推荐星级:
  • 1
  • 2
  • 3
  • 4
  • 5

改进的主成分分析网络极光图像分类方法

更新时间:2019-12-25 14:15:41 大小:2M 上传用户:zhiyao6查看TA发布的资源 标签:极光图像 下载积分:1分 评价赚积分 (如何评价?) 打赏 收藏 评论(0) 举报

资料介绍

极光的不同形态蕴含了不同的物理意义,进行极光图像的分类研究对人类生活具有极其重要的科学价值.笔者在简单的深度学习模型主成分分析网络的基础上提出了一种改进的主成分分析网络极光图像分类方法.首先利用改进的主成分分析网络提取极光图像的特征,然后将所得特征输入支持向量机对极光图像进行分类.在中国北极黄河站的全天空图像数据库的分类实验结果表明,所提方法取得了较高分类准确率.


部分文件列表

文件名 大小
改进的主成分分析网络极光图像分类方法.pdf 2M

部分页面预览

(完整内容请下载后查看)
(
)
西安电子科技大学学报 自然科学版  
2017 2  
Feb.2017  
1
44  
Vol.44 No.1  
JOURNAL OF XIDIAN UNIVERSITY  
doi103969issn1001-2400201701015  
j
改进的主成分分析网络极光图像分类方法  
,
1
1
12 贾 中 华  
,
,
高 新 波  
(
1.  
,
;
710071  
西安电子科技大学 电子工程学院 陕西 西安  
,
)
100101  
遥感科学国家重点实验室 北京  
2.  
:
,
摘要 光的不同形态蕴含了不同的物理意义 进行极光图像的分类研究对人类生活具有极其重要的科  
学价值 笔者在简单的深度学习模型主成分分析网络的基础上提出了一种改进的主成分分析网络极光图  
.
,
像分类方法 首先利用改进的主成分分析网络提取极光图像的特征 然后将所得特征输入支持向量机对极  
.
,
光图像进行分类 在中国北极黄河站的全天空图像数据库的分类实验结果表明 所提方法取得了较高分类  
.
准确率  
.
:
;
;
;
;
关键词 光图像 深度学习 主成分分析 二维主成分分析 主成分分析网络  
:
:
A
:
文章编号  
1001-2400201701-0083-06  
( )  
中图分类号  
文献标识码  
TN911.73  
Im rovedPCANetforauroraimaesclassification  
p
g
1
1
HANBin 12JIAZhon hua GAO Xinbo  
g
g
1SchoolofElectronicEnineerinXidianUnivXi'an 710071Chinaꢆ  
g g  
2StateKeLabofRemoteSensinScienceBeiin 100101China  
jg  
y
g
Abstract: Themsteriousauroraischaneableandthedifferentformsoftheaurorareresentvarious  
y
g
p
hsicalrocesseswhichoftenaffectourlivesSoitisofsinificantscientificvaluetoclassiftheaurora  
py p  
g
y
imaesforthestudofsacehsicsBasedonthePCANetasimledeelearnin modelwedeveloan  
y p py p p  
g
g
p
imrovedPCANetalorithmforauroraimaesclassificationFirstlthema ofauroraimaesare  
p
g
g
y
p
g
extractedbtheimrovedPCANetThenthesu ortvectormachineisusedtoclassifthefeatureof  
pp  
y
p
y
auroraimaesExerimentalresultswiththedatasetobtainedfromtheAllskImaerattheChinese  
g p y g  
-
ArcticYellowRiverStationdemonstratethattheschemecanobtainhiheraccuracinauroraimae  
g
y
g
classificationthanthePCANetꢂ  
Ke Words: dasideauroradeelearninrincilecomonentanalsis2DPCAPCANet  
y
p
gp p p  
y
y
极光是由太阳风进入地球磁层在地球南北两极附近高空地区呈现的奇异瑰丽的光辉 太阳放射出的带  
.
,
,
电微粒射向地球并进入地球磁场作用范围时 会受到地磁场的影响 然后沿着地球磁力线高速进入到南北磁  
,
,
“ ”  
极附近的高层大气中 与大气中质子发生碰撞并激发出可见光 这样就成了众所瞩目的 极光  
.
,
,
极光现象不仅仅是一种光学现象 也是人们了解大气空间物理的重要渠道 它的变化直接影响到了无线  
,
电通信 长电缆通信等许多工程项目 因此 对极光图像进行高效分类在科学研究上具有很重要的价值  
.
.
[]  
:
、 、  
文献  
年根据极光的运动特点将极光分为 种类型 赤道向扩展 点亮 西行浪涌和赤道向恢  
1 1964  
4
, ,  
年 中国极地研究中心将帷幔状极光从冕状极光中单独区分开来 目前极光被分为弧状极光和冕状  
.2015  
,
极光 其中冕状极光被细分为辐射状极光和帷幔状极光  
.
:
:
2016-05-23  
收稿日期  
网络出版时间  
2016-01-11  
:
(
,
);  
陕西省自然科学基础研究计划资助项目  
(
);  
海洋公益性行业科  
基金项目 家自然科学基金资助项目  
4103106461572384  
2011JQ8019  
(
);  
研专项资 助 项 目  
教 育 部 留 学 回 国 人 员 科 研 启 动 基 金 支 持 以 及 中 央 高 校 基 本 科 研 业 务 基 金 资 助 项 目  
201005017  
(
);  
北京师范大学遥感科学国家重点实验室资助项目  
(
)
K5051302008  
OFSLRSS201415  
:
(
1978ꢀ  
), ,  
教授  
,
:
作者简介  
E-mailbhan@xidian.edu.cn.  
: ://  
/ / /  
网络出版地址  
htt www.cnki.netkcmsdetail61.1076.TN.20160523.1727.030.html  
p
(
)
西安电子科技大学学报 自然科学版  
44  
84  
,
,
随着极光数据的增多和其重要的研究价值 极光图像的分类引起了越来越广泛的关注 同时 极光图像  
.
,
,
分类的研究 也从早期的肉眼观察手工标记等 发展到了现在使用图像处理等计算机技术进行定量分析  
.
[] 、  
,
文献  
首次将图像处理和机器视觉技术引入到极光图像的分类中 利用极光图像的纹理特征对弧状  
2
块状 欧米伽状以及南北结构状 类极光形态进行了分类 但由于该方法获得的极光数据的纹理部分通常会  
4
.
,
,
[]  
将形态学成分分  
淹没在复杂的背景中 导致纹理结构不清晰 从而使得极光图像的分类准确率不高 文献  
. 3  
(
, )  
与极光图像处理相结合 从经过  
y
,
分离后所得到的极光  
MorholoicalComonentAnalsisMCA  
p g  
MCA  
[]  
p
,
,
(
对灰度氛围矩阵  
Gra  
纹理子图中提取特征 用于弧冕两类极光图像的分类 提高了分类准确率 文献  
. 4  
y
, ) (  
的领域形状进行了改进 得到了一种基于 型灰度氛围矩阵  
X-GraLevel  
,
LevelAuraMatricesGLAM  
X
y
,
)
,
,
,
特征的极光图像分类算法 提高了分类的准确性 但该方法计算复杂度高 耗时较  
AuraMatricesX-GLAM  
[]  
,
,
大 文献  
. 5  
利用多级纹理特征对极光图像进行表征 从而实现了极光图像的自动分类 由于多级纹理特征的  
,
[]  
,
用极光图像数字特征对极光图像进行表征 实现了对极  
局限性 该方法对冕状极光分类准确率不高 文献  
. 6  
,
,
光图像的检测 由于该方法在实验中所用数据均来自一个摄像头 较为单一 所以其鲁棒性有待商榷 文献  
.
.
[]  
[ ]  
通过显著编码和谱残差显著信息对极光图  
. 8-9  
利用分层小波模型的方法对极光图像进行了分类 文献  
7
,
,
[ ]  
提出了  
像进行特征表征 在进行极光图像分类时速度均得到了极大提升 但是分类精度略受影响 文献  
. 10  
(
, )  
,
一种基于生物启发特征  
和流行学习的极光图像分类方法 具有较好的  
BioloicallInsiredFeaturesBIFs  
g y p  
鲁棒性  
.
,
根据对现有算法的分析总结 如何有效地对极光图像进行特征提取是对极光图像进行高效分类中亟待  
解决的关键性问题  
.
,
,
从研究者将机器学习应用到极光图像分类中至今 相比之前的人工标定 取得了很大进步 随着科学技  
.
[ ]  
11  
,
,
,
术发展 人们将认知神经科学等学科与机器学习相结合 由此产生了深度学习 技术 使计算机模拟人的思  
[ ]为一种数据  
, )  
PrincialComonentAnalsisPCA  
p p y  
12  
,
(
维 以此在图像分类中取得好的效果 主要成分分析  
.
,
,
进行两级级联学习多级滤波器 然后用二进制哈希和分块直方  
处理方法 具有简化复杂问题的优点 将  
. PCA  
,
(
,
);  
其作  
PrincialComonentAnalsisNetworkPCANet  
p p  
图分别做索引和合并 从而形成主成分分析网络  
y
[ ]  
13  
,
,
为一种简单的深度学习网络 在自然图像分类中取得了很好的效果  
但是  
在获取滤波器时所采  
. PCANet  
,
,
, (  
二维主成分分析  
2-  
用的  
方法 将原图像转换为一维向量 丢失了原有图像结构信息 而相较于  
PCA  
.
PCA  
[ ]在充分考虑了原有图像结构信息的同时还降低了数  
14  
, )  
y
DimensionPrincialComonentAnalsis2DPCA  
p p  
,
,
学习网络 充分利用极光  
据维数 笔者采用两级级联的  
学习多级滤波器 构建出了改进的  
.
2DPCA  
PCANet  
,
图像结构信息 提高了极光图像的分类准确率  
.
模型  
1 PCANet  
,
: 、  
,
滤波器层和输出层 其中  
旨在设计一个简单的深度学习网络 由 部分组成 输入层  
PCANet  
滤波器层由两级级联的  
3
PCA  
网络组成 输出层由二进制哈希算法和分块直方图组成 首先通过  
PCA  
.
,
PCA  
PCA  
.
,
,
学习多级滤波器 得到每一张训练图片的特征 然后用特征向量来训练支持向量机 最后用于图像分类  
.
.
,
,
1, ,,,  
首先将一  
Wl l 12 L .  
张图片作为输入 经过第  
网络后 获得 个一阶滤波器  
N
1 PCA  
L
=
1
1
1
1
1
,
, ,  
阶滤波器  
与原始输入图片进行卷积操作 得到一阶映射特征 然后 对一阶映射特征经过第  
Wl  
2 PCA  
1
2
2, ,,,  
络后得到二阶滤波器  
将二阶滤波器  
与一阶映射特征进行卷积得到的二阶映射特  
Wl  
2
Wl l 12  
L .  
=
2
2
2
,
,
征输入输出层 进行十进制转换和分块直方图统计 得到所有输入图像的特征  
.
f
改进的  
模型  
PCANet  
2
,
,
是一个简化的深度学习的模型 由于其在对图像进行处理时将原二维图像转化为一维向量 造  
PCANet  
,
是直接对原始图像矩阵构建协方差矩阵 以构建的协方差  
成了图像信息的丢失和分类时间的增大  
.2DPCA  
://  
http www.xdxb.net  

全部评论(0)

暂无评论

上传资源 上传优质资源有赏金

  • 打赏
  • 30日榜单

推荐下载