国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      基于swbct的紋理圖像分類方法

      文檔序號:6571684閱讀:224來源:國知局
      專利名稱:基于swbct的紋理圖像分類方法
      技術領域
      本發(fā)明涉及圖像處理技術領域,具體地說是將一種基于平穩(wěn)小波的輪廓波變換Stationary Wavelet-Based Contourlet Transform,簡記為SWBCT,用于紋理圖像分類的方法,是輪廓波和平穩(wěn)小波相結合應用在紋理分析領域的成果。該方法可用于模式識別中,比如圖像分類、手寫體識別、語音識別與分類中。

      背景技術
      自然圖像都包含了豐富的紋理信息,紋理在圖像中的任何方向任何位置以及不同尺度上都可能表現(xiàn)出來。小波只能提供有限的幾個方向,因此不能充分挖掘圖像中的紋理方向信息。而多尺度幾何工具正是解決問題的好幫手,在紋理分類、分割中有巨大的潛力。所謂紋理是指圖像中局部不規(guī)則而宏觀有規(guī)律的特性,紋理描述可以提供對區(qū)域的平滑度、粗糙度、規(guī)則性等特性的度量。近20年來紋理分析在計算機視覺、生物學等領域得到了廣泛的應用,它為航空或衛(wèi)星遙感圖像、生物醫(yī)學圖像、計算機視覺等提供了用于目標識別的有效特征。而如何有效地描述不同類型的紋理則成為紋理分析的關鍵。紋理特征的描述方法有很多,總體來說,可以分為四類統(tǒng)計方法、結構方法、基于模型的方法和基于變換域的方法。
      在過去的幾十年中關于如何有效地進行紋理分析已經(jīng)做了大量的研究?;叶裙采仃囀且环N典型的統(tǒng)計方法。通過建立區(qū)域灰度共生矩陣可以表現(xiàn)不同像素相對位置的空間信息。它反映了灰度的分布特性,也反映了灰度相同的像素之間的位置分布特性,是有關圖像灰度變化的二階統(tǒng)計特征。該方法的缺點是計算量很大,反映出的紋理圖像特點比較單一。結構方法指處理圖像元的排列,可以通過計算各個基元的統(tǒng)計特征作為紋理特征,如平均強度、面積、周長、方向、離心率等?;谀P偷姆椒ǖ幕舅枷胧羌僭O一幅紋理圖像是某一類參數(shù)模型。如馬爾可夫Markov隨機場模型,分形Fractal模型等。然而基于模型的方法比較復雜,計算量也比較大。基于變換域的紋理分析包括傅里葉變換,小波變換,Gabor變換等。如Chang T.等人利用小波變換來研究紋理分析。方向性和沿某一特定形狀上的奇異性是高維空間的兩個重要特征,如三維空間中物體的光滑邊緣。但是自然界中多數(shù)物體都具有平滑邊緣,因此自然圖像的不連續(xù)性體現(xiàn)為光滑曲線的奇異性。小波在逼近具有一維奇異性的目標函數(shù)時具有最優(yōu)表示特性,即點奇異性,然而在高維數(shù)據(jù)情況下,小波不能最優(yōu)表示某些具有幾何特征的函數(shù)。例如由一維小波構成的二維可分離張量積小波只有有限的方向,其支撐區(qū)間是正方形,但二維圖像中的很多幾何結構是具有方向性的,因而它不能很好地處理這一類圖像。目前,在紋理分析方面應用最廣泛的時頻分析技術就是小波變換。以上這些方法的一個共同缺點都是它們的重點只放在單一尺度上的圖像像素間的結合。
      許多學者提出了多尺度幾何分析理論來克服小波的不足,如脊波、曲線波、輪廓波等方法。M.N.Do和Martin Vetterli等人在2002年提出了一種新的多尺度幾何分析工具-輪廓波Contourlet。輪廓波是多分辨的、局域的、方向的圖像表示方法,可以有效地表示包含豐富輪廓和紋理的圖像。Ramin Eslami和Hayder Radha等人提出了一種基于小波的非冗余輪廓波圖像變換Wavelet-Based Contourlet Transform,簡記為WBCT。輪廓波在紋理分析方面有較大的潛力,Ramin Eslami和Hayder Radha等人提出的WBCT與輪廓波相比,可以對圖像進行更細的方向劃分。但是當分解方向數(shù)增多,分解層數(shù)增多時,WBCT會出現(xiàn)識別率快速下降的趨勢。


      發(fā)明內(nèi)容
      本發(fā)明的目的在于克服分類特征有效性的不足,針對輪廓波和WBCT在紋理分析中遇到的問題,提出了一種基于平穩(wěn)小波的輪廓波變換,并將它用于紋理圖像分類中,在子帶特征提取階段分別使用了能量、Hu矩和共生矩陣的方法,得到了更好的分類結果。
      本發(fā)明的技術方案是針對特征有效性的研究,把多尺度幾何分析之一的輪廓波變換和平穩(wěn)小波變換相結合來完成圖像分解,得到各個分解子帶,然后在得到的分解子帶中利用特征提取方法來提取子帶特征,將這些特征用在分類過程中,得到最終的分類結果。本發(fā)明基于SWBCT的紋理圖像分類方法的具體實現(xiàn)過程如下 (1)、輸入樣本圖像,并對樣本圖像進行歸一化; (2)、對歸一化后樣本圖像進行多方向多分辨率圖像分解-SWBCT分解,得到分解子帶; (3)、對得到的分解子帶進行特征提取,并對各種特征進行合并; (4)、在已有的分類方法中選用一種分類方法,對合并后的特征進行紋理圖像分類。
      上述的基于SWBCT的紋理圖像分類方法,所說的輸入樣本圖像,并對樣本圖像進行歸一化,其具體實現(xiàn)方法如下 (1)、輸入樣本圖像,設待分類的樣本圖像有N幅,從N幅待分類的樣本圖像中隨機選取M幅作為訓練樣本圖像,其中M小于N; (2)、對樣本圖像歸一化,將圖像的像素從0~255歸一化到0~1之間; 上述的基于SWBCT的紋理圖像分類方法,所說的對歸一化后樣本圖像進行多方向多分辨率圖像分解-SWBCT分解,得到分解子帶,其具體實現(xiàn)方法如下 (1)、設定最大分解層數(shù)為l; (2)、對歸一化后樣本圖像進行平穩(wěn)小波變換,得到四個子帶低頻子帶LL,高頻子帶LH、HL、HH; (3)、對由平穩(wěn)小波變換得到的LH、HL、HH三個高頻子帶,分別使用方向濾波器DFB進行分解,則每個高頻子帶都得到2n個方向子帶,其中n是分解層數(shù),n的取值為1~l; (4)、對每次分解得到的低頻子帶LL重復上述步驟(2)、(3),直到分解層數(shù)n=l; (5)、最后得到方向子帶和一個低頻子帶。
      上述的基于SWBCT的紋理圖像分類方法,所說的對得到的分解子帶進行特征提取,并對各種特征進行合并,其具體實現(xiàn)過程如下 (1)、對分解得到的各子帶分別提取各種特征能量特征、Hu矩、共生矩陣特征等; (2)、合并各種特征,從M幅訓練樣本圖像中提取出的特征與訓練樣本圖像對應,記為訓練特征,所有N幅待分類樣本圖像提取出的特征記為分類特征。不管是訓練特征還是分類特征,合并特征的方法有兩種①如果所提取的所有特征都被用來進行分類,那么這些特征與樣本一一對應進行存儲; ②如果要對所提取出的特征進行選擇,則把選擇出的有效特征與樣本一一對應進行存儲。
      上述的基于SWBCT的紋理圖像分類方法,所說的在已有的分類方法中選用一種分類方法,對合并后的特征進行紋理圖像分類,其中分類方法可從聚類方法、K近鄰法、神經(jīng)網(wǎng)絡方法、支撐矢量機方法中選擇。從是否需要訓練分類器的角度來說,分類方法有兩種無監(jiān)督分類方法和有監(jiān)督分類方法,當采用有監(jiān)督分類方法時,使用有監(jiān)督分類器,采用無監(jiān)督分類方法時,使用無監(jiān)督分類器。其具體實現(xiàn)過程如下 (1)、使用有監(jiān)督分類器時,采用K近鄰法、神經(jīng)網(wǎng)絡方法、支撐矢量機方法,其對圖像進行分類檢測的過程是①利用訓練特征訓練分類器;②把分類特征輸入已訓練好的分類器中,便可得到最后的分類結果; (2)、使用無監(jiān)督分類器時,采用聚類方法,直接將分類特征輸入分類器,就可得到最后的分類結果。
      本發(fā)明與現(xiàn)有的技術相比具有以下優(yōu)點 1、本發(fā)明可以克服小波、脊波、輪廓波、WBCT等變換在分解層數(shù)較大時性能快速下降的問題,并能夠得到更高的分類正確率。
      2、本發(fā)明在小樣本條件下,依然可以達到較高的分類正確率,這在圖像處理的某些應用領域中十分重要,例如SAR圖像,通常很難得到足夠多的可供訓練的樣本圖像,所以小樣本下的分類正確率是十分有意義的。



      圖1是本發(fā)明實現(xiàn)流程圖 圖2是本發(fā)明識別率隨訓練樣本增長的曲線圖
      具體實施例方式 參照圖1,它是本發(fā)明實現(xiàn)流程圖。為了具體說明本發(fā)明的優(yōu)勢和特點,下邊對該發(fā)明的實現(xiàn)過程進行說明,并用實際紋理圖像完成分類過程,把得到的數(shù)據(jù)和結果列在表1~表7中。
      1、輸入樣本圖像,并對樣本圖像進行歸一化。
      假設待分類的樣本圖像數(shù)目為N幅,記為(x1,x2,...,xN);如果采用有監(jiān)督的分類器,將要從N幅圖像中隨機選取M幅作為訓練樣本圖像,記為(x1,x2,...,xM);(x1,x2,...,xN)圖像的像素從0~255歸一到0~1之間,記為(z1,z2,...,zN)。根據(jù)Donoho的證明,歸一化后的圖像可以提取出更加有效的特征,因此后續(xù)步驟對歸一化后的樣本圖像進行處理。
      2、對歸一化后樣本圖像進行多方向多分辨率圖像分解-SWBCT分解,得到分解子帶。
      這部分是本發(fā)明的關鍵部分,對歸一化后的樣本圖像(z1,z2,...,zN)進行SWBCT分解。SWBCT分解主要步驟如下首先設定分解層數(shù),然后對圖像進行平穩(wěn)小波變換,平穩(wěn)小波變換是冗余度為4的變換,該變換可以得到更加豐富的細節(jié)信息。對得到的LH、HL、HH三個高頻子帶分別用方向濾波器組分解為2n個方向子帶,目的是可以得到具有方向性的細節(jié)信息,再對低頻子帶重復上面的步驟,直到滿足設定的分解層數(shù)為止。由于平穩(wěn)小波分解的冗余性,對圖像進行平穩(wěn)小波變換后得到的各個高頻子帶大小和原圖相同,當使用方向濾波器組對其各高頻子帶進行方向細分的時候,不會出現(xiàn)分解子帶隨分解層數(shù)增多而變小的情況,因此它可以克服小波、脊波、輪廓波、WBCT等變換在分解層數(shù)較大時性能快速下降的問題。后續(xù)實驗結果也證明了基于SWBCT的方法可以得到更高的分類正確率。
      3、對得到的分解子帶進行特征提取,并對各種特征進行合并。
      得到分解子帶后,需要提取各子帶的特征。特征提取的方法有很多,本發(fā)明后續(xù)的實驗用到了以下幾種。
      (1)L1范數(shù)能量測度法 其中,P×Q為子帶大小,i,j表示子帶中系數(shù)的索引,coef(i,j)為該子帶中第i行第j列的系數(shù)值。
      (2)方差法 對分解得到的各子帶分別求子帶系數(shù)的方差,構成一組特征向量,其維數(shù)等于分解得到的子帶個數(shù)。
      其中,Mean為該子帶系數(shù)的均值。
      (3)Hu矩特征法 首先對紋理圖像做多尺度幾何變換,對得到的各個子帶分別求出七個Hu不變矩,并采用歸一化的中心矩。7個Hu矩表達式如下 Mo1=(μ20+μ02) (4) Mo3=(μ30-3μ12)2+(3μ21-μ03)2 (6) Mo4=(μ30+μ12)2+(μ21+μ03)2 (7) Mo5=(μ30-3μ12)(μ30+μ12)[(μ30+μ12)2-3(μ21+μ03)2] +(3μ21-μ03)(μ21+μ03)[3(μ30+μ12)2-(μ21+μ03)2] (8) Mo6=(μ20-μ02)[(μ30+μ12)2-(μ21+μ03)2]+4μ11(μ30+μ12)(μ21+μ03) (9) Mo7=(3μ21-μ03)(μ30+μ12)[(μ30+μ12)2-3(μ21+μ03)2] +(μ30-3μ12)(μ21+μ03)[3(μ30+μ12)2-(μ21+μ03)2] (10) 其中 其中

      為子帶的重心坐標。中心矩μpq表示灰度相對于重心的分布情況。這七個Hu不變矩的輸出獨立于圖像的平移、旋轉和鏡像,其中Mo1到Mo6均對平移和旋轉保持不變,而Mo7是斜不變的skew invariance。
      (4)灰度共生矩陣法 灰度共生矩陣是一種基于圖像灰度聯(lián)合概率矩陣的方法。這里借助灰度共生矩陣的概念來計算圖像的系數(shù)共生矩陣首先對由變換域方法得到的各個分解子帶進行量化,這里將量化級數(shù)選為16級;然后通過計算子帶鄰近量化系數(shù)之間的二階聯(lián)合條件概率密度P(i,j|d,θ)來構成共生矩陣,P(i,j|d,θ)表示在給定的空間距離d和方向角θ上,以量化系數(shù)i為起始點,出現(xiàn)系數(shù)j的概率。鄰近系數(shù)值出現(xiàn)的聯(lián)合條件概率,可以度量子帶相鄰系數(shù)的相關特征。系數(shù)共生矩陣可以表示為 P(i,j|d,θ)={Pk(i,j|d,θ)}L×L(13) 其中,L表示子帶系數(shù)的量化級數(shù),k為系數(shù)順序號。
      從以上分析可以知道系數(shù)共生矩陣是由子帶系數(shù)量化后的級數(shù)L組成的L×L的對稱矩陣,它是距離d和方向角θ的函數(shù)。在計算出系數(shù)共生矩陣的基礎上,可以定義和計算幾種常用的紋理描述符,即紋理二階矩WM、熵WE、對比度WC和均勻性WH 從M幅訓練樣本圖像中提取出的特征與訓練樣本圖像對應,記為訓練特征,所有N幅待分類樣本圖像提取出的特征記為分類特征。不管是訓練特征還是分類特征,合并特征的方法有兩種①如果所提取的所有特征都將被用來進行分類,那么這些特征將與樣本一一對應進行存儲;②如果要對所提取出的特征進行選擇,則把選擇出的有效特征與樣本一一對應進行存儲。
      4、在已有的分類方法中選用一種分類方法,對合并后的特征進行紋理圖像分類。
      分類方法可以采用聚類方法、K近鄰法、神經(jīng)網(wǎng)絡方法、支撐矢量機方法。從是否需要訓練分類器的角度來說,分類方法有兩種無監(jiān)督分類方法和有監(jiān)督分類方法,當采用有監(jiān)督分類方法時,使用有監(jiān)督分類器,采用無監(jiān)督分類方法時,使用無監(jiān)督分類器。
      使用有監(jiān)督分類器時,采用如K近鄰法、神經(jīng)網(wǎng)絡方法、SVM等,其對圖像進行分類檢測的過程是①利用訓練特征訓練分類器;②把分類特征輸入已訓練好的分類器中,便可得到最后的分類結果; 使用無監(jiān)督分類器時,采用如聚類方法等,它與有監(jiān)督分類器不同的地方,在于不需要訓練分類器,直接將分類特征輸入分類器,就可得到最后的分類結果。
      本發(fā)明中用到的K近鄰法,是一種有監(jiān)督分類器。按照上面介紹的步驟,從訓練圖像樣本(x1,x2,...,xM),得到一組對應的訓練特征,用這些特征作為輸入,對分類器進行分類訓練。待分類圖像樣本(x1,x2,...,xN)也得到相對應的分類特征,把分類特征輸入已訓練好的分類器,得到的就是最終的紋理圖像分類結果。
      本發(fā)明將用在紋理圖像分類中,其性能可通過如下三個對實際紋理圖像完成的分類實驗給出,下述實驗數(shù)據(jù)均為10次獨立運行的平均結果。
      實驗一基于SWBCT能量測度的Brodatz紋理分類實驗 本實驗用來檢測SWBCT的能量測度方法對紋理分類性能的影響。
      為了說明本發(fā)明的特征提取方法的優(yōu)越性與分類方法無關,在分類階段只使用了基本的K近鄰分類法。為了便于比較,實驗中輪廓波分解1層時,分解方向數(shù)為4;分解2層時,方向數(shù)分別為4、8;分解3層時,方向數(shù)分別為4、4、8;分解4層時,方向數(shù)分別為4、4、8、8;分解5層時,方向數(shù)分別為4、4、8、8、16。WBCT和SWBCT的方向選擇與輪廓波相同。K近鄰分類法分別選K=1、3、5,分解層數(shù)l為1~5。
      實驗的數(shù)據(jù)集是Brodatz紋理圖像庫,它包含112幅自然紋理圖像,大小均為640×640,256級灰度。去除Brodatz紋理庫中的34幅非均一紋理圖像,于是得到一個包含78種紋理的測試集,其中包括了視覺上較相似的紋理。將每一幅紋理圖像分割為互不重疊的25個子圖,大小為128×128,取其中的10個子圖作為訓練樣本,其余15個子圖作為測試樣本。則整個訓練樣本集有780個樣本,測試集有1170個樣本。實驗中去除的34個紋理圖像如下所列D005,D007,D013,D030,D031,D036,D038,D040,D042,D043,D044,D045,D054,D058,D059,D061,D063,D069,D079,D080,D088,D089,D090,D091,D094,D096,D097,D098,D099,D100,D103,D106,D108,D110。
      表1基于L1范數(shù)能量測度的Brodatz紋理圖像分類實驗數(shù)據(jù)表(l=1) 表2基于L1范數(shù)能量測度的Brodatz紋理圖像分類實驗數(shù)據(jù)表(l=2) 表3基于L1范數(shù)能量測度的Brodatz紋理圖像分類實驗數(shù)據(jù)表(l=3) 表4基于L1范數(shù)能量測度的Brodatz紋理圖像分類實驗數(shù)據(jù)表(l=4) 表5基于L1范數(shù)能量測度的Brodatz紋理圖像分類實驗數(shù)據(jù)表(l=5) 表1~5中列出了不同方法得到的Brodatz紋理圖像的分類正確率,同樣實驗條件下最高的分類正確率加粗。表中SWBCT是本發(fā)明提出的方法,其它幾種方法分別是小波、平穩(wěn)小波、Brushlet、輪廓波、WBCT。由表1~5中的實驗數(shù)據(jù)可知,在大部分條件下,基于SWBCT的紋理分類方法都能得到比其它方法更高的分類正確率。同時由表1~5還可以得出如下結論對包含豐富紋理的圖像,大部分方法在分解層數(shù)增加到一定的程度時,分類正確率開始下降。這個層數(shù)和圖像的大小有關,通常圖像大小為128×128時,分解為3層時最為適宜。
      實驗二小樣本下的SWBCT紋理分類實驗 在圖像處理的某些領域中,如SAR圖像,通常很難得到足夠多的可供訓練的樣本圖像,被稱為小樣本。本實驗用來測試不同方法在訓練樣本數(shù)目很少,即小樣本條件下的分類效果。
      將訓練樣本個數(shù)由1~24逐個增加,其中每種分解方法均分解3層,KNN分類器為K=1,隨機選取訓練樣本,多次獨立運行結果求平均值,提取的特征為L1范數(shù)子帶能量。實驗二同樣比較了本發(fā)明提出的方法SWBCT和小波、平穩(wěn)小波、Brushlet、輪廓波、WBCT共6種方法。圖2為實驗結果。
      由圖2可以看出本發(fā)明提出的方法在小樣本條件下,也可以達到較高的分類正確率。當訓練樣本數(shù)從1逐漸增加至24的過程中,SWBCT的分類正確率幾乎一直是最高的,特別是在小樣本的條件下優(yōu)勢更加明顯;在訓練樣本為2時SWBCT的分類正確率超過90%,訓練樣本為4時,分類正確率可以達到95%,試驗結果表明在小樣本條件下SWBCT的分類正確率最高,這是其它方法很難實現(xiàn)的。
      實驗三基于SWBCT的Hu矩和共生矩陣特征的紋理分類實驗 為了分析不同的子帶特征提取方法,對本發(fā)明基于SWBCT的紋理圖像分類方法分類結果的影響,分別用提取Hu矩和共生矩陣特征的方法得到小波、平穩(wěn)小波、Brushlet、輪廓波、WBCT、以及SWBCT的分類正確率。K近鄰分類器取K=1,分解層數(shù)l為1~5。
      表6提取Hu矩特征的分類實驗數(shù)據(jù)表 表7提取共生矩陣特征的分類實驗數(shù)據(jù)表 表6列出了提取Hu矩特征得到的不同方法對Brodatz紋理圖像的分類正確率,表7列出了提取共生矩陣特征得到的分類正確率,同樣實驗條件下最高的分類正確率加粗。由表6、7可以看出對于上述各變換,提取Hu矩的方法要好于提取共生矩陣的方法,但是較能量方法稍差。
      上述三個實驗均可以看出SWBCT可以有效克服WBCT隨分解層數(shù)增加分類正確率快速下降的缺點;此外在小樣本條件下,本發(fā)明提出的方法可以得到高于其它方法的分類正確率。由實驗結果還可以看出對于包含豐富紋理的圖像,只簡單提取子帶能量的方法和其它稍復雜的基于提取子帶統(tǒng)計特征的方法相比,其識別率較高,且訓練和測試時間也較少。
      權利要求
      1.基于SWBCT的紋理圖像分類方法,其具體實現(xiàn)步驟如下
      (1)、輸入樣本圖像,并對樣本圖像進行歸一化;
      (2)、對歸一化后樣本圖像進行多方向多分辨率圖像分解-SWBCT分解,得到分解子帶;
      (3)、對得到的分解子帶進行特征提取,并對各種特征進行合并;
      (4)、在已有的分類方法中選用一種分類方法,對合并后的特征進行紋理圖像分類。
      2.根據(jù)權利要求1所述的基于SWBCT的紋理圖像分類方法,所說的輸入樣本圖像,并對樣本圖像進行歸一化,其具體實現(xiàn)方法如下
      (1)、輸入樣本圖像,設待分類的樣本圖像有N幅,從N幅待分類的樣本圖像中隨機選取M幅作為訓練樣本圖像,其中M小于N;
      (2)、對樣本圖像歸一化,將圖像的像素從0~255歸一化到0~1之間。
      3.根據(jù)權利要求1所述的基于SWBCT的紋理圖像分類方法,所說的對歸一化后樣本圖像進行多方向多分辨率圖像分解-SWBCT分解,得到分解子帶,其具體實現(xiàn)方法如下
      (1)、設定最大分解層數(shù)為l;
      (2)、對歸一化后樣本圖像進行平穩(wěn)小波變換,得到四個子帶低頻子帶LL,高頻子帶LH、HL、HH;
      (3)、對由平穩(wěn)小波變換得到的LH、HL、HH三個高頻子帶,分別使用方向濾波器DFB進行分解,則每個高頻子帶都得到2n個方向子帶,其中n是分解層數(shù),n的取值為1~l;
      (4)、對每次分解得到的低頻子帶LL重復上述步驟(2)、(3),直到分解層數(shù)n=l;
      (5)、最后得到方向子帶和一個低頻子帶。
      4.根據(jù)權利要求1所述的基于SWBCT的紋理圖像分類方法,所說的對得到的分解子帶進行特征提取,并對各種特征進行合并,其具體實現(xiàn)過程如下
      (1)、對分解得到的各子帶分別提取各種特征能量特征、Hu矩、共生矩陣特征等;
      (2)、合并各種特征,從M幅訓練樣本圖像中提取出的特征與訓練樣本圖像對應,記為訓練特征;所有N幅待分類樣本圖像提取出的特征記為分類特征;不管是訓練特征還是分類特征,合并特征的方法有兩種
      ①如果所提取的所有特征都將被用來進行分類,那么這些特征與樣本一一對應進行存儲;
      ②如果要對所提取出的特征進行選擇,則把選擇出的有效特征與樣本一一對應進行存儲。
      5.根據(jù)權利要求1所述的基于SWBCT的紋理圖像分類方法,所說的在已有的分類方法中選用一種分類方法,對合并后的特征進行紋理圖像分類,其中分類方法可從聚類方法、K近鄰法、神經(jīng)網(wǎng)絡方法、支撐矢量機方法中選擇;從是否需要訓練分類器的角度來說,分類方法有兩種無監(jiān)督分類方法和有監(jiān)督分類方法,當采用有監(jiān)督分類方法時,使用有監(jiān)督分類器;采用無監(jiān)督分類方法時,使用無監(jiān)督分類器;其具體實現(xiàn)過程如下
      (1)、使用有監(jiān)督分類器時,采用K近鄰法、神經(jīng)網(wǎng)絡方法、支撐矢量機方法,其對圖像進行分類檢測的過程是
      ①、利用訓練特征訓練分類器;
      ②、把分類特征輸入已訓練好的分類器中,便可得到最后的分類結果;
      (2)、使用無監(jiān)督分類器時,采用聚類方法,直接將分類特征輸入分類器,就可得到最后的分類結果。
      全文摘要
      本發(fā)明公開了一種基于SWBCT的紋理圖像分類方法,它屬于圖像處理技術領域。其目的在于克服分類特征有效性的不足,針對輪廓波和WBCT在紋理分析中遇到的問題,提出并將本發(fā)明用于紋理圖像分類中,本發(fā)明在子帶特征提取階段分別使用了能量、Hu矩和共生矩陣的方法,得到了較好的分類效果。該發(fā)明的具體實現(xiàn)步驟為1.輸入樣本圖像,并對樣本圖像進行歸一化;2.對歸一化后樣本圖像進行多方向多分辨率圖像分解-SWBCT分解,得到分解子帶;3.對得到的分解子帶進行特征提取,并對各種特征進行合并;4.在已有的分類方法中選用一種分類方法,對合并后的特征進行紋理圖像分類。該方法可用于模式識別中,比如圖像分類、手寫體識別、語音識別與分類中。
      文檔編號G06K9/62GK101118593SQ20071001857
      公開日2008年2月6日 申請日期2007年9月4日 優(yōu)先權日2007年9月4日
      發(fā)明者焦李成, 爽 王, 彪 侯, 芳 劉, 帆 劉, 穎 胡, 公茂果 申請人:西安電子科技大學
      網(wǎng)友詢問留言 已有0條留言
      • 還沒有人留言評論。精彩留言會獲得點贊!
      1