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 ...
【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 ) * ...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。