一种结合超像素显著性特征与HOG特征的图像分类算法和系统技术方案

本发明专利技术公开一种结合超像素显著性特征与HOG特征的图像分类算法和系统，包括以下步骤：步骤1，将原始数据集进行HOG特征提取得到特征集A；步骤2，利用超像素分割对原始数据集进行处理，得到重构显著性图像数据集；步骤3，将重构后的显著性图像集利用SLBP编码方式得到新的特征集B，所述SLBP编码方式是对传统LBP编码方式的改进；步骤4，特征融合，将步骤1和步骤3所得到特征集A和特征集B进行相加；步骤5，结合步骤4得到的训练数据，利用KNN分类器对测试数据进行监督分类并计算分类精度。本发明专利技术方法较好地满足了小型工程设计对传统机器学习算法的要求，一定程度上提好了图像分类精度。

【技术实现步骤摘要】
一种结合超像素显著性特征与HOG特征的图像分类算法和系统
本专利技术属于图像分类
，适合于待分类图像数据集特征不明显、难以捕捉、相似度过高等分类场景，可用于目标识别、目标检索、数据库管理等领域。
技术介绍
近些年来，随着人工智能技术不断融入人类生活和工业生产，机器视觉的探索被认为是未来十年研究热点。目标检测、模式识别、图像分割等技术作为机器视觉的重要领域至关重要，如何提高图像分类算法的时效性、分类精度、鲁棒性是研究人员面临的一大挑战。图像分类主要包括特征提取、特征工程、特征分类过程，针对图像特征提取过程，继HOG(HistogramofOrientedGradient)特征提取方法以后，提出了LBP局部二值模式特征编码方法、SIFT局域特征检测方法、SURF稳健性局部特征提取、Harr(边缘特征、线性特征、点特征)多尺度特征描述等方法；针对特征降维过程，除了传统的PCA主成分分析法以外，还提出了LDA有监督线性降维方法、FAST-PCA改进性主成分分析法、LLE局部线性嵌入降维、LE拉普拉斯特征映射降维等方法；针对特征分类器的选择，最常用的分类器为SVM支持向量机、K-mens本文档来自技高网...

【技术保护点】
1.一种结合超像素显著性特征与HOG特征的图像分类算法，其特征在于，包括如下步骤：步骤1，将原始数据集进行HOG特征提取得到特征集A；步骤2，利用超像素分割对原始数据集进行处理，得到重构显著性图像数据集；步骤3，将重构后的显著性图像集利用SLBP编码方式得到新的特征集B，所述SLBP编码方式是对传统LBP编码方式的改进；步骤4，特征融合，将步骤1和步骤3所得到特征集A和特征集B进行相加；步骤5，结合步骤4得到的训练数据，利用KNN分类器对测试数据进行监督分类并计算分类精度。

【技术特征摘要】
1.一种结合超像素显著性特征与HOG特征的图像分类算法，其特征在于，包括如下步骤：步骤1，将原始数据集进行HOG特征提取得到特征集A；步骤2，利用超像素分割对原始数据集进行处理，得到重构显著性图像数据集；步骤3，将重构后的显著性图像集利用SLBP编码方式得到新的特征集B，所述SLBP编码方式是对传统LBP编码方式的改进；步骤4，特征融合，将步骤1和步骤3所得到特征集A和特征集B进行相加；步骤5，结合步骤4得到的训练数据，利用KNN分类器对测试数据进行监督分类并计算分类精度。2.如权利要求1所述的一种结合超像素显著性特征与HOG特征的图像分类算法，其特征在于：步骤3中所述SLBP的编码方式为，针对3*3的像素空间，首先进行归一化为0或者1之后，将中心像素点设置为1，从中心像素左侧的像素点按照逆时针顺序，以2进制进位方式编码直到最后一个像素点停止。3.如权利要求1所述的一种结合超像素显著性特征与HOG特征的图像分类算法，其特征在于：步骤1中HOG特征提取的具体实现包括如下子步骤，1a，将原始数据集中的RGB图像进行灰度转换，并采用Gamma校正法对图像进行归一化处理；1b，计算图像横坐标和纵坐标方向的梯度，以此计算每个像素的梯度大小和方向，并将图像分成若干细胞单元cells，Gi(i，j)＝H(i+1，j)-H(i-1，j)(1-1)Gi(i，j)＝H(i，j+1)-H(i，j-1)(1-2)式中i,j为像素点的横纵坐标，Gi(i，j)、Gj(i，j)是二维梯度值，G(i，j)是整体梯度，α(i，j)是梯度的方向，H(i，j)是cells中的二维坐标值；1c，统计每个cell梯度直方图，利用检测窗口来划分block块，检测出n*n个cell组成一个block，如果划分存在不够的情况下就会出现重叠，将block内的所有cells特征向量串联得到该block的HOG特征；1d，将所有重叠的block进行对比度归一化处理，结合所有block的HOG特征以及重叠block的对比度归一化处理结果，获得最终的特征向量即为特征集A。4.如权利要求1或2或3所述的一种结合超像素显著性特征与HOG特征的图像分类算法，其特征在于：步骤2中获得重构显著性图像数据集的具体实现包括如下子步骤，步骤2a，将原始数据集利用高斯滤波算子进行高斯滤波得到平滑图像数据集；步骤2b，对平滑后的数据集进行超像素分割，其中同一标签数字的像素属于同一超像素，超像素分割个数为m；步骤2c，根据所求超像素信息矩阵，分别求出每个超像素的全局、边缘、和局部显著性特征，然后分别对每个超像素的全局、边缘、和局部显著性特征进行归一化处理，并将归一化结果进行相加。5.如权利要求4所述的一种结合超像素显著性特征与HOG特征的图像分类算法，其特征在于：步骤2a中的高斯滤波算子大小为6*6，高斯滤波函数如式(2-1)所示：式中i,j表示像素点的横纵坐标，σ是标准差，Hi，j表示滤波后的向量，k指高斯滤波核的大小。6.如权利要求4所述的一种结合超像素显著性特征的图像分类算法，其特征在于：步骤2c中全局显著性计算公式如式(2-3)所示，边...

【专利技术属性】
技术研发人员：王云艳，罗冷坤，王重阳，周志刚，
申请(专利权)人：湖北工业大学，
类型：发明
国别省市：湖北,42