CN103049767A - 基于生物激发特征和流形学习的极光图像分类方法 - Google Patents

Abstract

本发明公开了一种基于生物激发特征和流形学习的极光图像分类方法。其实现步骤为：（1）对输入的极光图像进行边缘去噪的预处理；（2）使用多尺度，多方向的Gabor滤波器组对预处理后的极光图像进行Gabor滤波，得到C1层特征图，取每幅特征图的像素灰度值之和作为极光图像的C1特征；（3）提取极光图像的Gist特征；（4）将C1特征和Gist特征融合，得到极光图像的BIFs特征；（5）对BIFs特征进行模糊c均值聚类后，利用流形学习算法DLA进行降维，得到BIFs在低维空间的表示；（6）利用支持向量基分类器SVM和最近邻分类器NN分别实现对极光图像的分类。本发明能很好的模拟人脑视皮层的识别过程，减少了数据冗余，提高了分类正确率，可用于场景分类与目标识别。

Description

基于生物激发特征和流形学习的极光图像分类方法

技术领域

本发明属于图像处理技术领域，更进一步涉及极光图像的分类方法，可用于场景分类与目标识别。

背景技术

图像分类是图像处理和模式识别中非常关键的技术之一，它是利用计算机对图像进行定量分析，根据图像信息中所反映的不同特征，把不同类别的目标区分开，从而以代替人的视觉判读。极光是各种磁层动力学过程最为直观的电离层踪迹，合理有效的极光分类对研究各类极光现象及其与磁层动力学过程之间的关系尤为重要。

早期的极光分类研究以肉眼观察为基础，手工实现标记和分类工作，然而由全天空数字摄像仪所捕获的极光图像每年数以百万计，人工进行分类标记的方式已经不再满足对大规模数据进行客观分类的要求。直到2004年

在文献“M.T.,and DonovanE.F.,Diurnal auroral occurrence statistics obtained via machinevision.Annales Geophysicae,22(4):1103-1113,2004.”中才将图像处理技术引入到极光图像自动分类。利用极光图像的纹理特征对弧形，斑块型和欧米伽型三类极光图形进行了分类，该方法仅对形状特征明显的弧状极光效果良好，但此方法仅适用于形态较为单一的弧状极光，而且是在很小的极光数据集上进行的，不具备很好的泛化能力和图像表征算法的推广性。其主要原因在于：最能够代表极光特征的纹理部分淹没在极其复杂的背景中，导致纹理受到了背景的干扰，纹理不清晰，特征描述也随之不够准确，进而分类效果不佳。2007年，Wang等人在文献“Q.Wang,J.M.Liang and X.B.Gao,Appearance based aurora classification.Proc.the12th Conf.on physics ofSun-Earth space,71,2007.”中使用主成分分析法PCA对极光图像的灰度特征进行提取，提出了一种基于表象的极光分类方法，在冕状极光分类研究方向取得了一定进展。2008年，Gao等人在文献“X.B.Gao,and J.M.Liang.,AdaBoostalgorithm for dayside aurora detection based on sample sele-ction.J ournal of Image andGraphics,15(1):116-121,2010.”中提出基于Gabor变换的极光图像分类方法，采用了局部Gabor滤波器提取图像特征，在确保计算精度的情况下降低了特征冗余信息，取得了较好的分类效果。2009年，Fu等人在文献“FuR.,Li J.,and GaoX.,AutomaticAurora Images Classification Algorithm Based on Separated Texture.Proc.Int.Conf.Robotics and Biomimetics,1331-1335,2009.”中将形态学成分分析MCA与极光图像处理相结合，从经过MCA分离后所得到的极光纹理子图中提取特征，用于弧冕两类极光图像的分类，提高了弧冕极光分类的正确率；2010年，Wang在文献“WangY，Gao X.,FuR.,et al.,Dayside Corona Aurora Classification Based on X-Gray LevelAura Matrices.Proc.ACM Int.Conf.Image and Video Retrieval,282-287,2010.”中根据极光形态的特点对GLAM的邻域形状进行改进，提出了一种基于X-GLAM特征的日侧极光图像分类算法，大大提高了分类准确性，但该方法由于进行较大规模的像素运算，因而较为耗时。对现有算法研究分析发现，对极光图像分类的关键在于特征提取及其对特征的进一步处理，由于极光图像没有特定的形状等表象特征，因此现有大部分特征提取方法对其均会失效。

在图像分类方法中有一种视觉注意模型的方法。例如，上海交通大学在其专利申请“基于视觉注意模型的图像分类方法”（专利申请号：CN200810201625.9，公开号：CN101383008）中提出了一种图像分类方法。该专利申请首先获取图像的亮度通道、颜色通道、方向通道以及稀少性通道，然后，利用多分辨率处理的机制，分别为各个通道建立高斯金字塔，其次，对于高斯金字塔通过中心－边缘操作生成一系列特征图，其中，对亮度通道通过中心－边缘操作计算中心－边缘差，同时也计算边缘－中心差，则亮度通道被分解为两个子通道上；最后，在各个通道内对生成的特征图进行跨尺度相加，使得每个通道各生成一幅总的特征图，并采用网格平均法对生成的各特征图提取特征向量；但此特征提取仍存在的不足是，计算复杂度高，并且没有更好的模拟人类视皮层注意机制，使得到的特征不能很好的表征图像，同时不能很好的符合人眼对目标的感知。

通常，进入人们视野的视觉信息是海量的，但是从这些海量的信息中，人们依然能够搜寻到想要的信息。因此，需要关注人脑视皮层的识别过程，研究人类眼睛是如何将不同类别的目标区分开。基于此，心理学专家根据心理学的研究实验，模拟出了很多人类大脑感知事物的模型，而这些模型大都仅仅适用于解释某些心理物理学实验的结果，并不能直接用于图像分类。因此，如何利用计算机视觉和图像处理等理论和知识建立可用于图像分类的人类大脑视皮层识别过程的模型已经成为世界各国亟待解决的热门课题。

综上所述，现有的极光图像分类方法和目前心理学研究的人类大脑感知模型都不能有效地实现极光图像分类。

发明内容

本发明的目的在于针对上述现有技术存在的不足，提出一种基于生物激发特征和流形学习的极光图像分类方法，以很好的模拟人脑视皮层的识别过程，全面精确的表征极光图像特征，有效的减少数据冗余，提高分类正确率。

实现本发明上述目的的技术思路是：使用圆形掩膜对极光图像进行预处理，提取极光图像的BIFs特征，利用流形学习算法DLA将BIFs特征映射到低维空间，得到更为有效的极光图像特征表示，并分别通过支持向量机分类器SVM和最近邻分类器NN对降维后的极光图像进行分类。其具体步骤包括如下：

（1）输入极光图像，并采用掩膜处理方法对输入的极光图像进行边缘去噪的预处理；

（2）利用HMAX模型，提取极光图像的C1特征

2a）构造16个尺度，每个尺度设有4个方向的Gabor滤波器组，用这些滤波器对预处理后的极光图像进行Gabor滤波，得到极光图像的S1层特征图；

2b）对S1层特征图采样并使用最大值操作，得到极光图像的C1层特征图；

2c）计算每幅C1层特征图的像素灰度值之和，得到极光图像的C1特征；

（3）提取极光图像的Gist特征

3a）利用去除颜色通道的Itti显著图模型，得到预处理后极光图像的显著图；

3b）将得到的显著图均分为8*8的子块，对每一子块的像素灰度值求平均，按从左至右，从上至下的顺序将子块的像素均值写成向量形式，得到64维的Gist特征；

（4）将C1特征和Gist特征进行融合，得到极光图像的BIFs特征；

（5）将极光图像的BIFs特征进行低维空间的表示：

5a）对极光图像的BIFs特征进行模糊c均值聚类，得到极光图像模糊划分后的类标；

5b）将模糊划分后的类标作为流形学习算法DLA中样本的初始类标，利用流形学习算法DLA，得到线性变换矩阵；

5c）根据线性变换矩阵，对极光图像的BIFs特征进行降维，得到极光图像BIFs特征在低维空间的表示：

Y_N×d=(X_N×m)^TU_m×d

其中，Y_N×d为极光图像特征BIFs在低维空间的表示，N为极光图像的样本总数，d为降维后BIFs特征的维数，X_N×m为未降维时极光图像的BIFs特征，m为未降维时BIFs特征的维数，T为求矩阵转置的运算符号，U_m×d为DLA算法得到的线性变换矩阵；

（6）根据上述极光图像BIFs特征在低维空间的表示，利用支持向量基分类器SVM和最近邻分类器NN分别实现对极光图像的分类。

本发明与现有技术相比具有如下优点：

第一，本发明通过融合HMAX模型的C1特征和显著图的Gist特征，得到极光图像的BIFs特征，更好地模拟了人脑视皮层的识别过程，避免了现有技术仅仅采用计算视觉的方法或简单的图像处理方法，造成图像特征算法不具备很好的泛化能力和推广性的现状，使得该方法在寻找描述极光图像的特征上更能符合人眼的感知特性。

第二，本发明利用流形学习算法DLA，得到极光图像在低维空间的BIFs特征，不仅保留了类内数据的几何特征，而且保留了类间数据的差异性；在低维空间中进行极光图像分类，不仅减少了运算复杂度，而且有效的提高了分类准确率。

第三，本发明分别使用现有两种典型的支持向量基分类器SVM和最近邻分类器NN，实现了极光图像的自动检测分类，避免了现有技术仅采用一种分类器的单一性，使得该方法具有较强的鲁棒性。

附图说明

图1是本发明的流程图；

图2是本发明对极光图像进行边缘去噪预处理和其显著图的实验结果图；

图3是本发明在不同的训练样本数下，利用支持向量基分类器SVM分别对三种方式下的冕状极光分类的实验结果图；

图4是本发明在不同的训练样本数下，利用最近邻分类器NN分别对三种方式下的冕状极光分类的实验结果图。

具体实施方式

下面结合附图1对本发明的步骤做进一步的详细描述。

步骤1，输入极光图像，并采用掩膜处理方法对输入的极光图像进行边缘去噪的预处理。

1.1）构造一幅与极光图像大小相同的二值图像P，以二值图像的中心为圆心，以220为半径作圆，该圆内的像素取值为1，圆外的像素取值为0；

1.2）根据构造的二值图像P，对输入的极光图像进行掩膜处理，利用下式得到预处理后的极光图像：

I＝O*P，

其中I为预处理后的极光图像，O为输入的原始极光图像，P为圆形掩膜图像，*为图像间对应像素的相乘操作。

步骤2，利用HMAX模型，提取极光图像的C1特征。

2.1）构造16个尺度，每个尺度设有4个方向的Gabor滤波器组，用这些滤波器对预处理后的极光图像进行Gabor滤波，得到极光图像的S1层特征图：

2.1a）利用下式构造Gabor滤波器组：

$G(x,y)=\exp (-\frac{x_0^2+{\mathrm{\γ}}^2{y}_0^2}{2{\mathrm{\σ}}^2})\×\cos \left(\frac{2\mathrm{\π}}{\mathrm{\λ}}{x}_0\right),$

其中，G为Gabor滤波器在位置(x,y)处的响应值，(x,y)为对原始图像的位置经过尺度变换后的位置，(x₀,y₀)为像素在原始图像的位置，γ为纵横比，σ为有效宽度，λ为波长。

尺度变换公式为：

x＝x₀cosθ-y₀sinθ

y＝x₀sinθ+y₀cosθ

其中，θ为Gabor滤波器的方向角，取值为0°,45°,90°,135°。

纵横比γ＝0.3，其余相应的参数匹配见下表1。

表1.Gabor滤波器参数匹配表

所有的滤波器参数，包括γ、方向θ、有效宽度σ、波长λ以及滤波器尺寸都通过调整使得整个S₁单元的属性与V1区的简单细胞的属性相匹配。这些参数的调整是通过对参数空间的取样，然后将它们应用到对应的滤波器上，并输入栅格、条状、边缘等刺激，最后选出那些能很好地捕获这刺激的参数值。

2.1b）使用上述Gabor滤波器组对预处理后的极光图像进行Gabor滤波，得到16种尺寸×4个方向的64个不同类型的响应图；

2.1c）将64个响应图每每相邻的两个尺度作为一个子带，共分成8个子带，作为最终提取的S1层特征图，每个子带包含2个相邻尺度及所属每个尺度的4个方向的8张响应图；

2.2）对S1层特征图采样并使用最大值操作，提取得到HMAX模型的C1层特征图：

2.2a）将8个子带各个方向的任一响应图划分成大小为

的正方形子格，N_S的取值见上表，然后再将子格划分成同样大小的正方形格子，完成减采样过程；在每个正方形格子中取响应的最大值，得到最大值图，由于此最大值操作是在同一响应图内进行，所以最大值图为空间相邻意义下的响应；

2.2b）对每个子带两个相邻尺度属于相同方向的最大值图进行比较，求其对应格子的最大值，得到具有不变性质的C1层特征图，该C1层特征图中的每个子带包含4张响应图，即每个方向一张，则8个子带共有32张响应图，由于此最大值操作是在同一子带的同方向响应图内进行，所以C1层特征图是尺度相邻意义下的不变响应；

2.3）计算C1特征。

计算每幅C1层特征图的像素灰度值之和，得到极光图像的C1特征。

所述的S1层特征图是对原始极光图像进行Gabor滤波得到的特征图；C1层特征图是对S1层特征图采样并使用最大值操作得到的特征图。

步骤3，提取极光图像的Gist特征。

3.1）利用Itti的显著图模型，得到预处理后极光图像的显著图：

3.1a）通过Itti的显著图模型对预处理后的极光图像提取亮度和方向分量的特征图，利用金字塔模型对各个特征图进行多尺度分解，得到不同尺度大小的分解图像；

3.1b）对不同尺度大小的分解图像，进行尺度间的图像合并，得到对比特征映射图；

3.1c）将对比特征映射图进行归一化计算，得到亮度特征的显著图和方向特征的显著图，对特征的显著图进行线性加和，得到极光图像的显著图。

3.2）将步骤3.1c)得到的显著图均分为8*8的子块，对每一子块的像素灰度求平均值，按从左至右，从上至下的顺序将像素均值写成行向量形式，得到64维的Gist特征；

步骤4，将C1特征和Gist特征进行融合，得到极光图像的BIFs特征，其具体做法是级联32维的C1特征和64维的Gist特征，得到96维的行向量，即极光图像的BIFs特征。

步骤5，将极光图像的BIFs特征进行低维空间的表示。

5.1）对极光图像的BIFs特征进行模糊c均值聚类，得到极光图像模糊划分后的类标；

5.2）将模糊划分后的类标作为流形学习算法DLA中样本的初始类标，利用流形学习算法DLA，得到线性变换矩阵：

5.2a）对任一极光图像i，求得与其初始类标相同并且欧氏距离最小的k1个样本，记为[i¹，i²,…,i^k1]；

5.2b）对任一极光图像i，求得与其初始类标相异并且欧氏距离最小的k2个样本，记为[i₁,i₂,…,i_k2]；

5.2c）根据上述k1个样本和k2个样本，得到由样本i构造的样本集，记为F_i＝{i，i¹,i²，…,i^k1，i₁,i₂,…,i_k2}；

5.2d）根据样本集F_i，产生构造矩阵L(F_i+1，F_i+1)：

L(F_i+1，F_i+1)＝L(F_i,F_i)+L_i，

其中， $L_i=\left[\begin{array}{cc}\underset{j=1}{\overset{k1+k2}{\mathrm{\Σ}}}\left(w_i\right)j& -w_i^T\\ -w_i& \mathrm{diag}\left(w_i\right)\end{array}\right]$ 为初始构造矩阵，

为权重向量，β为[0,1]区间的一个任意值，diag(w_i)为以w_i为对角元素的对角矩阵，T为求矩阵转置的运算符号，i为极光图像的样本标记，L(F_i,F_i)为对应于样本集F_i的构造矩阵，L(F_i+1，F_i+1)为对L(F_i,F_i)迭代一次后的构造矩阵；

5.2e）当样本i取遍所有的极光图像时，依次重复步骤（5b1）-（5b4），迭代产生构造矩阵L；

5.2f）根据构造矩阵L，由拉格朗日函数法对下式求解，得到线性变换矩阵U，即对矩阵XLX^T求其特征值和相应的标准特征向量，对特征值按由大到小排序，取其前d个特征值对应的标准特征向量作为线性变换矩阵U：

$\left\{\begin{array}{c}\left({\mathrm{XLX}}^T\right)U=-\mathrm{\λU}\\ U^{T}U=I_d\end{array}\right.,$

其中，d为降维后BIFs特征的维数，X为未降维时极光图像的BIFs特征，U为DLA算法得到的线性变换矩阵，λ为矩阵XLX^T的特征值；

5.3）根据线性变换矩阵，对极光图像的BIFs特征进行降维，得到极光图像BIFs特征在低维空间的表示：

Y_N×d=(X_N×m)^TU_m×d，

其中，Y_N×d为极光图像特征BIFs在低维空间的表示，N为极光图像的样本总数，X_N×m为未降维时极光图像的BIFs特征，m为未降维时BIFs特征的维数，U_m×d为DLA算法得到的线性变换矩阵。

步骤6，根据上述极光图像BIFs特征在低维空间的表示，利用支持向量基分类器SVM和最近邻分类器NN分别实现对极光图像的分类。

本发明的效果可通过以下仿真实验进一步描述。

实验1：弧冕极光图像分类

实验条件：本发明用于实验的3200幅极光数据来自于中国北极黄河站，该数据库包含多弧状、辐射冕状、热点冕状和帷幔冕状极光图像各800幅，其中图2（a）给出了800幅极光图像中的4幅原始的四类极光图像。

实验内容：

首先，对图2（a）所述的4幅原始的四类极光图像进行边缘去噪预处理，结果如图2（b）；

其次，利用Itti的显著图模型对图2（b）求显著图，结果如图2（c）；

最后，比较本发明和以下五种分类方法对弧冕极光图像的分类效果，这五种分类方法分别为基于C1特征的方法、基于Gist特征的方法、基于BIFs特征的方法、基于BIFs特征和主成分分析PCA方法、基于形态学成分分析MCA方法。通过计算分类正确率，可以定量比较各方法的分类效果，结果见表2。

表2.比较不同方法的弧冕极光分类准确率

上表的结果表明，本发明的方法对极光图像的分类具有更高的准确率。

实验2：冕状极光图像分类

实验条件：本实验用到了数据库中的2400幅冕状极光图像。

实验内容：

在弧冕极光分类基础上，将冕状极光图像分为辐射冕状、热点冕状和帷幔冕状三种类别。由于三类冕状极光有着一定的相似性，为了使实验更为充分，使用如下三种分类方式进行分类：

方式一，先分出辐射冕状极光图像，再将热点冕状和帷幔冕状图像分开；

方式二，先分出热点冕状极光图像，再将辐射冕状和帷幔冕状图像分开；

方式三，先分出帷幔冕状极光图像，再将辐射冕状和热点冕状图像分开。

利用支持向量机分类器SVM，在上述三种方式下对冕状极光图像分类的结果如图3。由图3中分类方式三的曲线可以看出，在正训练样本只有30幅的情况下，极光图像的最低分类准确率可达到92%以上，并且随着正训练样本数的增加，分类准确率呈上升趋势并最终趋于稳定。

利用最近邻分类器NN，在上述三种方式下对冕状极光图像分类的结果如图4。由图4中分类方式三的曲线可以看出，在正训练样本只有30幅的情况下，极光图像的最低分类准确率可达到96%以上，并且随着正训练样本数的增加，分类准确率呈上升趋势并最终趋于稳定。

由图3和图4可以看出，两种分类器下，方式三的分类效果最好，并且此时最近邻分类器NN的分类效果要优于支持向量机分类器SVM的分类效果。

综上，使用本发明方法对极光图像分类，不仅提高了分类的准确性，而且增强了分类的鲁棒性。

Claims (7)

1.一种基于生物激发特征和流形学习的极光图像分类方法，包括如下步骤：

（1）输入极光图像，并采用掩膜处理方法对输入的极光图像进行边缘去噪的预处理；

（2）利用HMAX模型，提取极光图像的C1特征：

2a）构造16个尺度，每个尺度设有4个方向的Gabor滤波器组，用这些滤波器对预处理后的极光图像进行Gabor滤波，得到极光图像的S1层特征图；

2b）对S1层特征图采样并使用最大值操作，得到极光图像的C1层特征图；

2c）计算每幅C1层特征图的像素灰度值之和，得到极光图像的C1特征；

（3）提取极光图像的Gist特征：

3a）利用去除颜色通道的Itti显著图模型，得到预处理后极光图像的显著图；

3b）将得到的显著图均分为8*8的子块，对每一子块的像素灰度值求平均，按从左至右，从上至下的顺序将子块的像素均值写成向量形式，得到64维的Gist特征；

（4）将C1特征和Gist特征进行融合，得到极光图像的BIFs特征；

（5）将极光图像的BIFs特征进行低维空间的表示：

5a）对极光图像的BIFs特征进行模糊c均值聚类，得到极光图像模糊划分后的类标；

5b）将模糊划分后的类标作为流形学习算法DLA中样本的初始类标，利用流形学习算法DLA，得到线性变换矩阵；

5c）根据线性变换矩阵，对极光图像的BIFs特征进行降维，得到极光图像BIFs特征在低维空间的表示：

Y_N×d=(X_N×m)^TU_m×d

其中，Y_N×d为极光图像特征BIFs在低维空间的表示，N为极光图像的样本总数，d为降维后BIFs特征的维数，X_N×m为未降维时极光图像的BIFs特征，m为未降维时BIFs特征的维数，T为求矩阵转置的运算符号，U_m×d为DLA算法得到的线性变换矩阵；

（6）根据上述极光图像BIFs特征在低维空间的表示，利用支持向量基分类器SVM和最近邻分类器NN分别实现对极光图像的分类。

2.根据权利要求1所述的极光图像分类方法，其中步骤（1）所述的采用掩膜处理方法对输入的极光图像进行边缘去噪的预处理，按如下步骤进行：

（1a）构造一幅与极光图像大小相同的二值图像P，以二值图像的中心为圆心，以220为半径作圆，该圆内的像素取值为1，圆外的像素取值为0；

（1b）根据构造的二值图像P，对输入的极光图像进行掩膜处理，利用下式得到预处理后的极光图像：

I＝O*P，

其中I为预处理后的极光图像，O为输入的原始极光图像，P为圆形掩膜图像，*为图像间对应像素的相乘操作。

3.根据权利要求1所述的极光图像分类方法，其中步骤2a）所述的构造16个尺度，每个尺度设有4个方向的Gabor滤波器组，用这些滤波器对预处理后的极光图像进行Gabor滤波，得到极光图像的S1层特征图，按如下步骤进行：

（2a1）构造有16个尺度，每个尺度设有4个方向的Gabor滤波器组：

$G(x,y)=\exp (-\frac{x_0^2+{\mathrm{\γ}}^2{y}_0^2}{{2\mathrm{\σ}}^2})\×\cos \left(\frac{2\mathrm{\π}}{\mathrm{\λ}}{x}_0\right)$

其中，G(x,y)为Gabor滤波器在位置(x,y)处的响应值，(x,y)为对原始图像的位置经过尺度变换后的位置，(x₀,y₀)为像素在原始图像的位置，γ为纵横比，σ为有效宽，λ为波长；

（2a2）使用上述Gabor滤波器组对预处理后的极光图像进行Gabor滤波，得到16种尺寸×4个方向的64个不同类型的响应图；

（2a3）将64个响应图每每相邻的两个尺度作为一个子带，共分成8个子带，作为最终提取的S1层特征图，每个子带包含2个相邻尺度及所属每个尺度的4个方向的8张响应图。

4.根据权利要求1所述的极光图像分类方法，其中步骤2b）对S1层特征图采样并使用最大值操作，得到极光图像的C1层特征图，按如下步骤进行：

（2b1）将8个子带各个方向的任一响应图划分成对应于各个子带采样宽度的正方形子格，然后再将这些子格划分成同样大小的正方形格子，完成减采样过程；在每个正方形格子中取响应的最大值，得到最大值图；

（2b2）对每个子带两个相邻尺度的最大值图进行比较，求其对应格子的最大值，得到具有不变性质的C1层特征图。

5.根据权利要求1所述的极光图像分类方法，其中步骤3a）所述的利用去除颜色通道的Itti显著图模型，得到预处理后极光图像的显著图，按如下步骤进行：

（3a1）通过Itti的显著图模型对预处理后的极光图像提取亮度和方向分量的特征图，利用金字塔模型对各个特征图进行多尺度分解，得到不同尺度大小的分解图像；

（3a2）对不同尺度大小的分解图像，进行尺度间的图像合并，得到对比特征映射图；

（3a3）将对比特征映射图进行归一化计算，得到亮度特征的显著图和方向特征的显著图，对特征的显著图进行线性加和，得到极光图像的显著图。

6.根据权利要求1所述的极光图像分类方法，其中步骤（4）所述的将C1特征和Gist特征进行融合，是级联32维的C1特征和64维的Gist特征，得到96维的行向量，即极光图像的BIFs特征。

7.根据权利要求1所述的极光图像分类方法，其中步骤5b）所述的利用流形学习算法DLA得到线性变换矩阵，按如下步骤进行：

（5b1）将模糊划分后的类标作为流形学习算法DLA中样本的初始类标，对任一极光图像i，求得与其初始类标相同并且欧氏距离最小的k1个样本，记为[i¹，i²,…,i^k1]；

（5b2）对任一极光图像i，求得与其初始类标相异且欧氏距离最小的k2个样本，记为[i₁,i₂,…,i_k2]；

（5b3）根据上述k1个样本和k2个样本，得到由样本i构造的样本集，记为F_i＝{i，i¹,i²，…，i^k1，i₁，i₂,…，i_k2；

（5b4）根据样本集F_i，产生构造矩阵L(F_i+1，F_i+1)：

L(F_i+1,F_i+1)＝L(F_i,F_i)+L_i，

其中， $L_i=\left[\begin{array}{cc}\underset{j=1}{\overset{k1+k2}{\mathrm{\Σ}}}{\left(w_i\right)}_j& {-w}_i^T\\ {-w}_i& \mathrm{diag}\left(w_i\right)\end{array}\right]$ 为初始构造矩阵，

为权重向量，β为[0,1]区间的一个任意值，diag(w_i)为以w_i为对角元素的对角矩阵，T为求矩阵转置的运算符号，i为极光图像的样本标记，L(F_i,F_i)为对应于样本集F_i的构造矩阵，L(F_i+1，F_i+1)为对L(F_i,F_i)迭代一次后的构造矩阵；

（5b5）当样本i取遍所有的极光图像时，依次重复步骤（5b1）-（5b4），迭代产生构造矩阵L；

（5b6）根据构造矩阵L，由拉格朗日函数法对下式求解，得到线性变换矩阵U，即对矩阵XLX^T求其特征值和相应的标准特征向量，对特征值按由大到小排序，取其前d个特征值对应的标准特征向量作为线性变换矩阵U：

$\left\{\begin{array}{c}\left({\mathrm{XLX}}^T\right)U=-\mathrm{\λU}\\ U^{T}U=I_d\end{array}\right.,$

其中，d为降维后BIFs特征的维数，X为未降维时极光图像的BIFs特征，T为求矩阵转置的运算符号，U为DLA算法得到的线性变换矩阵，λ为矩阵XLX^T的特征值。

Images