The invention proposes a method of building copula models separately on the high frequency sub-band and the low frequency sub-band of the discrete wavelet to represent the images, and applies them to the classification of images. In the phase of image feature extraction, the image is first divided into three layers of discrete wavelet decomposition. The Gauss copula model is established on 3 high-frequency subbands and 1 low frequency subbands of each decomposition layer, and the three layers have 12 Gauss copula models, and the similarity between Gauss copula models is calculated by Jeffrey distance. In the image classification stage, we calculate the weighted Jeffrey distance of the 12 Gauss copula models of all subbands in the discrete wavelet domain to realize image classification. Compared with the existing discrete wavelet domain Gauss copula model, the present invention can increase the accuracy of classification by 2 to 5 percentage points.
【技术实现步骤摘要】
离散小波域copula模型图像分类方法
本专利技术涉及图像分类领域,尤其是涉及在离散小波域建立copula模型的图像分类方法。
技术介绍
图像分类是计算机视觉中的重要研究内容,关键任务是如何提取图像特征以及利用特征来识别图像。离散小波(DiscreteWaveletTransform,DWT)能将图像分解为多尺度的子带,从而我们能在不同尺度上提取图像的特征。DWT分解后的子带包括若干高频子带和低频子带,其中高频子带凸显了图像的边缘轮廓等信息,低频子带则保留了图像的概貌信息。传统基于DWT的图像分类方法主要利用DWT的高频子带能量特征或者统计模型来表示图像。近年一些文献聚焦在DWT域上建立多维统计模型以来提高DWT的性能。Copula模型就是一种能在DWT域上建模多维统计模型的工具,且已经有报道在DWT域上建立copula的方法,并且获得了很好的效果。高斯copula是常用的copula,它的优点在于综合性能较好、计算方便。高斯copula的密度函数(PDF)表示如下:其中ξ=[ξ1,…,ξd],ξi=Φ-1(ui),Φ-1(·)是正态分布逆函数,R是高斯copula的参数成为相关矩阵,R决定随机变量之间的相关特性。在边缘分布的累积分布(CDF)序列ui给定情况下,用最大似然估计可以计算出R,表示如下:其中N是列向量ξi的长度,ξ=[ξ1,…,ξd]。从上面公式可以看出copula把不同的边缘分布ui连接为一个多维密度函数。
技术实现思路
现有文献报道了在DWT的高频子带建立copula模型,而忽略了在其低频子带上建立copula模型。经研究发现,把高频和低频上 ...
【技术保护点】
1.一种离散小波域copula模型图像分类方法,其特征在于该方法有如下步骤:步骤1,用离散小波(DWT)将图像Iq进行三层分解。对每层分解,分别有水平、垂直和对角方3个高频子带和1个低频子带,分别表示为:
【技术特征摘要】
1.一种离散小波域copula模型图像分类方法,其特征在于该方法有如下步骤:步骤1,用离散小波(DWT)将图像Iq进行三层分解。对每层分解,分别有水平、垂直和对角方3个高频子带和1个低频子带,分别表示为:Li,i=1,2,3。一共有12个子带,如图1所示。步骤2,在每个子带上建立一个高斯copula模型。建立高斯copula模型的实质是计算高斯copula模型的参数Θ。一共有12个高斯copula模型,用hk(x,Θ)表示,k=1,…,12,Θ是参数集合,它包含高斯copula函数的参数R和其边缘分布GGD的参数α和β,即Θ={R,α,β}。每个高斯copula模型的建立需要如下步骤。步骤2.1,用3×3滑动窗口在DWT子带上提取出一个N×9的观察矩阵(N=子带系数个数-2)。3×3窗口中的每个位置(共9个位置)对应一个变量(共9个变量)。当窗口在DWT子带上滑动时(从左到右从上到下,每次移动一个象素位),9个位置上会出现不同的子带系数。其中一个位置上对应的所有系数串接起来便是该对应变量的观察值。步骤2.2,用单变量泛化高斯分布(GGD)分别拟合观察矩阵的每一列数据,得到9个GGD边缘分布,用fi(xi)表示,i=1,…,9。拟合时采用最大似然方法来计算GGD的概率密度函数(PDF)的参数。GGD的概率密度函数PDF如下:其中,α和β分别是形状参数和尺度参数。由于9列数据来自DWT子带的局部邻域系数,他们有相近的概率分布,因而只要计算第一列的GGD参数估计值和即可,这样能以减少计算开销。步骤2.3,根据步骤2.1估算的和计算对应的样本点GGD的累积分布函数(CDF)的值,即:步骤2.4,计算高斯copula输入数据ξi。ξi为列向量,是高斯copula的输入数据。根据2.3计算的令得到ξi=Φ-1(ui)。最后得到ξ=[ξ1,…,ξ9]。步骤2.5,计算幅度子带对应的高斯copula相关矩阵R。根据步骤2.4...
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。