專利名稱：基于d-s證據(jù)理論的視覺詞典構(gòu)建方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像特征提取，視覺聚類以及圖像分類技術(shù)領(lǐng)域，尤其涉及一種基于D-S證據(jù)理論的視覺詞典構(gòu)建方法。
背景技術(shù)：
圖像分類是計(jì)算機(jī)視覺領(lǐng)域內(nèi)的一個重點(diǎn)研究的問題，它能夠?qū)⒉煌悇e的目標(biāo)區(qū)分開來，在衛(wèi)星遙感，航空航天，生物醫(yī)學(xué)等方面具有廣泛的應(yīng)用。近年來，使用詞袋(bag-of-words)模型表示圖像并實(shí)現(xiàn)圖像對象分類的方法，由于其實(shí)現(xiàn)了基于多個圖像特征的圖像表示模型，因此在圖像分類中受到較大的關(guān)注。而在詞袋模型中需要首先構(gòu)建圖像類的視覺詞典。視覺詞典構(gòu)建的好壞直接影響了圖像分類的效果。目前傳統(tǒng)的視覺字典的構(gòu)造方法是在提取圖像特征例如顏色，紋理等的基礎(chǔ)上，將提取的圖像特征使用聚類方法，例如K均值(K-Means)聚類,來構(gòu)造視覺詞典。如Jayech等人將圖像分成塊,分別使用高斯混合模型 Gaussian Mixture Model)和灰度共生矩陣 Gray Level Co-occurrenceMatrix)提取分塊的顏色特征和紋理特征，經(jīng)過K均值聚類后形成視覺詞典，進(jìn)而利用貝葉斯網(wǎng)絡(luò)實(shí)現(xiàn)圖像的分類。WiIlamowski等人使用樸素貝葉斯和支持向量機(jī)實(shí)現(xiàn)圖像的分類識別則是在提取圖像的SIFT (scale invariant feature transform)特征后，經(jīng)過K均值聚類構(gòu)建詞匯表。Xu等人經(jīng)過SIFT特征提取和DENCLUE聚類后獲得視覺字典，然后計(jì)算點(diǎn)間互信息獲得重要的特征，使用支持向量機(jī)實(shí)現(xiàn)圖像分類識別。上面所提到的構(gòu)建視覺字典方法一般是將提取的多個特征形成統(tǒng)一的特征向量，然后使用聚類方法。這種方法在視覺聚類的過程中只考慮了特征的視覺相似性而導(dǎo)致忽略了不同特征對構(gòu)建視覺字典的影響。因此如何考察不同特征的視覺相似性，區(qū)分出對聚類影響度不同的特征，從而構(gòu)造更加精確地視覺字典就顯得非常重要。D-S證據(jù)理論是由Dempster提出并有Shafer進(jìn)一步發(fā)展而來的，是一種信息融合技術(shù)。這個理論是經(jīng)典概率論的一種擴(kuò)充形式，是對傳統(tǒng)Bayes理論的推廣。它是一種建立在置信函數(shù)和似然函數(shù)上的數(shù)學(xué)證據(jù)理論，將證據(jù)的信任函數(shù)與概率論的上下值相聯(lián)系，用信任函數(shù)和似然度來解釋多值映射，并在此基礎(chǔ)上形成了處理不確定信息的證據(jù)理論。它可以結(jié)合一個事件的不同證據(jù)信息來計(jì)算這個事件發(fā)生的概率，能夠處理被忽略或者丟失的信息，提供不同信息源之間信息的不精確性和沖突估計(jì)。在D-S證據(jù)理論中，基本概率賦值函數(shù)用來描述每個傳感器或同一傳感器的某一特征對假設(shè)命題的影響，置信函數(shù)和似然函數(shù)表示某個假設(shè)命題的可信度，各個特征的共同作用則可用組合公式來計(jì)算，而命題的最后判斷則用決策規(guī)則來實(shí)現(xiàn)。由于D-S證據(jù)理論在處理不確定信息方面的作用，它可以應(yīng)用在圖像分類，對象識別等多個方面。有鑒于此，有必要提供一種基于D-S證據(jù)理論的視覺詞典構(gòu)建方法以解決上述問題
發(fā)明內(nèi)容
本發(fā)明提供了一種基于D-S證據(jù)理論的視覺詞典構(gòu)建方法，通過使用D-S證據(jù)理論考察不同特征的視覺相似性并進(jìn)行特征融合，從而對初始視覺字典進(jìn)行更進(jìn)一步的細(xì)分，構(gòu)造出更加更加有效的視覺詞典，提高圖像的分類準(zhǔn)確率。為了實(shí)現(xiàn)上述目的，本發(fā)明實(shí)施例提供的技術(shù)方案如下:一種基于D-S證據(jù)理論的視覺詞典構(gòu)建方法，所述方法包括:S1、提取所有訓(xùn)練圖像的SIFT特征，應(yīng)用K均值實(shí)現(xiàn)初步的視覺字典分類得到K個子類；S2、設(shè)定分類閾值t和熵閾值S，其中分類閾值t表示設(shè)定的最大聚類個數(shù)即最大視覺單詞個數(shù)，閾值s表示允許應(yīng)用D-S證據(jù)理論進(jìn)行子類分解的信息熵閾值；S3、判斷當(dāng)前的分類數(shù)是否小于t，若是，執(zhí)行步驟S4，若否，執(zhí)行步驟S7 ；S4、對已有分類計(jì)算每個子類的信息熵；S5、選擇信息熵最大的一個子類作為當(dāng)前要分解的類，判斷該子類的信息熵是否大于s，若是，執(zhí)行步驟S6，若否，執(zhí)行步驟S7 ；S6、將當(dāng)前信息熵最大的子類h運(yùn)用D-S證據(jù)理論進(jìn)一步分類；S7、計(jì)算新形成的子類的聚類中心，形成視覺詞典。作為本發(fā)明的進(jìn)一步改進(jìn)，所述步驟S4中信息熵的計(jì)算公式為:
權(quán)利要求
1.一種基于D-S證據(jù)理論的視覺詞典構(gòu)建方法，其特征在于，所述方法包括: 51、提取所有訓(xùn)練圖像的SIFT特征，應(yīng)用K均值實(shí)現(xiàn)初步的視覺字典分類得到K個子類； 52、設(shè)定分類閾值t和熵閾值S，其中分類閾值t表示設(shè)定的最大聚類個數(shù)即最大視覺單詞個數(shù)，閾值s表示允許應(yīng)用D-S證據(jù)理論進(jìn)行子類分解的信息熵閾值； 53、判斷當(dāng)前的分類數(shù)是否小于t，若是，執(zhí)行步驟S4，若否，執(zhí)行步驟S7; 54、對已有分類計(jì)算每個子類的信息熵； 55、選擇信息熵最大的一個子類作為當(dāng)前要分解的類，判斷該子類的信息熵是否大于s，若是，執(zhí)行步驟S6，若否，執(zhí)行步驟S7 ； 56、將當(dāng)前信息熵最大的子類h運(yùn)用D-S證據(jù)理論進(jìn)一步分類； 57、計(jì)算新形成的子類的聚類中心，形成視覺詞典。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟S4中信息熵的計(jì)算公式為:
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟S5中當(dāng)前信息熵最大的子類為:
4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟S7中新形成的子類的聚類中心的計(jì)算公式為:
5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟S6具體為: S61、在當(dāng)前要分解的子類h中，提取每個SIFT特征點(diǎn)周圍大小為M*M的鄰域即每個區(qū)域的HSV顏色空間上的顏色特征； S62、使用歐幾里得距離表示兩個區(qū)域顏色特征的相似度，選取距離最大的兩個區(qū)域，將這兩個區(qū)域作為D-S證據(jù)理論圖像模型庫； S63、對于余下的每個SIFT區(qū)域，獲取它們各自的SIFT特征和SIFT特征點(diǎn)周圍M*M范圍鄰域即這個區(qū)域的HSV顏色特征； S64、根據(jù)D-S證據(jù)理論融合規(guī)則進(jìn)行融合； S65、依據(jù)決策規(guī)則實(shí)現(xiàn)對每個區(qū)域的分類； S66、對于新形成的所有的子類，執(zhí)行步驟S3。
6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述步驟S64中D-S證據(jù)理論融合規(guī)則具體為:
7.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述步驟S65決策規(guī)則包括: 目標(biāo)類別具有最大的基本概率賦值； 目標(biāo)類別的基本概率賦值與其它類別的基本概率賦值的差值必須大于預(yù)設(shè)閾值tl ； 不確定性概率Hii (Θ)必須小于預(yù)設(shè)閾值t2 ； 目標(biāo)類別的基本概率賦值必須大于不確定性概率Hii (O)。
全文摘要
本發(fā)明公開了一種基于D-S證據(jù)理論的視覺詞典構(gòu)建方法，包括S1、提取所有訓(xùn)練圖像的SIFT特征，應(yīng)用K均值實(shí)現(xiàn)初步的視覺字典分類得到K個子類；S2、設(shè)定分類閾值t和熵閾值s；S3、判斷當(dāng)前的分類數(shù)是否小于t，若是，執(zhí)行步驟S4，若否，執(zhí)行步驟S7；S4、對已有分類計(jì)算每個子類的信息熵；S5、選擇信息熵最大的一個子類作為當(dāng)前要分解的類，判斷該子類的信息熵是否大于s，若是，執(zhí)行步驟S6，若否，執(zhí)行步驟S7；S6、將當(dāng)前信息熵最大的子類h運(yùn)用D-S證據(jù)理論進(jìn)一步分類；S7、計(jì)算新形成的子類的聚類中心，形成視覺詞典。本發(fā)明能構(gòu)造出更加更加有效的視覺詞典，提高圖像的分類準(zhǔn)確率。
文檔編號G06K9/62GK103093238SQ201310014988
公開日2013年5月8日 申請日期2013年1月15日 優(yōu)先權(quán)日2013年1月15日
發(fā)明者沈項(xiàng)軍, 高海迪, 朱倩, 曾蘭玲 申請人:江蘇大學(xué)