10.3969/j.issn.1672-8785.2022.10.005
基于多特征融合的红外图像分类研究
针对传统红外图像目标分类方法准确率低的问题,提出了一种用结合多特征融合的粒子群优化(Particle Swarm Optimization,PSO)算法来优化支持向量机(Support Vector Machine,SVM)的方法.该方法采用方向梯度直方图(His-togram of Oriented Gradient,HOG)和局部二值模式(Local Binary Pattern,LBP)两类特征描述红外图像中目标的轮廓特征和局部纹理,从不同的方面展现红外图像的特点,在图像的特征表达上具有一定的互补性.在特征提取后对样本数据进行凸包算法计算,得到一些具有代表性的样本数据,从而提高分类计算效率;在分类模型训练时,采用PSO算法优化SVM,寻找SVM的最优惩罚因子和核参数,从而提高分类模型的准确率.实验结果表明,多特征融合的分类模型的准确率比单一特征的分类模型提高近10%,且经PSO优化的SVM最终模型的分类准确率高达99%.
多特征融合、支持向量机、粒子群优化算法、特征提取、红外图像分类
43
TP391(计算技术、计算机技术)
天津市教委科研计划项目2018KJ133
2022-11-08(万方平台首次上网日期,不代表论文的发表时间)
共11页
32-42