基于BBO-MLP和纹理特征的图像分类算法

为了提高图像分类的准确率,解决多层感知器(MLP)收敛速度缓慢等问题,提出了一种基于生物地理学优化-MLP(BBO-MLP)和纹理特征的图像分类算法.首先,从图像库中选取3类不同的图片,对图像分类算法运行环境进行建模;其次,选取角二阶矩(UNI)、熵(CON)、惯性矩(EN T)和相关性(CDR)4个纹理参数构建一个四维特征矩,根据用户提供的类别号和图像的纹理特征向量生成训练样本文件;然后,将提取的数据作为MLP的输入数据,为MLP定义一个评估栖息地的误差适应度函数并对适应度函数进行全局优化,利用BBO算法训练MLP,得到分类模型;最后,利用训练好的MLP对图像进行分类,并引入二次反馈机制进一步提高算法性能.实验结果表明,与PSO、GA、ACO、ES和PBIL等优化算法相比,本文的BBO-MLP算法具有较高的分类正确率.