傳統(tǒng)激光圖像分類研究主要針對小規(guī)模數(shù)據(jù),而當(dāng)前激光圖像以海量、大規(guī)模形式存在,對分類速度和分類效率提出了更高的要求,結(jié)合大規(guī)模激光圖像的特點,設(shè)計了一種基于人工智能的大規(guī)模激光圖像分類方法。首先收集大規(guī)模激光圖像,并提取激光圖像的特征,然后采用人工智能技術(shù)——人工魚群算法對激光圖像特征進行篩選,最后設(shè)計了大規(guī)模激光圖像的分類器,并采用多種類型的激光圖像進行了驗證性測試,測試結(jié)果表明本文方法的激光圖像的分類正確率超過95%,激光圖像分類時間平均低于6ms,十分適用于大規(guī)模激光圖像的在線分類,且大規(guī)模激光圖像綜合分類性能要優(yōu)于當(dāng)前其它分類方法,實際應(yīng)用價值更高。 

【文章來源】：激光雜志. 2018,39(05)北大核心

【文章頁數(shù)】：4 頁

【部分圖文】：

大規(guī)模激光圖像分類的原理3相關(guān)理論

f＞δYi，則向前移動一步。否則執(zhí)行覓食行為。3.3支持向量機設(shè)有n個樣本的訓(xùn)練集為:(xi，yi)，xi=［x1，x2，…，xd］T∈Ｒd為第i個激光圖像樣本的特征向量，yi∈Ｒ表示激光圖像類型的輸出值，采用非線性映射函數(shù)Φ(x)對激光圖像樣本進行處理，找到一個最優(yōu)超平面，線性分類函數(shù)為:f(x)=wΦ(x)+b(8)對w和b進行求解時，為了防止出現(xiàn)過擬合缺陷，引入松弛因子ξi和ξ*i♂，具體如圖2所示。圖2支持向量機的分類示意圖那么可以建立如下表達式:L(f(x)，y，ε)=0，y－f(x)≤εy－f(x)－ε，y－f(x)＞{ε(9)式中，ε表示不敏感損失函數(shù)。描述尋找最優(yōu)超平面問題可以表示為:min12w2+C∑ni=1(ξi+ξ*i[)]s．t．yi－wΦ(xi)－b≤ε+ξiwΦ(xi)+b－yi≤ε+ξ*iξi≥0，ξ*i≥0，i=1，2，…，{n(10)式中，C為懲罰參數(shù)。引入Largrange函數(shù)，建立如下方程:maxα，α*W(α，α*)=－12∑ni=1∑nj=1(α*i－αi)(α*j－αj)K(xi，xj)－∑ni=1(α*i+αi)ε+∑ni=1(α*i－αi)yi(11)約束條件為:∑ni=1(α*i－αi)=00≤αi，α*i≤{C(12)最后得到分類函數(shù)為:f(x)=sgn∑ni=1(α

http∶//www．laserjournal．cn圖3激光圖像的分類正確率圖4激光圖像的分類時間6結(jié)論激光圖像在軍事、農(nóng)業(yè)、林業(yè)等領(lǐng)域得到了廣泛應(yīng)用，而激光圖像分類是激光圖像應(yīng)用的基礎(chǔ)，分類方法的設(shè)計與研究具有一定的實際意義，為了解決當(dāng)前激光圖像分類方法的速度慢、效率低等局缺陷，提出了基于人工智能技術(shù)的激光圖像分類方法，根據(jù)實驗結(jié)果可以知道:(1)激光圖像的數(shù)據(jù)量大，而且原始特征維相當(dāng)高，若不對原始激光圖像進行分類，那么導(dǎo)致圖像分類的訓(xùn)練時間長，如果不對特征進行篩選，那么激光圖像分類器結(jié)構(gòu)復(fù)雜，極易出現(xiàn)“維數(shù)災(zāi)”問題，無法滿足圖像分類的在線要求。(2)通過引入聚類分析算法對激光圖像進行處理，可以選擇與分類的激光圖像相關(guān)的圖像構(gòu)成學(xué)習(xí)樣本，大幅度減少激光圖像分類樣本的數(shù)量，加快了激光圖像分類的速度，使其可以滿足大規(guī)模激光圖像分類的要求，實際應(yīng)用范圍更加廣泛。(3)人工魚群算法是一種人工智能優(yōu)化方法，具有快速的問題求解能力，引入到激光圖像的原始特征篩選，可以選擇重要的激光圖像特征，使圖像分類器的結(jié)構(gòu)簡單，防止了“維數(shù)災(zāi)”問題出現(xiàn)，而且可以提高激光圖像分類正確率。(4)引入支持向量機構(gòu)建激光圖像分類器，可以很好擬合激光圖像類型和特征參數(shù)之間的非映射關(guān)系，激光圖像的分類正確率達到了95%以上，超過激光圖像的實際應(yīng)用的分類正確率要求，激光圖像分類整體性能要顯著優(yōu)于對比方法，為大規(guī)模激光圖像分類的研究提供了一種工具。參考文獻［1］張玉方，程新文，歐陽平．機載lidar數(shù)據(jù)處理及其應(yīng)用綜述［J］．工程地球物理學(xué)報，2008，5(1):120－124．［2］代具亭?

【參考文獻】：
期刊論文
[1]基于形態(tài)學(xué)濾波的紅外圖像背景補償[J]. 李武周,余鋒,王冰,胡琥香,周長榮.  紅外技術(shù). 2016(04)
[2]掃描型紅外焦平面探測器圖像實時傳輸系統(tǒng)[J]. 代具亭,湯心溢,王世勇,劉鵬.  激光與紅外. 2016(04)
[3]最小差異采樣的主動學(xué)習(xí)圖像分類方法[J]. 吳健,盛勝利,趙朋朋,崔志明.  通信學(xué)報. 2014(01)
[4]基于譜聚類波段選擇的高光譜圖像分類[J]. 彭艷斌,艾解清.  光電工程. 2012(02)
[5]單尺度詞袋模型圖像分類方法[J]. 陳凱,肖國強,潘珍,李正浩.  計算機應(yīng)用研究. 2011(10)
[6]基于SIFT算法的體育類圖像分類與應(yīng)用研究[J]. 朱飛,王興起.  計算機應(yīng)用與軟件. 2011(10)
[7]結(jié)合空-譜信息的高光譜圖像分類方法[J]. 王立國,孫杰,肖倩.  黑龍江大學(xué)自然科學(xué)學(xué)報. 2010(06)
[8]應(yīng)用BP神經(jīng)網(wǎng)絡(luò)對自然圖像分類[J]. 謝文蘭,石躍祥,肖平.  計算機工程與應(yīng)用. 2010(02)
[9]激光回波波形分析小目標檢測成像方法[J]. 趙楠翔,胡以華,雷武虎,賀敏.  紅外與激光工程. 2009(04)
[10]基于快速非負矩陣分解和RBF網(wǎng)絡(luò)的高光譜圖像分類算法[J]. 狄文羽,何明一,梅少輝.  遙感技術(shù)與應(yīng)用. 2009(03)



本文編號：3307987