一種自適應(yīng)任意形狀的數(shù)據(jù)場圖像特征建模方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像識別技術(shù)領(lǐng)域，涉及一種自適應(yīng)任意形狀的數(shù)據(jù)場圖像特征建模 方法。
【背景技術(shù)】
[0002] 圖像目標模式識別是計算機視覺領(lǐng)域的重要研宄方向之一，其中特征提取是首要 關(guān)鍵環(huán)節(jié)，一直以來都受到廣大研宄者的廣泛關(guān)注，在安全監(jiān)控、軍事偵察、攝影測量、災(zāi)害 監(jiān)測、氣象預(yù)報、產(chǎn)品檢驗、人機交互和醫(yī)學(xué)診斷等方面也已經(jīng)取得了成功應(yīng)用。特征是表 征圖像目標本質(zhì)屬性的信息集，是解決圖像目標識別等問題的根本。特征提取的目標是獲 取一組少而精的特征量，獨立、完備地反映圖像內(nèi)容。圖像空間分辨率的提高使得大量細節(jié) 信息在圖像上充分表征，但是，傳統(tǒng)特征建模方法不能有效描述復(fù)雜的高分辨率圖像空間 信息。
[0003] 迄今為止，國內(nèi)外研宄者對圖像特征提取問題展開了系列研宄，與之相關(guān)的新算 法、新技術(shù)層出不窮?；叶裙采仃?、空間自相關(guān)、小波等方法能提供相對有效的圖像特征， 但是，這些方法未能充分利用高分辨率圖像的特點，有針對性地提取圖像的形狀、結(jié)構(gòu)、大 小等視覺敏感信息。其中近年來的一類方法采用模擬物理學(xué)的機制研宄圖像特征問題。如 Nixon提出了模擬萬有引力的力場收斂變換法并應(yīng)用到人耳識別中，Liu將其改進為多視 角變換，徐貴力等人利用該理論檢測圖像粗大邊緣。孫根云等人提出了模擬萬有引力定律 的邊緣檢測方法，Lopez利用三角模進行了擴展。Direkoglu提出了模擬熱流的溫度界面方 法并進行形狀提取。Cummings等人提出了基于光流變換的結(jié)構(gòu)特征檢測方法。近年來，其 中一類更新穎的方法逐漸浮出水面，陳雪松等人將圖像分析中的投影理論與物理學(xué)中的勢 能理論相結(jié)合，提出了基于圖像勢能的二值圖像特征提取方法，并進一步研宄了圖像目標 輪廓特征提取方法，蔣少華等人在此基礎(chǔ)上研宄了針對二值圖像的灰度勢特征提取方法， 理論和實驗分析表明了現(xiàn)有方法的可行性和有效性。盡管如此，模擬物理學(xué)機制仍然沒有 引起計算機視覺領(lǐng)域的足夠重視，至少在計算機視覺中的研宄遠遠不如智能優(yōu)化等其他領(lǐng) 域那樣取得豐碩的成果和大眾化的關(guān)注。因此，模擬物理學(xué)機制的圖像特征提取仍然是一 個開放式課題，尚存在可拓展空間。
[0004] 事實上，各種物理模型和機制的根源都是物質(zhì)之間的相互作用，統(tǒng)一場論是現(xiàn)代 物理學(xué)的重要方向之一，根據(jù)場（或場的量子）的傳遞媒介性，用場統(tǒng)一地描述和揭示各種 相互作用的共同本質(zhì)和內(nèi)在聯(lián)系，在物理學(xué)對于客觀世界的認知中起到了重要的作用。中 國學(xué)者李德毅等人將現(xiàn)代物理學(xué)中對客觀世界的認知理論引申到對主觀世界的認知中，形 成了數(shù)據(jù)場的思想，通過考察數(shù)據(jù)對象間的相互作用并建立場描述原始、混亂、復(fù)雜、不成 形的數(shù)據(jù)關(guān)聯(lián)，揭示不同抽象程度或概念層次上的知識，理論體系相對完備，并廣泛應(yīng)用于 數(shù)據(jù)挖掘與知識發(fā)現(xiàn)、空間信息處理、圖像分析與處理、智能優(yōu)化、物流管理等領(lǐng)域。有鑒于 此，拋開固有的物理形態(tài)，從場論的角度出發(fā)建立更一般的映射關(guān)系及其理論框架，進一步 提出更魯棒高效的圖像特征提取方法是有益的。但是，傳統(tǒng)的數(shù)據(jù)場方法僅對圖像實施窗 口操作，提取的圖像特征極其有限。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的是提供一種自適應(yīng)任意形狀的數(shù)據(jù)場圖像特征建模方法，檢測的圖 像像素鄰域能力高，不需要對圖像實施窗口操作。
[0006] 本發(fā)明所采用的技術(shù)方案是，一種自適應(yīng)任意形狀的數(shù)據(jù)場圖像特征建模方法， 具體按照以下步驟進行：
[0007] 步驟1，可伸縮型任意形狀數(shù)據(jù)場的構(gòu)建，包括將傳統(tǒng)的圖像數(shù)據(jù)場方法擴展，增 加形狀要素，可充分顧及像素的空間信息上下文，通過增強位于相同形狀區(qū)域的像素之間 相互作用，減小這些像素在數(shù)據(jù)場中的分布差異，降低、消除噪聲污染和光照不均勻帶來的 負面影響；反之，通過減小不同形狀區(qū)域的像素之間相互作用，增大這些像素在數(shù)據(jù)場中的 分布差異；
[0008] 步驟2,魯棒的數(shù)據(jù)場分布特征集計算算法，包括長軸、短軸、離心率、場分布指數(shù)、 加權(quán)場分布指數(shù)、局部勢方差計算方法；
[0009] 步驟3,自適應(yīng)圖像特征選擇與降維建模過程，包括矢量相似性、降維方法。
[0010] 優(yōu)選的，步驟1中，匹配增加形狀要素，對傳統(tǒng)數(shù)據(jù)場勢值的計算公式進行修正， 如式（5)所示，
【主權(quán)項】
1. 一種自適應(yīng)任意形狀的數(shù)據(jù)場圖像特征建模方法，其特征在于，具體按照以下步驟 進行： 步驟1，可伸縮型任意形狀數(shù)據(jù)場的構(gòu)建，包括將傳統(tǒng)的圖像數(shù)據(jù)場方法擴展，增加形 狀要素，可充分顧及像素的空間信息上下文，通過增強位于相同形狀區(qū)域的像素之間相互 作用，減小這些像素在數(shù)據(jù)場中的分布差異，降低、消除噪聲污染和光照不均勻帶來的負面 影響；反之，通過減小不同形狀區(qū)域的像素之間相互作用，增大這些像素在數(shù)據(jù)場中的分布 差異； 步驟2,魯棒的數(shù)據(jù)場分布特征集計算算法，包括長軸、短軸、離心率、場分布指數(shù)、加權(quán) 場分布指數(shù)、局部勢方差計算方法； 步驟3,自適應(yīng)圖像特征選擇與降維建模過程，包括矢量相似性、降維方法。
2. 根據(jù)權(quán)利要求1所述的一種自適應(yīng)任意形狀的數(shù)據(jù)場圖像特征建模方法，其特征在 于，所述步驟1中，匹配增加形狀要素，對傳統(tǒng)數(shù)據(jù)場勢值的計算公式進行修正，如式（5)所 示，
其中是q對P的作用勢，無需計算所有像素之間的相互作用，僅考慮符合形 狀約束范圍Up)內(nèi)的部分質(zhì)點作用，即同時滿足三個形狀約束，作用像素與中心像素在 方向因子控制的方向線上、距離不大于尺度因子，質(zhì)量因子為1。
3. 根據(jù)權(quán)利要求2所述的一種自適應(yīng)任意形狀的數(shù)據(jù)場圖像特征建模方法，其特征在 于，所述方向因子、尺度因子、質(zhì)量因子計算方法如下： a) 方向因子：P d的確定采用圖像處理領(lǐng)域慣常的方法，對圖像多次進行實驗，研宄不 同參數(shù)對實際建模效果的影響，反復(fù)嘗試不同的參數(shù)確定較優(yōu)的經(jīng)驗值； b) 質(zhì)量因子：采用式（7)的自適應(yīng)方法，僅當質(zhì)量因子為1才有可能繼續(xù)延伸形狀，設(shè) yp，〇p，y，〇分別表示當前中心像素p的局部鄰域灰度均值、標準差以及圖像整體的灰度 均值、標準差，g p為自適應(yīng)局部質(zhì)量度量； gp= min (max ( y p-〇. 5 〇 p, y -〇? 5 〇 )，y +0? 5 〇 )， (6)
c) 尺度因子：對于任意形狀區(qū)域的中心像素勢值而言，通過搜索最大化的Shannon j：商 自動獲得適用于給定圖像的最優(yōu)擴展形狀要素集；
其中Bins表示離散劃分勢值直方圖的子區(qū)間個數(shù)，根據(jù)圖像灰度級的特點可設(shè)置為 Bins = L，Pl表示在當前約束下所建立的數(shù)據(jù)場中像素的勢值落入第1個子區(qū)間的概率，在 P5 e [I, max{「/z / 2~|,「W / 2~|}]范圍內(nèi)建立不同的數(shù)據(jù)場，通過搜索最大化的j：商自動 獲得適用于給定圖像的最優(yōu)參數(shù)/?;，形式化如下：
4.根據(jù)權(quán)利要求1所述的一種自適應(yīng)任意形狀的數(shù)據(jù)場圖像特征建模方法，其特征在 于，所述步驟2中，根據(jù)數(shù)據(jù)場延伸與擴展關(guān)系，獲得每個數(shù)據(jù)質(zhì)點p對應(yīng)的方向因子擴展 的勢值貢獻直方圖，具體形如：
其中奶O), P2 CfO％Cp)表示以p為像素中心的各條方向因子擴展方向的勢值 貢獻； 數(shù)據(jù)場分布特征集中的長軸定義為方向勢值貢獻中的最大值，反映數(shù)據(jù)場勢值計算圖 斑在某個方向因子上的最大同質(zhì)性能；
數(shù)據(jù)場分布特征集中的短軸定義為方向勢值貢獻中的最小值，反映數(shù)據(jù)場勢值計算圖 斑在某個方向因子上的最小同質(zhì)性能；
數(shù)據(jù)場分布特征集中的離心率定義為方向勢值貢獻中的最小值與最大值的比值關(guān)系， 反映數(shù)據(jù)場勢值計算圖斑在某個方向因子上的同質(zhì)形狀性能，具體計算時借鑒橢圓兩焦點 間距離和長軸長度的比值表達某一橢圓軌道與理想圓環(huán)的偏離，長橢圓軌道離心率高，近 于圓形的軌道離心率低；為簡化操作，同時保證計算特征的魯棒性，直接采用前k個最小值 和與前k個最大值和的比值，具體如下式，
數(shù)據(jù)場分布特征集中的場分布指數(shù)定義為當前像素的勢值均值，綜合反映圖像上下文 的形狀信息，
數(shù)據(jù)場分布特征集中的加權(quán)場分布指數(shù)定義為場分布指數(shù)的加權(quán)，增加與同質(zhì)性有 關(guān)的權(quán)重指數(shù)，方式如下，表示同質(zhì)性能越低，勢值計算的貢獻在特征集中的比重也越低， 其中〇 i表示第i個方向上勢值貢獻的標準差；
數(shù)據(jù)場分布特征集中的局部勢方差定義為勢值貢獻與均值的偏差，衡量同質(zhì)形狀的總 體分散情況，具體如下，
O
5.根據(jù)權(quán)利要求1所述的一種自適應(yīng)任意形狀的數(shù)據(jù)場圖像特征建模方法，其特征在 于，所述步驟3中，選用標準歐式距離計算方式作為特征相似性度量，具體標準化過程為，
換句話說，對于任意兩個給定的n維特征集F1= (f n，f12, . . .，fln)和F2= (f21， f22, . . .，f2n)，可以計算其特征相似距離為，
依次計算所有特征的相似距離，選出距離最小的兩個特征FJP F 2，再依次計算匕和F 2 與其他特征的相似距離之和，取距離和小者，并刪除對應(yīng)的特征，直至滿足特征數(shù)足夠少為 止。
【專利摘要】本發(fā)明公開了一種自適應(yīng)任意形狀的數(shù)據(jù)場圖像特征建模方法，可伸縮型任意形狀數(shù)據(jù)場的構(gòu)建，包括將傳統(tǒng)的圖像數(shù)據(jù)場方法擴展，增加形狀要素，可充分顧及像素的空間信息上下文，通過增強位于相同形狀區(qū)域的像素之間相互作用，減小這些像素在數(shù)據(jù)場中的分布差異，降低、消除噪聲污染和光照不均勻帶來的負面影響；反之，通過減小不同形狀區(qū)域的像素之間相互作用，增大這些像素在數(shù)據(jù)場中的分布差異；魯棒的數(shù)據(jù)場分布特征集計算算法，包括長軸、短軸、離心率、場分布指數(shù)、加權(quán)場分布指數(shù)、局部勢方差計算方法；自適應(yīng)圖像特征選擇與降維建模過程。檢測的圖像像素鄰域能力高，不需要對圖像實施窗口操作。
【IPC分類】G06K9-46
【公開號】CN104820837
【申請?zhí)枴緾N201510207703
【發(fā)明人】吳濤
【申請人】吳濤
【公開日】2015年8月5日
【申請日】2015年4月29日