一种基于分层Laplace的图像特征分析方法技术

本发明专利技术提供了一种基于分层Laplace的图像特征分析方法，包括：步骤Step1：构建一个图像数据库，并对所述图像数据库中的原始图像进行预处理操作，获取图像数据集I；步骤Step2：对经过预处理后的图像数据集中每个待识别图像进行向量化表示，构建最近邻集合，得到拉普拉斯矩阵L1；步骤Step3：根据拉普拉斯矩阵L1对不同的特征信息进行分析；步骤Step4：对每个图像构建图像的邻接矩阵，得到拉普拉斯矩阵L2；步骤Step5：对所述拉普拉斯矩阵L2进行奇异值分解，筛选掉图像特征子集中不稳定的特征点,得到最优的特征子集，提取出每个图像最优的图像特征子集，本发明专利技术可更好地描述图像特征的稀疏特性，且计算简单、估计精确，效率更高。效率更高。效率更高。

【技术实现步骤摘要】
一种基于分层Laplace的图像特征分析方法


[0001]本专利技术涉及图像处理
，尤其涉及到一种基于分层Laplace的图像特征分析方法。

技术介绍

[0002]根据图像固有的局部性、层次性稀疏特性，设计概率分布型图像特征，并分析其图像特征的拓扑结构，确定特征所处空间的类别与特性，然后依据空间的性质研究特征的向量化、特征分类、递归算法等问题，这是计算机视觉研究中一个重要问题，它在目标识别、图像分割和超声影像分析等多个方面具有重要的应用。
[0003]特征距离度量、特征分类和特征回归等问题与特征所处的空间的拓扑性质有着密切的关系。目前特征提取及表达大多没有考虑特征空间的拓扑性质，而直接将特征当作向量在向量空间中直接进行处理。然而图像特征空间通常并不是一个向量空间，因为直接把特征当做向量处理而忽视其所处空间的拓扑性质将大大降低特征的有效性。
[0004]目前，直方图是一种被广泛采用的特征描述方式，它通过统计图像信号值出现的频率来描述图像。进行统计的信号可以是原始的颜色值，也可以是归一化后的坐标值，还可以是通过原始信号计算得到本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于分层Laplace的图像特征分析方法，其特征在于，包括以下步骤：步骤Step1：构建一个图像数据库，所述图像数据库包括多张原始图像，并对所述图像数据库中的原始图像进行预处理操作，获取图像数据集I；步骤Step2：对经过预处理后的图像数据集中每个待识别图像进行向量化表示，构建最近邻集合，得到拉普拉斯矩阵L1；步骤Step3：根据拉普拉斯矩阵L1对不同的特征信息进行分析；步骤Step4：对每个图像构建图像的邻接矩阵，得到拉普拉斯矩阵L2；步骤Step5：对所述拉普拉斯矩阵L2进行奇异值分解，筛选掉图像特征子集中不稳定的特征点，得到最优的特征子集，提取出每个图像最优的图像特征子集。2.如权利要求1所述的基于分层Laplace的图像特征分析方法，其特征在于，所述预处理操作包括对图像进行尺寸标准化和滤波处理，及通过平滑操作去除图像噪声。3.如权利要求2所述的基于分层Laplace的图像特征分析方法，其特征在于，所述对经过预处理后的图像数据集中待识别图像进行向量化表示，构建最近邻集合，得到拉普拉斯矩阵L1包括：将每个图像用高维度的向量I
n
表示，I
n
＝(x
1，n
，x
2，n
，
…
，x
i，n
)T，x
j，n
表示第n个图像所对应的第j个特征的值，所有图像特征向量可表示为I＝(I1，I2，...，I
n
)；根据A个图像向量两两之间的距离和设定的集合参数得到图像a的最近邻集合，由所述最近邻集合构建相似矩阵阵W，其中，当第i个图像属于第j个图像的最近邻集合时，W
i，j
＝1，剩余元素为0，根据所述相似矩阵阵W计算拉普拉斯矩阵L1＝D
‑
W。4.如权利要求3所述的基于分层Laplace的图像特征分析方法，其特征在于，所述根据拉普拉斯矩阵L1对不同类别的特征信息进行分析包括：根据拉普拉斯正则化最小均方的方法计算得到协方差矩阵，通过最小化协方差得到对应的特征子集，用最优化协方差矩阵的行列式和最优化协方差矩阵的迹两种最优判别标准，提取出对应的图像特征子集。5.如权利要求1所述的基于分层Laplace的图像特征分析方法，其特征在于，将每个图像x
n
均匀划分为k个部分，并标记对应标签，表示为x
n
＝(x
n1
，x
n2
，...，x
ns
，...，x
nk
)，其中，x
ns
表示第n个图像所对应的第s个部分，对x...

【专利技术属性】
技术研发人员：杨鹏，
申请(专利权)人：浙江工贸职业技术学院，
类型：发明
国别省市：