基于優(yōu)化卷積自動編碼網絡的極光圖像分類方法
【技術領域】
[0001] 本發(fā)明屬于圖像處理技術領域，更進一步涉及極光圖像的分類方法，可用于圖像 的場景分類與目標識別。
【背景技術】
[0002] 極光是各種磁層動力學過程最為直觀的電離層蹤跡，中國北極黃河站的全天空成 像系統六11-81^〇31116抑同時對極光的三個典型譜段427.811111，557.7111]1和630.〇111]1進行連續(xù) 觀測，產生數以萬計的極光圖像，數據量巨大。合理有效的極光圖像分類對研究各類極光現 象及其與磁層動力學過程之間的關系尤為重要。
[0003] 早期的極光分類研究以肉眼觀察為基礎，手工實現標記和分類工作，然而極光圖 像每年數以百萬計，人工進行分類標記的方式已經不再滿足對大規(guī)模數據進行客觀分類的 要求。直到2004年 Syrjasuo 在文獻"SyrjiisuoM.T.，and Donovan E.F.，Diurnal auroral occurrence statistics obtained via machine vision.Annales Geophysicae,22(4): 1103-1113,2004."中才將圖像處理技術引入到極光圖像自動分類。Wang等人于2007年在文 章"Wang Qian，Liang Jimin，Hu ZeJun，Hu HaiHong，Zhao Heng，Hu HongQiao，Gao Xinbo， Yang Huigen.Spatial texture based automatic classification of dayside aurora in all-sky images.Journal of Atmospheric and Solar-Terrestrial Physics,2010, 72(5) :498-508."中使用主成分分析法PCA對極光圖像的灰度特征進行提取，提出了一種基 于表象的極光分類方法，在冕狀極光分類研究方向取得了一定進展;2008年，Gao等人發(fā)表 文章 "L .Gao，Χ· B·Gao，and J.Μ. Liang.Dayside corona autora detection based on sample selection and adaBoost algorithm.J.I mage Graph,2010,15(1):116-121. 提出基于Gabor變換的極光圖像分類方法，采用了局部Gabor濾波器提取圖像特征，在確保 計算精度的情況下降低了特征冗余信息，取得了較好的分類效果；2009年，Fu等人在文章 "Fu Ru，Jie Li and X.B.Gao..Automatic aurora images classification algorithm based on separated texture.Proc.Int.Conf.Robotics and Biomimetics,2009:1331-1335."中將形態(tài)學成分分析(MCA)與極光圖像處理相結合，從經過MCA分離后所得到的極光 紋理子圖中提取特征，用于弧冕兩類極光圖像的分類，提高了弧冕極光分類的正確率。后續(xù) 的相關研究還有：Han等人在文章"Bing Han，Xiaojing Zhao，Dacheng Tao，et al.Dayside aurora classification via BIFs-based sparse representation using manifold learning.International Journal of Computer Mathematics.Published online:12Nov 2013 中又提出基于BIFs特征和C均值分類的極光分類法;Yang等人在文章"Yang Xi，Li Ji e, Han Bing , Gao Xinbo. Wavelet hierarchical model for aurora images classification. Journal of Xidian University ,2013,40(2): 18-24." 中提出多層小波 變換來表示極光圖像特征，取得了較高的分類準確率;2013年，Han等人在文章"Han B Jang C，Gao XB.Aurora image classification based on LDA combining with saliency information.RuanJian Xue Bao/Journal of Software,2013,24(11):2758-2766.''中引 入隱含狄利克雷分布模型LDA，并結合圖像顯著性信息，又進一步提高了極光圖像的分類準 確率。
[0004] 但是，現有的極光圖像處理算法都是基于淺層特征的，特征表征能力和分類準確 率都受到 了極大的限制。文章 "A · Krizhevsky，I · Sutskever，and G.Hinton.ImageNet classification with deep convolutional neural networks. In NIPS,2012."提出卷積 神經網絡，其出色的圖像特征提取能力在學術界持續(xù)升溫，其應用在極光圖像特征提取上 的巨大潛力值得深入研究。
[0005] 但是，將深度卷積網絡直接用于極光圖像的特征提取仍存在以下幾個問題:首先 是由于極光圖像中存在許多完全沒有任何信息的全黑部分，現有深度學習算法對于這部分 冗余沒有處理方法;其次由于訓練樣本數限制，現有深度卷積網絡技術對極光圖像的分類 準確率不高;第三，深度卷積網絡訓練耗時嚴重。

【發(fā)明內容】

[0006] 本發(fā)明的目的在于針對上述現有技術存在的不足，提出一種基于優(yōu)化卷積自動編 碼網絡的極光圖像分類方法，以快速完成網絡訓練，提高分類正確率。
[0007] 實現本發(fā)明上述目的的技術方案是:對極光圖像進行顯著性分析，基于極光顯著 圖提取用于訓練自動編碼網絡AE的訓練樣本，然后用訓練好的自動編碼網絡特征提取極光 圖像的卷積自編碼特征，并利用平均池化對卷積自編碼特征進行約減，最后通過softmax分 類器實現對極光圖像的分類。其實現步驟包括如下：
[0008] (1)輸入極光圖像，根據極光圖像顯著圖提取共100000個訓練像素塊，組成訓練像 素塊集P8X8X1QQ000 ;
[0009] (2)對訓練像素塊集P 8X8X1QQ()()()進行白化預處理，得到白化后的訓練樣本集 XPCAwhite ；
[0010] (3)利用白化后的訓練樣本集XPCAwhite，訓練自動編碼網絡AE:
[0011 ] 3a)將訓練樣本集表示為XPCAwhite = {xp(1)，xp(2)，xp(3)，…，xp(1)，…，xp( m)}，其中 xp(1)表示第i個訓練樣本，xp(1)eR64，i = l，2, . . .，m，m表示訓練樣本數;根據訓練樣本xp(1) 求自動編碼網絡AE隱含層第j個神經元的平均活躍度：
[0013]其中，j = l，2, · · ·，n，n表示隱含層節(jié)點數，aw,b(xpW)表示當輸入為xp(1)時自動編 碼網絡AE隱含層第j個神經元的激活度，（W，b) = (W(1)，b(1)，W(2)，b(2))表示自動編碼網絡AE 的參數，其中，W (1)表示輸入層節(jié)點到隱含層節(jié)點的權重，W(2)表示隱含層節(jié)點到輸出層節(jié)點 的權重，b (1)表示輸入層節(jié)點到隱含層節(jié)點的偏置，b(2)表示隱含層節(jié)點到輸出層節(jié)點的偏 置；
[0014] 3b)根據反向傳播BP訓練法原理，用自動編碼網絡AE的參數(W，b)和隱含層平均活 躍度&構造一個稀疏的代價函數Jsparse(W，b):
[0016] 式中，hw,b( ·)表示非線性的自動編碼網絡AE函數表示以P為均值和以 為均值的兩個伯努利隨機變量之間的相對熵，λ1和λ2分別表不隱含層和輸出層的權重衰減 參數，ρ表示稀疏度系數，其取值為一個小于0.1的常數；
[0017] 3c)通過最小化代價函數Jsparse(w，b)得到優(yōu)化后的自動編碼網絡ΑΕ的參數(Wopt, b〇pt):
[0019] 其中，表示優(yōu)化后輸入層的第q個節(jié)點到隱含層的第j個節(jié)點的權重，~二 表示優(yōu)化后隱含層第j個節(jié)點到隱含層到輸出層第k個節(jié)點的權重，表示優(yōu)化后輸入 層節(jié)點到隱含層第j個節(jié)點的偏置表示優(yōu)化后隱含層節(jié)點到第k個節(jié)點的偏置，q = k =1，2,. . .，64,64表示輸入層節(jié)點數，且輸出層節(jié)點數等于輸入層節(jié)點數，j = l，2,. . .，n，n 表示隱含層節(jié)點數；
[0020] (4)用優(yōu)化后輸入層的第q個節(jié)點到隱含層的第j個節(jié)點的權重求極光圖像 I的卷積自編碼特征Fr;
[0021] (5)將極光圖像I的卷積自編碼特征Fr進行平均池化操作，即將卷積自編碼特征Fr 平均劃分為11X11大小的塊，將每塊都合并為一個平均值，然后將這些平均值重新組合得 到池化特征FERllxllXn;
[0022] (6)將極光圖像的池化特征F輸入到softmax分類器，得到一個類別標簽，即為該極 光圖像的類別。
[0023] 本發(fā)明與現有技術相比具有如下優(yōu)點：
[0024] 第一，本發(fā)明利用圖像顯著圖進行訓練樣本的優(yōu)選，有效去除了無效訓練樣本，提 高了網絡訓練效率，同時提高了模型對極光圖像的分類準確率；
[0025]第二，發(fā)明選用自動編碼網絡AE預訓練卷積濾波器，構建卷積網絡，有效克服了極 光圖像訓練樣本不足導致的分類準確率較低問題。
【附圖說明】
[0026]圖1是本發(fā)明的實現流程圖；
[0027]圖2是本發(fā)明對極光圖像顯著圖、顯著圖二值化和提取訓練片段結果圖；
[0028]圖3是本發(fā)明通過訓練自動編碼網絡AE得到的部分卷積濾波器；
[0029]圖4是本發(fā)明中自動編碼網絡AE隱含層節(jié)點數不同時對應的分類準確率和分類時 間對比圖；
[0030]圖5是本發(fā)明自動編碼網絡AE隱含層稀疏度對分類準確率的影響圖。
【具體實施方式】
[0031] 下面結合附圖對本發(fā)明的實現步驟和技術效果做進一步的詳細描述。
[0032] 參照圖1，本發(fā)明的實現步驟如下：
[0033]步驟1，輸入極光圖像，提取訓練像素塊集P8x8x1Q_ 0〇
[0034] 1.1)輸入一幅如圖2(a)所示的極光圖像，獲取該圖像中的每一個像素點I(x，y)， 的亮度特征L(x，y)、梯度特征H(x，y)以及邊緣二值化特征B(x，y)，并將這三種特征融合，得 到極光圖像像素點I(x，y)的顯著性信息值S(x，y):
[0035] S(x,y)=L(x,y)+H(x,y)+B(x,y);
[0036] 將極光圖像所有點的顯著性信息值S(x，y)組成如圖2(b)所示的極光圖像顯著圖 S；
[0037] 1.2)對圖像顯著圖S進行二值化操作，得到如圖2(c)的二值化顯著圖S1;
[0038] 1.3)隨機在二值化顯著圖Si上提取8X8大小的訓練像素塊pS8x8,判斷該像素塊的 值:如果像素塊PS8X8中的1值所占比例大于0.8,則提取原圖像I在該位置的像素塊P8X8;如 果像素塊PS8X8中1值所占比例小于等于0.8，則不作處理；
[0039] 1.4)按照1.3)的方法，提取極光圖像共100000個訓練像素塊，組成訓練像素塊集 ΡδΧ8Χ100000〇
[0040] 步驟2,對訓練像素塊集Ρ 8X8X1QQ()()()進行白化預處理，