一种基于空间共聚集的图像分类方法技术

本发明专利技术公开了一种基于空间共聚集的图像分类方法。在该方法中，首先，提取局部特征并用聚类算法得到视觉词典；然后，用编码算法对特征进行编码，将不同空间区域的特征聚集并串联到一起；最后，用通用的特征选择方法进行特征选择，并用选择的特征作为图像的表达以训练分类器用于对图像进行分类。本发明专利技术方法从不同空间区域组合的表达中选择最有区分力，更加鲁棒的特征作为图片的表达，从而可以反映特征在给定类别图片中的空间分布和共生信息。本发明专利技术方法能以极少的特征数量达到分类精度优于常规算法的效果。

【技术实现步骤摘要】

本专利技术涉及模式识别
，尤其是。
技术介绍
目前，传统的图像分类方法缺乏有效地表达图像空间信息的能力。这也是计算机视觉系统与人眼视觉系统相比在识别精度上仍存在着巨大差距的重要原因之一。常用的图像分类方法往往不能有效的利用空间信息，如金字塔空间匹配算法，其仅仅是对少量空间区域表达的简单串联，虽然有一定的鲁棒性，但是反映的空间信息的效率和判别力比较弱。有些方法直接利用特征的绝对空间位置，但由于特征的空间位置很容易发生偏移，这样的方法往往在对齐过的数据库上表现良好，而在未对齐的数据库表现却很差。因此，鉴于以往的方法很难以满足对图像分类的需要，本专利技术提出了来描述特征在图像中的空间信息，该方法既对个别特征的偏移不敏感又能灵活的描述其空间分布。由于这种方法得到的图像表达的维数很高，因此可以使用常用的特征选择方法来进行特征选择，将选择过的特征作为图像的最终表达。
技术实现思路
为了解决现有技术存在的问题，本专利技术的目的是提供，该方法包括以下步骤步骤SI，收集多幅图像，建立图像分类数据库，并将所述数据库分为训练集和测试集;步骤S2，提取所述数据库中所有图像的局部特征；步骤S3，从所述训练集的图像的局部特征中随机抽取出一定数量的局部特征，利用聚类算法学习得到一视觉词典D= [Clpd2,…，dK]，其中，K表示视觉词典的大小，即聚类中心的个数吨为一个列向量，表示一个视觉单词，即聚类中心；步骤S4，对所述步骤S2提取得到的所有图像的局部特征进行编码；步骤S5，在空间上将所述数据库中的每一图像分成多个矩形块，并对每个矩形块内的局部特征分别进行聚集，作为该矩形块的特征表达；步骤S6，通过聚集的方法，将空间相邻的矩形块合并成一个区域，并将参与合并的几个矩形块聚集的结果作为合并得到的区域的特征表达；步骤S7，将所述步骤S6中得到的所有大小相同且无重叠的两个区域进行聚集，并将聚集的结果串联到一起作为该图像的特征表达；步骤S8，类似于所述步骤S5-S7，得到所述训练集中所有图像的特征表达，并选取其中最具有区分力的特征作为所述训练集和测试集中图像的最终特征表达；步骤S9，基于所述步骤S8中选择得到最具有区分力的特征训练支持向量机，得到图像分类器；步骤S10，提取所述测试集中图像的最具有区分力的特征，并将该特征输入所述分类器中进行分类，从而得到所述测试集中该图像的分类结果。根据本专利技术的方法，可以对单个特征的空间分布以及多个特征的共生信息进行描述。通过以块为基元使得对于特征空间位置的描述更加鲁棒，而考虑各种区域的空间组合方式可以有助于挖掘更多的空间信息。附图说明图1是本专利技术基于空间共聚集的图像分类方法流程图。具体实施例方式为使本专利技术的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本专利技术进一步详细说明。传统的图像分类方法可以分为提取局部特征，训练视觉词典，表达图像，训练分类器和检测新图像五个部分。在此基础上，本专利技术首先采用空间共聚集的方法来表达图像，然后再对所有图像的表达做特征选择，仅将所选择的特征作为图像的最终表达。图1是本专利技术基于空间共聚集的图像分类方法流程图，如图1所示，该方法包括以下步骤步骤SI，收集多幅图像，建立图像分类数据库，并将所述数据库分为训练集和测试集;步骤S2，提取所述数据库中所有图像的局部特征；在该步骤中，可以以密集采样的方式使用局部特征描述子或者局部特征检测子来得到该图像的局部特征，例如尺度不变特征变换SIFT、加速稳健特征SURF等等。步骤S3，从所述训练集的图像的局部特征中随机抽取出一定数量的局部特征，利用聚类算法学习得到一视觉词典；该步骤中，在随机抽取得到局部特征后，采用现有技术中的聚类算法(比如K均值聚类算法)训练得到一视觉词典D= [Cl17Cl2,…，dK]，其中，K表示视觉词典的大小，即聚类中心的个数，Cli为一个列向量，表示一个视觉单词，即聚类中心。步骤S4，对所述步骤S2提取得到的所有图像的局部特征进行编码；所述编码可使用现有技术中常用的多种编码方式对局部特征&进行编码，下面以局部线性编码为例进行说明。对第i个局部特征&进行局部线性编码的步骤进一步包括步骤S41，利用下式计算中间变量;本文档来自技高网...

【技术保护点】
一种基于空间共聚集的图像分类方法，其特征在于，该方法包括以下步骤：步骤S1，收集多幅图像，建立图像分类数据库，并将所述数据库分为训练集和测试集；步骤S2，提取所述数据库中所有图像的局部特征；步骤S3，从所述训练集的图像的局部特征中随机抽取出一定数量的局部特征，利用聚类算法学习得到一视觉词典D＝[d1，d2，…，dK]，其中，K表示视觉词典的大小，即聚类中心的个数；di为一个列向量，表示一个视觉单词，即聚类中心；步骤S4，对所述步骤S2提取得到的所有图像的局部特征进行编码；步骤S5，在空间上将所述数据库中的每一图像分成多个矩形块，并对每个矩形块内的局部特征分别进行聚集，作为该矩形块的特征表达；步骤S6，通过聚集的方法，将空间相邻的矩形块合并成一个区域，并将参与合并的几个矩形块聚集的结果作为合并得到的区域的特征表达；步骤S7，将所述步骤S6中得到的所有大小相同且无重叠的两个区域进行聚集，并将聚集的结果串联到一起作为该图像的特征表达；步骤S8，类似于所述步骤S5?S7，得到所述训练集中所有图像的特征表达，并选取其中最具有区分力的特征作为所述训练集和测试集中图像的最终特征表达；步骤S9，基于所述步骤S8中选择得到最具有区分力的特征训练支持向量机，得到图像分类器；步骤S10，提取所述测试集中图像的最具有区分力的特征，并将该特征输入所述分类器中进行分类，从而得到所述测试集中该图像的分类结果。...

【技术特征摘要】
1.一种基于空间共聚集的图像分类方法，其特征在于，该方法包括以下步骤 步骤Si，收集多幅图像，建立图像分类数据库，并将所述数据库分为训练集和测试集； 步骤S2，提取所述数据库中所有图像的局部特征； 步骤S3，从所述训练集的图像的局部特征中随机抽取出一定数量的局部特征，利用聚类算法学习得到一视觉词典D= [Cl17Cl2,…，dK]，其中，K表示视觉词典的大小，即聚类中心的个数吨为一个列向量，表示一个视觉单词，即聚类中心； 步骤S4，对所述步骤S2提取得到的所有图像的局部特征进行编码； 步骤S5，在空间上将所述数据库中的每一图像分成多个矩形块，并对每个矩形块内的局部特征分别进行聚集，作为该矩形块的特征表达； 步骤S6，通过聚集的方法，将空间相邻的矩形块合并成一个区域，并将参与合并的几个矩形块聚集的结果作为合并得到的区域的特征表达； 步骤S7，将所述步骤S6中得到的所有大小相同且无重叠的两个区域进行聚集，并将聚集的结果串联到一起作为该图像的特征表达； 步骤S8，类似于所述步骤S5-S7，得到所述训练集中所有图像的特征表达，并选取其中最具有区分力的特征作为所述训练集和测试集中图像的最终特征表达； 步骤S9，基于所述步骤S8中选择得到最具有区分力的特征训练支持向量机，得到图像分类器； 步骤S10，提取所述测试集中图像的最具有区分力的特征，...

【专利技术属性】
技术研发人员：王亮，黄永祯，刘锋，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：