【技术实现步骤摘要】
基于概率密度分布字典和马尔可夫转移特征的图像分类方法
本专利技术涉及屏幕内容的图像和视频处理领域，尤其是一种稳定高效、自适应性强、分类精度高、基于概率密度分布字典和马尔可夫转移特征的图像分类方法。
技术介绍
复杂度适中、面向屏幕内容视频的高效率编码是视频编码领域具有挑战性的最新研究课题之一，学者们将其称为“屏幕内容视频编码”。目前，H.264/AVC、HEVC对屏幕内容中的线条、文字、图形等非连续色调内容的压缩效率尚未满足应用需求，且计算复杂度高。究其原因在于，屏幕内容由不连续色调区域和连续色调区域两部分共同组成，而二者的成像机制和获取手段却完全不同，使得其通道特性也大相径庭。在空间域中，不连续色调区域拥有背景简单、对比度高、色调数量有限的锐化边缘和线条，而连续色调区域的纹理特点却恰恰相反；在频率域中，与连续色调区域相比，不连续色调区域的离散余弦变换(DiscreteCosineTransform,DCT)系数分布呈现更加显著的非高斯特性。所以，无论在空间域，还是在频率域，不连续色调区域的统计分布规律都明显有别于连续色调区域...
【技术保护点】
1.一种基于概率密度分布字典和马尔可夫转移特征的图像分类方法，其特征在于按如下步骤进行：/n步骤1.输入一幅大小为B×B的图像I，将其进行3层离散小波变换，得到9个高频子带：3个水平方向子带cH
【技术特征摘要】
1.一种基于概率密度分布字典和马尔可夫转移特征的图像分类方法，其特征在于按如下步骤进行：
步骤1.输入一幅大小为B×B的图像I，将其进行3层离散小波变换，得到9个高频子带：3个水平方向子带cHj∈{cH1,cH2,cH3}、3个垂直方向子带cVj∈{cV1,cV2,cV3}和3个对角线方向子带cDj∈{cD1,cD2,cD3}，所述j表示高频子带所在的尺度且j∈{1,2,3}；
步骤2.分别统计9个高频子带的归一化系数直方图；
步骤3.以广义高斯分布、柯西分布、拉普拉斯分布和α-稳态分布作为分布原子，建立一个概率密度分布字典D；
步骤4.采用广义高斯分布对9个高频子带的归一化系数直方图进行拟合，进而提取广义高斯分布在9个高频子带上的参数特征；
步骤4.1采用广义高斯分布和基于估计方程的方法对9个高频子带的归一化系数直方图进行拟合，得到广义高斯分布在9个高频子带上的尺度参数和形状参数集合所述和分别表示水平方向子带cHj的尺度参数和形状参数，和分别表示垂直方向子带cVj的尺度参数和形状参数，和分别表示对角线方向子带cDj的尺度参数和形状参数；
步骤4.2根据公式(1)-公式(3)的定义，利用9个高频子带的广义高斯分布的尺度参数计算其相应的标准差：
所述和分别表示水平方向子带cHj、垂直方向子带cVj和对角线方向子带cDj的标准差，Γ(·)表示Gamma函数；
步骤4.3根据公式(4)的定义，将相邻尺度下的标准差之比和形状参数之比作为区分自然图像和屏幕内容图像的广义高斯分布参数特征
所述J表示高频子带所在的尺度且J∈{1,2}，和分别表示在尺度J下，水平方向子带、垂直方向子带和对角线方向子带的广义高斯分布的标准差，和分别表示在尺度J+1下，水平方向子带、垂直方向子带和对角线方向子带的广义高斯分布的标准差，和分别表示在尺度J下，水平方向子带、垂直方向子带和对角线方向子带的广义高斯分布的形状参数，和分别表示在尺度J+1下，水平方向子带、垂直方向子带和对角线方向子带的广义高斯分布的形状参数；
步骤5.采用柯西分布对9个高频子带的归一化系数直方图进行拟合，进而提取柯西分布在9个高频子带上的参数特征；
步骤5.1采用柯西分布和极大似然估计法对9个高频子带的归一化系数直方图进行拟合，得到柯西分布在9个高频子带上的位置参数和尺度参数集合所述和分别表示水平方向子带cHj的位置参数和尺度参数，和分别表示垂直方向子带cVj的位置参数和尺度参数，和分别表示对角线方向子带cDj的位置参数和尺度参数；
步骤5.2根据公式(5)的定义，将相邻尺度下的尺度参数之比作为区分自然图像和屏幕内容图像的柯西分布特征
所述和分别表示在尺度J下，水平方向子带、垂直方向子带和对角线方向子带的柯西分布的尺度参数，和分别表示在尺度J+1下，水平方向子带、垂直方向子带和对角线方向子带的柯西分布的尺度参数；
步骤6.采用拉普拉斯分布对9个高频子带的归一化系数直方图进行拟合，进而提取拉普拉斯分布在9个高频子带上的参数特征；
步骤6.1采用拉普拉斯分布和极大似然估计法对9个高频子带的归一化系数直方图进行拟合，得到拉普拉斯分布在9个高频子带上的位置参数和尺度参数集合所述和分别表示水平方向子带cHj的位置参数和尺度参数，和分别表示垂直方向子带cVj的位置参数和尺度参数，和分别表示对角线方向子带cDj的位置参数和尺度参数；
步骤6.2根据公式(6)的定义，将相邻尺度下的尺度参数之比和位置参数之比作为区分自然图像和屏幕内容图像的拉普拉斯分布特征
所述和分别表示在尺度J下，水平方向子带、垂直方向子带和对角线方向子带的拉普拉斯分布的位置参数，和分别表示在尺度J+1下，水平方向子带、垂直方向子带和对角线方向子带的拉普拉斯分布的位置参数，和分别表示在尺度J下，水平方向子带、垂直方向子带和对角线方向子带的拉普拉斯分布的尺度参数，和分别表示在尺度J+1下，水平方向子带、垂直方向子带和对角线方向子带的拉普拉斯分布的尺度参数；
步骤7.采用α-稳态分布对9个高频子带的归一化系数直方图进行拟合，进而提取α-稳态分布在9个高频子带上的参数特征；
步骤7.1采用α-稳态分布和基于经验特征函数的方法对9个高频子带的归一化系数直方图进行拟合，得到α-稳态分布在9个高频子带上的形状参数和尺度参数集合所述和分别表示水平方向子带cHj的形状参数和尺度参数，和分别表示垂直方向子带cVj的形状参数和尺度参数，和分别表示对角线方向子带cDj的形状参数和尺度参数；
步骤7.2根据公式(7)的定义，将相邻尺度下的形状参数之比和尺度参数之比作为区分自然图像和屏幕内容图像的α-稳态分布特征
所述和分别表示在尺度J下，水平方向子带、垂直方向子带和对角线方向子带的α-稳态分布的形状参数，和分别表示在尺度J+1下，水平方向子带、垂直方向子带和对角线方向子带的α-稳态分布的形状参数，和分别表示在尺度J下，水平方向子带、垂直方向子带和对角线方向子带的α-稳态分布的尺度参数，和则分别表示在尺度J+1下，水平方向子带、垂直方向子带和对角线方向子带的α-稳态分布的尺度参数；
步骤8.令图像I的概率密度分布参数特征
步骤9.对图像I划分为不重叠的、大小为8×8像素的图像块，并将每个图像块进行离散余弦变换，进而，对于每个图像块的离散余弦变换系数矩阵F(u,v)，执行步骤9.1～步骤9.3来计算F(u,v)的1阶差分，所述1≤u,v≤8；
步骤9.1利用前向差分算子，分别沿着水平方向计算1阶差分矩阵F→(u,v)和沿着竖直方向计算1阶差分矩阵F↓(u,v)；
步骤9.2对差分矩阵F→(u,v)和F↓(u,v)中的每个元素进行取整运算，取整原则为四舍五入；
步骤9.3根据公式(8)和公式(9)的定义，利用预设阈值T对差分矩阵F→(u,v)和F↓(u,v)中的每个元素进行截断运算：
步骤10.利用图像I中全部图像块的1阶差分矩阵F→(u,v)和F↓(u,v)，执行步骤10.1～步骤10.3来提取图像I的马尔可夫转移概率参数特征；
步骤10.1根据公式(10)的定义，计算1阶差分矩阵F→(u,v)沿着水平方向的马尔可夫转移概率Ph(F→(u+1,v)＝n|F→(u,v)＝m)：
所述δ(·)表示Delta函数，m,n∈{-T,-T+1,-T+2,…,T-1,T}；
步骤10.2根据公式(11)的定义，计算1阶差分矩阵F↓(u,v)沿着竖直方向的马尔可夫转移概率Pv(F↓(u,v+1)＝n|F↓(u,v)＝m)：
步骤10.3令图像I的马尔可夫转移概率参数特征Θ2←{Ph(F→(u+1,v)＝n|F→(u,v)＝m)}∪{Pv(F↓(u,v+1)＝n|F↓(u,v)＝m)}，共(2T+1)×(2T+1)×2个维度，所述m和n是整数，且m,n∈{-T,-T+1,-T+2,…,T-1,T}；
步骤11.利用95％的主成分分析方法将图像I的概率密度分布参数特征Θ1和马尔可夫转移概率参数特征Θ2进行降维，得到Θ′1和Θ′2；
步骤12.以径向基函数作为核函数，将Θ′1和Θ′2输入基于支持向量机LIBSVM的图像分类模型，进而计算得出图像I的分类结果；
所述基于支持向量机LIBSVM的图像分类模型按照如下步骤训练而成：
步骤13.1输入一组包含N幅图像的训练集{Ti,Ci}，训练集中每幅图像的大小为B×B像素，所述1≤i≤N，Ti表示第i幅训练图像，Ci表示第i幅训练图像的分类标签且Ci∈{-1,+1}，标签“-1...
【专利技术属性】
技术研发人员：宋传鸣，葛明博，刘丹，王相海，
申请(专利权)人：辽宁师范大学，
类型：发明
国别省市：辽宁;21
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。