一种基于K‑近邻分类的图像识别方法技术

本发明专利技术一种基于K‑近邻分类的图像识别方法，该方法包括步骤S1：建立图像数据库；步骤S2：选择一副图像作为待检测图像，在所述图像数据库中利用K‑近邻分类算法对图像进行分类，形成K个类别的图像集合；步骤S3：对所述K个类别图像集合分别赋予相应的权值；步骤S4：获取待检测图像和K个类别图像集合的纹理特征向量，以及光谱特征向量；步骤S5：基于特征向量，计算待检测图像与K个类别图像集合中每一幅图像的距离，并按照距离大小对图像进行排序；步骤S6：根据图像的最终的相似性大小，输出固定数目的识别图像。本发明专利技术将K‑近邻分类算法应用到图像检索中，提高了图像检索技术的效率，解决了图像检索技术计算量大的问题。

【技术实现步骤摘要】

本专利技术涉及图像识别
，具体涉及一种基于K-近邻分类的图像识别方法。
技术介绍
基于内容的图像检索技术是上世纪发展起来的一种新的图像检索技术，取代了传统的基于文本的图像检索技术。基于内容的图像检索技术通过计算机自动提取图像的底层视觉特征，进而完成特征的匹配以及图像的检索，较于文本检索，因为不需要人工处理，所以大大提高了检索效率。但是面对大数据的今天，海量图像数据的存在造成了图像检索技术效率不高的问题。鉴于上述缺陷，本专利技术创作者经过长时间的研究和实践终于获得了本专利技术。
技术实现思路
为解决上述技术缺陷，本专利技术采用的技术方案在于，提供一种基于K-近邻分类的图像识别方法，该方法包括以下步骤：步骤S1：建立图像数据库；步骤S2：选择一副图像作为待检测图像，在所述图像数据库中利用K-近邻分类算法对图像进行分类，形成K个类别的图像集合；步骤S3：对所述K个类别图像集合分别赋予相应的权值；步骤S4：获取待检测图像和K个类别图像集合的纹理特征向量，以及光谱特征向量；步骤S5：基于特征向量，计算待检测图像与K个类别图像集合中每一幅图像的距离，并按照距离大小对图像进行排序；步骤S6：根据图像的最终的相似性大小，输出固定数目的识别图像。较佳的，所述步骤S1具体包括：步骤S11：获取图像；步骤S12：对获取的图像进行尺寸大小归一化；步骤S13：选择图像质量较高的图像作为图像数据库。较佳的，所述步骤S2具体包括：步骤S21：选择一副图像作为待检测图像；步骤S22：提取待检测图像的颜色直方图信息，得到颜色特征向量；步骤S23：分别计算待检测图像与图像数据库中每一幅图像的相似性；相似性公式为：simi=(Σj=1n|xj-yij|2)1/2]]>其中X＝(x1,x2,…xn)表示待检测图像的颜色特征向量，Yi＝(yi1,yi2,…yin)表示图像数据库中第i幅图像的颜色特征向量，i表示图像数据库中图像的数量。步骤S24：将相似性按数值按大小进行排序；步骤S25：将图像按照相似性大小分为K个类别，如果有重复的类别则依次往后进行下去，最后得到K个类别图像集合。较佳的，所述步骤S3具体包括：步骤S31：计算每一类别图像集合中图像的相似性大小的均值；步骤S32：将此均值作为每一类别图像集合的权值。较佳的，所述步骤S4具体包括：步骤S41：分别计算待检测图像和K个类别图像集合在图像坐标多个方向上、多个空间频率的Gabor滤波能量值的均值和方差，构成Gabor纹理特征向量；步骤S42：对待检测图像和K个类别图像集合进行多级小波分解，舍弃低频信息的子图像，对剩余的子图像计算其熵值和能量值，构成小波纹理特征向量；步骤S43：分别计算所有图像的光谱指数，构成图像的光谱特征向量。较佳的，所述步骤S5具体包括：步骤S51：分别计算待检测图像和K个类别图像集合中每一幅图像的相似性，相似性公式为：Dk＝(Σ|X-Y|2)1/2其中X,Y分别表示待检测图像和K个类别图像集合中的图像，Dk(k＝1,2,3)分别表示Gabor纹理距离，小波纹理距离和光谱纹理距离；步骤S52：计算最终的相似性：S＝sim·D，并按照此相似性对得出的结果对图像进行从大到小排序。较佳的，所述步骤S6之后还包括：步骤S7：如果对输出结果不满意则返回步骤S2，调节参数，直到输出满意的结果为止。与现有技术相比，本专利技术的有益效果在于：本专利技术提供的一种基于K-近邻分类的图像识别方法有如下好处：(1)本专利技术将K-近邻分类算法应用到图像检索中，提高了图像检索技术的效率，解决了图像检索技术计算量大的问题。(2)采用了多种特征来实现图像识别，将多种不同的特征进行融合，提高了图像识别的精度。附图说明为了更清楚地说明本专利技术各实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍。图1为本专利技术的一种基于K-近邻分类的图像识别方法的流程图；图2为步骤S1的流程图；图3为步骤S2的流程图；图4为步骤S3的流程图；图5为步骤S4的流程图；图6为步骤S5的流程图。具体实施方式以下结合附图，对本专利技术上述的和另外的技术特征和优点作更详细的说明。如图1所示，为本专利技术的一种基于K-近邻分类的图像识别方法的流程图，该方法包括以下步骤：步骤S1：建立图像数据库。如图2所示，为步骤S1的流程图，该步骤S1具体包括：步骤S11：获取图像。步骤S12：对获取的图像进行尺寸大小归一化。步骤S13：选择图像质量较高的图像作为图像数据库。步骤S2：选择一副图像作为待检测图像，在图像数据库中利用K-近邻分类算法对图像进行分类，形成K个类别的图像集合。如图3所示，为步骤S2的流程图，该步骤S2具体包括：步骤S21：选择一副图像作为待检测图像。步骤S22：提取待检测图像的颜色直方图信息，得到颜色特征向量。步骤S23：分别计算待检测图像与图像数据库中每一幅图像的相似性。相似性公式为：simi=(Σj=1n|xj-yij|2)1/2]]>其中X＝(x1,x2,…xn)表示待检测图像的颜色特征向量，Yi＝(yi1,yi2,…yin)表示图像数据库中第i幅图像的颜色特征向量，i表示图像数据库中图像的数量。步骤S24：将相似性按数值按大小进行排序。步骤S25：将图像按照相似性大小分为K个类别，如果有重复的类别则依次往后进行下去，最后得到K个类别图像集合。步骤S3：对这K个类别图像集合分别赋予相应的权值。如图4所示，为步骤S3的流程图，该步骤S3具体包括：步骤S31：计算每一类别图像集合中图像的相似性大小的均值。步骤S32：将此均值作为每一类别图像集合的权值。步骤S4：获取待检测图像和K个类别图像集合的纹理特征向量，以及光谱特征向量。如图5所示，为步骤S4的流程图，该步骤S4具体包括：步骤S41：分别计算待检测图像和K个类别图像集合在图像坐标多个方向上、多个空间频率的Gabor滤波能量值的均值和方差，构成Gabor纹理特征向量。步骤S42：对待检测图像和K个类别图像集合进行多级小波分解，舍弃低频信息的子图像，对剩余的子图像计算其熵值和能量值，构成小波纹理特征向量。步骤S43：分别计算所有图像的光谱指数，构成图像的光谱特征向量。步骤S5：基于特征向量，计算待检测图像与K个类别图像集合中每一幅图像的距离，并按照距离大小对图像进行排序。如图6所示，为步骤S5的流程图，该步骤S5具体包括：步骤S51：分别计算待检测图像和K个类别图像集合中每一幅图像的相似性，相似性公式为：Dk＝(Σ|X-Y|2)1/2其中X,Y分别表示待检测图像和K个类别图像集合中的图像，Dk(k＝1,2,3)分别表示Gabor纹理距离，小波纹理距离和光谱纹理距离。步骤S52：计算最终的相似性：S＝sim·D，并按照此相似性对得出的结果对图像进行从大到小排序。步骤S6：根据图像的最终的相似性大小，输出固定数目的识别图像。该方法还包括步骤S7：如果对输出结果不满意则返回步骤S2，调节参数，直到输出满意的结果为止。本专利技术提供的一种基于K-近邻分类的图像识别方法有如下好处：(1)本专利技术将K-近邻分类算法应用到图像检索中，提高了图像检索技术的效率，解决了图像检索技术计算量大的问题。(2)采用了多种特征来实现图像识别，将多种不同的特征进行融合，提本文档来自技高网...

【技术保护点】
一种基于K‑近邻分类的图像识别方法，其特征在于，该方法包括以下步骤：步骤S1：建立图像数据库；步骤S2：选择一副图像作为待检测图像，在所述图像数据库中利用K‑近邻分类算法对图像进行分类，形成K个类别的图像集合；步骤S3：对所述K个类别图像集合分别赋予相应的权值；步骤S4：获取待检测图像和K个类别图像集合的纹理特征向量，以及光谱特征向量；步骤S5：基于特征向量，计算待检测图像与K个类别图像集合中每一幅图像的距离，并按照距离大小对图像进行排序；步骤S6：根据图像的最终的相似性大小，输出固定数目的识别图像。

【技术特征摘要】
1.一种基于K-近邻分类的图像识别方法，其特征在于，该方法包括以下步骤：步骤S1：建立图像数据库；步骤S2：选择一副图像作为待检测图像，在所述图像数据库中利用K-近邻分类算法对图像进行分类，形成K个类别的图像集合；步骤S3：对所述K个类别图像集合分别赋予相应的权值；步骤S4：获取待检测图像和K个类别图像集合的纹理特征向量，以及光谱特征向量；步骤S5：基于特征向量，计算待检测图像与K个类别图像集合中每一幅图像的距离，并按照距离大小对图像进行排序；步骤S6：根据图像的最终的相似性大小，输出固定数目的识别图像。2.根据权利要求1所述的图像识别方法，其特征在于，所述步骤S1具体包括：步骤S11：获取图像；步骤S12：对获取的图像进行尺寸大小归一化；步骤S13：选择图像质量较高的图像作为图像数据库。3.根据权利要求2所述的图像识别方法，其特征在于，所述步骤S2具体包括：步骤S21：选择一副图像作为待检测图像；步骤S22：提取待检测图像的颜色直方图信息，得到颜色特征向量；步骤S23：分别计算待检测图像与图像数据库中每一幅图像的相似性；相似性公式为：simi=(Σj=1n|xj-yij|2)1/2]]>其中X＝(x1,x2,…xn)表示待检测图像的颜色特征向量，Yi＝(yi1,yi2,…yin)表示图像数据库中第i幅图像的颜色特征向量，i表示图像数据库中图像的数量。步骤S24：将相似性按数值按大小进行排序；步骤S25：将图像按照相似...

【专利技术属性】
技术研发人员：杨婉，李青海，简宋全，邹立斌，
申请(专利权)人：广州精点计算机科技有限公司，
类型：发明
国别省市：广东;44