﻿ 应用图像关联度的图像模糊分类
 快速检索 文章编号中文标题 英文标题作者英文名 作者中文名单位中文名 单位英文名中文关键词 英文关键词中文摘要 英文摘要基金项目
 武汉大学学报·信息科学版  2015, Vol. 40 Issue (5): 574-577

#### 文章信息

ZHENG Zhaobao, PAN Li, ZHENG Hong

Application of Image Correlation Degree to Image Fuzzy Classification

Geomatics and Information Science of Wuhan University, 2015, 40(5): 574-577
http://dx.doi.org/10.13203/j.whugis20140736

### 文章历史

1. 武汉大学遥感信息工程学院, 湖北 武汉, 430079;
2. 武汉大学电子信息学院, 湖北 武汉, 430072

Application of Image Correlation Degree to Image Fuzzy Classification
ZHENG Zhaobao1, PAN Li1, ZHENG Hong2
1. School of Remote Sensing and Information Engineering, Wuhan University, Wuhan 430079, China;
2. Electronic Information School, Wuhan University, Wuhan 430072, China
Abstract:We propose a new image fuzzy classification method which based on the image relational degree. The correlation degree basis points are obtained in each category, and the mean and standard deviation σ of relational degree are calculated for each category. Then the correlation degree for each image and the mean difference of correlation degree for each category Δi are calculated. If Δi≤2σ, the image should "stay" in the class, otherwise, the image should be associated with a greater correlation degree of the other two categories. Each image should have such inspection to achieve image re-division until the process is stable. Comparison results show that the quality of the quality of the image classification method has certain advantages.
Key words: image correlation degree     image fuzzy classification     image classification

1 应用图像关联度的图像模糊分类 1.1 基本思想

1.2 图像与图像类别的关联度

1.3 算法步骤

1) 对每幅待分类的图像，计算它的分形维特征[7]和能量特征[2]

2) 按特征(分形维)的大小，将图像分成3类，假定待分类图像有3类。

3) 假定3类图像的像幅数分别为 n1、n2、n3，计算每一类图像特征的特征均值，它们分别为mean1、mean2、mean3

4) 按式(1)、(2)、(3)，分别计算每幅图像与一、二、三类图像特征均值的差d1(i1,1)、d1(i1,2)、d1(i1,3)，d2(i2,1)、d2(i2,2)、d2(i2,3)，d3(i3,1)、d3(i3,2)、d3(i3,3)。

5) 按式(4)~(7)分别计算每幅图像与一、二、三类图像的关联度R1(i1,1)、R1(i1,2)、R1(i1,3)，R2(i2,1)、R2(i2,2)、R2(i2,3)和R3(i3,1)、R3(i3,2)、R3(i3,3)。

6) 计算3类图像在各自类别中关联度的均值f1、f2、f3和相应的标准差σ1、σ2σ3。即从R1(i1,1)(i1=1,2,…,n1)中计算均值f1、标准差σ1。从R2(i2,2)(i2=1,2,…,n2)和R3(i3,3)(i3=1,2,…,n3)中计算相应均值f2、f3和相应标准差σ2、σ3

7) 确定每幅图像是否归属于当前所在的类别。分别计算每个类别中每幅图像的关联度与该类图像关联度均值之差：

8) 离开所在类别的图像应进入哪个类别应看该图像相对另两类的关联度，关联度值大的，就划入相应类别。

2 实验与分析 为了验证本文提出的图像分类方法的可行性，采用航空影像(18 cm×18 cm)进行分类实验。实验图像中，灌木52幅，居民地23幅，河流35幅，水田13幅，山地21幅，共5类不同地物。实验将5类不同的地物图像分为3个不同的组合，它们是灌木、居民地、河流组合，灌木、山地、水田组合和山地、河流、水田组合。从实验中可以得到以下结论。

1) 不同图像组合方式，图像分类效果不同。从表 1中3个不同组合分类的情况可以看出，灌木图像在第1、2组合中正确识别率分别为44/52和52/52；河流图像在第1、3组合中正确识别率分别为26/35和35/35；山地图像在第2、3组合中正确识别率分别为20/21和21/21；水田图像在2、3组合中正确识别率为13/13和11/13。应将图像特征均值差异大的图像放在一个组合中，容易得到较好的分类效果。

 灌木 居民地 河流 灌木 山地 水田 山地 水田 河流 正确识别率 44/52 22/23 26/35 52/52 20/21 13/13 21/21 11/13 35/35

2) 采用不同的图像特征(分形维，图像能量)，图像分类效果不同。比较表 1表 2的分类结果可以看出，采用分形维特征的图像分类效果优于采用能量特征的分类结果。本文用来计算图像能量特征的模板不是最优“Tuned”模板，而是随机的。

 灌木 居民地 河流 灌木 山地 水田 山地 水田 河流 正确识别率 47/5 2 21/23 21/35 40/52 21/21 13/13 21/21 13/13 28/35

3) 采用本文提出的方法进行图像分类的结果如表 3所示。

 灌木 河流 山地 水田 居民地 准确率 52/52=1.0 35/35=1.0 21/21=1.0 13/13=1.0 22/23=0.96

4) 与几种优化“Tuned”模板的图像分类结果相比，本文提出的关联度图像分类结果有一定的优势。

 灌木 山地 水田 居民地 河流 GA能量模板[2] 0.84 0.76 0.85 0.82 BN+ANT模板[3] 1.0 0.90 0.85 1.0 王后模板[4] 0.89 0.95 0.77 1.0 0.94 关联度图像模糊分类 1.0 1.0 1.0 0.96 1.0

 [1] You J, Cohen H A. Classification and Segmentation of Rotated and Scaled Textured Images Using Texture "Tuned" Mask[J]. Pattern Recognition, 1993, 26(2): 245-258 [2] Zheng Zhaobao, Zheng Hong. Genetic Algorithm for Producing Texture "Tuned" Masks[J]. PR & AI, 2001, 14(1):119-122(郑肇葆,郑宏. 产生纹理"Tuned"模板的遗传算法[J]. 模式识别与人工智能,2001, 14(1):119-122) [3] Zheng Zhaobao, Pan Li, Yu Xin. Bayesian Networks for Producing Texture "Tuned" Masks[J]. Geomatics and Information Science of Wuhan University, 2006, 31(4): 304-307(郑肇葆,潘励,虞欣. 产生 "Tuned"模板的Bayesian Networks 方法[J].武汉大学学报·信息科学版,2006, 31(4):304-307) [4] Zheng Zhaobao. Honey-Bee Mating Optimization Algorithm for Producing Better "Tuned" Masks[J]. Geomatics and Information Science of Wuhan University, 2009,34(4):387-390 (郑肇葆.产生最佳"Tuned"模板的蜜蜂交配算法[J].武汉大学学报·信息科学版,2009,34(4):387-390) [5] Cordón O. A Proposal on Reasoning Method in Fuzzy Rule-Based Classification System[J]. International Journal of Approximate Reasoning, 2009, 20: 21-45 [6] Sanz J A. IVTURS: A Linguistic Fuzzy Rule-Based Classification System Based on a New Interval-Valued Fuzzy Reasoning Method With Tuning and Rule Selection[J]. IEEE Transactions on Fuzzy Systems, 2013, 21 (3): 399-411 [7] Zheng Zhaobao, Huang Guilan. Using Least Square Method for Texture Classification of Aerial Image and Analysing Some Relative Problems[J]. Acta Geodaetica tt Cartographica Sinica,1996,25(2):21-26 (郑肇葆,黄桂兰. 航空影像纹理分类的最小二乘法和问题分析[J].测绘学报,1996,25(2):21-26)