基于不变矩特征的图像模式模糊分类软件设计

吴文波

（闽南科技学院，福建 泉州 362000）

0 引言

矩阵概念在图形识别中的应用，推广了矩阵的一系列基本特质，证明了有关矩阵的平移、尺度和旋转不变性。当前，矩阵特征被广泛地应用于识别、场景匹配、图形分析，图像分析，文字识别[1]。针对无监督多分辨边界探测问题，文献[2]提出了一种新的无监督多分辨边界探测算法，并对其进行了扩展。直至尺度空间的最底层。但该方法的图像模式模糊分类软件设计的识别精度低。文献[3]出一种模糊分类方法。采用直流分布式融合技术，实现对图像模糊技术的故障检测。但在应用该方法设计图像模式识别软件时，出现了许多错误。对此本文提出一种基于不变矩特征的图像模式模糊分类软件设计，实验结果显示，在经过良好的训练网络中，平均正确识别率可达到94%以上。

1 基于不变矩特征的图像模式模糊分类方法

对遥感影像进行分类时，分类器的选择一般要考虑两个因素，一是分类精度，二是分类速度，在保证分类精度的前提下，分类速度非常重要，随着遥感影像的数据量扩大，使得分类器的识别精度也随之升高，但分类速度慢，能满足实际需要。在图像分类中，考虑噪声等因素的影响，采用基于样本纹理的联合关联规则时，常常会出现纹理异常，即使是同一底物，它们纹理特征也是不同的。为此，本文采用模糊分类的方法，并设计了一种模糊分类器。常规分类方法将像素划分为一类，而模糊分类法将像素划分为两类，顾名思义，一个象元可以分为两类至多几类，但隶属于不同类别的象元有不同的属性。模糊分类的数学基础是模糊分类学。每一个像素所代表的地面区域内，在遥感影像中可能存在多个地面物，在本例中，可以存在多种地物类型。因此在这种情况下像素特征值反映了许多种特征，在分类时，必须考虑不同的归属情况。

在图像特别是遥感图像中，混杂像元占据了很大的比例。在图像分类中，因为混合像元包含了多个物体的信息，它的灰度是多物体辐射能的某种组合，所以它不能明确地被分为一个类别[4]，并按照一定法则将其分为两类或更多种类型。在图像处理区域中，受图像成像过程和各种外部条件的影响，图像中物体的边界很模糊，边界不是绝对边界，而是过渡带。尤其是在遥感影像中，由于混合像元的存在，对模糊像元和模糊目标的处理越来越重要。模式识别过程中，需要合理地描述和提取这些模糊信息，才能实现有效的模式识别。

2 不变矩特征提取

特征量是指包含在图像中的输入信息来进行处理以及了解分析，采用不容易受到随机信息等因素干扰的信息作为模态特征值。该方法能有效地去除特征提取过程中的冗余信息，尽可能地提高识别的精度以及减少运算方式和提高运算速度。好的特性应该是可分辨，稳定，独立的。可区域性是指模式种类不同，它们的特性是不同的，并且差异越大越明显。鲁棒性是指第一个模拟测试应该与相同的模式相似，且随机因素越相似，干扰就越小[5]。

2.1 BP网络

神经网络是建立在人脑结构和功能基础上的一门新学科，虽然目前还只是人脑的低级模仿，但其许多特征，如结构性、容错性、稳健性、自适应性，他们与人类大脑有相似之处。神经网络可以模拟生物神经系统的智能和功能，在信息处理和智能科学领域具有举足轻重的作用，因此，神经网络一直是国内外科学家研究的热点，也是国际上研究的热点。每个输入节点对应于样本的特征值，将未知分类样本应用于实践，可自适应调节权重和阈值。误差容限的选择有很多经验性因素。它不仅有利于提高网络的训练速度和效率，而且不影响网络训练曲线的收敛，同时也有利于模型的实时实现。

2.2 不变矩矢量标准化

通过对矩矢量的标准化，提高了网络的计算效率和收敛速度。因此，在向量被输入到这个神经网络前，最好采用矩矢量不变的标准。如下图1所示：

图1 不变矩特征分类流程图

2.3 不变矩矢量排列

每一个输出特征由一个不变矩矢量进行标准化，向量特征的排列方式为大小分布。不同样本的矩不变性具有相似的模态特征。若直接把模式特征输入神经网络进行训练，则网络的学习和推广能力较差。所以，不变式经过标准化后，必须对其特征进行重新排序，以解决具有相同结构特征的同种图像与具有不同结构特征的异种图像之间的矛盾，使其特征能够区别性、稳定性和独立性。从整数1和7之间的不变矩矢量特征数生成随机整数序列。这两个随机整数总共包含从整数1到7的所有自然数据，因此保证了随机数据只包含一个自然数据。

3 实验结果与分析

实验中，取模糊分类融合模型的型号为IRF460，传感器的磁芯为EE42，传感器的输出聚焦35.7nF，惯性传感器的漏感为0.46μH，降噪为12V，功率因素为15kW，根据上述参数设定，进行模糊分类融合传感器物理特性参数识别，得到数据采集结果如图2所示。

图2 模糊类分析

根据图2所示，本文方法与其他几种方法相比，利用本文得到进行基于不变矩特征的图像模式模糊分类软件设计的性能更好，识别精度更高。测试模糊分类的误差，得到对比结果如图3所示。

图3 实验结果对比图

根据图3所示，本文方法与其他几种方法相比，利用本文得到进行基于不变矩特征的图像模式模糊分类软件设计的效果和性能更好，误差更低。

4 结束语

在提取医学图像特征向量时，采用矩法不变性，利用神经网络作为分类器对医学图像进行特征向量分类。用矩不变量来规范训练和模糊预处理和竞争选择等一系列措施，提高了训练和识别的速度，提高了识别的实时性，是医学图像分类识别的有效途径。