭ分类器对光学纹理图像进行分类的两组对比实验；最后通过提出的融合多特征纹理分类生成纹理　查找表的方法，在两组对比实验中验证了该文提出的方法能够在Ｂｒｏｄａｔｚ光学纹理集上得到较好的分类效果。　关键词　纹理分类特征提取支持向量机查找表　ＴＥＸＴＵＲＥ　ＩＭＡＧＥ　ＣＬＡＳＳｌＦＩＣＡＴＩＯＮ　ＢＡＳＥＤ　ＯＮ　ＭＵＬＴＩ．ＦＥＡＴＵＲＥ　ＥＸＴＲＡＣＴＩｏＮ　ＡＮＤ　ＳＶＭ　ＣＬＡＳＳＩＦＩＥＲ　Ｔａｎｇ　Ｙｉｎｆｅｎｇ　Ｈｕａｎｇ　Ｚｈｉｍｉｎｇ　Ｈｕａｎｇ　Ｒｏｎ￣ｕａｎ　Ｊｉａｎｇ　Ｊｉａｘｉｎ　Ｌｕ　Ｘｉｎ　（Ｓｃｈｏｏｌ　ｏｆＥｌｅｃｔｒｏｎｉｃ　Ｉｎｆｏｒｍａｔｉｏｎ，Ｗｕｈａｎ　Ｕｎｉｖｅｒｓｉｔｙ，Ｗｕｈａｎ　４３００００，Ｈｕｂｅｉ，Ｃｈｉｎａ）　。（Ｓｃｈｏｏｌ　ｏｆＩｎｔｅｒｎａｔｉｏｎａｌ　Ｓｏｉｗａ￣，Ｗｕｈａｎ　Ｕｎｉｆｖｅｒｓｉｔｙ，Ｗｕｈａｎ　４３００００，Ｈｕｂｅｉ，Ｃｈｉｎａ）　（Ｓｉｇｎａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｌａｂ，Ｓｃｈｏｏｌ　ｏｆ　Ｅｌｅｃｔｒｏｎｉｃ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｗｕｈａｎ　Ｕｎｉｅｒｖｓｉｔｙ，Ｗｕｈａｎ　４３００００，Ｈｕｂｅｉ，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ　Ｉｔ　ｉｓ　ｔｈｅ　ａｂｉｌｉｔｙ　ｔｏ　ｉｄｅｎｔｉｆｙ　ａｎｄ　ｃｌａｓｓｉｆｙ　ｖａｒｉｏｕｓ　ｏｂｊｅｃｔｓ　ｔｈａｔ　ｗｏｒｔｈ　ｉｎｔｅｒｅｓｔ　ｆｒｏｍ　ｍａｓｓ　ｈｉｇｈ　ｒｅｓｏｌｕｔｉｏｎ　ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ｉｍａｇｅｓ　ｔｈａｔ　ｉｓ　ａ　ｋｉｎｄ　ｏｆ　ｔｅｃｈｎｉｃａｌ　ｒｅｑｕｉｒｅｍｅｎｔ　ａｐｐｅａｌｉｎｇ　ｆｏｒ　ｂｒｏａｄ　ａｐｐｌｉｃａｔｉｏｎａｌ　ｐｒｏｓｐｅｃｔｓ．Ｔｈｅ　ｅｘｐｅｒｉｍｅｎｔ　ｔａｋｅｓ　Ｍａｔｌａｂ　ａｓ　ｔｈｅ　ｅｘｐｅｒｉｍｅｎｔａｌ　ｐｌａｔｆｏｒｍ，ａｎｄ　ａｐｐｌｉｅｓ　ｔｈｒｅｅ　ｉｍａｇｅ　ｔｅｘｔｕｒｅ　ｆｅａｔｕｒｅ　ｅｘｔｒａｃｔｉｏｎ　ａｌｇｏｒｉｔｈｍｓ，ｒｅｓｐｅｃｔｉｖｅｌｙ，Ｇａｂｏｒ　ｉｆｌｔｅｒ，Ｇａｕｓｓ—Ｍａｒｋｏｖ　ｒａｎｄｏｍ　ｆｉｅｌｄ　ｍｏｄｅｌ（ＧＭＲＦ）ａｎｄ　ｔｈｅ　ｇｒａｙ　ｌｅｖｅｌ　ＣＯ—ｏｃｃｕｒｒｅｎｃｅ　ｍａｔｉｒｘ（ＧＬＣＭ）ｔｏ　ｅｘｔｒａｃｔ　ｆｅａｔｕｒｅｓ　ｆｒｏｍ　Ｂｒｏｄａｔｚ　ｏｐｔｉｃａｌ　ｄａｔａｂａｓｅ　ｉｍａｇｅｓ　ｗｈｉｃｈ　ｉｓ　ａ　ｐｏｐｕｌａｄｙ　ｕｓｅｄ　ｓａｍｐｌｅ　ｓｅｔ　ｆｏｒ　ｔｅｘｔｕｒｅ　ｉｍａｇｅ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ．Ｔｈｅｎ　ｆｏｌｌｏｗｉｎｇ　ｔｈｅ　ｍｅｔｈｏｄ　ｏｆ　ｃｏｎｓｔｒｕｃｔｉｎｇ　ｍｕｌｔｉ—ｋｉｎｄｓ　ｃｌａｓｓｉｆｉｅｒ　ｂａｓｅｄ　ｏｎ　ｂｉｎａｒｙ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ＳＶＭ，ｔｈｅ　ｐａｐｅｒ　ｈａｓ　ｃｏｍｐｌｅｔｅｄ　ｔｈｅ　ｃｏｍｐａｒａｔｉｖｅ　ｅｘｐｅｒｉｍｅｎｔｓ　ｏｆ　ｔｗｏ　ｇｒｏｕｐｓ　ｂｙ　ｃｌａｓｓｉｆｙｉｎｇ　ｏｐｔｉｃａｌ　ｔｅｘｔｕｒｅ　ｉｍａｇｅｓ　ｗｉｔｈ　ＳＶＭ　ｃｌａｓｓｉｉｆｅｒｓ．Ａｔ　ｌａｓｔ，ｂｙ　ｔｈｅ　ｐｒｏｐｏｓｅｄ　ｆｕｓｉｎｇ　ｍｕｌｔｉ－ｆｅａｔｕｒｅ　ｔｅｘｔｕｒｅ　ｃｌａｓｓｉｉｆｃａｔｉｏｎ　ｔｏ　ｇｅｎｅｒａｔｅ　ｔｅｘｔｕｒｅ　ｌｏｏｋ—ｕｐ　ｔａｂｌｅ　ｍｅｔｈｏｄ，ｉｎ　ｂｏｔｈ　ｅｘｐｅｒｉｍｅｎｔ　ｇｒｏｕｐｓ，ｔｈｅ　ｍｅｔｈｏｄ　ｂｒｏｕｇｈｔ　ｆｏｒｗａｒｄ　ｉｎ　ｔｈｅ　ａｒｔｉｃｌｅ　ｉｓ　ｖｅｒｉｉｆｅｄ　ｔｏ　ｂｅ　ａｂｌｅ　ｔｏ　ｏｂｔａｉｎ　ｂｅｔｔｅｒ　ｃｌａｓｓｉｉｃａｔｉｆｏｎ　ｅｆｆｅｃｔｓ　ｏｎ　Ｂｒｏｄａｔｚ　ｏｐｔｉｃａｌ　ｔｅｘｔｕｒｅ　ｓｅｔ．　Ｋｅｙｗｏｒｄｓ　Ｔｅｘｔｕｒｅ　Ｃｌａｓｓｉｉｆｃａｔｉｏｎ　Ｆｅａｔｕｒｅ　ｅｘｔｒａｃｔｉｏｎ　ＳＶＭ　Ｌｏｏｋ．ｕｐ　ｔａｂｌｅ　方法，近年来成为模式识别与机器学习领域一个新的研究热点。　０　引　言　对于依赖高空间高分辨率复杂遥感图像对地面目标进行侦　察的任务来说，要从大量的遥感图像中找出感兴趣的目标，如识　文献［２］利用ＳＶＭ方法提取空间特征，对遥感影像进行图像分　类，文献［３］基于ＳＶＭ的图像分类，这些实例表明ＳＶＭ可有效　地应用于遥感图像的分类，并利用ＳＶＭ对高维输入向量具有高　推广能力的优点进行遥感信息提取。就目前的研究来看，任何　一别出各种农作物、树林、住房建筑等，一直是一项重要而繁琐的　工作。在对这些图像识别中，建立一种对遥感图像数据库有效　且快速的查询方法具有重要意义。而这种查询方法，又必须依　赖于对图像很好的分类效果。在图像分类方面，一些工作人员　近期已经做了一些研究，如从文献［１］可看出，单一特征在某些　应用中不如多特征融合提取的图像信息更加完整。这说明在特　种分类器在实际应用中都达不到百分之百的正确分类结果。　这驱使我们考虑同时利用分类正确与错误的结果，以期达到更　高的分类正确率。而查找表建立原则简单、效果直观、逻辑清　晰，我们可以通过设计合适的策略，同时利用被正确分类的以及　那些被错误分类的样本信息，形成一种索引关系，快速准确地对　新样本进行归类。　征提取上，不同算法得到的图像信息具有一定的互补性，只有通　过特征组合指导形成的分类器才能给出好的分类效果。　支持向量机ＳＶＭ作为一种较新的也是最有效的统计学习　收稿日期：２０１０—１２—１７。国家自然科学基金项目（６０８７２１３１）。唐　银凤，本科，主研领域：测控技术与仪器。　第６期　唐银凤等：基于多特征提取和ＳＶＭ分类器的纹理图像分类　２３　类别有一定的相关性，这种相关性即为马尔柯夫相关性。一幅　１原理概述　１．１纹理特征提取算法　要对各种光学图像进行比较好的分类和查询，首先得提取　图像的纹理特征。根据纹理的基本特征，目前已经出现了很多　纹理特征描述方法，其中最重要的应用最广的是基于统计和基　图像可以视为二维的随机过程，可以用条件概率来描述影像数　据分布，ＭＲＦ的假设前提是影像中每一个像元的像元值仅仅依　赖于其邻域中像元的像元值。一个马尔柯夫随机场通常用如下　的局部条件概率密度（ＰＤＦ）来描述：　ｐ（　，ｎ，ｎ）Ｉ，（　，ｚ），（　，ｚ）≠（，ｎ，ｎ），（　，ｚ）∈Ａ）　＝ｐ（／　ｍ，ｎ）ｌ＿，　ｊ｝，ｆ），（Ｊｊ｝，Ｚ）Ｅ　Ｎ（　．　））（７）　于结构的方法。本文应用了三种提取图像纹理特征的算法，分　Ⅳ（…）是中心像素的邻域像素点，如果ＰＤＦ服从高斯分布，就称　别是Ｇａｂｏｒ小波变换、ＧＭＲＦ和ＧＬＣＭ。　１．１．１　Ｃａｂｏｒ小波　］　Ｇａｂｏｒ特征利用其Ｇａｂｏｒ小波自身具有的多尺度多方向分　析能力，在周期性或方向性纹理上具有良好的分类效果。Ｇａｂｏｒ　小波是将Ｇａｂｏｒ基函数经过移位、旋转和比例变换后得到的一　组相似９０。相移的Ｇａｂｏｒ函数。一个二维Ｇａｂｏｒ函数ｇ（　，Ｙ）可　以表示为：　ｇ（　＝（　）ｅｘｐ［一÷（－差７＋　２）＋２　耽］（１）　其中，　为高斯函数的调制频率，ｇ（　，ｙ）是经过复数正弦函数　调制的高斯函数。令ｇ（　，Ｙ）为母小波，可通过下列函数膨胀、旋　转ｇ（　，），）获得一组自相似滤波器（称为Ｇａｂｏｒ小波），即：　ｇ　（　，Ｙ）＝Ｏ，－ｍｇ（　，Ｙ　）。＞１　ｍ，ｎ∈ｚ　（２）　给定一幅图像，（　，Ｙ），则它的离散Ｇａｂｏｒ小波变换定义为：　（　，ｙ）＝∑∑ｌ（ｘ—　。，Ｙ—ｙ　）ｇ　（　，　。）（３）　其中，　表示复数共轭，它假设局部纹理区域在空间上是同性质　的。　、Ｙ，是滤波器模板大小的变量。　利用系数幅度序列确定纹理的主方向，在不同方向和尺度　上计算变换后的系数幅度序列，这些系数幅度值在不同方向和　尺度上表征了图像的能量，即：　Ｅ　＝∑∑Ｉ　（　，ｙ）Ｉ　ｍ，ｎ＝１　２一　（４）　求出能量的均值　和方差　就可以得到一组特征向量，用来　描述图像的纹理特征。　Ｅ　＾／∑∑（Ｉ　（　）Ｉ一　）　”ｍｎ—　Ｍ×Ｎ　、　Ｇａｂｏｒ算法纹理特征提取具体编程方法如下：构造滤波器　大小Ｐ　Ｘｑ，选取Ｏ。方向为主方向并将其转化为弧度制进行后续　计算，本文滤波器构造函数为：　（　）　１ｍ２－ｅｘｐ（一　）　（ｃ。ｓ（　）＋ｊｓｉｎ（ｙ））（６）　给定一幅图像，（　，Ｙ），选择３，Ｏ。作为滤波器尺度和方向的　大小，将该图像和滤波器函数做卷积。用程序控制实现滤波器　在图像上以步长３滑动并对每一子块进行滤波提取有效信息。　卷积结果即表征了该图像的能量，如公式（４），再进一步利用　ＭＡＴＬＡＢ编程语言应用原理式（５）对图像求均值和方差的编程　方法，获得图像在Ｇａｂｏｒ滤波器下的纹理特征向量，通过ｆ０ｒ循　环编程将所有特征向量存进一个ｎ　Ｘ　２矩阵中，ｎ为样本个数。　１．１．２　高斯马尔柯夫随机场（ＧＭＲＦ）　高斯马尔柯夫随机场模型最初是在二十世纪六十年代后半　期ＬｅｏｎａｒｄＥ．Ｂａｕｍ和其他一些作者在一系列的统计学论文中描　述的。一幅图像中某像素点所属的类别和它周围的领域像素的　ＭＲＦ为ＧＭＲＦ。用邻域信息来估计像素点灰度值的预测公式　可以表示为：　ｍ，ｎ）＝　０（ｔ，５），（ｍ—ｔ，ｎ—ｓ）＋ｅ（ｍ，ｎ）　（８）　（ｆ　＿ＥＮ　ｅ（　）～Ｎ（０，∑）∑＝ｆ　Ｏ．　２　０　１　（９）　公式（９）中邻域坐标为：　Ｎ＝｛（１，１），（１，０），（１，一１），（０，１），（０，一１），（一１，１），　（一１，０），（一１，一１）｝　０（ｔ，ｓ）为每个邻域像素点贡献于中心像素点灰度值的权　值，ｅ（ｍ，ｎ）为均值为零，方差为　的高斯噪声序列。　本文采用最小二乘估计方法ＬＳＥ方法估计高斯马尔柯夫　随机场模型参数，构成了中心像素点６维特征矢量。　ｒ（０，１　，２　，０　１）　ｒ（０，０　１　一　，０）　ｒ（０，１　　一，０　一１）　ｒ（１，一　，０　１）　ｒ（１，１）　ｒ（１，０）　ｒ（１，一１）　ｒ（０，１）　＝　１∑，（ｍ，ｎ）　’　（ｍ．ｎ）Ｅ　ｒ（　）＝　‘’　【ｍ，Ⅱ）Ｅ　∑，（ｍ，ｎ）ｆ（ｍ　ｎ—ｓ）　＝ｒ（ｏ，０）一∑　（ｆ，ｓ）ｒ（ｆ，ｓ）　（１ｏ）　（ｔ　ＧＭＲＦ算法提取特征具体编程方法为：用ＧＭＲＦ对图像进　行二阶参数估计，设参数估计矩阵为Ｇ，图像中任一３　Ｘ　３的窗　口为　，即图像采样模板的尺寸范围。因为对角线像素点的权值　基本相同，可加以弱化，只取４个非对称的方向对应的四维参数　向量｛０（ｔ，ｓ），（ｔ，ｓ）∈Ｎ｝，则窗口的中心像素点坐标为ｃｒ，核心　编程为：　ｅｒ＝（ｓｉｚｅ（ｗ，１）＋１）／２　Ｇ＝［ｗ（ｃｒ，ｃｒ一１）＋ｗ（ｃｒ，ｅｌ＂＋１），ｗ（ｃｒ一１，ｅｒ）＋ｗ（ｅｒ＋１，ｅｒ），　ｗ（ｃｒ一１，ｃｒ＋１）＋ｗ（ｃｒ＋１，ｃｒ一１），　ｗ（ｃｒ一１，ｅｌ＂一１）＋ｗ（ｃｒ＋１，ｅｌ＂＋１）］；　设图像的灰度矩阵为Ｌ，则用程序可实现３　Ｘ　３的窗口　在　矩阵￡内自动循环，以实现中心像素位置的变换，求得以矩阵己　内除最外层行和列以外所有像素点为中心的参数估计矩阵Ｇ，　因一个窗口求得的矩阵Ｇ大小为１　Ｘ　４，则循环中心像素点后可　得Ｇ大小为：（（１ｅｎｇｔｈ（Ｌ）一１）Ｘ（１ｅｎｇｔｈ（Ｌ）一１）Ｘ４），ｌｅｎｇｔｈ表　示长度。同样，对每个３　Ｘ　３的窗口求一次方差，则可得到方差矩　阵　，其大小为：（１ｅｎｇｔｈ（Ｌ）一１）Ｘ（１ｅｎｇｔｈ（Ｌ）一１）。　０＝ｉｎｖ（Ｇ　Ｇ）　Ｇ　Ｘ　：（　，一２￥Ｘ　Ｇ　ｆ０＋　，　（１１）　Ｇ　Ｇ　Ｅｓｉｔａ）／ｌｅｎｇｔｈ（　）　计算机应用与软件　其中　为矩阵　除去最外层行和列后的矩阵，即中心像素点循　环过的区域，则０即为０（ｔ，ｓ）。将０和。合并可得大小为　（１ｅｎｇｔｈ（Ｌ）一１）×（１ｅｎｇｔｈ（Ｌ）一１）×５的矩阵，再加矩阵　中所　２０１１丘　ｉｆ（（ｉｎｄ—ｘｌ（ｉ）＝＝ｉｎｄ—ｘ２（Ｊ））＆＆（ｉｎｄ—ｙｌ（ｉ）＝＝ｉｎｄ—ｙ２（ｊ）））　ｃｏｕｎｔ　ｃｏｕｎｔ＋１：　ｅｎｄ　ｅｎｄ　ｅｎｄ　有像素点灰度值的均值，得ＧＭＲＦ的六个特征。　１．１．３　ＧＬＣＭ灰度共生矩阵　一幅图像的灰度共生矩阵能反映出图像灰度关于方向、相　然后应用原理式（１３）对上步所得到的共生矩阵进行归一化并　邻间隔、变化幅度的综合信息，它是分析图像的局部模式和它们　排列规则的基础。１９７３年Ｈａｒａｌｉｃｋ从纯数学的角度，研究了图　像纹理中灰度级的空间依赖关系，提出灰度共生矩阵的纹理描　述方法，其实质是从图像中灰度为ｉ的像素（其位置为（　，Ｙ））出　通过公式（１４）计算四个纹理特征值。　１．２　ＳＶＭ支持向量机　支持向量机是Ｃｏｒｔｅｓ和Ｖａｐｎｉｋ于１９９５年首先提出的，它　在解决小样本非线性及高维模式识别中表现出许多特有的优　发，统计与其距离为ｄ灰度为　的像素（　＋Ｄｘ，Ｙ＋Ｄｙ）同时出现　势，其分类的查全率和查准率几乎超过了现有的所有方法，具有　的次数Ｐ（ｉ，　，ｄ，０），数学表达式为：　Ｐ（ｉ，　，ｄ，０）＝｛［（　，Ｙ），（　＋Ｄｘ，Ｙ＋Ｄ　）Ｉ／　，Ｙ）　＝ｉ　＋Ｄｘ，Ｙ＋Ｄｙ）＝　］｝　（１２）　式中：　，Ｙ＝０，１，２，…，Ｎ一１是图像中的像素坐标；ｉ√：０，１，２，　…，Ｌ一１是灰度级；Ｄｘ，Ｄｙ是位置偏移量；ｄ为生成灰度共生矩　阵的步长；０生成方向，可以取０。，４５。，９０。，１３５。四个方向，从而　生成不同方向的共生矩阵。要使其特征值不受区域范围的影　响，还需对此灰度共生矩阵进行归一化处理：　分（　，　）＝百　（１３）　∑∑Ｐ（…’　，　Ｊ　）　为了能更直观地以共生矩阵描述纹理状况，本文使用了从　共生矩阵导出的一些最常用的反映矩阵状况的特征提取参数来　提取图像的特征，包含能量ＡＳＭ、熵ＥＮＴ、对比度ＣＯＮ、逆差分　矩，Ｄ　，计算式分别为：　ＡＳＭ＝∑∑［ｐ（ｉ，ｊ，ｄ，　）］　ＥＮＴ＝∑∑ｐ（ｉ，ｊ，ｄ，Ｏ）ｌｎｐ（ｉ，　，ｄ，　）　（１４）　ＣＯＮ＝∑∑（　－ｊ）　ｐ（　，　，ｄ，　）　删：　ｉ　＝０　Ｊ＝　０　Ｌ　ｉ下　一Ｊ，Ｊ　这四个特征之间不相关，可以有效地描述光学或遥感图像　的纹理特征，便于计算又具有较好的鉴别能力。　由于要处理的原始图像灰度级比较大，从计算时间和纹理　可分性上对其灰度级压缩至９级，考虑到参数的旋转不变性，选　取４个方向上的均值作为纹理特征参数，步长ｄ为１。由灰度共　生矩阵的的定义进而求出原始图像的灰度共生矩阵，并依据公　式（１３）进行归一化处理，计算出灰度共生矩阵下的４个纹理特　征，作为分类器的输入。　具体纹理特征提取编程方法如下：首先由（１２）式计算图像　的灰度共生矩阵，从　和Ｙ方向统计次数，核心编程为：　ｆｏｒ　ｉｎｔｅｎｓｉｔｙ１：０：７　ｏｕｔｘ＝ｏｕｔ—ｉｎｄ——ｉｎｄ—ｘ＋１；　ｏｕｔ—ｉｎｄ—Ｙ　０；　［ｉｎｄ—ｘｌ　ｉｎｄ—ｙ１］＝ｆｉｎｄ（Ｉ：＝ｉｎｔｅｎｓｉｔｙ１）；　ｏｆｒ　ｉｎｔｅｎｓｉｔｙ２＝０：７　ｏｕｔｉｎｄＹ＝ｏｕｔ—ｉｎｄＹ＋１；　—［ｉｎｄ—ｘ２　ｉｎｄ—ｙ２］＝ｆｉｎｄ（Ｉ＝＝ｉｎｔｅｎｓｉｔｙ２）；　ｃｏｕｎｔ＝０；　ｆｏｒｉ＝１：ｓｉｚｅ（ｉｎｄ＿ｘｌ，１）　ｆ０ｒｉ＝１：ｓｉｚｅ（ｉｎｄ—ｘ２，１）　很好的泛化能力及其它机器学习方法不可比拟的优势。　ＳＶＭ的原理是用分离超平面作为分离训练数据的线性函　数，解决非线性分类问题。ＳＶＭ求取最优分类面的优化函数　（极大化泛函）定义如下：　ｎ　●　ｎ　Ｑ（。）＝∑。ｌ　　一÷∑ｎ一　Ｊ　１　　ａｊｙ　ｙＪ（　）　（１５）　式中，　为样本，ｎ为样本个数，Ｙ为类别编号，ａ　（＝１，２，…，ｎ）　是函数优化时的Ｌａｇｒａｎｇｅ系数，对应的判别函数为：　Ｄ（　）＝ｓｇｎ（∑０　Ｙｌ（　。　）＋　）　（１６）　目前有以下两种多类ＳＶＭ分类器：（１）一对一：构造所有　可能的２类ＳＶＭ分类器，每个分类器的训练数据集都只取相应　的两类。（２）一对多：对于ｋ类问题，构造ｋ个２类ＳＶＭ分类　器，每个类对应其中的一个，使第ｉ个２类ＳＶＭ分类器所构造的　分类超平面，把第ｉ类与其它的ｉ一１类分割开。测试时，对测试　数据分别计算对应于各个类分类器的决策函数值并选择最大的　函数值所对应的类别作为测试数据的所属类别。本文选用了一　对多的ＳＶＭ分类器，将以上三种算法提取的纹理特征作为分类　器的入口完成纹理图像的分类。　１．３查找表　Ｊ　本文提出了基于三维ＬＵＴ结构的光学图像数据纹理分类　编码的方案：首先运用ＳＶＭ对不同算法下的训练样本图像数据　进行分类得到每幅图像在各种算法下的分类类别号，将各种可　能分类类别号组合进行编码，编码结果即作为测试样本数据分　类结果的纹理查找表。在实际进行分类阶段，对测试图像提取　Ｇａｂｏｒ、ＧＭＲＦ和ＧＬＣＭ三种纹理特征，输入训练好的分类器，根　据三种分类器给出的类型响应，结合查找表，进行查表操作。本　文研究的数据量不是很大，不需要考虑时问和空间问题，直接列　出了查找表进行平均查准率的统计，具有简易直观的特点。　２实验结果与分析　实验环境是ＭＡＴＬＡＢ语言编程环境，使用计算机处理器是　Ｐｅｎｔｉｕｍ（Ｒ）Ｄｕａ１．Ｃｏｒｅ　ＣＰＵ　Ｅ５３００，处理速度２．６０ＧＨｚ，内存为　２Ｇ，对于原始图像特征的提取运行速度还比较快，原始数据来　源于ｂｒｏｄａｔｚ光学纹理图像集。　ＭＡＴＬＡＢ能将数值分析、矩阵计算、科学数据可视化等诸多　强大功能集成在一个易于使用的视窗环境中，功能强大，在图像　的读写、转换及计算等多方面都具有广泛的应用，为多种类型图　像的处理提供了极为方便的编程环境。遥感图像由于分析处理　的需求不同于常规光学图像，传感器类型，成像角度，分辨率等　诸多因素的的影响导致目标散射特性与光学存在较大差异。本　第６期　唐银凤等：基于多特征提取和ＳＶＭ分类器的纹理图像分类　文选取的ｂｒｏｄａｔｚｓ光学纹理图像集中的图像，它是研究面目标　图像分类识别上目前公用的样本库，在这种数据库上的实验结　果更具可比性。　在选择底层特征基础上，采用基于支持向量机组的方法从　图像底层视觉特征实现多类目标分类，将一幅图像归于一类或　几类图像，本实验算法流程如下：（１）从光学纹理图像数据库中　选出要研究的具有代表性的三类纹理图像，进行预处理；（２）对　样本的图像特征进行特征选择，选择三种算法对于图像特征提　取的最优参数选择方案；（３）对３类图像构造１个ＳＶＭ三类分　■■■　■一■■■娶■■■慧■一■　■■■　类器，通过选择底层特征训练样本集来构造分类器，对测试样本　测试求平均查准率；（４）设置核函数参量，利用ＳＶＭ分类器对　输入图像进行分类，并列查找表。　两组实验如下，每组每类均选择该类其中十张数据图像作　为训练集样本：第一组实验由米粒、毛发、石头三类不规则纹理　图像组成，共４１０张。其中米粒的数量为１６０，主要包含图１所　示两种类型；毛发共１００张，主要有图２所示三种类型；而石头　有１５０张，如图３所示。　枷　：：　规贝ＩＪ图４木纹　针织物各种方向线条都有，且具有对称重复的纹理，而砖则　具有横竖方向的线条纹理。在针织物中，虽然类别一样，但是各　种类型针织物又具有很大的差别，本组实验中主要有如图５所　示的六种类型的针织物。　图５针织物　砖块中图像除了尺度上的不同还有材料的不同，主要有如　图６所示几种。　■●　■■　图６砖　两组每类十个训练样本分类生成的查找表如表１和表２所示。　表１　第一组实验分类类别号编码　Ａｌ　Ａ２　Ａ３　１１１　１２２　１３３　Ｇａｂｏｒ类别号，　ｌ１２　１２３　３３３　ＧＭＲＦ类别号，　ｌｌ３　２２３　ＧＬＣＭ类别号　３２２　３２３　表２第二组实验分类类别号编码　Ｂ１　Ｂ２　Ｂ３　Ｇａｂｏｒ类别号，　１１１　１２２　１３３　ＧＭＲＦ类别号，　ｌ１２　２２１　３３３　ＧＬＣＭ类别号　２２２　表１表示对训练集出现的组合情况的一种编码，是基于训　练集得到的，表示当测试集中如果一幅图像出现与表中对应类　的任意编码时则可认为该图像属于该类。　两组测试样本的分类平均查准率列成柱状图如图７和图８所示。　图７第一组实验三种特征组合和单一　特征ＧＬＣＭ下的ＳＶＭ分类平均查准率　（下转第４６页）　计算机应用与软件　［１　２］ｓｍａｄｊａ　Ｆ．Ｒｅｔｉｒｅｖｉｎｇ　Ｃｏｌｌｏｃａｔｉｏｎｓ　ｆｒｏｍ　Ｔｅｘｔ：Ｘｔｒａｃｔ［Ｊ］．Ｃｏｍｐｕｔａｔｉｏｎａｌ　Ｌｉｎｇｕｉｓｔｉｃｓ，１９９３，１９（１）：１４３—１７７．　２０１１正　说明在这种方案下ＳＶＭ支持向量机构造的分类器有很好的泛　化能力，能够将这三种光学纹理图像区分开来。　［１３］屈刚，陈笑蓉，陆汝占．基于有效句型的双语短语对齐［Ｊ］．计算机　研究与发展，２００３，４０（２）：１４３—１５０．　［１４］Ｄａｎｉｅｌ　Ｍａｒｃｕ，Ｗｉｌｌｉａｍ　Ｗｏｎｇ．Ａ　Ｐｈｒａｓｅ２ｂａｓｅｄ，Ｊｏｉｎｔ　Ｐｒｏｂａｂｉｌｉｔｙ　Ｍｏｄｅｌ　ｆｏｒ　Ｓｔａｔｉｓｔｉｃａｌ　Ｍａｃｈｉｎｅ　Ｔｒａｎｓｌａｔｉｏｎ『Ｃ　１／／Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　Ｃｏｎｆｅｒ．　ｅｎｃｅ　ｏｎ　Ｅｍｐｉｒｉｃａｌ　Ｍｅｔｈｏｄｓ　ｉｎ　Ｎａｔｕｒａｌ　Ｌａｎｇｕａｇｅ　Ｐｒｏｃｅｓｓｉｎｇ．ＥＭＮＬＰ．　比较各组图像的纹理和分类结果，还可以说明方向、尺度对　分类效果具有一定的影响作用。而在实际的遥感图像处理场景　中，大部分是面目标，方向不定，可以通过取多个方向求平均值　或者根据对称性等方法来弱化方向对图像纹理特征提取的影　响，以达到更好的分类效果。实验还说明单一特征对于光学纹　Ｐｈｉｌａｄｅｌｐｈｉａ，ＰＡ，ＵＳＡ．Ｊｕｌｙ　２００２．　理图像的分类在一定条件和目标数据上不一定都比多特征组合　的分类效果更差，但是多特征组合建立查找表的方法对于错类　的判别应该具有很好的识别效果。试验中发现当训练集样本个　［１５］Ｄｅｋｍ　Ｗｕ．Ｓｔｏｃｈａｓｔｉｃ　ｉｎｖｅｒｓｉｏｎ　ｔｒａｎｓｄｕｅｔｉｏｎ　ｇｒａｍｍａｒｓ　ａｎｄ　ｂｉｌｉｎｇｕａｌ　ｐａｒｓｉｎｇ　ｏｆ　ｐａｒａｌｌｅｌ　ｃｏｒｐｏｒａ［Ｊ］．Ｃｏｍｐｕｔａｔｉｏｎａｌ　Ｌｉｎｇｕｉｓｔｉｃｓ，１９９７，２３　（３）：３７７—４０４．　数发生很小的改变时，测试精度也会有很大的改变，如果增加训　［１６］Ｙｉｎｇ　Ｚｈａｎｇ，Ｓｔｅｐｈａｎ　Ｖｏｇｅｌ，Ａｌｅｘ　Ｗａｉｂｅ１．Ｉｎｔｅｇｒａｔｅｄ　ｐｈｒａｓｅ　ｓｅｇｍｅｎｔａ－　ｔｉｏｎ　ａｎｄ　ａｌｉｇｎｍｅｎｔ　ａｌｇｏｒｉｔｈｍ　ｆｏｒ　ｓｔａｔｉｓｔｉｃａｌ　ｍａｃｈｉｎｅ　ｔｒａｎｓｌａｔｉｏｎ［ｃ］／／　练集个数，将会得到更高的测试精度。　Ｐｒｏｃｅｅｄｉｎｇ　ｏｆ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｎａｔｕｒａｌ　Ｌａｎｇｕａｇｅ　Ｐｒｏｃｅｓｓｉｎｇ　实验时，ＳＶＭ分类器构造参数以及训练集样本数的不同都　ａｎｄ　Ｋｎｏｗｌｅｄｇｅ　Ｅｎｇｉｎｅｅｒｉｎｇ．Ｂｅｉｊｉｎｇ：２００３．　能影响到查准率的改变。如何针对某一具体应用自动寻找合适　［１７］Ｙｉｎｇ　Ｚｈａｎｇ，Ｓｔｅｐｈａｎ　Ｖｏｇｅ１．Ｃｏｍｐｅｔｉｔｉｖｅ　Ｇｒｏｕｐｉｎｇ　ｉｎ　Ｉｎｔｅｇｒａｔｅｄ　Ｐｈｒａｓｅ　的分类器参数以及训练样本，并将其推广到遥感图像中，则是下　一Ｓｅｇｍｅｎｔａｔｉｏｎ　ａｎｄ　Ａｌｉｇｎｍｅｎｔ　Ｍｏｄｅｌ［ｃ］／／Ｐｒｏｃｅｅｄｉｎｇ　ｏｆ　ＡＣＬ　Ｗｏｒｋ—　步要面对的重要问题。　ｓｈｏｐ　ｏｎ　Ｂｕｉｌｄｉｎｇ　ａｎｄ　Ｕｓｉｎｇ　Ｐａｒａｌｌｅｌ　Ｔｅｘｔｓ．Ａｎｎ　Ａｒｂｏｒ．２００５：１５９—　１６２．　３　结语　［１８］程葳，赵军，刘非凡，等．面向口语翻译的双语语块自动识别［Ｊ］．　计算机学报，２００４，２７（８）：１０１７—１０２０．　在图像分类技术中，特征的提取和分类器的设计是两个重　要的环节。本文提出的利用多特征提取图像纹理并构造查找　（上接第２５页）　表，以修正ＳＶＭ的分类结果的方法，取得了比较好的纹理图像　分类效果。在实际应用中，往往是对大规模数据进行测试，要对　大范围的数据进行训练则比较难以执行，训练的数据量太小，会　影响分类的准确性，这就要求不仅要选择适当量的数据集，还应　选择合适的特征提取算法及分类器。实验由于所用技术本身的　局限性以及实验并非基于海量的数据进行训练等因素，避免不　了有些图像被错分到其他类。在高分辨率影像中，纹理特征非　常复杂，如果采用简单的线性分类模型不一定完全能够将特征　空间中的各个类别有效地区分开来，所以必须采用非线性的复　杂映射模型来建立分类判别函数。利用ＳＶＭ方法通过非线性　决策函数进行训练分类，不需要大量的样本就可以得到满意的　图８第二组实验三种特征组合和单一　分类效果，分类错误率较低。特征提取算法的丰富、快速算法的　特征ＧＬＣＭ下的ＳＶＭ分类平均查准率　实现、分类器设计的优化无疑都将进一步提升方案的分类性能。　在第一组实验中，选择的是不规则杂乱纹理图像的比较分　同时也可以进一步推广到遥感图像中，验证是否可以提高遥感　类，这三类图像在Ｇａｂｏｒ、ＧＭＲＦ、ＧＬＣＭ三种特征提取算法下的　图像的分类正确率。　纹理特征分类组合中得到了比较好的分类效果：对于同一类，包　参考文献　含的种类不多，彼此的差异不是很大；对于不同类，毛发与另外　两类砖和石头纹理相差较大，试验结果表明所运用的方法能够　［１］张斌，高鑫．一种基于Ｇａｂｏｒ滤波器组和ＬＢＰ的多特征联合ＳＡＲ　很好地将它与米粒和石头区别出来；而对于米粒和石头，这两类　纹理图像分类方法［Ｊ］．科学技术与工程，２０１０，１０（１７）．　虽然属不同类别，虽尺度上相差较大，但纹理的杂乱又有些类　［２］骆剑承，周成虎，梁怡，等．支撑向量机及其遥感影像空间特征提取　似，故容易将两者混淆错分，引起石头类分类平均查准率不是很　和分类的应用研究［Ｊ］．遥感学报，２００２，６（１）．　［３］胡斌斌，姚明海．基于ＳＶＭ的图像分类［Ｊ］．微计算机信息，２０１０　高。对比中发现，在ＧＬＣＭ单一特征下，各类平均查准率和多特　（１）．　征组合的相差比较大，这是因为对于单特征，三类的分类类别号　［４］Ｄｅｎｇｓｈｅｎｇ　Ｚｈａｎｇ，Ａｙｌｗｉｎ　Ｗｏｎｇ，Ｍａｉｒａ　Ｉｎｄｒａｗａｎ．Ｉｎｄｒａｗａｎ　Ｃｏｎｔｅｎｔ—　必须分别为１、２、３，如果每类的测试样本分类类别号不是该类　ｂａｓｅｄ　Ｉｍａｇｅ　Ｒｅｔｉｒｅｖａｌ　Ｕｓｉｎｇ　Ｇａｂｏｒ　Ｔｅｘｔｕｒｅ　Ｆｅａｔｕｒｅｓ［Ｊ］．ＩＥＥＥ　Ｔｒａｍｓ—　本应该出现的类别号，则认为该图像被错分，因此可验证不同的　ａｃｔｉｏｎｓ　ＤＡＭＩ，２０００：１３—１５．　特征提取算法对不同的样本信息具有的识别能力不一样。　［５］明冬萍，骆剑承，沈占锋．基于ＧＭＲＦ—ＳＶＭ的高分辨率遥感影像　第二批实验中三类主要是规律的纹理图像，木纹主要具有　目标区域划分方法［Ｊ］．测绘科学，２００９（２）．　９０。方向光滑的纹理，针织物具有多种方向上的对称纹理，砖则　［６］李莉，木拉提・哈米提，艾克热木・阿西木，等．基于灰度共生矩阵　的新疆地方性肝包虫ｃＴ图像特征提取方法［Ｊ］．科技导报，２０１０，　有０。和９０。方向的纹理，三类之间还具有尺度或材料上的差异。　２８（１６）．　而每一类之间，所包含的不同类型数比前一组试验的要多，其中　［７］Ｊａｓｏｎ　Ｗｅｓｔｏｎ．Ｓｕｐｐｏ￣Ｖｅｅｍｒ　Ｍａｃｈｉｎｅ　Ｔｕｔｏｉｒａｌ［Ｒ］．ＮＥＣ　Ｌａｂｓ　Ａｍｅｒｉ—　针织物类就有六种。这一组实验更加丰富，分类效果也比较好，　ｃａ　４　Ｉｎｄｅｐｅｎｄｅｎｃｅ　Ｗａｙ，Ｐｒｉｎｃｅｔｏｎ，ＵＳＡ．