專利名稱：一種適用于協(xié)同學(xué)習(xí)分布式圖像特征提取算法的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種圖像特征提取算法，特別涉及一種適用于協(xié)同學(xué)習(xí)分布式圖像特征提取算法。
背景技術(shù)：
現(xiàn)代遠程教育是基于互聯(lián)網(wǎng)和終端實現(xiàn)教學(xué)活動，教學(xué)中實時的異地的虛擬環(huán)境主要有遠程課堂教學(xué)、輔導(dǎo)答疑、小組學(xué)習(xí)討論等，必須通過互動的形式實現(xiàn)教師與學(xué)生無障礙的，流暢的教導(dǎo)和學(xué)習(xí)，并且協(xié)同學(xué)習(xí)是提高遠程學(xué)習(xí)效能感的重要方式。但是制約協(xié)同學(xué)習(xí)發(fā)展與應(yīng)用的主要因素是配套的協(xié)同學(xué)習(xí)系統(tǒng)(CSCL)在協(xié)同學(xué)習(xí)模型、協(xié)同學(xué)習(xí)感知、個性化副本一致性、基于協(xié)同學(xué)習(xí)語義的并發(fā)控制等關(guān)鍵技術(shù)還沒有深入的研究，以達到足夠高效的、自然的互動化、個性化學(xué)習(xí)。還具有如下缺點1、適用于目前大部分圖像檢索算法協(xié)同圖像設(shè)計領(lǐng)域，不適用于遠程教育協(xié)同學(xué)習(xí)中領(lǐng)域。2、虛擬實時協(xié)同學(xué)習(xí)復(fù)雜對象的檢索方案沒有提出。3、基于知識點的復(fù)雜對象從表現(xiàn)形式分類，包括文本、圖形、 圖像、視頻、音頻、嵌入的各類對象，故在分布式虛擬實時協(xié)同學(xué)習(xí)中需建立新的數(shù)據(jù)檢索算法，以適應(yīng)后續(xù)的協(xié)同學(xué)習(xí)處理?；谛螤畹膱D像特征提取方法主要有幾何參數(shù)法，不變矩法以及基于變換域的方法。其中，基于變換域的小波模極大值法是描述形狀特征的一種有效方法，該方法有效的提取了圖像的形狀特征，具有平移、旋轉(zhuǎn)和尺度不變性。但該方法采用了 HU不變矩來刻畫圖像的形狀特征，對噪聲具有一定的敏感性，因為在使用小波模極大值提取邊緣時由于閾值的選取不同，邊緣附近仍然存在一定程度的噪聲信息。Teh對幾種矩的綜合分析表明， ^rnike矩具有較小的噪聲敏感性，但仍然不能滿足實際形狀特征提取的需求。由于Radon 變換具有較強的抗噪能力，已被用在圖像識別中，但目前有文獻構(gòu)造了一種Radon不變量采用了循環(huán)平移獲得旋轉(zhuǎn)不變性，具有一定的復(fù)雜度，并且尺度不變性構(gòu)造較為繁瑣。

發(fā)明內(nèi)容
為了克服上述現(xiàn)有技術(shù)存在的缺陷，本發(fā)明提供一種適用于協(xié)同學(xué)習(xí)分布式圖像特征提取算法，該算法具有提高圖像特征提取算法的抗噪聲能力，具備平移、旋轉(zhuǎn)和尺度不變形。為實現(xiàn)上述目的，本發(fā)明的具體方案為本發(fā)明所述一種適用于協(xié)同學(xué)習(xí)分布式圖像特征提取算法，該算法基于Radon變換與奇異值分解，根據(jù)Radon變換的幾何特性，構(gòu)造了新的基于Radon變換和小波變換的不變性紋理特征提取方法。所述Radon變換為一個函數(shù)f(x，y)的Radon變換是該函數(shù)沿包含該函數(shù)的平面的一族直線的線積分，如下式所示R{f (x, y)} = f f f (χ, y) δ (t-xcos θ -ysin θ ) dxdy = ge (t)Equation Section(Next) (1)
其中，t代表沿直線上的距離，為t = XCOS e+ysine沿著一系列平行線的積分 就組成了投影g0(t)，所有的投影組成的集合{g0(t)，0 G [O, Ji]}就是Radon變換；由 Radon變換具有如下性質(zhì)平移設(shè)X和Y方向的平移量為tx和ty，則
權(quán)利要求
1. 一種適用于協(xié)同學(xué)習(xí)分布式圖像特征提取算法，其特征在于，該算法為設(shè)圖像的 Radon變換為g0 (t)，則定義K階矩為進一步，定義6=」 為g0(t)的質(zhì)心； /n0 (6/)用中心矩代替普通矩，獲得平移不變性；f - k μθ = J(i-ie) ge{t)dtml(0) = \fgsg{t)dt = f \akge(a)da = A2+kmk(0)mm ==，令 == ‘則偽)的 k 階中心矩為μΙ{θ) = \{t-to)Xge{^)dt = λ\(λα-0§θ(α)λ α = λ2+" μ,{θ) 當(dāng)圖像發(fā)生尺度變換時，設(shè)λ為尺度比例因子，其標(biāo)準(zhǔn)差變化如下其中，nk(e)為尺度和平移不變量；最后，得到其偶階矩η = [n2，n4,…n2k]，計算該矩陣的奇異值，將得到的奇異值進行降序排列組成一向量，該向量即為該圖像并且具有平移、尺度和旋轉(zhuǎn)不變性的特征向量。
全文摘要
本發(fā)明公開了一種適用于協(xié)同學(xué)習(xí)分布式圖像特征提取算法，該算法基于Radon變換與奇異值分解，根據(jù)Radon變換的幾何特性，構(gòu)造了新的基于Radon變換和小波變換的不變性紋理特征提取方法，首先根據(jù)小波模極大值原理提取原始圖像邊緣輪廓，針對邊緣圖像構(gòu)造Radon變換的中心矩，獲得平移不變性，然后在中心矩的基礎(chǔ)上根據(jù)Radon變換的統(tǒng)計特征構(gòu)造出尺度不變矩，最后，求尺度不變矩偶階矩的降序奇異值向量，該奇異值特征向量具有平移、尺度和旋轉(zhuǎn)不變性。本發(fā)明增強了抗噪聲能力，同時保持平移、旋轉(zhuǎn)和尺度不變性；克服了噪聲對圖像形狀的影響。
文檔編號G06K9/46GK102298701SQ201110216720
公開日2011年12月28日 申請日期2011年7月29日 優(yōu)先權(quán)日2011年7月29日
發(fā)明者王曉華 申請人:王曉華