基于ELM和d-S證據(jù)理論的圖像分類研究.pdf

1、隨著信息時代的發(fā)展，圖像不管是在工業(yè)還是互聯(lián)網(wǎng)中以及日常生活中都有廣泛的應(yīng)用，每天都有大量的圖像需要處理，其中能否對每幅圖像進行正確的分類是圖像在其它方面應(yīng)用的基礎(chǔ)。
　　圖像特征提取是圖像分類的基礎(chǔ)，然后根據(jù)提取的圖像特征向量設(shè)計分類器。目前人們對圖像特征提取和分類器設(shè)計研究的比較多，在實際應(yīng)用中也能取得較好的效果。但是，目前對圖像以及分類器設(shè)計的認(rèn)識還不夠全面，圖像某些方面的特征表達還有待完善，更好的圖像特征提取方法還有待發(fā)現(xiàn)

2、。一旦對圖像有更深入的理解時可以提取圖像新的特征，如果這時利用新的特征對圖像進行分類，就需要對原分類器模型重新設(shè)計，不利于實際應(yīng)用。為解決這個問題，本文從分類器模型擴展性的角度提出了一種圖像分類方法，當(dāng)有新的特征向量加入時不需要再重新設(shè)計分類器，把新的特征向量作為證據(jù)加入到分類模型即可。
　　本文探討一種圖像分類設(shè)計方法，即基于極限學(xué)習(xí)機和證據(jù)理論融合的分類模型:首先分別用輪廓波變換和不變矩結(jié)合的方法以及灰度共生矩方法提取圖像的紋

3、理特征，圖像的顏色特征在基于HSI顏色空間模型中提取，總共提取圖像的三組特征并把它們分別作為樣本的特征向量;其次對這三組特征分別設(shè)計分類器其中分類算法用基于粒子群優(yōu)化的極限學(xué)習(xí)機，并提出一種證據(jù)理論基本概率賦值函數(shù)的獲得方法即用該分類模型的輸出作為每類的基本概率賦值函數(shù)(也表示對每類的支持程度);最后用證據(jù)理論對這些基本概率賦值函數(shù)融合得到最終對每類圖像的支持程度。該方法模塊化設(shè)計，可擴展性好，當(dāng)?shù)玫綀D像新特時只需要用極限學(xué)習(xí)機分類器得