基于ELM和证据理论的纹理图像分类

• 作者: 易丐 李国进 王祥铜
• 来源期刊: 计算技术与自动化
• 关键词: 纹理图像分类 特征提取 D-S证据理论 极限学习机 基本概率赋值函数
• 年，卷（期）: 2017,（1）
• 所属期刊栏目: 图形图像技术
• 页码范围: 98-102
• 页数: 5页
• 分类号: TP751
• 语种: 中文
• DOI: 10.3969/j.issn.1003-6199.2017.01.020

摘要

目前纹理图像分类有不同的方法,但对纹理的描述还不够全面,而且当有新方法提取的特征加入时,系统的可扩展性也不够,通用性不好.本文针对上述问题提出了一种将D-S证据理论与极限学习机相结合的决策级融合模型,用来对纹理图像进行分类.采用三种不同方法来提取特征以获得更多更全面的纹理表现形式,并对提取的每种特征向量用极限学习机建立相应的分类器,最后用D-S证据理论在不确定性表示、度量和组合方面有着的优势来进行决策级融合.对于证据理论中基本概率赋值函数(BPAF)难以有效获取的问题,由于极限学习机具有学习速度快,泛化性能好的优点并且产生唯一的最优解的优点,所以利用其来构造其基本概率赋值函数.实验结果表明这种方法比单个分类器具有更高的识别正确率,降低了识别的不确定性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李国进	广西大学电气工程学院	29	163	6.0	12.0
2	易丐	广西大学电气工程学院	6	14	2.0	3.0
3	王祥铜	广西大学电气工程学院	1	1	1.0	1.0