基于SWBCT的纹理图像分类方法技术

本发明专利技术公开了一种基于ＳＷＢＣＴ的纹理图像分类方法，它属于图像处理技术领域。其目的在于克服分类特征有效性的不足，针对轮廓波和ＷＢＣＴ在纹理分析中遇到的问题，提出并将本发明专利技术用于纹理图像分类中，本发明专利技术在子带特征提取阶段分别使用了能量、Ｈｕ矩和共生矩阵的方法，得到了较好的分类效果。该发明专利技术的具体实现步骤为：１．输入样本图像，并对样本图像进行归一化；２．对归一化后样本图像进行多方向多分辨率图像分解－ＳＷＢＣＴ分解，得到分解子带；３．对得到的分解子带进行特征提取，并对各种特征进行合并；４．在已有的分类方法中选用一种分类方法，对合并后的特征进行纹理图像分类。该方法可用于模式识别中，比如图像分类、手写体识别、语音识别与分类中。

【技术实现步骤摘要】

本专利技术涉及图像处理
，具体地说是将一种基于平稳小波的轮廓波变换Stationary Wavelet-Based Contourlet Transform，简记为SWBCT，用于纹理图像分类的方法，是轮廓波和平稳小波相结合应用在纹理分析领域的成果。该方法可用于模式识别中，比如图像分类、手写体识别、语音识别与分类中。
技术介绍
自然图像都包含了丰富的纹理信息，纹理在图像中的任何方向任何位置以及不同尺度上都可能表现出来。小波只能提供有限的几个方向，因此不能充分挖掘图像中的纹理方向信息。而多尺度几何工具正是解决问题的好帮手，在纹理分类、分割中有巨大的潜力。所谓纹理是指图像中局部不规则而宏观有规律的特性，纹理描述可以提供对区域的平滑度、粗糙度、规则性等特性的度量。近20年来纹理分析在计算机视觉、生物学等领域得到了广泛的应用，它为航空或卫星遥感图像、生物医学图像、计算机视觉等提供了用于目标识别的有效特征。而如何有效地描述不同类型的纹理则成为纹理分析的关键。纹理特征的描述方法有很多，总体来说，可以分为四类统计方法、结构方法、基于模型的方法和基于变换域的方法。 在过去的几十年中关于如何有效地进行纹理分析已经做了大量的研究。灰度共生矩阵是一种典型的统计方法。通过建立区域灰度共生矩阵可以表现不同像素相对位置的空间信息。它反映了灰度的分布特性，也反映了灰度相同的像素之间的位置分布特性，是有关图像灰度变化的二阶统计特征。该方法的缺点是计算量很大，反映出的纹理图像特点比较单一。结构方法指处理图像元的排列，可以通过计算各个基元的统计特征作为纹理特征，如平均强度、面积、周长、方向、离心率等。基于模型的方法的基本思想是假设一幅纹理图像是某一类参数模型。如马尔可夫Markov随机场模型，分形Fractal模型等。然而基于模型的方法比较复杂，计算量也比较大。基于变换域的纹理分析包括傅里叶变换，小波变换，Gabor变换等。如Chang T.等人利用小波变换来研究纹理分析。方向性和沿某一特定形状上的奇异性是高维空间的两个重要特征，如三维空间中物体的光滑边缘。但是自然界中多数物体都具有平滑边缘，因此自然图像的不连续性体现为光滑曲线的奇异性。小波在逼近具有一维奇异性的目标函数时具有最优表示特性，即点奇异性，然而在高维数据情况下，小波不能最优表示某些具有几何特征的函数。例如由一维小波构成的二维可分离张量积小波只有有限的方向，其支撑区间是正方形，但二维图像中的很多几何结构是具有方向性的，因而它不能很好地处理这一类图像。目前，在纹理分析方面应用最广泛的时频分析技术就是小波变换。以上这些方法的一个共同缺点都是它们的重点只放在单一尺度上的图像像素间的结合。 许多学者提出了多尺度几何分析理论来克服小波的不足，如脊波、曲线波、轮廓波等方法。M.N.Do和Martin Vetterli等人在2002年提出了一种新的多尺度几何分析工具-轮廓波Contourlet。轮廓波是多分辨的、局域的、方向的图像表示方法，可以有效地表示包含丰富轮廓和纹理的图像。Ramin Eslami和Hayder Radha等人提出了一种基于小波的非冗余轮廓波图像变换Wavelet-Based Contourlet Transform，简记为WBCT。轮廓波在纹理分析方面有较大的潜力，Ramin Eslami和Hayder Radha等人提出的WBCT与轮廓波相比，可以对图像进行更细的方向划分。但是当分解方向数增多，分解层数增多时，WBCT会出现识别率快速下降的趋势。
技术实现思路
本专利技术的目的在于克服分类特征有效性的不足，针对轮廓波和WBCT在纹理分析中遇到的问题，提出了一种基于平稳小波的轮廓波变换，并将它用于纹理图像分类中，在子带特征提取阶段分别使用了能量、Hu矩和共生矩阵的方法，得到了更好的分类结果。 本专利技术的技术方案是针对特征有效性的研究，把多尺度几何分析之一的轮廓波变换和平稳小波变换相结合来完成图像分解，得到各个分解子带，然后在得到的分解子带中利用特征提取方法来提取子带特征，将这些特征用在分类过程中，得到最终的分类结果。本专利技术基于SWBCT的纹理图像分类方法的具体实现过程如下 (1)、输入样本图像，并对样本图像进行归一化； (2)、对归一化后样本图像进行多方向多分辨率图像分解-SWBCT分解，得到分解子带； (3)、对得到的分解子带进行特征提取，并对各种特征进行合并； (4)、在已有的分类方法中选用一种分类方法，对合并后的特征进行纹理图像分类。 上述的基于SWBCT的纹理图像分类方法，所说的输入样本图像，并对样本图像进行归一化，其具体实现方法如下 (1)、输入样本图像，设待分类的样本图像有N幅，从N幅待分类的样本图像中随机选取M幅作为训练样本图像，其中M小于N； (2)、对样本图像归一化，将图像的像素从0～255归一化到0～1之间； 上述的基于SWBCT的纹理图像分类方法，所说的对归一化后样本图像进行多方向多分辨率图像分解-SWBCT分解，得到分解子带，其具体实现方法如下 (1)、设定最大分解层数为l； (2)、对归一化后样本图像进行平稳小波变换，得到四个子带低频子带LL，高频子带LH、HL、HH； (3)、对由平稳小波变换得到的LH、HL、HH三个高频子带，分别使用方向滤波器DFB进行分解，则每个高频子带都得到2n个方向子带，其中n是分解层数，n的取值为1～l； (4)、对每次分解得到的低频子带LL重复上述步骤(2)、(3)，直到分解层数n＝l； (5)、最后得到方向子带和一个低频子带。 上述的基于SWBCT的纹理图像分类方法，所说的对得到的分解子带进行特征提取，并对各种特征进行合并，其具体实现过程如下 (1)、对分解得到的各子带分别提取各种特征能量特征、Hu矩、共生矩阵特征等； (2)、合并各种特征，从M幅训练样本图像中提取出的特征与训练样本图像对应，记为训练特征，所有N幅待分类样本图像提取出的特征记为分类特征。不管是训练特征还是分类特征，合并特征的方法有两种①如果所提取的所有特征都被用来进行分类，那么这些特征与样本一一对应进行存储； ②如果要对所提取出的特征进行选择，则把选择出的有效特征与样本一一对应进行存储。 上述的基于SWBCT的纹理图像分类方法，所说的在已有的分类方法中选用一种分类方法，对合并后的特征进行纹理图像分类，其中分类方法可从聚类方法、K近邻法、神经网络方法、支撑矢量机方法中选择。从是否需要训练分类器的角度来说，分类方法有两种无监督分类方法和有监督分类方法，当采用有监督分类方法时，使用有监督分类器，采用无监督分类方法时，使用无监督分类器。其具体实现过程如下 (1)、使用有监督分类器时，采用K近邻法、神经网络方法、支撑矢量机方法，其对图像进行分类检测的过程是①利用训练特征训练分类器；②把分类特征输入已训练好的分类器中，便可得到最后的分类结果； (2)、使用无监督分类器时，采用聚类方法，直接将分类特征输入分类器，就可得到最后的分类结果。 本专利技术与现有的技术相比具有以下优点 1、本专利技术可以克服小波、脊波、轮廓波、WBCT等变换在分解层数较大时性能快速下降的问题本文档来自技高网...

【技术保护点】
基于ＳＷＢＣＴ的纹理图像分类方法，其具体实现步骤如下：（１）、输入样本图像，并对样本图像进行归一化；（２）、对归一化后样本图像进行多方向多分辨率图像分解－ＳＷＢＣＴ分解，得到分解子带；（３）、对得到的分解子带进行特征提取，并对各种特征进行合并；（４）、在已有的分类方法中选用一种分类方法，对合并后的特征进行纹理图像分类。

【技术特征摘要】

【专利技术属性】
技术研发人员：焦李成，王爽，侯彪，刘芳，刘帆，胡颖，公茂果，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：87[中国|西安]