The invention relates to an image texture feature extraction and recognition method based on multivariable logarithmic Gauss mixture model, belonging to the field of pattern recognition technology. Firstly, a texture image is filtered by a two-dimensional Gabor filter and a logarithmic Gauss random vector is constructed; a multivariable logarithmic Gauss probability model is used to model the parameters of the logarithmic Gauss random vector; then, a multivariable logarithmic Gabor probability model is used to model the parameters of the logarithmic Gauss random vector; and the multivariable obtained by parameter modeling is used to model the logarithmic The parameter_in the logarithmic Gauss probability mixture model is estimated by the maximum expectation, and the multivariable logarithmic Gauss probability mixture model is obtained. Finally, the probability of the texture image to be classified belongs to the multivariable logarithmic Gauss mixture model of all kinds of images is calculated, which is the basis of classification. The method can effectively recognize texture images with non-Gaussian and thick tail statistical characteristics.
【技术实现步骤摘要】
一种基于多变量对数高斯混合模型的图像纹理特征提取及识别方法
本专利技术涉及一种基于多变量对数高斯混合模型的图像纹理特征提取及识别方法,属于模式识别
技术介绍
纹理是图像的一种重要特征,广泛应用于模式识别与计算机视觉领域。纹理统计是纹理识别的一种重要方法,当前纹理统计模型可以分成高斯统计模型和非高斯统计模型。二维Gabor滤波器是一种有效的图像纹理特征提取方法。二维Gabor滤波器的研究主要集中在二维Gabor滤波器参数选择,快速计算和各种各样应用方面。目前也存在极少量的工作研究图像Gabor滤波后结果的统计特征,主要采用高斯概率模型进行研究,包括均值、协方差和概率密度等。通过对纹理图像Gabor滤波后结果进行统计分析,可以发现其分布并不服从高斯分布,而是具有厚拖尾的非高斯特征,故应采用非高斯模型,即对数高斯模型对纹理图像Gabor滤波后的结果进行统计建模。
技术实现思路
本专利技术提供了一种基于多变量对数高斯混合模型的图像纹理特征提取及识别方法,以用于解决纹理统计分布中具有厚拖尾特征的纹理图像特征提取及识别问题。针对传统高斯混合模型无法建模厚拖尾统计分布的缺陷,本专利技术提出的基于多变量对数高斯混合模型的图像纹理特征提取及识别方法能建模厚拖尾统计分布,且本专利技术的纹理图像识别率高。本专利技术的技术方案是:一种基于多变量对数高斯混合模型的图像纹理特征提取及识别方法,所述方法的具体步骤如下:Step1、首先对一幅纹理图像采用高斯二维Gabor滤波器进行滤波处理,并构建对数高斯随机向量;Step1.1、高斯二维Gabor滤波器的定义如下:其中kv=kma ...
【技术保护点】
1.一种基于多变量对数高斯混合模型的图像纹理特征提取及识别方法,其特征在于:Step1、首先对一幅纹理图像采用高斯二维Gabor滤波器进行滤波处理,并构建对数高斯随机向量;Step2、采用一个多变量对数高斯概率模型对对数高斯随机向量X进行参数建模,得到参数化的对数高斯随机向量X的对数高斯概率函数模型;Step3、采用多个多变量对数高斯概率模型对对数高斯随机向量X进行参数建模,得到参数化的多变量对数高斯概率混合模型;Step4、对参数建模得到的多变量对数高斯概率混合模型中所涉及的参数Θ采用期望最大进行估计,得到多变量对数高斯概率混合模型;Step5、最后计算待分类纹理图像属于各类图像的多变量对数高斯混合模型的概率,此概率即为分类的依据。
【技术特征摘要】
1.一种基于多变量对数高斯混合模型的图像纹理特征提取及识别方法,其特征在于:Step1、首先对一幅纹理图像采用高斯二维Gabor滤波器进行滤波处理,并构建对数高斯随机向量;Step2、采用一个多变量对数高斯概率模型对对数高斯随机向量X进行参数建模,得到参数化的对数高斯随机向量X的对数高斯概率函数模型;Step3、采用多个多变量对数高斯概率模型对对数高斯随机向量X进行参数建模,得到参数化的多变量对数高斯概率混合模型;Step4、对参数建模得到的多变量对数高斯概率混合模型中所涉及的参数Θ采用期望最大进行估计,得到多变量对数高斯概率混合模型;Step5、最后计算待分类纹理图像属于各类图像的多变量对数高斯混合模型的概率,此概率即为分类的依据。2.根据权利要求1所述的基于多变量对数高斯混合模型的图像纹理特征提取及识别方法,其特征在于:所述Step1的具体步骤如下:Step1.1、高斯二维Gabor滤波器的定义如下:其中kv=kmax/fv,kmax是最大频率,一般kmax=π/2,尺度参数v取值为v=0,...,4,方向参数μ取值为μ=0,1,2,3,z=(h,s)和||z||=(h2+s2),h,s表示高斯二维Gabor滤波器的坐标,此处i表示虚单位;参数σ决定了高斯二维Gabor滤波器的带宽,取值为2π;Step1.2、假设纹理图像表示为I(h,s),h,s同样也表示图像的坐标,则采用高斯二维Gabor滤波器滤波后得到的结果为复矩阵表示为:Ru,v(h,s)=ψμ,v(h,s)*I(h,s);步骤Step1.1提到z=(h,s),所以ψμ,v(h,s)就是ψμ,v(z),I(h,s)表示一幅图像,I(h,s)和ψμ,v(h,s)中h,s分别表示横坐标和纵坐标;Step1.3、构造对数高斯随机向量X;设abs(Ru,v(h,s))表示滤波后得到的结果复矩阵Ru,v(h,s)的模,也就是滤波结果的幅度,向量Hist(abs(Ru,v(h,s)))表示abs(Ru,v(h,s))的直方图向量,从Hist(abs(Ru,v(h,s)))的元素中取值来构建对数高斯随机变量Xu,v,对数高斯随机向量X由对数高斯随机变量Xu,v组成,从而构造一个含有40个对数高斯随机变量的对数高斯随机向量X为:其中,如果直方图向量Hist(abs(Ru,v(h,s)))的长度为128,则一幅纹理图像经过Gabor滤波和直方图向量计算后所构成的对数高斯随机向量X对应着128个长度为40的样本向量;其中,对数高斯随机向量X中所有随机变量的第1个样本构成第1个样本向量,对数高斯随机向量X中所有随机变量的第2个样本构成第2个样本向量,依次类推;对数高斯随机向量X中所有随机变量的第128个样本构成第128个样本向量。3.根据权利要求1所述的基于多变量对数高斯混合模型的图像纹理特征提取及识别方法,其特征在于:所述Step2中:假设存在高斯随机向量Y:[Y0,0,Y0,1,...,Y0,4,Y1,0,Y1,1,...,Y1,4,...,Y7,0,Y7,1,...,Y7,4],其均值向量和协方差分别为μ和Σ,而依据对数高斯随机变量的定义Xu,v=exp(Yu,v),则对数高斯随机向量X的对数高斯概率函数模型为:fX(x)又能写成:fX(x)=f(x|θ),其中,参数θ表示对数高斯随机向量X概率密度函数中的均值向量μ和协方差矩阵Σ;x1,x2,...,x40是对数高斯随机向量X的40个随机变量。4.根据权利要求1所述的基于多变量对数高斯混合模型的图像...
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。