一種基于slle算法的計算機(jī)圖像模式識別方法與系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及計算機(jī)圖像識別技術(shù)領(lǐng)域，特別涉及一種基于SLLE算法的計算機(jī)圖像模式識別方法。
【背景技術(shù)】
[0002]隨著信息技術(shù)的發(fā)展，產(chǎn)生了大量非線性高維數(shù)據(jù)，特別是圖像數(shù)據(jù)，圖像數(shù)據(jù)對人們?nèi)粘Ｉ钣兄陵P(guān)重要的影響。對圖像數(shù)據(jù)的深入分析使得圖像識別技術(shù)有了長足的進(jìn)步，并被廣泛應(yīng)用于各種領(lǐng)域中，它可以是醫(yī)學(xué)圖像中的癌細(xì)胞識別，可以是機(jī)械加工零件的識別、分類，可以從遙感圖片中識別建筑設(shè)施、湖泊等，可以運(yùn)用于郵政系統(tǒng)中自動分揀郵件，也可用于支票識別，身份證信息識別等。
[0003]模式識別是圖像識別中重要的應(yīng)用，模式識別的本質(zhì)就是分類，而處理分類問題即為處理子流程的問題，對每個子流程分類就是計算數(shù)據(jù)到其他數(shù)據(jù)的距離，從而可以求得最近的流程，因此，模式識別在圖像中就是圖像識別問題。
[0004]現(xiàn)有的計算機(jī)圖像模式識別方法容易受到噪聲的影響，從而影響權(quán)值矩陣的準(zhǔn)確度，使得計算機(jī)圖像模式識別方法的抗噪性低，同時識別的精確度也不高。

【發(fā)明內(nèi)容】

[0005]為了解決現(xiàn)有技術(shù)中現(xiàn)有的計算機(jī)圖像模式識別方法容易受到噪聲的影響，從而影響權(quán)值矩陣的準(zhǔn)確度，使得計算機(jī)圖像模式識別方法的抗噪性低，同時識別的精確度也不高的缺點(diǎn)，提出一種基于監(jiān)督局部線性嵌入(SLLE)算法的計算機(jī)圖像模式識別方法與系統(tǒng)。
[0006]—種基于SLLE算法的計算機(jī)圖像模式識別方法，其包括如下步驟:
[0007]S1、獲取原始圖像，并對原始圖像進(jìn)行預(yù)處理；
[0008]S2、根據(jù)SLLE算法對經(jīng)過預(yù)處理的圖像進(jìn)行特征提取，并得到分類結(jié)果；
[0009]S3、基于分類結(jié)果對原始圖像進(jìn)行識別。
[0010]在本發(fā)明所述的基于SLLE算法的計算機(jī)圖像模式識別方法中，
[0011]所述步驟SI中對原始圖像進(jìn)行預(yù)處理包括對原始圖像進(jìn)行消除干擾、噪聲、差異的處理，將原始圖像轉(zhuǎn)為符合特征提取規(guī)范的圖像形式。
[0012]在本發(fā)明所述的基于SLLE算法的計算機(jī)圖像模式識別方法中，
[0013]所述步驟S2包括:
[0014]將預(yù)處理的圖像劃分為N個大小相等的圖塊;對每個圖塊進(jìn)行直方圖二值化變換，并將MATLAB工具中的im2bw函數(shù)閾值設(shè)置為0.5，對第i張圖塊的像素值求和，i為小于或等于N的正整數(shù);并用求和的值表示預(yù)處理的圖像的第i個分量，則預(yù)處理的圖像的輸入值為一個N維的數(shù)據(jù)；
[0015]將N維的數(shù)據(jù)作為有監(jiān)督的局部線性嵌入算法SLLE的輸入值進(jìn)行特征提取，并得到分類結(jié)果。
[0016]在本發(fā)明所述的基于SLLE算法的計算機(jī)圖像模式識別方法中，
[0017]所述步驟S3包括:
[0018]獲取分類結(jié)果并根據(jù)分類結(jié)果對原始圖像進(jìn)行初次識別；
[0019]獲取預(yù)處理的圖像的自然語義，并根據(jù)自然語義對初次識別結(jié)果進(jìn)行篩選。
[0020]在本發(fā)明所述的基于SLLE算法的計算機(jī)圖像模式識別方法中，
[0021 ]獲取預(yù)處理的圖像的自然語義，并根據(jù)自然語義對初次識別結(jié)果進(jìn)行篩選包括:
[0022]預(yù)先存儲自然語言詞匯索引表、紋理和色度特征表以及小波輪廓模板表；
[0023]通過多維密度函數(shù)對經(jīng)過預(yù)處理的圖像進(jìn)行聚類劃分，得到分塊圖像;通過分塊圖像提取目標(biāo)區(qū)域的各個組成部分，同時根據(jù)區(qū)域連通準(zhǔn)則將包含目標(biāo)信息的分塊圖像劃分到目標(biāo)區(qū)域的各個組成部分中，并選取連通面積最大的一個連通域的外接矩形作為最終的目標(biāo)區(qū)域；
[0024]根據(jù)小波輪廓模板表對目標(biāo)區(qū)域進(jìn)行輪廓對象匹配;并根據(jù)紋理和色度特征對輪廓對象匹配結(jié)果進(jìn)行進(jìn)一步匹配，再根據(jù)自然語言詞匯索引表得到預(yù)處理的圖像的自然語義；
[0025]判斷初次識別結(jié)果是否與預(yù)處理的圖像的自然語義是否匹配;在匹配時，確定并輸出識別結(jié)果，在不匹配時，提示識別錯誤。
[0026]本發(fā)明還提供一種基于SLLE算法的計算機(jī)圖像模式識別系統(tǒng)，其包括如下模塊:
[0027]預(yù)處理模塊，用于獲取原始圖像，并對原始圖像進(jìn)行預(yù)處理；
[0028]特征提取分類模塊，用于根據(jù)SLLE算法對經(jīng)過預(yù)處理的圖像進(jìn)行特征提取，并得到分類結(jié)果；
[0029]識別模塊，用于基于分類結(jié)果對原始圖像進(jìn)行識別。
[0030]在本發(fā)明所述的基于SLLE算法的計算機(jī)圖像模式識別系統(tǒng)中，
[0031]所述預(yù)處理模塊中對原始圖像進(jìn)行預(yù)處理包括對原始圖像進(jìn)行消除干擾、噪聲、差異的處理，將原始圖像轉(zhuǎn)為符合特征提取規(guī)范的圖像形式。
[0032]在本發(fā)明所述的基于SLLE算法的計算機(jī)圖像模式識別系統(tǒng)中，
[0033]所述特征提取分類模塊包括:
[0034]將預(yù)處理的圖像劃分為N個大小相等的圖塊;對每個圖塊進(jìn)行直方圖二值化變換，并將MATLAB工具中的im2bw函數(shù)閾值設(shè)置為0.5，對第i張圖塊的像素值求和，i為小于或等于N的正整數(shù);并用求和的值表示預(yù)處理的圖像的第i個分量，則預(yù)處理的圖像的輸入值為一個N維的數(shù)據(jù)；
[0035]將N維的數(shù)據(jù)作為有監(jiān)督的局部線性嵌入算法SLLE的輸入值進(jìn)行特征提取，并得到分類結(jié)果。
[0036]在本發(fā)明所述的基于SLLE算法的計算機(jī)圖像模式識別系統(tǒng)中，
[0037]所述識別模塊包括:
[0038]獲取分類結(jié)果并根據(jù)分類結(jié)果對原始圖像進(jìn)行初次識別；
[0039]獲取預(yù)處理的圖像的自然語義，并根據(jù)自然語義對初次識別結(jié)果進(jìn)行篩選。
[0040]在本發(fā)明所述的基于SLLE算法的計算機(jī)圖像模式識別系統(tǒng)中，
[0041 ]獲取預(yù)處理的圖像的自然語義，并根據(jù)自然語義對初次識別結(jié)果進(jìn)行篩選包括:
[0042]預(yù)先存儲自然語言詞匯索引表、紋理和色度特征表以及小波輪廓模板表；
[0043]通過多維密度函數(shù)對經(jīng)過預(yù)處理的圖像進(jìn)行聚類劃分，得到分塊圖像;通過分塊圖像提取目標(biāo)區(qū)域的各個組成部分，同時根據(jù)區(qū)域連通準(zhǔn)則將包含目標(biāo)信息的分塊圖像劃分到目標(biāo)區(qū)域的各個組成部分中，并選取連通面積最大的一個連通域的外接矩形作為最終的目標(biāo)區(qū)域；
[0044]根據(jù)小波輪廓模板表對目標(biāo)區(qū)域進(jìn)行輪廓對象匹配;并根據(jù)紋理和色度特征對輪廓對象匹配結(jié)果進(jìn)行進(jìn)一步匹配，再根據(jù)自然語言詞匯索引表得到預(yù)處理的圖像的自然語義；
[0045]判斷初次識別結(jié)果是否與預(yù)處理的圖像的自然語義是否匹配;在匹配時，確定并輸出識別結(jié)果，在不匹配時，提示識別錯誤。
[0046]實(shí)施本發(fā)明提供的一種基于SLLE算法的計算機(jī)圖像模式識別方法與系統(tǒng)具有以下有益效果:SLLE算法對經(jīng)過預(yù)處理的圖像進(jìn)行特征提取，并得到分類結(jié)果，可以改進(jìn)權(quán)值矩陣的計算，從而改變每個像素點(diǎn)的領(lǐng)域值，使得圖像識別的抗噪聲大大提高，進(jìn)而提高圖像識別的精確度。
【附圖說明】
[0047]圖1是本發(fā)明實(shí)施例的基于SLLE算法的計算機(jī)圖像模式識別方法流程圖；
[0048]圖2是本發(fā)明實(shí)施例的基于SLLE算法的計算機(jī)圖像模式識別結(jié)構(gòu)框圖。
【具體實(shí)施方式】
[0049]如圖1所示，一種基于SLLE算法的計算機(jī)圖像模式識別方法，其包括如下步驟:
[0050]S1、獲取原始圖像，并對原始圖像進(jìn)行預(yù)處理。
[0051]S2、根據(jù)SLLE算法對經(jīng)過預(yù)處理的圖像進(jìn)行特征提取，并得到分類結(jié)果；
[0052]S3、基于分類結(jié)果對原始圖像進(jìn)行識別。
[0053]可選地，在本發(fā)明實(shí)施例所述的基于SLLE算法的計算機(jī)圖像模式識別方法中，
[0054]所述步驟SI中對原始圖像進(jìn)行預(yù)處理包括對原始圖像進(jìn)行消除干擾、噪聲、差異的處理，將原始圖像轉(zhuǎn)為符合特征提取規(guī)范的圖像形式。
[0055]SLLE算法是有監(jiān)督的局部線性嵌入算法(Supervi sed Locally LinearEmbedding，SLLE)，其相對于傳統(tǒng)算法，增加了樣本點(diǎn)的類別信息。在使用SLLE算法處理數(shù)據(jù)時樣本點(diǎn)分布比起LLE算法得到的數(shù)據(jù)更加均勻化;可以提取出更好的數(shù)據(jù)特征，達(dá)到良好的降維與特征提取效果。
[0056]實(shí)施本實(shí)施例的一種基于SLLE算法的計算機(jī)圖像模式識別方法具有以下有益效果:SLLE算法對經(jīng)過預(yù)處理的圖像進(jìn)行特征提取，并得到分類結(jié)果，可以改進(jìn)權(quán)值矩陣的計算，從而改變每個像素點(diǎn)的領(lǐng)域值，使得圖像識別的抗噪聲大大提高。
[0057]可選地，在本發(fā)明實(shí)施例所述的基于SLLE算法的計算機(jī)圖像模式識別方法中，
[0058]所述步驟S2包括:
[0059]將預(yù)處理的圖像劃分為N(N為大于或等于2的正整數(shù))個大小相等的圖塊;對每個圖塊進(jìn)行直方圖二值化變換，并將MATLAB工具中的im2bw函數(shù)(MATLAB工具中DIP工具箱函數(shù)im2bw使用閾值變換法把灰度圖像轉(zhuǎn)換成二值圖像)閾值設(shè)置為0.5，對第i張圖塊的像素值求和，i為小于或等于N的正整數(shù);并用求和的值表示預(yù)處理的圖像的第i個分量，則預(yù)處理的圖像的輸入值為一個N維的數(shù)據(jù)。本步驟可以將預(yù)處理的圖像的輸入值為一個N維的數(shù)據(jù)，能夠很方便的映射到二維空間上，減少了 SLLE算法的運(yùn)算量。
[0060]將N維的數(shù)據(jù)作為有監(jiān)督的局部線性嵌入算法SLLE的輸入值進(jìn)行特征提取，并得到分類結(jié)果。分類結(jié)果為二維空間上的數(shù)據(jù)幾何拓?fù)浣Y(jié)構(gòu)。
[0061 ]可選地，在本發(fā)明實(shí)施例所述的基于SLLE算法的計算機(jī)圖像模式識別方法中，
[0062]所述步驟S3包括:
[0063]獲取分類結(jié)果并根據(jù)分類結(jié)果對原始圖像進(jìn)行初次識別。
[0064]獲取預(yù)處理的圖像的自然語義，并根據(jù)自然語義對初次識別結(jié)果進(jìn)行篩選。
[0065]可選地，在本發(fā)明實(shí)施例所述的基于SLLE算法的計算機(jī)圖像模式識別方法中，
[0066