CN112699961A - 基于改进证据理论在复杂场景下的植物图像分类的方法 - Google Patents

Abstract

本发明公开了一种基于改进证据理论在复杂场景下的植物图像分类的方法，包活：利用灰度直方图特征的RST不变性、GLCM的空间相关特性和小波变换的多分辨率分析分别对植物图像进行特征提取，通过初步决策获得各自的基本概率分布(BPA)。使用改进证据理论融合信息，选择融合下的最大假设。在D‑S证据理论中提出了信任库仑力(BCF)的概念，其中信任函数的电荷量的概念是利用改进deng熵的方法解决的，信任函数之间距离的概念是利用证据之间的相关性解决的。提出的BCF旨在从电磁学的角度分析多源信息融合的过程，从而为解决证据理论问题提供新的见解。在图像分类和故障诊断的应用中证明了本方法的有效性。

Description

基于改进证据理论在复杂场景下的植物图像分类的方法

技术领域

本发明属于信号处理领域，具体涉及对图像特征信息的提取，并通过改进信息融合的方法对信息进行融合。

背景技术

目前机器视觉正广泛应用于植物分类，但是大多只是针对叶片进行识别，若对整株植物进行识别，信息的交叉和混叠造成识别效率低。故在植物分类模型中引入证据理论，可以减少分类过程中的不确定性，提高分类精度。

在DS证据理论中主要是讨论冲突管理，主要有两个方法，第一种是修改经典D-S证据理论的组合规则，以适应高冲突环境。第二种是保留D-S组合规则，在融合前对冲突证据进行预处理。目前很多学者试图将物理学有关的知识应用到相关的研究领域。在此创造性的将库仑力的概念引入D-S证据理论。

发明内容

针对上述背景技术存在的问题，本发明通过引入D-S证据理论中的库仑力对冲突数据进行预处理，提出一种基于改进证据理论在复杂场景下的植物图像分类的方法。其特征是，包括：

步骤1、采集植物图像数据，并对植物图像数据分别采用灰度直方图、灰度共生矩阵、以及sym4小波提取植物图像的特征，其中，

灰度直方图提取特征的具体方法包括：定义一个灰度级的离散函数；

其中n_i表示图像中具有灰度级i的像素个数，i表示灰度级，N表示图像总的像素数，L表示灰度级种类数；分别提取灰度直方图的均值，方差，歪斜度，峰态，能量，熵作为特征向量；

灰度共生矩阵提取特征的具体方法包括：将图像在0°,45°,90°,135°中四个不同方向得到的统计量取均值和方差构建图像的全局纹理纹理特征；

sym4小波提取特征的具体方法包括：

步骤1.1、将彩色图像转化为灰度图像；

步骤1.2、选取Sym4小波基并进行4层小波分解获得13个子带；

步骤1.3、求分解后每个子带小波系数的均值和标准差；

步骤2、将步骤1中提取的三种特征分别经过softmax分类器进行初步决策得到三种初步决策结果；

步骤3、将信任库仑力(BCF)的概念引入至Dempster证据理论，构造一个BCF矩阵，并计算所有证据的可信度，并计算所有证据的平均权重，基于改进信息融合方法，使用证据的平均权重进行n-1次Demoster’s组合，得到最后的融合证据，选择信息融合下最大的假设作为识别的结果；

步骤4、将改进的证据理论方法应用到机器故障诊断中，得到了比较好的分类结果。

在上述的一种基于基于改进证据理论在复杂场景下的植物图像分类的方法，步骤2中将灰度直方图提取的特征经过softmax分类器进行初步决策的具体方法是：Softmax分类器中，输入向量为步骤1中提取的特征向量，输入向量为X＝{x₁,x₂…x_i…x_n}^T，n值是表示提取的特征向量的个数，x_i表示第i特征向量作为输入层的第i个神经元的输入；隐层输出向量为Y…{y₁,y₂…y_j…y_m}^T，y_j表示隐层第j个神经元的输出；输出层输出向量为o＝{o₁,o₂…o_k…o_r}^T，o_k表示输出层第k个神经元的输出；期望输出向量d＝{d₁,d₂…d_k…d_r}^T，d_k表示期望输出中第k个输出；输入层与隐层的权值矩阵为V＝{V₁,V₂…V_j…V_m}^T；其中列向量V_j为隐层第j个神经元对应的权向量(是一个列向量)，隐层到输出层之间的权值矩阵为W＝{W₁,W₂…W_k…W_r}^T其中列向量W_k为输出层第k个神经元对应的权向量；

激活函数f(x)定义为：f(x)＝1/(1+e^-x)，其中e表示一个自然数，e^-x表示以e为底的指数函数；

输入层输入，隐层输出，输出层输出的关系如式1：

其中y_j表示隐层第j个神经元的输出，x_i表示输入层第i个神经元的输入，v_ij表示输入层第i神经元与输出层第j个神经元之间的权重；O_k表示输出层第k个神经元的输出，w_ik表示隐层第i个神经元与输出层第j个神经元之间的权重；分类器权值更新公式如式2：

其中η∈(0,1)，表示学习率，其中γ_k＝(d_k-o_k)o_k(1-o_k),v_ij表示更新后输入层第i神经元与输出层第j个神经元之间的权重；w_ik表示更新后隐层第i个神经元与输出层第j个神经元之间的权重；

最后，将bp神经网络运行结束后得出的输出进行归一化；如式3所示：

其中o_k表示程序运行结束后输出层第k个神经元的输出，output_k表示输出层第k个神经元进行归一化后的最终输出。

在上述的一种基于基于改进证据理论在复杂场景下的植物图像分类的方法，步骤3中将信任库仑力(BCF)的概念引入至Dempster证据理论，具体基于以下定义：

识别框架Θ＝{θ1，θ2,...,θn}表示可能发生事件的集合，θ_i则为识别框架的子集；Θ中的子集两两互斥，识别框架中的全部识别对象

如果A∈2^Θ则称A为命题；

对于2^Θ中的任何命题A,定义映射m:2^Θ→[0,1]为基本概率分布，m满足(4)所示条件：

m(A)表示证据对A命题的支持程度，实际上是个概率值，

表示所有命题都不发生的事件概率

其中K表示两个证据之间的冲突系数，A1∩A2＝C表示命题A1与命题A2的焦点元素的交集为命题C的焦点元素，

表示命题A1与命题A2的焦点元素的交集为空集；当K＝1表明m₁,m₂之间没有冲突，K＝0时表示证据之间完全矛盾；总之K越小证据之间越冲突；

首先，认为证据信息融合的本质就是，证据体之间受到某种作用力的影响，为了量化证据之间的作用力程度，提出信念库仑力理论(BCF)，则定义信任库仑力(BCF)，如(6)式：

其中设F是两个证据之间库仑力的大小，Q_m1,Q_m2是两个证据体的信息量，R表示证据体之间的距离，K_e是库伦常数K_e＝2^-ε|Θ|，0≤ε≤1；

信息熵可以度量证据体的信息量，则其中信任函数的电荷量的概念引用信息熵，目前引用较多的是Deng熵，但是Deng熵理论有一些局限性，没有考虑识别框架(FOD)的尺度和相对于FOD的焦点元素的相对尺度，故引入改进的Deng熵作为证据体的电荷量；公式如(7)所示：

其中Q_m表示证据体的信息量，|Θ|是识别框架Θ的基数，|A|是A的基数m(A)表示命题A的概率；

两个证据体之间的冲突系数定义如(8)所示：

其中c(m₁,m₂)表示证据体之间的冲突；T表示向量的转置运算，m₁,m₂分别为两个证据体，是列向量；A_i,A_j是焦点元素,|A_i∩A_j|表示A_i,A_j取交集的基数，|A_i∪A_j|表示A_i,A_j取并集的基数；

定义两个基本概率分配函数的不相关系数如(9)所示：

其中ζ两个证据体之间的不相关系数m₁(A_i)表示证据体1中命题A_i的概率值，

表示证据体1的所有命题的平均概率向量，m₂(B_i)表示证据体2中命题B_i的概率值，

表示证据体2的所有命题的平均概率向量；

用冲突系数与不相关系数的组合描述证据体之间的距离：

不仅考虑到焦点元素和非焦点元素之间的差异，还考虑到了分配函数本身之间的差异。

在上述的一种基于基于改进证据理论在复杂场景下的植物图像分类的方法，步骤3中改进信息融合方法，并应用到植物图像分类中建立分类模型的特征是：

步骤3.1、构造一个BCF矩阵(BCFM)，反应两个证据体之间的相似程度假设有n个证据体BCFM公式如(10)所示：

其中m_i，m_j分别表示第i个证据体和第j个证据体，F_BCF(m_i,m_j)代表证据m_i和m_j之间的库仑力；F_BCF(m_i,m_i)＝0,表示证据体m_i与本身的证据距离为0；

步骤3.2、计算所有证据的可信度；证据主体的支持程度表达式为(11)所示：

su(m_i)表示对证据体m_i的支持程度；

crd_i表示证据体m_i的可信度，定义为(12)所示：

crd_i表示证据体第i个证据体的可信度

步骤3.3、求所有证据的平均权重如(13)所示；

AVE(m)表示所有证据的平均权重；

步骤3.4、使用证据的平均权重进行n-1次Demoster’s组合，得到最后的融合证据，选择信息融合下最大的假设作为识别的结果。

在上述的一种基于基于改进证据理论在复杂场景下的植物图像分类的方法，步骤4的具体方法包括：

步骤4.1、构造一个BCF矩阵(BCFM)，反应证据体之间的相似程度；

步骤4.2、计算所有证据的可信度；

步骤4.3、求所有证据的平均权重；

步骤4.4、使用证据的平均权重进行n-1次Demoster’s组合，得到最后的融合证据，选择信息融合下最大的假设作为识别的结果。

和现有技术相比，本发明有一下优点：本发明首次将电磁学中库仑力的概念引用到证据理论中，相对于其他植物图像方法，有更高的抗干扰能力。而且研究的是整株植物，比单个叶片识别实用性更强。

附图说明

图1为本发明方法的流程示意图。

图2为softmax分类器分类原理图。

图3为植物图像分类的模型图。

图4仿真试验中使用不同方法对某张5号植物的识别的结果示意图。

图5仿真试验中不同方法对于测试集图片的识别率示意图。

图6仿真实验中不同方法进行故障诊断结果的示意图。

具体实施方式

下面将对本发明的一种具体实施方式进行详细说明，以使发明的特征能被本领域技术人员理解。

本发明实验部分思路如下：

第一步，提取的3个特征向量，通过softmax分类器初步决策之后获得3个概率分布函数，组成一个概率分布矩阵。一某张5号植物为例，基本概率分配函数如下表所示：

第二步，结合公式5，6，7，8，9构造一个BCF矩阵(BCFM)，如式13所示：(注，此时K_e＝2^-5)

第三步，通过公式10，11求出每个证据体的信任度。证据体1的信任度Crd₁＝0.0329，证据体2的信任度Crd₂＝0.4853，证据体3的信任度Crd₃＝0.4818。

第四步，根据公式12，求出所有证据的平均权重：m(1)＝0.0218m(2)＝0.0507m(3)＝0.0105m(4)＝0.0972m(5)＝0.2725m(6)＝0.1211m(7)＝0.2510m(8)＝0.1007m(9)＝0.0639m(10)＝0.0106。

第五步，使用证据的平均权重进行n-1次Demoster’s组合。融合结果为：m(1)＝0.0003m(2)＝0.0032m(3)＝0m(4)＝0.0229m(5)＝0.5036m(6)＝0.0442m(7)＝0.3939m(8)＝0.0254m(9)＝0.0065m(10)＝0。

将改进证据理论应用在故障诊断中：

多传感器的输出如下表所示：

其中m₁是加速度传感器，m₂是速度传感器，m₃是位移传感器，A₁表示正常工作，A₂表示不平衡，A₃表示失调，A₄表示底座松动，Θ表示识别框架。使用公式10,11求出三个证据体的可信度。Crd₁＝0.4996,Crd₂＝0.0007,Crd₃＝0.4997。根据公式12，求出所有证据的平均权重:m(A₁)＝0.04m(A₂)＝0.6295m(A₃)＝0.0905m(A₄)＝0.04m(Θ)＝0.2

使用证据的平均权重进行n-1次Demoster’s组合。融合结果为：m(A₁)＝0.0097m(A₂)＝0.9396m(A₃)＝0.0276m(A₄)＝0.0097m(Θ)＝0.0133。

仿真结果分析

图3所示，仿真试验中分别使用不同经典的D-S证据理论方法、Murthy、Jiang、Mi和基于库仑力(BCF)的改进D-S证据理论的方法对某张5号植物的识别的结果如图所示，只有基于库仑力(BCF)方法才能正确识别5号植物，其它方法均指向7号植物。

图4所示，仿真试验使用单特征的方法和经典D-S证据理论、基于改进

S证据理论(BCF)的方法对于测试集图片的识别率示意图。如图所示，单特征分类的精度较低，基于库伦力改进的方法精度最高达到85.51％。

图5所示，将改进方法应用于故障诊断。仿真实验分别使用不同经典的

S证据理论方法、Murthy、Deng、Jiang、Mi和基于库仑力(BCF)的改进D-S证据理论的方法进行故障诊断结果的示意图。若将识别的阈值设置为0.8，则只有Jiang、Mi和基于库仑力(BCF)的改进D-S证据理论的方法能准确识别故障。特别是基于库仑力(BCF)的改进方法的识别率超过90％。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明及附图内容所作的等效结构或直接或间接运用在其他相关技术领域，均同理包括在本发明的专利范围。

Claims (5)

1.基于改进证据理论在复杂场景下的植物图像分类的方法，其特征是，包括：

步骤1、采集植物图像数据，并对植物图像数据分别采用灰度直方图、灰度共生矩阵、以及sym4小波提取植物图像的特征，其中，

灰度直方图提取特征的具体方法包括：定义一个灰度级的离散函数；

其中n_i表示图像中具有灰度级i的像素个数，i表示灰度级，N表示图像总的像素数，L表示灰度级种类数；分别提取灰度直方图的均值，方差，歪斜度，峰态，能量，熵作为特征向量；

灰度共生矩阵提取特征的具体方法包括：将图像在0°,45°,90°,135°中四个不同方向得到的统计量取均值和方差构建图像的全局纹理纹理特征；

sym4小波提取特征的具体方法包括：

步骤1.1、将彩色图像转化为灰度图像；

步骤1.2、选取Sym4小波基并进行4层小波分解获得13个子带；

步骤1.3、求分解后每个子带小波系数的均值和标准差；

步骤2、将步骤1中提取的三种特征分别经过softmax分类器进行初步决策得到三种初步决策结果；

步骤3、将信任库仑力(BCF)的概念引入至Dempster证据理论，构造一个BCF矩阵，计算所有证据的可信度，并计算所有证据的平均权重，基于改进信息融合方法，使用证据的平均权重进行n-1次Demoster’s组合，得到最后的融合证据，选择信息融合下最大的假设作为识别的结果；

步骤4、将改进的证据理论方法应用到机器故障诊断中，得到了比较好的分类结果。

2.根据权利要求1所述的一种基于基于改进证据理论在复杂场景下的植物图像分类的方法，其特征在于，步骤2中将灰度直方图提取的特征经过softmax分类器进行初步决策的具体方法是：Softmax分类器中，输入向量为步骤1中提取的特征向量，输入向量为X＝{x₁,x₂…x_i…x_n}^T，n值是表示提取的特征向量的个数，x_i表示第i特征向量作为输入层的第i个神经元的输入；隐层输出向量为Y＝{y₁,y₂…y_j…y_m}^T，y_j表示隐层第j个神经元的输出；输出层输出向量为o＝{o₁,o₂…o_k…o_r}^T，o_k表示输出层第k个神经元的输出；期望输出向量d＝{d₁,d₂…d_k…d_r}^T，d_k表示期望输出中第k个输出；输入层与隐层的权值矩阵为V＝{V₁,V₂…V_j…V_m}^T；其中列向量V_j为隐层第j个神经元对应的权向量(是一个列向量)，隐层到输出层之间的权值矩阵为W＝{W₁,W₂…W_k…W_r}^T其中列向量W_k为输出层第k个神经元对应的权向量；

激活函数f(x)定义为：f(x)＝1/(1+e^-x)，其中e表示一个自然数，e^-x表示以e为底的指数函数；

输入层输入，隐层输出，输出层输出的关系如式1：

其中y_j表示隐层第j个神经元的输出，x_i表示输入层第i个神经元的输入，v_ij表示输入层第i神经元与输出层第j个神经元之间的权重；O_k表示输出层第k个神经元的输出，w_ik表示隐层第i个神经元与输出层第j个神经元之间的权重；分类器权值更新公式如式2：

其中η∈(0,1)，表示学习率，其中γ_k＝(d_k-o_k)o_k(1-o_k),v_ij表示更新后输入层第i神经元与输出层第j个神经元之间的权重；w_ik表示更新后隐层第i个神经元与输出层第j个神经元之间的权重；

最后，将bp神经网络运行结束后得出的输出进行归一化；如式3所示：

其中o_k表示程序运行结束后输出层第k个神经元的输出，output_k表示输出层第k个神经元进行归一化后的最终输出。

3.根据权利要求1所述的一种基于基于改进证据理论在复杂场景下的植物图像分类的方法，其特征在于，步骤3中将信任库仑力(BCF)的概念引入至Dempster证据理论，具体基于以下定义：

识别框架Θ＝{θ1，θ2,...,θn}表示可能发生事件的集合，θ_i则为识别框架的子集；Θ中的子集两两互斥，识别框架中的全部识别对象

如果A∈2^Θ则称A为命题；

对于2^Θ中的任何命题A,定义映射m:2^Θ→[0,1]为基本概率分布，m满足(4)所示条件：

m(A)表示证据对A命题的支持程度，实际上是个概率值，

表示所有命题都不发生的事件概率

其中K表示两个证据之间的冲突系数，A1∩A2＝C表示命题A1与命题A2的焦点元素的交集为命题C的焦点元素，

表示命题A1与命题A2的焦点元素的交集为空集；当K＝1表明m₁,m₂之间没有冲突，K＝0时表示证据之间完全矛盾；总之K越小证据之间越冲突；

首先，认为证据信息融合的本质就是，证据体之间受到某种作用力的影响，为了量化证据之间的作用力程度，提出信念库仑力理论(BCF)，则定义信任库仑力(BCF)，如(6)式：

其中设F是两个证据之间库仑力的大小，Q_m1,Q_m2是两个证据体的信息量，R表示证据体之间的距离，K_e是库伦常数K_e＝2^-ε|Θ|，0≤ε≤1；

信息熵可以度量证据体的信息量，则其中信任函数的电荷量的概念引用信息熵，目前引用较多的是Deng熵，但是Deng熵理论有一些局限性，没有考虑识别框架(FOD)的尺度和相对于FOD的焦点元素的相对尺度，故引入改进的Deng熵作为证据体的电荷量；公式如(7)所示：

其中Q_m表示证据体的信息量，|Θ|是识别框架Θ的基数，|A|是A的基数m(A)表示命题A的概率；

两个证据体之间的冲突系数定义如(8)所示：

其中c(m₁,m₂)表示证据体之间的冲突；T表示向量的转置运算，m₁，m₂分别为两个证据体，是列向量；A_i，A_j是焦点元素，|A_i∩A_j|表示A_i,A_j取交集的基数，|A_i∪A_j|表示A_i,A_j取并集的基数；

定义两个基本概率分配函数的不相关系数如(9)所示：

其中ζ两个证据体之间的不相关系数m₁(A_i)表示证据体1中命题A_i的概率值，

表示证据体1的所有命题的平均概率向量，m₂(B_i)表示证据体2中命题B_i的概率值，

表示证据体2的所有命题的平均概率向量；

用冲突系数与不相关系数的组合描述证据体之间的距离：

不仅考虑到焦点元素和非焦点元素之间的差异，还考虑到了分配函数本身之间的差异。

4.根据权利要求1所述的一种基于基于改进证据理论在复杂场景下的植物图像分类的方法，其特征在于，步骤3中改进信息融合方法，并应用到植物图像分类中建立分类模型的特征是：

步骤3.1、构造一个BCF矩阵(BCFM)，反应两个证据体之间的相似程度假设有n个证据体BCFM公式如(10)所示：

其中m_i，m_j分别表示第i个证据体和第j个证据体，F_BCF(m_i,m_j)代表证据m_i和m_j之间的库仑力；F_BCF(m_i,m_i)＝0,表示证据体m_i与本身的证据距离为0；

步骤3.2、计算所有证据的可信度；证据主体的支持程度表达式为(11)所示：

su(m_i)表示对证据体m_i的支持程度；

crd_i表示证据体m_i的可信度，定义为(12)所示：

crd_i表示证据体第i个证据体的可信度

步骤3.3、求所有证据的平均权重如(13)所示；

AVE(m)表示所有证据的平均权重；

步骤3.4、使用证据的平均权重进行n-1次Demoster’s组合，得到最后的融合证据，选择信息融合下最大的假设作为识别的结果。

5.根据权利要求1所述的一种基于基于改进证据理论在复杂场景下的植物图像分类的方法，其特征在于，步骤4的具体方法包括：

步骤4.1、构造一个BCF矩阵(BCFM)，反应证据体之间的相似程度；

步骤4.2、计算所有证据的可信度；

步骤4.3、求所有证据的平均权重；

步骤4.4、使用证据的平均权重进行n-1次Demoster’s组合，得到最后的融合证据，选择信息融合下最大的假设作为识别的结果。

Images