一种基于四元数超限学习机彩色图像识别方法与流程

本发明涉及图像识别技术领域，特别涉及一种基于四元数超限学习机彩色图像识别方法。

背景技术：

目前针对图像识别的方法中，四元数信号处理成为当今研究热点，广泛应用于图像处理、计算机视觉等各领域，采用四元数描述彩色图像已经被学术界认同，四元数可以利用矢量的思想将彩色图像的颜色信息全面表示，但其通常仅用来表示图像的一些特征。另外在图像的数据处理上，所采用的一些学习机算法，训练时间较长，结果精度较低。

技术实现要素：

有鉴于此，本发明提出了一种基于四元数超限学习机彩色图像识别方法，通过将四元数和超限学习机进行结合，训练时间更短，图像识别效果更好。

本发明提出一种基于四元数超限学习机彩色图像识别方法，包括：

读取样本库中各彩色图像r、g、b三个通道的数据，并将各彩色图像三个通道的数据用四元数表示；

提取图像特征值，对得到的四元数进行降维处理；

构建四元数超限学习机模型，并进行数据训练；

输入待分类图像，进行四元数表示及降维处理后，利用训练后的四元数超限学习机模型进行分类及识别。

进一步的，所述提取图像特征值，对得到的四元数进行降维处理，具体为：

通过四元数主成分分析方法将所述四元数据进行降维，提取图像特征值，得到降维后维数。

进一步的，所述通过四元数主成分分析方法将所述四元数据进行降维，提取图像特征值，得到降维后维数，具体为：

a.计算样本库中彩色图像均值及对应协方差矩阵：

将样本库中彩色图像转化成四元数列向量，将每幅图像记为

xi∈h^m×n，i＝1，2，……p，p为样本库中彩色图像数量，m，n分别为图像的高和宽；

将样本库中彩色图像合成四元数据矩阵x＝[x1,x2...xp]，得到图像均值

计算每幅图像与图像均值的协方差矩阵a为m×n阶矩阵；

b.计算图像的特征值进行降维：

令b＝d·d^t∈h^d×d，min{m,n}大于d，根据奇异值分解定理，将计算出的协方差矩阵a转化为求d阶矩阵b的特征值和特征向量；

在四元数矩阵b对应的特征值中选取较大的特征值作为新的特征值，所述新的特征值数量即为原始图像降维后的维数，记为l。

进一步的，所述构建四元数超限学习机模型，并进行数据训练，具体为：

将所述样本库中各彩色图像分为训练数据集和测试数据集；

构建四元数超限学习机模型：

将降维后的维数l作为输入神经元个数，输入层的权值和阈值矩阵在[0,1]之间随机选择，根据仿真实验，确定最优隐含层神经元个数，隐含层的激活函数选择三角函数sin；

将训练数据集导入超限学习机模型，确定隐含层到输出层权重。

进一步的，所述将训练数据集导入超限学习机模型，确定隐含层到输出层权重，具体为：

计算隐含层的输出矩阵：

训练数据集样本为z为训练数据集中样本数量，xs∈h^l是输入变量，ts∈hⁿ是对应的目标输出变量，隐含层输出矩阵为其中wm∈h^l，bm∈h^l分别是连接第m个隐节点与输入节点的权值变量和阈值，gq(·)为四元数的激活函数；四元数单隐层前馈神经网络满足

将上式简化为hβ＝t，其中βm∈hⁿ是连接第m个隐节点与输出节点的权值向量；

根据最小二乘估计法求出隐含层到输出层的权重其中为四元数隐含层输出矩阵h的广义逆。

进一步的，所述输入待分类图像，进行四元数表示及降维处理后，利用训练后的四元数超限学习机模型进行分类及识别，具体为：

将待分类图像带入hβ＝t中，输出图像特征矩阵t，利用训练好的四元数超限学习机完成分类及识别。

进一步的，所述样本库中的各彩色图像包含正样本和负样本。

本发明的优势在于：

本发明主要将彩色图像的三个通道r、g、b用四元数表示，四元数具有旋转不变性，可以从不同角度提取图像特征，图像特征提取比较准确；然后使用四元数主成分分析法(qpca)对红外图像进行降维和特征提取，目的在于降低空间复杂度和减少冗余噪音；最后使用超限学习机分类器进行图像识别，本发明提出的思想适用于所有的彩色图像。

本发明提出了一种基于四元数超限学习机彩色图像识别方法，包括：读取样本库中各彩色图像r、g、b三个通道的数据，并将各彩色图像三个通道的数据用四元数表示；提取图像特征值，对得到的四元数进行降维处理；构建四元数超限学习机模型，并进行数据训练；输入待分类图像，进行四元数表示及降维处理后，利用训练后的四元数超限学习机模型进行分类及识别。本发明方法在进行超限学习机识别之前，将彩色图像的颜色信息用纯四元数表示，然后采用超限学习机作为分类器，能够节省训练时间，并且能够提高识别率。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一种基于四元数超限学习机彩色图像识别方法实施例流程图；

图2为本发明一种基于四元数超限学习机彩色图像识别方法中超限学习机模型示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明实施例中的技术方案，并使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明中技术方案作进一步详细的说明。

四元数信号处理成为当今研究热点，广泛应用于图像处理、计算机视觉等各领域，采用四元数描述彩色图像已经被学术界认同，四元数可以利用矢量的思想将彩色图像的颜色信息全面表示。

超限学习机由于学习速率快、不易陷入局部最优、泛化能力好等优点越来越多被人们广泛应用，是一种单隐层反馈神经网络。超限学习机和其它神经网络相比，只需要计算输出权值即可，输出权值的计算是通过求解隐含层输出矩阵的广义逆得到。超限学习机不需要不像bp神经网络算法不断迭代更新权值和阈值，这样节省训练了时间，因此，将超限学习机作为图像识别分类器成为主流。

本发明提出一种基于四元数超限学习机彩色图像识别方法，如图1所示，包括：

s101：读取样本库中各彩色图像r、g、b三个通道的数据，并将各彩色图像三个通道的数据用四元数表示；

样本库中存在大量图像，将图像分为正样本(目标物体)和负样本数据，每张彩色图像均由r、g、b(红绿蓝)三个通道组成，将这三个通道表示为四元数三个虚部的系数，此时彩色图像x表示为：x＝0+ri+gj+bk。

提取图像特征值，对得到的四元数进行降维处理，具体方法如下；

图像具有数据量大，冗余信息严重，为了减少运算难度需要对图像数据降维处理，本专利选择四元数主成分分析(qpca)作为降维算法，将步骤一得到的四元数数据直接进行降维，提取图像数据重要特征值，降维后的维数记为l。

本专利实施例部分采用grimace人脸数据库，样本个数选择600幅人脸图像进行举例，四元数主成分分析(qpca)降维具体步骤如下：

s102：计算样本库中平均脸及对应协方差矩阵：

将样本库中600幅人脸图像转化成四元数列向量，将每幅图像记为

xi∈h^m×n，i＝1，2，……600，600为样本库中彩色图像数量，m，n分别为人脸图像的高和宽；

将600张图像合成四元数据矩阵x＝[x1,x2...x600]，得到图像均值

计算每幅图像xi与图像均值的协方差矩阵a为m×n阶矩阵。

s103：计算图像的特征值进行降维：

令b＝d·d^t∈h^d×d，min{m,n}大于d，根据奇异值分解定理，将计算出的协方差矩阵a转化为求d阶矩阵b的特征值和特征向量；此时四元数矩阵b的奇异值分解表达式为uq和vq分别表示左奇异值和右奇异值，四元数矩阵b对应的特征值和特征向量分别为λ1、λ2……λd和υ1、υ2……υd，

最后在四元数矩阵b对应的特征值中选取l个较大的特征值作为新的特征值，即为原始图像降维后的维数。

接下来构建四元数超限学习机模型，并进行数据训练；

s104：将所述样本库中各彩色图像分为训练数据集和测试数据集；

将得到降维后的数据代入超限学习机分类器中，图像的70％作为训练数据集，剩下图像的30％作为测试数据集；

s105：构建四元数超限学习机模型：

将降维后的维数l作为输入神经元个数，输入层的权值和阈值矩阵在[0,1]之间随机选择，根据仿真实验，确定最优隐含层神经元个数，本实施例通过大量的仿真实验，最终确定最优的隐含层神经元个数为300，隐含层的激活函数选择三角函数sin；具体模型如图2所示；

继续将训练数据集导入超限学习机模型，确定隐含层到输出层权重。

s106：计算隐含层的输出矩阵：

给定420个不同训练样本xs∈h^l是输入变量，ts∈hⁿ是对应的目标输出变量，隐含层输出矩阵为其中wm∈h^l，bm∈h^l分别是连接第m个隐节点与输入节点的权值变量和阈值，gq(·)为四元数的激活函数；四元数单隐层前馈神经网络(qshlfn)以零误差逼近420个样本，前馈神经网络满足

将上式简化为hβ＝t，其中βm∈hⁿ是连接第m个隐节点与输出节点的权值向量。

s107：根据最小二乘估计法求出隐含层到输出层的权重其中为四元数隐含层输出矩阵h的广义逆。

s108：输入待分类图像，进行四元数表示及降维处理后，利用训练后的四元数超限学习机模型进行分类及识别。

进一步的，所述提取图像特征值，对得到的四元数进行降维处理，具体为：

通过四元数主成分分析方法将所述四元数据进行降维，提取图像特征值，得到降维后维数。

进一步的，所述通过四元数主成分分析方法将所述四元数据进行降维，提取图像特征值，得到降维后维数，具体为：

a.计算样本库中彩色图像均值及对应协方差矩阵：

将样本库中彩色图像转化成四元数列向量，将每幅图像记为

xi∈h^m×n，i＝1，2，……p，p为样本库中彩色图像数量，m，n分别为图像的高和宽；

将样本库中彩色图像合成四元数据矩阵x＝[x1,x2...xp]，得到图像均值

计算每幅图像与图像均值的协方差矩阵a为m×n阶矩阵；

b.计算图像的特征值进行降维：

令b＝d·d^t∈h^d×d，min{m,n}大于d，根据奇异值分解定理，将计算出的协方差矩阵a转化为求d阶矩阵b的特征值和特征向量；

在四元数矩阵b对应的特征值中选取较大的特征值作为新的特征值，所述新的特征值数量即为原始图像降维后的维数，记为l。

进一步的，所述构建四元数超限学习机模型，并进行数据训练，具体为：

将所述样本库中各彩色图像分为训练数据集和测试数据集；

构建四元数超限学习机模型：

将降维后的维数l作为输入神经元个数，输入层的权值和阈值矩阵在[0,1]之间随机选择，根据仿真实验，确定最优隐含层神经元个数，隐含层的激活函数选择三角函数sin；

将训练数据集导入超限学习机模型，确定隐含层到输出层权重。

进一步的，所述将训练数据集导入超限学习机模型，确定隐含层到输出层权重，具体为：

计算隐含层的输出矩阵：

训练数据集样本为z为训练数据集中样本数量，xs∈h^l是输入变量，ts∈hⁿ是对应的目标输出变量，隐含层输出矩阵为其中wm∈h^l，bm∈h^l分别是连接第m个隐节点与输入节点的权值变量和阈值，gq(·)为四元数的激活函数；四元数单隐层前馈神经网络满足

将上式简化为hβ＝t，其中βm∈hⁿ是连接第m个隐节点与输出节点的权值向量；

根据最小二乘估计法求出隐含层到输出层的权重其中为四元数隐含层输出矩阵h的广义逆。

进一步的，所述输入待分类图像，进行四元数表示及降维处理后，利用训练后的四元数超限学习机模型进行分类及识别，具体为：

将待分类图像带入hβ＝t中，输出图像特征矩阵t，利用训练好的四元数超限学习机完成分类及识别。

进一步的，所述样本库中的各彩色图像包含正样本和负样本。

本发明的优势在于：

本发明主要将彩色图像的三个通道r、g、b用四元数表示，四元数具有旋转不变性，可以从不同角度提取图像特征，图像特征提取比较准确；然后使用四元数主成分分析法(qpca)对红外图像进行降维和特征提取，目的在于降低空间复杂度和减少冗余噪音；最后使用超限学习机分类器进行图像识别，本发明提出的思想适用于所有的彩色图像。并且本发明方案所采用的超限学习机作为分类器，可以节省训练时间，在使用超限学习机图像识别之前，将彩色图像的颜色信息用纯四元数表示，图片识别效果更好。

本发明提出了一种基于四元数超限学习机彩色图像识别方法，包括：读取样本库中各彩色图像r、g、b三个通道的数据，并将各彩色图像三个通道的数据用四元数表示；提取图像特征值，对得到的四元数进行降维处理；构建四元数超限学习机模型，并进行数据训练；输入待分类图像，进行四元数表示及降维处理后，利用训练后的四元数超限学习机模型进行分类及识别。本发明方法在进行超限学习机识别之前，将彩色图像的颜色信息用纯四元数表示，然后采用超限学习机作为分类器，能够节省训练时间，并且能够提高识别率。

虽然通过实施例描绘了本发明，本领域普通技术人员知道，本发明有许多变形和变化而不脱离本发明的精神，希望所附的权利要求包括这些变形和变化而不脱离本发明的精神。