25、图像自然纹理分类器组合的模糊聚合操作性能分析

图像自然纹理分类器组合的模糊聚合操作性能分析

1 引言

如今，技术发展对各类应用解决方案的需求日益增长，其中对自然纹理像素的分类是一项重要应用。随着图像空间分辨率的提高，纹理分类在农业作物排序、森林或城市识别、灾难损失评估以及救援任务中的动态路径规划等领域都有广泛应用。

在这项工作中，我们采用基于 RGB 颜色空间表示的像素方法，因为 RGB 光谱值在性能上优于其他颜色映射，所以将其作为特征用于分类。然而，同一纹理可能有不同的 RGB 级别，这使得问题具有模糊性，因此选择模糊聚合操作是合理的。

目前，如何组合简单分类器仍是一个待解决的问题。不同的分类器组合方法有不同的适用场景：
1. 若只有标签可用，多数投票法较为合适；
2. 若提供连续输出（如后验概率），建议使用平均值或其他线性组合；
3. 若分类器输出被解释为模糊隶属度值，则可使用模糊方法；
4. 也可以将输入分类器的输出作为新特征，单独训练输出分类器。

由于我们有连续输出，因此提出一种新的融合方法，结合模糊聚类（FC）和概率参数贝叶斯（BP）两种分类器，涉及训练和决策两个阶段。这两种分类器在待分类图像子集中表现出色，且在相关文献中广泛应用并取得了良好效果。在分类阶段，通过模糊聚合操作将它们的支持度（FC 给出隶属度，BP 给出概率）进行组合，结果优于简单分类器。这种组合方案与无监督策略的设计，是混合系统的主要贡献。

2 自动混合分类器设计

我们的系统分为两个阶段：
1. 对一组模式进行训练；
2. 进行分类，最终决策是将新模式分类到所属的类别。

2.1 特征向量

<