![](https://csdnimg.cn/release/download_crawler_static/88745034/bg4.jpg)
S.V.
库马尔角,澳
-
地
Nagaraju
/
Journal of King Saud University
A¼ f A
1
; A
2
;. ; A
f
;.. . ; A
10
g
/kg
其中,A
f
是指从图像中提取的模糊特征,并且f的值在1到10之间变
化,因为本工作从图像中提取了10个特征。从输入图像提取的每个特征
被简要如下,
3.1.1.
预测误差(
A
1
)
预测误差(Roy等人,2016)确定由于脉冲噪声的存在而在图像中
发生的各种失真。目标像素的相邻像素的预测误差表示为,
3.1.7.
熵(
A
7
)
在熵特征的帮助下识别图像内存在的唯一像素,熵特征在等式(1)
中定义(九)、
u i
ij
A
7
¼
- P
i
×
log P
i
9
1/ 1
其中,u_
i_i
_i表示图像中的唯一像素,并且项P
_i
指的是图像中的第i
个像素的概率值。
3.1.8.
信息增益(
A8
)
信息增益取决于条件熵,
¼
s
ij
×
z
k-i
;
l-
j3
2.2W
其中,
Sij
表示像素之间的相似性度量
的全息熵函数,这是定义在方程。(十)、
A
8
¼Jz
k
l
-mK
i
;l
; K
j
;
l 10
其中,
jz
k
l
k
表示全熵函数,
中心像素。类似地,中心像素
k k
的预测误差
的图像表示在Eq.(4)、
C
k
;
l
¼
abs
½
z
k
;
l
-
p
k
;
l
]
4
其中,项
W
表示窗口大小为
103
×
304
,
z
k
;
l
表示图像中的中心像
素,并且
p
c
是预测误差。
3.1.9.
偏度(
A
9
)
偏斜度定义中心像素与邻域像素的对称性度量如果中心像素具有
n
个相邻像素,则中心像素的偏斜度度量被定义为,
P
n
I
i
-
3.1.2.
中间像素和中心像素的偏差(
A2
)
这里,中值像素和中心之间的偏差
像素(Roy等人,2016)的图像进行测量,它提供了
图像是否被污染的信息
A
2
¼ jz
k;l
-B
j5
其中,项B指示中值像素值。
3.1.3.
像素下操作(
A3
)
操作中的像素(
Roy
等人,
2016
)基于目标的两个相邻像素定义
选择因子,
其中,
I
i
是指图像中的
单
变量
数据
像素,
<$
I
定义数据像素的平均值,
d
表示图像中每个像素的标准偏差
3.1.10.
峰度(
A
10
)
峰度通过分析频率分布曲线的峰度来定义中心像素的统计度量,并
且其被定义为,
4
P
n
ð
I
i
—
¯
I
Þ
z1 z2
其中,项
z
z1
和
z
z2
指示所关注的附近像素。
k
;
l
k
;
l
扫描图像的中心像素。
3.1.4.
像素的中值(
A4
)
中值(
Roy
等人,
2016
)确定输入图像中存在的像素点的中值。
从这个特征可以发现像素的均匀性。当量(
7
)代表第四个特征。
A
4
¼中位数fz
k
i;l
j
g
70
3.1.5.
操作下核的平均值(
A5
)
该特征识别图像中同质像素和异质像素的存在。
3.1.6.
相邻像素差异特征(
A6
)
在该特征中,利用核窗口来扫描图像以确定目标像素与其相邻像素
之间的噪声差异。NPD的表达式定义在Eq.(八)、
8
A
6
z
kl
-
z
a
]
8
将从先前步骤提取的特征提供给SVNN分类器(Kohli等人,2010)
来构造输入图像的二进制映射。SVNN分类器是一种二值分类器,具有
支持向量机(SVM)和神经网络(NN)的特点。
通过使用正则化技术,降低了NN分类器的复杂性。正则化是一种用
来防止学习算法过拟合训练数据的方法。在SVNN中,一种称为特征值
衰减的正则化方法用于提高分类边缘。特征值衰减使用与SVM相似的原
理,将这种特征值衰减引入到NN中称为SVNN。SVM是一种有监督的
机器学习算法,用于分类和回归问题。无论如何,它主要用于分类问
题。在遗传算法中,好的核函数的选择是困难的。对于大数据集,它需
要很长的训练时间。支持向量机将过拟合问题从参数优化问题转移到模
型选择问题。非线性核支持向量机在实时应用中需要很高的计算代价。
因此,最大间隔神经网络是一个合适的选择,它产生 具有良好的泛化
能力的快速非线性分类
基于进化计算和正则化方法(Ludwig等人, 2014年)。SVNN分类器
具有一个输入
内核窗口中的线分量不被声明为噪声。因此,特征
A3
被定义为,