基于Gabor变换和极限学习机的贝类图像种类识别_杨靖尧

第３２卷第４期 ２　０　１　３年７月 大 连 工 业 大 学 学 报 Ｊｏｕｒｎａｌ　ｏｆ　Ｄａｌｉａｎ　Ｐｏｌｙｔｅｃｈｎｉｃ　Ｕｎｉｖｅｒｓｉｔｙ Ｖｏｌ．３２Ｎｏ．４ Ｊｕｌ．２　０　１　３ 文章编号：１６７４－１４０４（２０１３）０４－０３１０－０３ 基于Ｇａｂｏｒ变换和极限学习机的贝类图像种类识别 杨 靖 尧，　里 红 杰，　陶 学 恒 （大连工业大学 信息科学与工程学院，辽宁 大连　１１６０３４） 摘要：研究了基于Ｇａｂｏｒ变换和二维图像主成分分析（２ＤＰＣＡ）相结合的贝类图像识别 方法 快递客服问题件处理详细方法山木方法pdf计算方法pdf华与华方法下载八字理论方法下载 。对贝类 图像进行Ｇａｂｏｒ变换，提取其图像特征，确定了图像特征维数；采用２ＤＰＣＡ方法，对变换后的特征进行 降维，并利用极限学习机（ＥＬＭ）进行贝类图像的分类识别。与ＢＰ神经网络和支持向量机（ＳＶＭ）实验 对比发现，极限学习机分类器用于贝类识别不仅速度极快而且泛化性良好，算法具有较高的精度。 关键词：Ｇａｂｏｒ变换；极限学习机；计算机视觉技术；图像识别 中图分类号：ＴＰ２４２．６；Ｓ９８６．１ 文献标志码：Ａ Ｓｈｅｌｌｆｉｓｈ　ｒｅｃｏｇｎｉｔｉｏｎ　ｂａｓｅｄ　ｏｎ　Ｇａｂｏｒ　ｔｒａｎｓｆｏｒｍａｔｉｏｎ　ａｎｄ　ｅｘｔｒｅｍｅ　ｌｅａｒｎｉｎｇ　ｍａｃｈｉｎｅ ＹＡＮＧ　Ｊｉｎｇｙａｏ，　ＬＩ　Ｈｏｎｇｊｉｅ，　ＴＡＯ　Ｘｕｅｈｅｎｇ （Ｓｃｈｏｏｌ　ｏｆ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｄａｌｉａｎ　Ｐｏｌｙｔｅｃｈｎｉｃ　Ｕｎｉｖｅｒｓｉｔｙ，Ｄａｌｉａｎ　１１６０３４，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ａ　ｍｅｔｈｏｄ　ｉｄｅｎｔｉｆｙｉｎｇ　ｓｈｅｌｌｆｉｓｈ　ｉｍａｇｅ　ｉｓ　ｐｒｏｐｏｓｅｄ　ｂａｓｅｄ　ｏｎ　Ｇａｂｏｒ　ｔｒａｎｓｆｏｒｍａｔｉｏｎ　ａｎｄ ２－ｄｉｍｅｎｓｉｏｎａｌ　ｐｒｉｎｃｉｐａｌ　ｃｏｍｐｏｎｅｎｔ　ａｎａｌｙｓｉｓ（２ＤＰＣＡ）．Ｔｈｅ　ｃｈａｒａｃｔｅｒｉｓｔｉｃ　ｗａｓ　ｆｉｒｓｔｌｙ　ｅｘｔｒａｃｔｅｄ　ｆｒｏｍ ｓｈｅｌｌｆｉｓｈ　ｉｍａｇｅ　ａｎｄ　ｔｈｅ　ｄｉｍｅｎｓｉｏｎ　ｍａｇｎｉｔｕｄｅ　ｏｆ　ｉｍａｇｅ　ｉｓ　ｃｏｎｆｉｒｍｅｄ　ｕｓｉｎｇ　Ｇａｂｏｒ　ｔｒａｎｓｆｏｒｍ．２ＤＰＣＡ ｍｅｔｈｏｄ　ｗａｓ　ｔｈｅｎ　ｅｍｐｌｏｙｅｄ　ｔｏ　ｒｅｄｕｃｅ　ｔｈｅ　ｄｉｍｅｎｓｉｏｎ　ｏｆ　ｔｒａｎｓｆｏｒｍｅｄ　ｃｈａｒａｃｔｅｒｉｓｔｉｃ．Ａｎｄ　ｔｈｅ　ｅｘｔｒｅｍｅ ｌｅａｒｎｉｎｇ　ｍａｃｈｉｎｅ（ＥＬＭ）ｉｓ　ｅｍｐｌｏｙｅｄ　ｔｏ　ｃｏｎｄｕｃｔ　ｔｈｅ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ａｎｄ　ｒｅｃｏｇｎｉｔｉｏｎ　ｏｆ　ｓｈｅｌｌｆｉｓｈ　ｉｍａｇｅ． Ｃｏｍｐａｒｅｄ　ｏｆ　ｂａｃｋ　ｐｒｏｐａｇａｔｉｏｎ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｗｉｔｈ　ｓｕｐｐｏｒｔ　ｖｅｃｔｏｒ　ｍａｃｈｉｎｅ（ＳＶＭ）ｅｘｐｅｒｉｍｅｎｔａｌ ｔｅｃｈｎｉｑｕｅ　ｓｈｏｗｅｄ　ｔｈａｔ　ＥＬＭ　ｃｌａｓｓｉｆｉｅｒ　ｈａｓ　ｇｏｏｄ　ｓｐｅｅｄ　ａｎｄ　ａｐｐｌｉｃａｂｉｌｉｔｙ　ｆｏｒ　ｓｈｅｌｌｆｉｓｈ　ｒｅｃｏｇｎｉｔｉｏｎ，ａｎｄ ｔｈｅ　ｍｅｔｈｏｄ　ｗａｓ　ｐｒｏｖｅｄ　ｏｆ　ｈｉｇｈｅｒ　ａｃｃｕｒａｃｙ　ａｎｄ　ｅｆｆｉｃｉｅｎｃｙ． Ｋｅｙ　ｗｏｒｄｓ：Ｇａｂｏｒ　ｔｒａｎｓｆｏｒｍａｔｉｏｎ；ｅｘｔｒｅｍｅ　ｌｅａｒｎｉｎｇ　ｍａｃｈｉｎｅ；ｃｏｍｐｕｔｅｒ　ｖｉｓｉｏｎ；ｉｍａｇｅ　ｒｅｃｏｇｎｉｔｉｏｎ 收稿日期：２０１２－１０－１５． 作者简介：杨靖尧（１９８７－），男，硕士研究生；通信作者：陶学恒（１９６３－），男，教授． ０　引　言 ２０世纪中后期，计算机视觉技术得到了迅猛 的发展，已经成为各个工程应用领域中不可分割的 一部分，如电子、食品、医药、纺织等领域［１］，还有学 者把计算机视觉技术应用在海产品识别领域［２］。 在贝类图像识别的整个过程中设计一个精确 的分类器对贝类识别极为重要，以ＢＰ算法为代 表的前馈神经网络已经在模式识别中取得了广泛 的应用，但是它们都存在着以下几点难以解决的 问题：（１）学习速度慢，训练过程需要不断的迭代 完成；（２）对参数选择敏感，训练步长和学习率选 取不当会直接影响到前馈神经外网络的整体效 果［３］。针对这些问题，Ｈｕａｎｇ等［４］提出一种前馈 神经网络的新的训练算法———极限学习机，该方 法随机设置前馈神经网络的输入权值，通过计算 输出权值的最小二泛数解来完成网络的训练，计 算过程简单、速度快，且泛化性良好。 １　基于Ｇａｂｏｒ变换和二维图像主元 分析２ＤＰＣＡ的特征提取 １．１　Ｇａｂｏｒ小波变换 Ｇａｂｏｒ小波变换是图像多尺度表示和分析的 有力工具，能同时兼顾信号在时域和频域联合，具 有与生物视觉系统相类似的特点。本文采用二维 Ｇａｂｏｒ滤波器在时域与频域采用以下函数形式［５］ 　ｆ（ｘ，ｙ）＝ １２πσ２ｘｙ ｅｘ ［ｐ （－ ｘ２＋ｙ２２πσ２ｘ ）］ｙ ［ × ｅｘｐ（２πｊｒ０ｘ）－ｅｘｐ ｒ０ ２σ２（ ）］ｕｖ （１） 式（１）中：ｘ＝ｘｃｏｓα＋ｙｓｉｎα，ｙ＝－ｘｃｏｓα＋ｙｓｉｎα； σｘｙ 为高斯包络在ｘ，ｙ方向的标准差；α为滤波器 的方向；ｒ０ 为滤波器的频率；σｕｖ ＝ １２πσｘｙ 。 １．２　主成分分析 线性鉴别分析［５］目前已被广泛地应用在图像 识别以及文本识别等领域，作为公认的特征提取 最为重要的工具，主成分分析（Ｐｒｉｎｃｉｐａｌ　Ｃｏｍｐｏ－ ｎｅｎｔ　Ａｎａｌｙｓｉｓ，ＰＣＡ）方法是最成功的线性鉴别 方法之一，其基础就是 Ｋａｒｈｕｎｅｎ－Ｌｏｅｖｅ变换（简 称Ｋ－Ｌ变换），是一种常用的正交变换。这种方 法可以有效地找出数据中最“主要”的元素和结 构，其作用是去除噪音和相关冗余，将原有的复杂 数据进行降维。 与传统ＰＣＡ方法不同，２ＤＰＣＡ方法是基于 二维图像矩阵，而不是一维图像向量。把任意一 幅贝类图像Ａ看作是一个ｍ×ｎ的随机矩阵，通 过如下线性变换［６］将Ａ投影到Ｘ上，得到一个ｍ 维的投影向量Ｙ，故定义如下准则函数： Ｊ（Ｘ）＝ｔｒ（Ｓｘ） （２） 式（２）中：Ｓｘ 表示投影特征向量的协方差矩阵， ｔｒ（Ｓｘ）表示Ｓｘ 的迹。则 ｔｒ（Ｓｘ）＝ＸＴ［Ｅ（Ａ－ＥＡ）Ｔ（Ａ－ＥＡ）］ （３） 矩阵Ｇｔ被称为图像的协方差（散度）矩阵，估计 Ｇｔ ＝ １Ｍ∑ Ｍ ｊ＝１ （Ａｊ－Ａ）Ｔ（Ａｊ－Ａ） （４） 最佳投影方向Ｘ即是Ｇｔ的最大特征值所对应特 征向量的方向。一般情况下，只取一个最优投影方 向，分类鉴别能力是不够的，通常情况下会选择相 互正交且极大化准则函数的一组投影向量Ｘ１， …，Ｘｄ 即： ｛Ｘ１，…，Ｘｄ｝＝ａｒｇｍａｘＪ（Ｘ） ＸＴｉＸｊ ＝０；ｉ≠ｊ；ｉ，ｊ＝１，…，｛ ｄ （５） ２　极限学习机 极限学习机（ＥＬＭ）是一种前馈神经网络简 单、快速、有效的学习算法，跟传统的基于梯度下 降的学习算法相比极限学习机有很大的优势。 对于Ｎ 个任意的各不相同的样本（ｘｉ，ｙｉ），其 中，ｘｉ ＝ ［ｘｉ１，ｘｉ２，…，ｘｉｎ］Ｔ ∈ Ｒｎ，ｙｉ ＝ ［ｙｉ１， ｙｉ２，…，ｙｉｎ］Ｔ ∈Ｒｍ，拥有Ｌ个隐层节点，前馈神经 网络的输出可以表示为： ｆＬ（ｘ）＝∑ Ｌ ｉ＝１ βｉＧ（ａｉ·ｘｉ＋ｂｉ） （６） ｘｉ∈Ｒｎ，ａｉ∈Ｒｎ，βｉ∈Ｒｎ 式（６）中：ａｉ ＝ ［ａｉ１，ａｉ２，…，ａｉｍ］Ｔ，是网络的输入 层到第ｉ个结点的输入权值，ｂｉ是第ｉ个隐层节点 的偏置（ｂｉａｓ）；βｉ＝［βｉ１，βｉ２，…，βｉｍ］ Ｔ是第ｉ个隐层 结点的输出权值；ａｉ·ｘｉ表示向量ａｉ和ｘｉ的内积。 其中激励函 数 ｇ（ｘ）可 以 选 择 为 “ｓｉｇｍｏｉｄ”， “Ｓｉｎｅ”或“ＲＢＦ”等。 如果这个具有Ｌ个隐含层结点的前馈神经网 络能以０误差逼近这Ｎ个样本，则存在ａｉ，ｂｉ，βｉ使 ｆＬ（ｘ）＝∑ Ｌ ｉ＝１ βｉＧ（ａｉ·ｘｉ＋ｂｉ）＝ｙｉ （７） ｉ＝１，２，…，Ｌ 式（７）可以简化为： Ｈβ＝Ｙ （８） 式（８）中： Ｈ（ａ１，…，ａＬ，ｂ１，…，ｂＬ，ｘ１，…，ｘＮ）＝ Ｇ（ａ１·ｘ１＋ｂ１）…Ｇ（ａＬ·ｘ１＋ｂＬ） 　　　　　　 Ｇ（ａ１·ｘＮ ＋ｂ１）…Ｇ（ａＬ·ｘＮ ＋ｂＬ 熿 燀 燄 燅）Ｎ×Ｌ β＝ βＴ１  βＴ 熿 燀 燄 燅Ｌ　Ｌ×ｍ Ｙ＝ ｙＴ１  ｙＴ 熿 燀 燄 燅Ｌ　Ｎ×ｍ Ｈ被称作网络的隐含层输出矩阵，在极限学 习机算法中，输出权值和偏差可以随机给定，这样 隐层矩阵Ｈ 就变成一个确定的矩阵，这样前馈神 经网络的训练就可以转化成一个求解输出权值矩 阵的最小二乘解的问题，只需要求出输入权值的 最小二乘解就能完成网络的训练，输出权值矩阵 β可以由下式得到： 槇 β＝Ｈ＋Ｙ ３　实验与分析 本文的算法可以用如图１的流程表示。 图１　算法流程图 Ｆｉｇ．１　Ａｌｇｏｒｉｔｈｍ　ｆｌｏｗ　ｃｈａｒｔ 样本选用大连地区５种贝类，分别是鲍鱼、海 虹、海螺、蚬子、扇贝，每种每类都拍摄不同的个体 获得３０张样本图片。 实验 １：对 比 了 ＰＣＡ、２ＤＰＣＡ、Ｇａｂｏｒ＋ ２ＤＰＣＡ　３种算法在贝类识别中的性能，分类器都 选择极限学习机分类器，其中Ｇａｂｏｒ变换选用８ 个尺度５个方向组成的４０个Ｇａｂｏｒ滤波器族，３ 种算法都降维到（样本数目－１）维，即２４维度，实 验结果如表１所示。从表１中的测试精度可以看 １１３第４期 杨靖尧等：基于Ｇａｂｏｒ变换和极限学习机的贝类图像种类识别 出，Ｇａｂｏｒ＋２ＤＰＣＡ方法比其他传统方法识别效 果好。样本与Ｇａｂｏｒ滤波响应图见图２。 表１　３种算法的性能对比 Ｔａｂ．１　Ｃｏｎｔｒａｓｔ　ｏｆ　ｔｈｒｅｅ　ｋｉｎｄｓ　ｏｆ　ａｌｇｏｒｉｔｈｍ　ｐｅｒｆｏｒｍａｎｃｅ 训练精度 测试精度 ＰＣＡ　 １　 ０．８２ ２ＤＰＣＡ　 １　 ０．８３ Ｇａｂｏｒ＋２ＤＰＡ　 １　 ０．９２ 　　实验２：由实验１得出Ｇａｂｏｒ＋２ＤＰＣＡ的算 法要好于其他２种算法，选用Ｇａｂｏｒ＋２ＤＰＣＡ作 为特征提取的算法，对于极限学习机、支持向量机 （ＳＶＭ）以及ＢＰ神经网络的分类性能，ＳＶＭ 选用 ｌｉｂｓｖｍ工具包，实验进行２０次取平均值，结果如 表２所示。从表２可见，采用极限学习机作为分 类器进行贝类识别不仅具有极快的速度而且推广 能力也很不错，效果要远远优于ＢＰ神经网络，同 时在小样本的时候ＥＬＭ 同样具有良好的分类性 能，而ＢＰ网络在小样本的情况下效果较差。 海螺 海虹 鲍鱼 扇贝 蚬子 图２　５种贝类的样本及Ｇａｂｏｒ滤波响应图 Ｆｉｇ．２　Ｆｉｖｅ　ｋｉｎｄｓ　ｏｆ　ｓｈｅｌｌ　ｆｉｓｈ　ａｎｄ　ｔｈｅｉｒ　ｆｉｌｔｅｒ　ｒｅｓｐｏｎｓｅ　ｉｍａｇｅｓ 表２　３种分类器的性能对比 Ｔａｂ．２　Ｃｏｍｐａｒｉｓｏｎ　ｏｆ　ｔｈｒｅｅ　ｃｌａｓｓｉｆｉｅｒ　ｐｅｒｆｏｒｍａｎｃｅ 每类１０训练２０测试 每类１５训练１５测试 每类２０训练１０测试 训练用时／ｓ 测试精度 训练用时／ｓ 测试精度 训练用时／ｓ 测试精度 Ｇａｂｏｒ＋２ＤＰＣＡ＋ＥＬＭ　 ０．７０　 ０．８３　 ０．８３　 ０．９２　 ０．９１　 ０．９３ Ｇａｂｏｒ＋２ＤＰＣＡ＋ＳＶＭ　 ０．９０　 ０．８４　 １．２０　 ０．９０　 １．４０　 ０．９３ Ｇａｂｏｒ＋２ＤＰＣＡ＋ＢＰ　 ２．７０　 ０．６９　 ４．５０　 ０．８８　 ６．３０　 ０．９２ ４　结　论 本实验提出了一种贝类识别的新方法，首先 选用５个中心频率和８个方向的４０组Ｇａｂｏｒ滤 波器组提出每张图片的 Ｇａｂｏｒ特征，然后采用 ２ＤＰＣＡ对提取出来的特征进行降计算机科学维 压缩，解决了特征维数过高造成的维数灾难问题， 最后采用极限学习机分类器进行分类识别。通过 与ＢＰ神经网络和ＳＶＭ对比发现，极限学习机分 类器用于贝类识别中不仅速度极快而且泛化性良 好，同时相对于ＢＰ神经网络极限学习机在小样 本时也取得了良好的分类性能。 参考文献： ［１］ＳＵＮ　Ｄａｗｅｎ．Ｃｏｍｐｕｔｅｒ　Ｖｉｓｉｏｎ　Ｔｅｃｈｎｏｌｏｇｙ　ｆｏｒ　Ｆｏｏｄ Ｑｕａｌｉｔｙ　Ｅｖａｌｕａｔｉｏｎ［Ｍ］．Ｄｕｂｌｉｎ：Ｅｌｓｅｖｉｅｒ　Ｐｒｅｓｓ， ２００７：１２２－１２５． ［２］里红杰，陶学恒，于晓强．计算机视觉技术在海产品 质量评估中的应用［Ｊ］．食品与机械，２０１２，２８（４）： １５４－１５６． ［３］邓万宇，郑庆华，陈琳．神经网络极速 学习方法 学习方法和学习习惯的培养大学生学习方法学习方法总结89语言文字研究三年级学生学习方法 研究 ［Ｊ］．计算机学报，２０１０，３３（２）：２７９－２８７． ［４］ＨＵＡＮＧ　Ｇｕａｎｇｂｉｎ，ＺＨＵ　Ｑｉｎｙｕ，ＳＩＥＷ　Ｃ　Ｋ．Ｅｘ－ ｔｒｅｍｅ　ｌｅａｒｎｉｎｇ　ｍａｃｈｉｎｅ：ｔｈｅｏｒｙ　ａｎｄ　ａｐｐｌｉｃａｔｉｏｎｓ［Ｊ］． Ｎｅｕｒｏ　Ｃｏｍｐｕｔｉｎｇ，２００６，７０（１／２／３）：４８９－５０１． ［５］ＢＥＬＨＵＭＥＵＲ　Ｐ　Ｎ，ＨＥＳＰＡＮＨＡ　Ｊ　Ｐ，ＫＲＩＥＧ－ ＭＡＮ　Ｄ　Ｊ．Ｅｉｇｅｎｆａｃｅｓ　ｖｓ．ｆｉｓｈｅｒｆａｃｅｓ：ｒｅｃｏｇｎｉｔｉｏｎ　ｕ－ ｓｉｎｇ　ｃｌａｓｓ　ｓｐｅｃｉｆｉｃ　ｌｉｎｅａｒ　ｐｒｏｊｅｃｔｉｏｎ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓ－ ａｃｔｉｏｎｓ　ｏｎ　Ｐａｔｔｅｒｎ　Ａｎａｌｙｓｉｓ　ａｎｄ　Ｍａｃｈｉｎｅ　Ｉｎｔｅｌｌｉｇｅｎｃｅ， １９９７，１９（７）：７１１－７２０． ［６］ＨＵＡＮＧ　Ｌｉｎｌｉｎ，ＳＨＩＭＩＺＵ　Ａ，ＫＯＢＡＴＡＫＥ　Ｈ．Ｒｏ－ ｂｕｓｔ　ｆａｃｅ　ｄｅｔｅｃｔｉｏｎ　ｕｓｉｎｇ　Ｇａｂｏｒ　ｆｉｌｔｅｒ　ｆｅａｔｕｒｅｓ［Ｊ］．Ｐａｔ－ ｔｅｒｎ　Ｒｅｃｏｇｎｉｔｉｏｎ　Ｌｅｔｔｅｒｓ，２００５，２６（１１）：１６４１－１６４９． ２１３ 大　连　工　业　大　学　学　报 第３２卷