基于人工智能的大规模激光图像分类研究
发布时间：2021-07-28 13:19
传统激光图像分类研究主要针对小规模数据,而当前激光图像以海量、大规模形式存在,对分类速度和分类效率提出了更高的要求,结合大规模激光图像的特点,设计了一种基于人工智能的大规模激光图像分类方法。首先收集大规模激光图像,并提取激光图像的特征,然后采用人工智能技术——人工鱼群算法对激光图像特征进行筛选,最后设计了大规模激光图像的分类器,并采用多种类型的激光图像进行了验证性测试,测试结果表明本文方法的激光图像的分类正确率超过95%,激光图像分类时间平均低于6ms,十分适用于大规模激光图像的在线分类,且大规模激光图像综合分类性能要优于当前其它分类方法,实际应用价值更高。
【文章来源】：激光杂志. 2018,39(05)北大核心
【文章页数】：4 页
【部分图文】：
大规模激光图像分类的原理3相关理论
f＞δYi，则向前移动一步。否则执行觅食行为。3.3支持向量机设有n个样本的训练集为:(xi，yi)，xi=［x1，x2，…，xd］T∈Ｒd为第i个激光图像样本的特征向量，yi∈Ｒ表示激光图像类型的输出值，采用非线性映射函数Φ(x)对激光图像样本进行处理，找到一个最优超平面，线性分类函数为:f(x)=wΦ(x)+b(8)对w和b进行求解时，为了防止出现过拟合缺陷，引入松弛因子ξi和ξ*i♂，具体如图2所示。图2支持向量机的分类示意图那么可以建立如下表达式:L(f(x)，y，ε)=0，y－f(x)≤εy－f(x)－ε，y－f(x)＞{ε(9)式中，ε表示不敏感损失函数。描述寻找最优超平面问题可以表示为: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为惩罚参数。引入Largrange函数，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)约束条件为:∑ni=1(α*i－αi)=00≤αi，α*i≤{C(12)最后得到分类函数为:f(x)=sgn∑ni=1(α
http∶//www．laserjournal．cn图3激光图像的分类正确率图4激光图像的分类时间6结论激光图像在军事、农业、林业等领域得到了广泛应用，而激光图像分类是激光图像应用的基础，分类方法的设计与研究具有一定的实际意义，为了解决当前激光图像分类方法的速度慢、效率低等局缺陷，提出了基于人工智能技术的激光图像分类方法，根据实验结果可以知道:(1)激光图像的数据量大，而且原始特征维相当高，若不对原始激光图像进行分类，那么导致图像分类的训练时间长，如果不对特征进行筛选，那么激光图像分类器结构复杂，极易出现“维数灾”问题，无法满足图像分类的在线要求。(2)通过引入聚类分析算法对激光图像进行处理，可以选择与分类的激光图像相关的图像构成学习样本，大幅度减少激光图像分类样本的数量，加快了激光图像分类的速度，使其可以满足大规模激光图像分类的要求，实际应用范围更加广泛。(3)人工鱼群算法是一种人工智能优化方法，具有快速的问题求解能力，引入到激光图像的原始特征筛选，可以选择重要的激光图像特征，使图像分类器的结构简单，防止了“维数灾”问题出现，而且可以提高激光图像分类正确率。(4)引入支持向量机构建激光图像分类器，可以很好拟合激光图像类型和特征参数之间的非映射关系，激光图像的分类正确率达到了95%以上，超过激光图像的实际应用的分类正确率要求，激光图像分类整体性能要显著优于对比方法，为大规模激光图像分类的研究提供了一种工具。参考文献［1］张玉方，程新文，欧阳平．机载lidar数据处理及其应用综述［J］．工程地球物理学报，2008，5(1):120－124．［2］代具亭?
【参考文献】：
期刊论文
[1]基于形态学滤波的红外图像背景补偿[J]. 李武周,余锋,王冰,胡琥香,周长荣. 红外技术. 2016(04)
[2]扫描型红外焦平面探测器图像实时传输系统[J]. 代具亭,汤心溢,王世勇,刘鹏. 激光与红外. 2016(04)
[3]最小差异采样的主动学习图像分类方法[J]. 吴健,盛胜利,赵朋朋,崔志明. 通信学报. 2014(01)
[4]基于谱聚类波段选择的高光谱图像分类[J]. 彭艳斌,艾解清. 光电工程. 2012(02)
[5]单尺度词袋模型图像分类方法[J]. 陈凯,肖国强,潘珍,李正浩. 计算机应用研究. 2011(10)
[6]基于SIFT算法的体育类图像分类与应用研究[J]. 朱飞,王兴起. 计算机应用与软件. 2011(10)
[7]结合空-谱信息的高光谱图像分类方法[J]. 王立国,孙杰,肖倩. 黑龙江大学自然科学学报. 2010(06)
[8]应用BP神经网络对自然图像分类[J]. 谢文兰,石跃祥,肖平. 计算机工程与应用. 2010(02)
[9]激光回波波形分析小目标检测成像方法[J]. 赵楠翔,胡以华,雷武虎,贺敏. 红外与激光工程. 2009(04)
[10]基于快速非负矩阵分解和RBF网络的高光谱图像分类算法[J]. 狄文羽,何明一,梅少辉. 遥感技术与应用. 2009(03)
本文编号：3307987
【文章来源】：激光杂志. 2018,39(05)北大核心
【文章页数】：4 页
【部分图文】：
大规模激光图像分类的原理3相关理论
f＞δYi，则向前移动一步。否则执行觅食行为。3.3支持向量机设有n个样本的训练集为:(xi，yi)，xi=［x1，x2，…，xd］T∈Ｒd为第i个激光图像样本的特征向量，yi∈Ｒ表示激光图像类型的输出值，采用非线性映射函数Φ(x)对激光图像样本进行处理，找到一个最优超平面，线性分类函数为:f(x)=wΦ(x)+b(8)对w和b进行求解时，为了防止出现过拟合缺陷，引入松弛因子ξi和ξ*i♂，具体如图2所示。图2支持向量机的分类示意图那么可以建立如下表达式:L(f(x)，y，ε)=0，y－f(x)≤εy－f(x)－ε，y－f(x)＞{ε(9)式中，ε表示不敏感损失函数。描述寻找最优超平面问题可以表示为: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为惩罚参数。引入Largrange函数，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)约束条件为:∑ni=1(α*i－αi)=00≤αi，α*i≤{C(12)最后得到分类函数为:f(x)=sgn∑ni=1(α
http∶//www．laserjournal．cn图3激光图像的分类正确率图4激光图像的分类时间6结论激光图像在军事、农业、林业等领域得到了广泛应用，而激光图像分类是激光图像应用的基础，分类方法的设计与研究具有一定的实际意义，为了解决当前激光图像分类方法的速度慢、效率低等局缺陷，提出了基于人工智能技术的激光图像分类方法，根据实验结果可以知道:(1)激光图像的数据量大，而且原始特征维相当高，若不对原始激光图像进行分类，那么导致图像分类的训练时间长，如果不对特征进行筛选，那么激光图像分类器结构复杂，极易出现“维数灾”问题，无法满足图像分类的在线要求。(2)通过引入聚类分析算法对激光图像进行处理，可以选择与分类的激光图像相关的图像构成学习样本，大幅度减少激光图像分类样本的数量，加快了激光图像分类的速度，使其可以满足大规模激光图像分类的要求，实际应用范围更加广泛。(3)人工鱼群算法是一种人工智能优化方法，具有快速的问题求解能力，引入到激光图像的原始特征筛选，可以选择重要的激光图像特征，使图像分类器的结构简单，防止了“维数灾”问题出现，而且可以提高激光图像分类正确率。(4)引入支持向量机构建激光图像分类器，可以很好拟合激光图像类型和特征参数之间的非映射关系，激光图像的分类正确率达到了95%以上，超过激光图像的实际应用的分类正确率要求，激光图像分类整体性能要显著优于对比方法，为大规模激光图像分类的研究提供了一种工具。参考文献［1］张玉方，程新文，欧阳平．机载lidar数据处理及其应用综述［J］．工程地球物理学报，2008，5(1):120－124．［2］代具亭?
【参考文献】：
期刊论文
[1]基于形态学滤波的红外图像背景补偿[J]. 李武周,余锋,王冰,胡琥香,周长荣. 红外技术. 2016(04)
[2]扫描型红外焦平面探测器图像实时传输系统[J]. 代具亭,汤心溢,王世勇,刘鹏. 激光与红外. 2016(04)
[3]最小差异采样的主动学习图像分类方法[J]. 吴健,盛胜利,赵朋朋,崔志明. 通信学报. 2014(01)
[4]基于谱聚类波段选择的高光谱图像分类[J]. 彭艳斌,艾解清. 光电工程. 2012(02)
[5]单尺度词袋模型图像分类方法[J]. 陈凯,肖国强,潘珍,李正浩. 计算机应用研究. 2011(10)
[6]基于SIFT算法的体育类图像分类与应用研究[J]. 朱飞,王兴起. 计算机应用与软件. 2011(10)
[7]结合空-谱信息的高光谱图像分类方法[J]. 王立国,孙杰,肖倩. 黑龙江大学自然科学学报. 2010(06)
[8]应用BP神经网络对自然图像分类[J]. 谢文兰,石跃祥,肖平. 计算机工程与应用. 2010(02)
[9]激光回波波形分析小目标检测成像方法[J]. 赵楠翔,胡以华,雷武虎,贺敏. 红外与激光工程. 2009(04)
[10]基于快速非负矩阵分解和RBF网络的高光谱图像分类算法[J]. 狄文羽,何明一,梅少辉. 遥感技术与应用. 2009(03)
本文编号：3307987
本文链接：https://www.wllwen.com/kejilunwen/rengongzhinen/3307987.html
