一種基于圖像特征稀疏重構(gòu)的圖像分類方法
【專利摘要】本發(fā)明公開了一種基于圖像特征稀疏重構(gòu)的圖像分類方法，包括如下步驟：采用Forstner算子對圖像庫中的每類樣本圖像提取特征像素點；提取每類樣本圖像的所有n維特征塊向量；提取每類樣本圖像具有較大相關(guān)性權(quán)值的特征向量構(gòu)成初始字典；為每類樣本圖像訓(xùn)練字典，得到每類樣本圖像的字典；提取測試圖像的所有n維圖像塊向量；將r個n維圖像塊向量組成圖像塊矩陣；計算得到測試圖像在每類字典上稀疏表示的系數(shù)矩陣；采用稀疏表示系數(shù)矩陣重構(gòu)圖像塊矩陣；根據(jù)圖像塊重構(gòu)矩陣生成重構(gòu)圖像；比較重構(gòu)圖像與測試圖像的誤差，根據(jù)誤差最小原則判定測試圖像所屬類別，本發(fā)明根據(jù)特征字典進行圖像重構(gòu)，能夠極大程度上還原同類圖像。
【專利說明】一種基于圖像特征稀疏重構(gòu)的圖像分類方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種基于稀疏表示的圖像分類方法，特別是涉及一種根據(jù)特征字典重構(gòu)圖像進而識別圖像類別的基于圖像特征稀疏重構(gòu)的圖像分類方法。
【背景技術(shù)】
[0002]圖像分類技術(shù)作為一種從機器層面理解圖像的計算機技術(shù)，一直是圖像處理領(lǐng)域中前沿的研究熱點，它對于計算機視覺、信息檢索、人工智能、模式識別、機器學(xué)習(xí)和數(shù)據(jù)挖掘等技術(shù)的發(fā)展有著重要意義，而且應(yīng)用領(lǐng)域廣泛。例如在醫(yī)學(xué)領(lǐng)域，通過對器官組織圖像、染色體特征圖像進行識別分類，實現(xiàn)醫(yī)學(xué)輔助分析，能夠一定程度上減少醫(yī)師在臨床診斷中由于主觀原因造成的誤診。在工業(yè)生產(chǎn)領(lǐng)域，采用圖像分類處理對產(chǎn)品優(yōu)劣進行識別和定位，能夠智能化地篩選出不良產(chǎn)品，對產(chǎn)品質(zhì)量嚴(yán)格把關(guān)。在互聯(lián)網(wǎng)信息領(lǐng)域，通過圖像內(nèi)容的識別與分類技術(shù)能夠為圖像標(biāo)注出相應(yīng)的語義特征，并且根據(jù)語義特征檢索出最具相似特性的其它圖像，從而實現(xiàn)圖像的網(wǎng)絡(luò)檢索。在軍事航空航天領(lǐng)域，對于遙感設(shè)備檢測到的圖像進行識別和分類，能夠快速高效地獲取有用的情報，節(jié)省人力資源。這些技術(shù)應(yīng)用無不要求能夠高速、高效、高可靠的實現(xiàn)圖像分類。
[0003]圖像分類指對目標(biāo)圖像按照特定依據(jù)進行判定和歸類，根據(jù)分類依據(jù)可把圖像分類方法歸納為基于圖像空間特征的分類方法和基于圖像特征空間的分類方法兩種。其中，基于圖像空間特征的分類方法是利用圖像的灰度、顏色、紋理、形狀、位置等基本特征，結(jié)合SVM支持向量機(Support Vector Machine)等分類器訓(xùn)練圖像,進而實現(xiàn)圖像分類,或者采用 SVD 奇異值分解法(Singular Value Decomposition)或 PCA 主成分分析法(PrincipalComponents Analysis)提取圖像的像素級特征矩陣，再通過分類器訓(xùn)練特征矩陣進行分類。這種方法相對來說分類精度高、數(shù)據(jù)計算量大、復(fù)雜性高?；趫D像特征空間的分類法是將原圖像經(jīng)過某種變換轉(zhuǎn)換為某個低維特征空間的線性表達(dá)，如小波變換(wavelettransform)等,然后根據(jù)線性表達(dá)后的低維特征實現(xiàn)分類?；谔卣骺臻g的分類方法能夠通過降低數(shù)據(jù)維數(shù)大大減少計算復(fù)雜性，但分類效果和特征提取方法的選取有很大關(guān)系。
[0004]大部分分類方法都是提取特征或特征表達(dá)后采用分類器分類，圖像處理相關(guān)的分類器除了 SVM支持向量機分類器外，還有多神經(jīng)網(wǎng)絡(luò)分類器(multiple neural networkclassifiers)、貝葉斯網(wǎng)絡(luò)分類器等。采用分類器在一定程度上能夠提高結(jié)果的準(zhǔn)確度，但也大大降低了時效性，這類圖像分類方法在具有較高實時性要求的應(yīng)用中，很難得到推廣。

【發(fā)明內(nèi)容】

[0005]為克服上述現(xiàn)有技術(shù)存在的不足，本發(fā)明之目的在于提供一種基于圖像特征稀疏重構(gòu)的圖像分類方法，通過采用稀疏表示方法根據(jù)特征字典進行圖像重構(gòu)，能夠極大程度上還原同類圖像，由此確定圖像類別具有較高的準(zhǔn)確性，減少了計算數(shù)據(jù)的冗余。
[0006]為達(dá)上述及其它目的，本發(fā)明提出一種基于圖像特征稀疏重構(gòu)的圖像分類方法，包括如下步驟:[0007]步驟一，采用Forstner算子對圖像庫中的第I類樣本圖像提取特征像素點，I =1，…，L，其中，L是樣本圖像的類別總數(shù)；
[0008]步驟二，提取每類樣本圖像的所有η維特征塊向量；
[0009]步驟三，提取每類樣本圖像的Im個特征向量中具有較大相關(guān)性權(quán)值的特征向量構(gòu)成初始字典；
[0010]步驟四，為每類樣本圖像訓(xùn)練字典，得到每類樣本圖像的字典；
[0011]步驟五，提取測試圖像f的所有η維圖像塊向量；
[0012]步驟六，將r個η維圖像塊向量組成nXr維矩陣，記為圖像塊矩陣；
[0013]步驟七，分別在每類樣本圖像字典上對圖像塊矩陣P進行稀疏表示，得到所有稀疏表示的系數(shù)矩陣；
[0014]步驟八，分別采用L個稀疏表示系數(shù)矩陣重構(gòu)圖像塊矩陣P，得到圖像塊重構(gòu)矩陣；
[0015]步驟九，分別根據(jù)L個圖像塊重構(gòu)矩陣生成重構(gòu)圖像；
[0016]步驟十，比較重構(gòu)圖像與測試圖像之間的誤差，根據(jù)誤差最小原則判定測試圖像所屬類別。
[0017]進一步地,步驟一還包括如下步驟:
[0018]計算第I類樣本圖像的每個像素的梯度值；
[0019]如果像素梯度超過某個閾值gth，則以此像素為中心，提取aXa的灰度值矩陣；
[0020]計算該灰度值矩陣的圓度值q ；
[0021]如果圓度超出某個閾值qth，則再計算其所對應(yīng)像素點的特征權(quán)值ω。；
[0022]依次比較第I類樣本圖像中每個bXb像素塊內(nèi)的所有特征權(quán)值，找出每個像素塊內(nèi)最大特征權(quán)值所對應(yīng)的點，獲得第I類樣本圖像的特征像素點。
[0023]進一步地，步驟二還包括如下步驟:
[0024]以第I類樣本圖像的每個特征像素點為中心，提取灰度值矩陣；
[0025]將該灰度值矩陣的所有列按照序號排列成列向量，獲得η維特征塊向量，
[0026]其中，假設(shè)第I類樣本圖像的特征點共有乜個，其特征向量分別記為Pli，Plie Rn，i=I 9 1-L f ^ f...-Lm ο
[0027]進一步地，于步驟三中，該相關(guān)性權(quán)值通過如下方式計算:
[0028]將Im個特征向量看作加權(quán)圖G1中的Im個節(jié)點，節(jié)點i和節(jié)點j之間的權(quán)值為，
[0029]
【權(quán)利要求】
1.一種基于圖像特征稀疏重構(gòu)的圖像分類方法，包括如下步驟: 步驟一，采用Forstner算子對圖像庫中的第I類樣本圖像提取特征像素點，I =1，…，L，其中，L是樣本圖像的類別總數(shù)； 步驟二，提取每類樣本圖像的所有η維特征塊向量； 步驟三，提取每類樣本圖像的Im個特征向量中具有較大相關(guān)性權(quán)值的特征向量構(gòu)成初始字典； 步驟四，為每類樣本圖像訓(xùn)練字典，得到每類樣本圖像的字典； 步驟五，提取測試圖像f的所有η維圖像塊向量； 步驟六，將r個η維圖像塊向量組成nXr維矩陣，記為圖像塊矩陣； 步驟七，分別在每類樣本圖像字典上對圖像塊矩陣P進行稀疏表示，得到所有稀疏表示的系數(shù)矩陣； 步驟八，分別采用L個稀疏表示系數(shù)矩陣重構(gòu)圖像塊矩陣P，得到圖像塊重構(gòu)矩陣； 步驟九，分別根據(jù)L個圖像塊重構(gòu)矩陣生成重構(gòu)圖像； 步驟十，比較重構(gòu)圖像與測試圖像之間的誤差，根據(jù)誤差最小原則判定測試圖像所屬類別。
2.如權(quán)利要求1所述的一種基于圖像特征稀疏重構(gòu)的圖像分類方法，其特征在于，步驟一還包括如下步驟: 計算第I類樣本圖像的每個像素的梯度值； 如果像素梯度超過某個閾值gth，則以此像素為中心，提取aXa的灰度值矩陣； 計算該灰度值矩陣的圓度值q ; 如果圓度超出某個閾值qth，則再計算其所對應(yīng)像素點的特征權(quán)值ω。； 依次比較第I類樣本圖像中每個bXb像素塊內(nèi)的所有特征權(quán)值，找出每個像素塊內(nèi)最大特征權(quán)值所對應(yīng)的點，獲得第I類樣本圖像的特征像素點。
3.如權(quán)利要求2所述的一種基于圖像特征稀疏重構(gòu)的圖像分類方法，其特征在于，步驟二還包括如下步驟: 以第I類樣本圖像的每個特征像素點為中心，提取士灰度值矩陣； 將該灰度值矩陣的所有列按照序號排列成列向量，獲得η維特征塊向量， 其中，假設(shè)第I類樣本圖像的特征點共有乜個，其特征向量分別記為Pli,Pli e Rn，i =I 2 1-L f ^ f...-LmO
4.如權(quán)利要求3所述的一種基于圖像特征稀疏重構(gòu)的圖像分類方法，其特征在于，于步驟三中，該相關(guān)性權(quán)值通過如下方式計算: 將Im個特征向量看作加權(quán)圖G1中的Im個節(jié)點，節(jié)點i和節(jié)點j之間的權(quán)值為，


5.如權(quán)利要求4所述的一種基于圖像特征稀疏重構(gòu)的圖像分類方法，其特征在于，于步驟三中，該初始字典通過如下方式構(gòu)成:選取和其它m-Ι個節(jié)點之間權(quán)值大于O的節(jié)點所代表的特征向量，作為初始字典集合的元素。
6.如權(quán)利要求5所述的一種基于圖像特征稀疏重構(gòu)的圖像分類方法，其特征在于:于步驟四中，字典訓(xùn)練以步驟三中獲得的初始字典Dltl為初始字典，根據(jù)K-SVD算法迭代得到每類樣本圖像的字典D1, I = I,-,L0
7.如權(quán)利要求6所述的一種基于圖像特征稀疏重構(gòu)的圖像分類方法，其特征在于，步驟五還包括如下步驟: 以覆蓋的形式提取該測試圖像內(nèi)所有
8.如權(quán)利要求7所述的一種基于圖像特征稀疏重構(gòu)的圖像分類方法，其特征在于，于步驟七中，得到系數(shù)矩陣S1的步驟還包括如下步驟: 采用匹配追蹤算法求解最優(yōu)化函數(shù)v/ e I1-rI，Sn = argrain || P1-D1Sn ，S.t.1 1 Sli I IW W，其中，W為稀疏限制，Μ.I IciSltl范數(shù)，Il.Il為I2范數(shù)，得到η維圖像塊向量Pi在字典D1上對應(yīng)的系數(shù)向量Sli ； 將每類系數(shù)向量{Sli}，i = 1，...r組成列數(shù)為r的矩陣，得到圖像塊矩陣P在第I類圖像字典上的稀疏系數(shù)矩陣S1, I = 1，…，L。
9.如權(quán)利要求8所述的一種基于圖像特征稀疏重構(gòu)的圖像分類方法，其特征在于:于步驟八中，分別計算P =A岑，I = 1，...，L得到該圖像塊重構(gòu)矩陣戶。
10.如權(quán)利要求9所述的一種基于圖像特征稀疏重構(gòu)的圖像分類方法，其特征在于，該重構(gòu)圖像通過求解下式獲得:

【文檔編號】G06K9/66GK103646256SQ201310698110
【公開日】2014年3月19日 申請日期:2013年12月17日 優(yōu)先權(quán)日:2013年12月17日
【發(fā)明者】李皎潔, 張偉, 丁凌云 申請人:上海電機學(xué)院