空域共生圖像表示方法及其在圖像分類(lèi)、識(shí)別中的應(yīng)用的制作方法
【專(zhuān)利摘要】本發(fā)明公開(kāi)了一種圖像空域共生特征的提取方法和基于空域共生特征的圖像表示方法，包括：對(duì)輸入圖像提取采樣點(diǎn)，抽取采樣點(diǎn)局部特征；對(duì)采樣點(diǎn)的局部特征進(jìn)行量化索引，獲得索引值；根據(jù)索引值統(tǒng)計(jì)獲得圖像空域共生特征，計(jì)算空域共生特征的直方圖作為圖像表示。本發(fā)明還公開(kāi)了基于上述圖像表示方法的圖像識(shí)別方法和分類(lèi)方法。本發(fā)明利用空域共生特征表示圖像，能夠更好的捕捉空域相關(guān)和局部上下文信息；利用空域共生特征進(jìn)行圖像分類(lèi)和識(shí)別，加快了計(jì)算速度，提高了分類(lèi)精度和識(shí)別率。
【專(zhuān)利說(shuō)明】空域共生圖像表示方法及其在圖像分類(lèi)、識(shí)別中的應(yīng)用
【【技術(shù)領(lǐng)域】】
[0001]本發(fā)明涉及圖像處理【技術(shù)領(lǐng)域】，尤其涉及一種空域共生圖像表示方法，以及用所述圖像表示進(jìn)行圖像分類(lèi)和識(shí)別的方法。。
【【背景技術(shù)】】
[0002]對(duì)圖像的信息進(jìn)行快速準(zhǔn)確的描述一直都是圖像分類(lèi)和圖像識(shí)別技術(shù)中研究的重難點(diǎn)?，F(xiàn)有技術(shù)中圖像特征的提取方法大多為圍繞圖像的顏色、紋理、形狀和空間關(guān)系展開(kāi)的，這些方法雖可描述圖像的局部特征，但是忽視了圖像中局部相鄰區(qū)域的相關(guān)性。在一個(gè)自然圖像中，空間上相鄰區(qū)域總是存在著很大的相關(guān)性，而這種相關(guān)性又在一定程度上反映了更復(fù)雜的圖像結(jié)構(gòu)，所以如何有效地捕捉這種相關(guān)性是非常重要的。現(xiàn)有技術(shù)“Textural Features for Image Classification，，(R.Haralick, K.Shanmugam and
1.Dinstein, IEEE Trans of Systems, Man and Cybernetics, 1973)提出描述空域的灰度像素值共生，將一定范圍空間內(nèi)像素的相關(guān)性因素即灰度共生作為圖像的重要信息，但是由于自然圖像存在光照，旋轉(zhuǎn)，尺度等變換，該現(xiàn)有技術(shù)中提出的空域的灰度共生是容易受到光照變化的影響，空域的灰度共生特征由于對(duì)光照的敏感而無(wú)法作為圖像信息對(duì)圖像進(jìn)行準(zhǔn)確描述。
【
【發(fā)明內(nèi)容】
】
[0003]本發(fā)明旨在解決上述現(xiàn)有技術(shù)中存在的問(wèn)題，提出一種空域共生的圖像表示方法，包括:
[0004]對(duì)輸入圖像提取采樣點(diǎn)，提取采樣點(diǎn)局部特征；
[0005]對(duì)采樣點(diǎn)的局部特征進(jìn)行量化索引，獲得索引值；
[0006]根據(jù)索引值統(tǒng)計(jì)獲得圖像空域共生特征。
[0007]進(jìn)一步地，所述提取采樣點(diǎn)的方法為密集采樣或興趣點(diǎn)檢測(cè)。
[0008]進(jìn)一步地,所述興趣點(diǎn)為DoG興趣點(diǎn)或Harris角點(diǎn)。
[0009]進(jìn)一步地，所述采樣點(diǎn)的局部特征為像素塊值，SIFT (尺度不變的特征變換)特征、LBP (局部二值模式)特征或HOG (梯度方向直方圖)特征。
[0010]進(jìn)一步地，所述根據(jù)索引值統(tǒng)計(jì)獲得圖像空域共生特征的具體步驟為根據(jù)兩個(gè)或多個(gè)索引在空域中同時(shí)存在的頻度或強(qiáng)度的統(tǒng)計(jì)結(jié)果獲得圖像空域共生特征。
[0011]本發(fā)明還提供了一種利用上述的圖像表示進(jìn)行圖像識(shí)別的方法，包括:
[0012]對(duì)輸入圖像提取采樣點(diǎn)，提取采樣點(diǎn)局部特征；
[0013]對(duì)采樣點(diǎn)的局部特征進(jìn)行量化索引，獲得索引值；
[0014]根據(jù)兩個(gè)或多個(gè)索引值在局部圖像區(qū)域內(nèi)的共生統(tǒng)計(jì)量獲得圖像空域共生特征；
[0015]以圖像空域共生特征表示作為分類(lèi)器輸入，根據(jù)樣本的類(lèi)別屬性，用分類(lèi)識(shí)別算法對(duì)不同類(lèi)型樣本進(jìn)行分類(lèi)器訓(xùn)練，得到不同類(lèi)型圖像的分類(lèi)器；[0016]用不同類(lèi)型圖像的分類(lèi)器對(duì)待測(cè)圖像進(jìn)行判別，對(duì)比不同類(lèi)型圖像的分類(lèi)器的判別結(jié)果，選取分類(lèi)器輸出分?jǐn)?shù)最大的類(lèi)別作為圖像識(shí)別結(jié)果。
[0017]進(jìn)一步地，所述分類(lèi)器為SVM (支持向量機(jī))分類(lèi)器、KNN (最鄰近)分類(lèi)器、RandomForest (隨機(jī)森林)分類(lèi)器或Bayesian (貝葉斯)分類(lèi)器。
[0018]進(jìn)一步地，進(jìn)行不同類(lèi)型樣本的分類(lèi)器訓(xùn)練時(shí)所用分類(lèi)器為SVM分類(lèi)器，所述SVM分類(lèi)器為線性支持向量機(jī)，將圖像空域共生特征進(jìn)行直接特征映射，用映射后所得特征進(jìn)行不同樣本的關(guān)系描述和計(jì)算。
[0019]進(jìn)一步地，所述識(shí)別方法在對(duì)圖像提取采樣點(diǎn)前進(jìn)一步包括以下步驟:根據(jù)不同分辨率對(duì)圖像進(jìn)行分塊，并將各分塊圖像的區(qū)域共存特征進(jìn)行集成。
[0020]本發(fā)明另外提供了一種利用上述的圖像表示進(jìn)行圖像分類(lèi)的方法，包括:
[0021]對(duì)輸入圖像提取采樣點(diǎn)，提取采樣點(diǎn)局部特征；
[0022]對(duì)采樣點(diǎn)的局部特征進(jìn)行量化索引，獲得索引值；
[0023]根據(jù)索引值統(tǒng)計(jì)獲得圖像空域共生特征；
[0024]根據(jù)圖像空域共生特征將圖像分類(lèi)到預(yù)定義內(nèi)容的類(lèi)別。
[0025]本發(fā)明最后提供了一種圖像識(shí)別系統(tǒng)，包括:
[0026]采樣模塊，用以對(duì)輸入圖像提取采樣點(diǎn)；
[0027]特征提取模塊，用以獲得圖像采樣點(diǎn)的局部特征；
[0028]索引模塊，用以根據(jù)圖像采樣點(diǎn)的局部特征進(jìn)行量化索引；
[0029]空域共生特征模塊，用以根據(jù)兩個(gè)或多個(gè)索引在空域中同時(shí)存在的頻度或強(qiáng)度的統(tǒng)計(jì)結(jié)果獲得圖像空域共生特征；
[0030]訓(xùn)練模塊，用以根據(jù)樣本的類(lèi)別屬性，用分類(lèi)識(shí)別算法對(duì)不同類(lèi)型樣本進(jìn)行分類(lèi)器訓(xùn)練，得到不同類(lèi)型圖像的分類(lèi)器；
[0031]識(shí)別模塊，用以對(duì)待測(cè)圖像進(jìn)行判別，對(duì)比不同類(lèi)型圖像的分類(lèi)器的判別結(jié)果，選取分類(lèi)器輸出分?jǐn)?shù)最大的類(lèi)別作為圖像識(shí)別結(jié)果。
[0032]進(jìn)一步地，所述識(shí)別系統(tǒng)還包括圖像分塊模塊，用于在提取采樣點(diǎn)前根據(jù)不同分辨率對(duì)輸入圖像進(jìn)行分塊。
[0033]本發(fā)明的有益效果在于，利用空域共生特征表示圖像，能夠更好地捕捉空域相關(guān)和局部上下文信息；利用空域共生特征進(jìn)行圖像分類(lèi)和識(shí)別，加快了計(jì)算速度，提高了識(shí)別性能。
【【專(zhuān)利附圖】

【附圖說(shuō)明】】
[0034]圖1是根據(jù)本發(fā)明的圖像表示方法的流程圖。
[0035]圖2是根據(jù)本發(fā)明的圖像識(shí)別方法的流程圖。
[0036]圖3表示根據(jù)本發(fā)明的圖像識(shí)別系統(tǒng)的結(jié)構(gòu)框圖。
[0037]圖4是根據(jù)本發(fā)明的圖像分類(lèi)方法的流程圖。
[0038]圖5表示根據(jù)本發(fā)明的圖像分類(lèi)系統(tǒng)的結(jié)構(gòu)框圖。
[0039]圖6是本發(fā)明實(shí)施例1的圖像識(shí)別方法流程圖。
[0040]圖7是本發(fā)明實(shí)施例2的圖像識(shí)別方法流程圖。
[0041]圖8是Labelme數(shù)據(jù)集分類(lèi)混淆矩陣圖。[0042]圖9是HUC-sports數(shù)據(jù)集分類(lèi)混淆矩陣圖。
[0043]圖10是Scene-15數(shù)據(jù)集分類(lèi)混淆矩陣圖。
[0044]圖11是SUN數(shù)據(jù)集識(shí)別率與訓(xùn)練樣本變化圖。
【【具體實(shí)施方式】】
[0045]為了使本領(lǐng)域的技術(shù)人員更好地理解本申請(qǐng)的技術(shù)方案，下面將結(jié)合本申請(qǐng)實(shí)施例中的附圖，對(duì)本申請(qǐng)實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整的描述。
[0046]本發(fā)明將局部特征索引的共生矩陣引入到采樣點(diǎn)的局部特征索引中，形成空域共生特征，用來(lái)進(jìn)行圖像表示。輸入圖像首先被提取采樣點(diǎn)，然后從采樣點(diǎn)的周邊圖像塊中提取一組特征向量作為局部特征，依據(jù)字典對(duì)局部特征進(jìn)行索引，最后在上述特征向量中尋找共生特征，最終形成空域共生特征，用空域共生特征作為圖像信息表征。針對(duì)空域共生特征選用合適的統(tǒng)計(jì)學(xué)習(xí)方法對(duì)其進(jìn)行訓(xùn)練分類(lèi)和識(shí)別，就可以進(jìn)一步完成圖像的分類(lèi)或識(shí)別。
[0047]圖1為根據(jù)本發(fā)明的圖像表示方法的流程圖。
[0048]在步驟SI，對(duì)輸入圖像提取采樣點(diǎn)，提取采樣點(diǎn)局部特征。提取采樣點(diǎn)的方法優(yōu)選為密集采樣或興趣點(diǎn)檢測(cè)。所述密集采樣為在X和I方向上等間隔的選取采樣點(diǎn)；所述興趣點(diǎn)檢測(cè)優(yōu)選DoG興趣點(diǎn)或Harris角點(diǎn)作為描述對(duì)象，即選擇DoG興趣點(diǎn)或Harris角點(diǎn)作為采樣點(diǎn)。還可選用其他興趣點(diǎn)作為采樣點(diǎn)。
[0049]在步驟S2，對(duì)采樣點(diǎn)的局部特征進(jìn)行量化索引，獲得索引值。首先對(duì)步驟I中所得采樣點(diǎn)提取特征，優(yōu)選提取采樣點(diǎn)的像素塊值，SIFT特征、LBP特征或HOG特征；然后，對(duì)提取的采樣點(diǎn)的特征進(jìn)行索引，針對(duì)提取的特征不同，采用不同的索引方式。第一，對(duì)于具有連續(xù)的特征分布空間的特征，首選要對(duì)提取的特征進(jìn)行聚類(lèi)，形成詞典，再將每個(gè)特征量化，將所述特征歸類(lèi)于最接近的單詞，建立所述特征的索引，例如SIFT特征；第二，對(duì)于具有離散的特征分布空間的特征，無(wú)需進(jìn)行聚類(lèi)，直接對(duì)特征進(jìn)行量化，索引，例如LBP特征和HOG特征，以LBP特征為例，LBP特征共有256個(gè)模式，所述256個(gè)模式為一部天然的詞典。
[0050]此步驟中優(yōu)選提取LBP特征或HOG特征進(jìn)行索引，簡(jiǎn)化步驟，加快完成速度。
[0051]在步驟S3，根據(jù)索引值統(tǒng)計(jì)獲得圖像空域共生特征。根據(jù)步驟S2所得局部特征索弓丨，統(tǒng)計(jì)兩個(gè)索引或多個(gè)索引的空域共生特征。本實(shí)施例以統(tǒng)計(jì)局部空域內(nèi)兩點(diǎn)的共生為例說(shuō)明統(tǒng)計(jì)方法。
[0052]選擇共生模式進(jìn)行統(tǒng)計(jì)，優(yōu)選為以下幾種:
[0053]第一，按照設(shè)定的位置模版統(tǒng)計(jì)共生，例如，圖像大小為NXM的圖像I，圖像I上的采樣點(diǎn)(x，y)的特征索引值為f (x，y)，對(duì)于位置模版U，v)，選擇共生矩陣C進(jìn)行統(tǒng)計(jì)，其中，(i，j)表示特定局部特征索引。
[0054]
【權(quán)利要求】
1.一種空域共生的圖像表示方法,包括: 對(duì)輸入圖像提取采樣點(diǎn)，提取采樣點(diǎn)局部特征； 對(duì)采樣點(diǎn)的局部特征進(jìn)行量化索引，獲得索引值； 根據(jù)索引值統(tǒng)計(jì)獲得圖像空域共生特征。
2.根據(jù)權(quán)利要求1所述的圖像表示方法，其特征在于，所述提取采樣點(diǎn)的方法為密集采樣或興趣點(diǎn)檢測(cè)。
3.根據(jù)權(quán)利要求2所述的圖像表示方法，其特征在于，所述興趣點(diǎn)為DoG興趣點(diǎn)或Harris 角點(diǎn)。
4.根據(jù)權(quán)利要求1所述的圖像表示方法，其特征在于，所述采樣點(diǎn)的局部特征為像素塊值、SIFT特征、LBP特征或HOG特征。
5.根據(jù)權(quán)利要求1所述的圖像表示方法，其特征在于，所述根據(jù)索引值統(tǒng)計(jì)獲得圖像空域共生特征的具體步驟為根據(jù)兩個(gè)或多個(gè)索引在空域中同時(shí)存在的頻度或強(qiáng)度的統(tǒng)計(jì)結(jié)果獲得圖像空域共生特征。
6.一種利用權(quán)利要求1的圖像表示進(jìn)行圖像識(shí)別的方法，包括: 對(duì)輸入圖像提取采樣點(diǎn)，并提取采樣點(diǎn)局部特征； 對(duì)采樣點(diǎn)的局部特征進(jìn)行量化索引，獲得索引值； 根據(jù)索引值統(tǒng)計(jì)獲得圖像空域共生特征； 以圖像空域共生特征表示作為分類(lèi)器輸入，根據(jù)樣本的類(lèi)別屬性，用分類(lèi)識(shí)別算法對(duì)不同類(lèi)型樣本進(jìn)行分類(lèi)器訓(xùn)練，得到不同類(lèi)型圖像的分類(lèi)器； 用不同類(lèi)型圖像的分類(lèi)器對(duì)待測(cè)圖像進(jìn)行判別，對(duì)比不同類(lèi)型圖像的分類(lèi)器的判別結(jié)果，選取分類(lèi)器輸出分?jǐn)?shù)最大的類(lèi)別作為圖像識(shí)別結(jié)果。
7.根據(jù)權(quán)利要求6所述的圖像識(shí)別方法，其特征在于，所述分類(lèi)器為SVM分類(lèi)器、KNN分類(lèi)器、Random Forest分類(lèi)器或Bayesian分類(lèi)器。
8.根據(jù)權(quán)利要求7所述的圖像識(shí)別方法，其特征在于，進(jìn)行不同類(lèi)型樣本的分類(lèi)器訓(xùn)練時(shí)所用分類(lèi)器為SVM分類(lèi)器，所述SVM分類(lèi)器為線性支持向量機(jī)，將圖像空域共生特征進(jìn)行直接特征映射，用映射后所得特征進(jìn)行不同樣本的關(guān)系描述和計(jì)算。
9.根據(jù)權(quán)利要求6所述的圖像識(shí)別方法，其特征在于，在對(duì)圖像提取采樣點(diǎn)前進(jìn)一步包括以下步驟:根據(jù)不同分辨率對(duì)圖像進(jìn)行分塊，并將各分塊圖像的區(qū)域共存特征進(jìn)行集成。
10.一種利用權(quán)利要求1的圖像表示進(jìn)行圖像分類(lèi)的方法，包括: 對(duì)輸入圖像提取采樣點(diǎn)，并提取采樣點(diǎn)局部特征； 對(duì)采樣點(diǎn)的局部特征進(jìn)行量化索引，獲得索引值； 根據(jù)索引值統(tǒng)計(jì)獲得圖像空域共生特征； 根據(jù)圖像空域共生特征將圖像分類(lèi)到預(yù)定義內(nèi)容的類(lèi)別。
11.一種圖像識(shí)別系統(tǒng)，包括: 采樣模塊，用以對(duì)輸入圖像提取采樣點(diǎn)； 特征提取模塊，用以獲得圖像采樣點(diǎn)的局部特征； 索引模塊，用以根據(jù)圖像采樣點(diǎn)的局部特征進(jìn)行量化索引； 空域共生特征模塊，用以根據(jù)兩個(gè)或多個(gè)索引在空域中同時(shí)存在的頻度或強(qiáng)度的統(tǒng)計(jì)結(jié)果獲得圖像空域共生特征； 訓(xùn)練模塊，用以根據(jù)樣本的類(lèi)別屬性，用分類(lèi)識(shí)別算法對(duì)不同類(lèi)型樣本進(jìn)行分類(lèi)器訓(xùn)練，得到不同類(lèi)型圖像的分類(lèi)器； 識(shí)別模塊，用以對(duì)待測(cè)圖像進(jìn)行判別，對(duì)比不同類(lèi)型圖像的分類(lèi)器的判別結(jié)果，選取分類(lèi)器輸出分?jǐn)?shù)最大的類(lèi)別作為圖像識(shí)別結(jié)果。
12.根據(jù)權(quán)利要求11所述的圖像識(shí)別系統(tǒng)，其特征在于，還包括圖像分塊模塊，用于在提取采樣點(diǎn)前根據(jù)不同分辨率對(duì)輸入圖像進(jìn)行分塊，并將各分塊圖像的區(qū)域共存特征進(jìn)行集成。
【文檔編號(hào)】G06K9/46GK103902965SQ201210590175
【公開(kāi)日】2014年7月2日 申請(qǐng)日期:2012年12月29日 優(yōu)先權(quán)日:2012年12月29日
【發(fā)明者】齊憲標(biāo), 喬宇 申請(qǐng)人:深圳先進(jìn)技術(shù)研究院