一种基于特征融合和KNN的3D画智能分类算法制造技术

一种基于特征融合和KNN的3D画智能分类算法，包括如下步骤：1)分别采用Lbp算法、Gist算法和Phog算法进行3D画图片特征提取得到对应的特征向量，2)将提取到的特征向量进行融合，得到融合特征；3)基于融合特征，采用KNN算法构建3D画智能分类器。本发明专利技术是一种将计算机与艺术相结合的创新性尝试，可以促进3D画的自动手机存储，为设计人员和大众提供丰富全面的3D画浏览和检索。在算法设计方面，LBP特征能提取图像中的纹理，Gist特征能提取图像空间包络，PHOG特征能提取局部图像边缘，这些特征的融合能全面地反映出墙画、地画、墙地画和凹墙角画的艺术区别，有助于提高3D画分类的准确度。

An intelligent classification algorithm for 3D images based on feature fusion and KNN

A 3D intelligent classification algorithm based on feature fusion and KNN, which comprises the following steps: 1) were 3D picture feature extraction feature vector corresponding to the Lbp algorithm, Gist algorithm and Phog algorithm, 2) fusion feature vector extraction to get the fusion feature; 3) based on feature fusion, construction 3D intelligent classifiers using KNN algorithm. The invention relates to an innovative attempt to combine the computer and the art, which can promote the storage of the automatic mobile phone of the 3D picture, and provides a rich and comprehensive 3D browsing and searching for the designers and the public. In algorithm design, the extracted image texture feature extraction LBP, image space envelope can Gist feature extraction of local image edge PHOG characteristics, the integration of these features can reflect the mural painting, painting, wall painting and concave corner painting artistic distinction, is helpful to improve the accuracy of 3D classification the.

【技术实现步骤摘要】

本专利技术涉及3D画分类领域，特别是一种基于特征融合和KNN的3D画智能分类算法。
技术介绍
近年来，裸眼3D画以其特殊的艺术表现、超强的视觉震撼力以及极具趣味的互动性受到越来越多的关注与追捧，覆盖了广告，展会，家居等多个领域，具有广阔的发展前景。一般情况下，3D画是根据其艺术表现形式进行分类的，比如墙画、地画、墙地画、凹墙角画等。然而，随着3D画艺术的流行发展和商业应用，越来越多的作品被艺术家们创作出来。如何有效地收集汇总大量的3D画，构建3D画数据库，进行准确而快速的管理和检索3D画，成了3D画设计和应用行业的迫切需求。针对3D画这个垂直领域的服务，尚未有企业和组织进行相关工作。
技术实现思路
本专利技术的主要目的在于提出一种基于特征融合和KNN的3D画智能分类方法，能对用户上传的图片进行基于艺术表现形式的智能识别和分类，有助于3D画的自动化存储系统构建。本专利技术采用如下技术方案：一种基于特征融合和KNN的3D画智能分类算法，其特征在于：1)分别采用Lbp算法、Gist算法和Phog算法进行3D画图片特征提取得到对应的特征向量，2)将提取到的特征向量进行融合，得到融合特征；3)基于融合特征，采用KNN算法构建3D画智能分类器。优选的，在步骤1)中，将一张大小为M×N的3D画图像img通过旋转不变模式LPB算法提取若干个关键特征点，生成特征向量FVLBP。优选的，所述LPB算法具体如下1.1A)以R为半径的P点邻域，gc为中心，gp为邻域点，区分邻域比中心亮度大还是小的方法是式中s(x)＝1(x≥0),s(x)＝0(x<0)；1.2A)在环形邻居的点集中，若中心像素的位置为(x,y)，则邻近像素点gi的位置计算为：1.3A)对环形邻居集上的编码进行按右循环右移操作ROR，获得LBP旋转不变编码，取值最小的编码为最后的LBP编码。旋转操作如下：1.4A)通过测度U将LBP编码中的U≤2的编码归为等价模式类，除等价模式类以外的模式都归为另一类，称为混合模式类，测度U定义为1.5A)经过旋转和归一化，一幅图片的LBP特征是包含P+2个特征点。优选的，在步骤1)中，将一幅大小为M×N的3D画图像img通过Gist算法提取若干个关键特征点，生成特征向量FVGist。5、如权利要求4所述的一种基于特征融合和KNN的3D画智能分类算法，其特征在于：所述Gist算法具体如下1.1B)将3D图相灰度化并缩放成128*128；1.2B)将一幅大小为r×c的灰度图像f(x,y)划分成np*np规格的网格，则网格块数为ng＝np*np，各个网格块按行依次记作Pi，其中i＝1,2,...,ng；网格块的大小为r′×c′，其中r′＝r/np,c′＝c/np；1.3B)分别用nc个通道的滤波器对图像进行卷积滤波，则每个网格块各通道滤波后级联的结果成为块Gist(PG)特征，即 G i P ( x , y ) = c a t n c ( f ( x , y ) * g m n ( x , y ) ) ]]>其中(x,y)∈Pi，gmn(x,y)＝α-mg(x′,y′),α>1是多尺度多方向Gabor滤波器，x′＝α-m(xcosθ+ycosθ),y′＝α-m(-xsinθ+ycosθ),θ＝nπ/(n+1)，式中x,y为图像像素坐标位置，σx,σy分别是x和y方向上高斯因子的方差，f0是滤波器中心频率，φ是该谐波因子的相位差，α-m为母小波膨胀的尺度因子，θ为旋转角度，m为尺度数，n为方向数，GP的维数为nc×r′×c′；1.4B)对GP各通道滤波结果取均值后按行组合的结果称为全局Gist(GG)特征，即其中GG的维数为nc×ng。优选的，在步骤1)中，将一幅大小为M×N的3D画图像img通过PHOG算法提取若干个关键特征点，生成特征向量FVPHOG。优选的，所述PHOG算法具体如下1.1C)选择第一层划分，划分成1*1小cells；1.2C)计算每个cell中每个pixel的gradient，即式中Ix，Iy代表水平和垂直方向上的梯度值，M(x,y),θ(x,y)分别表示梯度的幅度值和方向；1.3C)将360度分割成8个bin，,每个bin包含45度，整个直方图包含8维,然后根据每个像素点的梯度方向，利用双线性内插值法将其幅值累加到直方图中,此时得到整幅图的小HOG特征为1*8＝8；1.4C)选择第二层划分，划分成2*2小cells，回到1.2C)，直至整幅图的小HOG特征为4*8＝32，进入1.5C)；1.5C)选择第三层划分，划分成4*4小cells，回到1.2C)，直至整幅图的小HOG特征为16*8＝128,进入1.6)；1.6C)选择第四层划分，划分成8*8小cells，回到1.2)，直至整幅图的小HOG特征为64*8＝512，进入1.7)；1.7C)对四层小HOG特征进行归一化后级联，则得到总特征为8+32+128+512＝680。优选的，在步骤3)中基于融合特征使用KNN分类器对3D画数据集进行算法实验，具体为：数据集包括墙画、地画、墙地画和凹墙角；各分类随机选择一半样本作为训练数据集，余下的样本作为测试集数据，该随机抽样实验重复3次，取平均值作为报告结果；在训练过程中，距离度量为欧式距离。由上述对本专利技术的描述可知，与现有技术相比，本专利技术具有如下有益效果：本专利技术是一种将计算机与艺术相结合的创新性尝试，可以促进3D画的自动手机存储，为设计人员和大众提供丰富全面的3D画浏览和检索。在算法设计方面，LBP特征能提取图像中的纹理，Gist特征能提取图像空间包络，PHOG特征能提取局部图像边缘，这些特征的融合能全面地反映出墙画、地画、墙地画和凹墙角画的艺术区别，有助于提高3D画分类的准确度。附图说明图1为本专利技术分类结果示意图。具体实施方式以下通过具体实施方式对本专利技术作进一步的描述。一种基于特征融合和KNN的3D画智能分类算法，包括如下步骤1)分别采用Lbp算法、Gist算法和Phog算法进行3D画图片特征提取得到对应的特征向量，具体如下：1A)将一张大小为M×N的3D画图像img通过旋转不变模式LPB算法提取18个关键特征点，生成特征向量FVLBP，记为FVLBP＝(x1，x2，…，x18)，具体如下：1.1A)以R为半径的P点邻域，gc为中心，gp为邻域点，区分邻域比中心亮度大还是小的方法是式中s(x)＝1(x≥0),s(x)＝0(x<0)。具体地，R＝2，P＝16。1.2A)在环形邻居的点集中，那些没有刚好落在像素中心位本文档来自技高网...

【技术保护点】
一种基于特征融合和KNN的3D画智能分类算法，其特征在于：1)分别采用Lbp算法、Gist算法和Phog算法进行3D画图片特征提取得到对应的特征向量，2)将提取到的特征向量进行融合，得到融合特征；3)基于融合特征，采用KNN算法构建3D画智能分类器。

【技术特征摘要】
1.一种基于特征融合和KNN的3D画智能分类算法，其特征在于：1)分别采用Lbp算法、Gist算法和Phog算法进行3D画图片特征提取得到对应的特征向量，2)将提取到的特征向量进行融合，得到融合特征；3)基于融合特征，采用KNN算法构建3D画智能分类器。2.如权利要求1所述的一种基于特征融合和KNN的3D画智能分类算法，其特征在于：在步骤1)中，将一张大小为M×N的3D画图像img通过旋转不变模式LPB算法提取若干个关键特征点，生成特征向量FVLBP。3.如权利要求2所述的一种基于特征融合和KNN的3D画智能分类算法，其特征在于：所述LPB算法具体如下1.1A)以R为半径的P点邻域，gc为中心，gp为邻域点，区分邻域比中心亮度大还是小的方法是式中s(x)＝1(x≥0),s(x)＝0(x<0)；1.2A)在环形邻居的点集中，若中心像素的位置为(x,y)，则邻近像素点gi的位置计算为：1.3A)对环形邻居集上的编码进行按右循环右移操作ROR，获得LBP旋转不变编码，取值最小的编码为最后的LBP编码。旋转操作如下：1.4A)通过测度U将LBP编码中的U≤2的编码归为等价模式类，除等价模式类以外的模式都归为另一类，称为混合模式类，测度U定义为1.5A)经过旋转和归一化，一幅图片的LBP特征是包含P+2个特征点。4.如权利要求1所述的一种基于特征融合和KNN的3D画智能分类算法，其特征在于：在步骤1)中，将一幅大小为M×N的3D画图像img通过Gist算法提取若干个关键特征点，生成特征向量FVGist。5.如权利要求4所述的一种基于特征融合和KNN的3D画智能分类算法，其特征在于：所述Gist算法具体如下1.1B)将3D图相灰度化并缩放成128*128；1.2B)将一幅大小为r×c的灰度图像f(x,y)划分成np*np规格的网格，则网格块数为ng＝np*np，各个网格块按行依次记作Pi，其中i＝1,2,...,ng；网格块的大小为r′×c′，其中r′＝r/np,c′＝c/np；1.3B)分别用nc个通道的滤波器对图像进行卷积滤波，则每个网格块各通道滤波后级联的结果成为块Gist(PG)特征，即 G i P ( x , y ) = c a t n c ( f ( x , y ) * ...

【专利技术属性】
技术研发人员：王华珍，张帆，
申请(专利权)人：华侨大学，
类型：发明
国别省市：福建;35