离散小波域copula模型图像分类方法技术

本发明专利技术提出一种在离散小波的高频子带和低频子带上分别建立copula模型的方法来表示图像，并应用于图像的分类。在图像特征提取阶段，首先将图像进行三层离散小波分解，在每一分解层的3个高频子带和1个低频子带上建立高斯copula模型，三层共12个高斯copula模型，高斯copula模型之间的相似度用Jeffrey距离来计算。在图像分类阶段，计算离散小波域所有子带的12个高斯copula模型的加权Jeffrey距离来实现图像分类。相比较于现有的离散小波域高斯copula模型，本发明专利技术能将分类准确率提高2到5个百分点。

Image classification method of copula model in discrete wavelet domain

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，把高频和低频上的copula模型结合起来能够进一步提高DWT小波图像表示能力。因而本专利技术提出一种在DWT域上的高频子带和低频子带上分别建立高斯copula模型的图像表示方法，并应用于图像的分类。在图像分类时，用对称的KLD(Kullback-LeiblerDivergence)来度量两个高斯copula模型之间的相似度，对称的KLD称为Jeffrey距离。本专利技术主要方案是在低频和高频子带内建立带内(intra-subband)依赖结构，并用高斯copula在依赖结构上建立多变量概率模型。本专利技术在每个子带上建立一个高斯copula模型，因而对图像分类归结为对所有子带上高斯copula模型进行比较。设计方案描述为：(1)首先用DWT小波将一副图像分解为3个层，每层有3个方向的高频子带和1个低频子带，共12子带(每个分解层上的低频子带都保留)。(2)在每一个子带上建立一个高斯copula模型。将子带组织为一个多变量的观察矩阵(每一列对应一个变量)，这些观察矩阵体现了若干变量之间的依赖关系。首先用单变量泛化高斯分布(GGD)拟合观察矩阵的每一列数据，即确定高斯copula模型的边缘分布。然后用高斯copula函数分别连接这些单变量模型(边缘分布模型)为一个高斯copula模型。(3)将这些高斯copula模型用于图像分类。高斯copula模型之间的相似度体现了图像之间的相似度。本专利技术用Jeffrey距离(JD)来表示两个高斯copula模型(分别表示为h1和h2)的相似程度，即：JD(h1,h2)＝0.5*(KLD(h1,h2)+KLD(h2,h1))其中其中KLD(g1,g2)是两个高斯copula函数之间的KLD距离；KLD(fi1,fi2)是高斯copula模型的第i个边缘分布之间的KLD距离。KLD(g1,g2)和KLD(fi1,fi2)分别为：其中γ＝0.577216。本专利技术的优点是不但用copula模型提捕获了不同尺度下图像的高频信息，同时也捕获了不同尺度下图像的低频信息(即图像的概貌信息)，提高小波对图像的表示能力。附图说明图1为本专利技术DWT分解示意图。图2为本专利技术在子带上建立高斯copula模型的方案示意图。具体实施方式本专利技术的具体实施步骤如下：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：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(见图2)：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的得到的ξ＝[ξ1,…,ξ9]，用最大似然法来计算高斯copula函数的参数R，即计算如下表达式：这样会得到一个大小为9×9的相关矩阵R。这样边缘分布参数和copula函数的参数全部计算完成表示为即建立好了高斯copula模型。步骤3，图像分类。输入图像为Iq，其类别未知。其对应的12个高斯copula模型为数据库中有M个已知类别的图像，表示为Ij，对应的特征为对图像Iq进行分类时，需要计算Iq和数据库中的图像Ij特征之间的相似程度，并选取与之相似度最高的图像的类别为Iq的类别。用下面用加权的Jeffrey距离计算两个图像之间的相似度：其中wk，k＝1,…,12分别是12个子带的权重。权重wk的值等于第k个子带对应的高斯copula模型在数据库中的正确识别率。表示的含义是某个子带的识别能力越强则赋予更大的权重wk。是第k个子带对应的高斯copula模型的Jeffrey距离，表示为：其中是在第k个子带上对应的两个高斯copula函数；类似地f1k,表示第k个子带上对应的两个高斯copula模型的边缘分布。的含义是：由于DWT子带内9个邻域变量呈近似相同的分布，因而这些变量对应高斯copula模型的边缘分布的Jeffrey距离具有相同的值。本文档来自技高网...

【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...

【专利技术属性】
技术研发人员：李朝荣，李明勇，何苏，
申请(专利权)人：宜宾学院，
类型：发明
国别省市：四川,51