基于非歐空間高階統(tǒng)計(jì)的圖像分類(lèi)方法
【專(zhuān)利摘要】本發(fā)明提出了一種基于非歐空間高階統(tǒng)計(jì)的圖像分類(lèi)方法，為了彌補(bǔ)直觀判斷和機(jī)器智能間的差距，本發(fā)明首先在改進(jìn)的偽歐空間中建立圖像間的差異性表示；然后，計(jì)算與新輸入圖像最相鄰三幅圖像的高階統(tǒng)計(jì)特性，以獲取每類(lèi)數(shù)據(jù)庫(kù)圖像的差異性增量分布信息；最后，計(jì)算基于高斯混合模型和高階差異性增量分布的最大后驗(yàn)概率，以獲取輸入圖像與每類(lèi)數(shù)據(jù)庫(kù)圖像的相關(guān)性，實(shí)現(xiàn)輸入圖像的分類(lèi)。
【專(zhuān)利說(shuō)明】 基于非歐空間高階統(tǒng)計(jì)的圖像分類(lèi)方法
[0001]

【技術(shù)領(lǐng)域】
[0002]本發(fā)明涉及計(jì)算機(jī)【技術(shù)領(lǐng)域】的圖像分類(lèi)方法，具體涉及一種基于非歐空間高階統(tǒng)計(jì)的圖像分類(lèi)方法。

【背景技術(shù)】
[0003]近年來(lái)，隨著數(shù)碼相機(jī)的普及，上傳到網(wǎng)站的數(shù)字圖像呈指數(shù)增長(zhǎng)，這給基于內(nèi)容的圖像分類(lèi)技術(shù)帶來(lái)了極大挑戰(zhàn)。創(chuàng)建一個(gè)成功的基于內(nèi)容的圖像分類(lèi)系統(tǒng)，其關(guān)鍵是如何有效地表示輸入圖像與數(shù)據(jù)庫(kù)圖像間的相似性
經(jīng)對(duì)現(xiàn)有技術(shù)文獻(xiàn)的檢索發(fā)現(xiàn)，Wang等人提出了基于協(xié)方差差異的方法，F(xiàn)ernando等人提出了基于快速挖掘的方法，Zhong等人提出了基于雙線(xiàn)性深度學(xué)習(xí)的方法，Khan等人提出了基于冗余向量量化的方法，Parikh等人提出了基于局部和全局信息的方法，Xi等人提出了基于可分離主成分分析的方法，Zhou等人提出了基于分層高斯化的方法，Qi等人提出了基于二維多標(biāo)簽主動(dòng)學(xué)習(xí)的方法，Huang等人提出了基于小波的方法，Maree等人提出了基于隨機(jī)子窗口的方法?，F(xiàn)有這些算法均為依據(jù)輸入圖像與數(shù)據(jù)庫(kù)圖像間語(yǔ)義內(nèi)容的差異性實(shí)現(xiàn)分類(lèi)，其中差異性度量基于如下兩個(gè)假設(shè):一為圖像特征信息均分布在歐氏空間，二為差異性匹配均為成對(duì)度量。然而，第一個(gè)假設(shè)并不總是成立，這是由于圖像數(shù)據(jù)存在于復(fù)雜的非歐空間，且分布在語(yǔ)義特征空間。在第二個(gè)假設(shè)中，只有當(dāng)數(shù)據(jù)集都分布在歐氏空間時(shí)，基于成對(duì)度量的差異性匹配才成立；否則，差異性度量則會(huì)得出錯(cuò)誤的結(jié)論，如偽余弦度量。


【發(fā)明內(nèi)容】

[0004]本發(fā)明針對(duì)現(xiàn)有技術(shù)的問(wèn)題和不足，提出了一種新穎的圖像分類(lèi)算法一基于高階統(tǒng)計(jì)的最大后驗(yàn)概率分類(lèi)法(High Order Statistics Based Maximum A Posterior,HOS-MAP)o
[0005]首先，在改進(jìn)的偽歐空間中建立圖像間的差異性表示來(lái)彌補(bǔ)直觀判斷和機(jī)器智能間的差距；然后，計(jì)算與新輸入圖像最相鄰三幅圖像的高階統(tǒng)計(jì)特性，以獲取每類(lèi)數(shù)據(jù)庫(kù)圖像的差異性增量分布信息；最后，計(jì)算基于高斯混合模型和高階差異性增量分布的最大后驗(yàn)概率，以獲取輸入圖像與每類(lèi)數(shù)據(jù)庫(kù)圖像的相關(guān)性，實(shí)現(xiàn)輸入圖像的分類(lèi)，其包括如下步驟:
I圖像的差異性度量
從人類(lèi)認(rèn)知的角度看，對(duì)象之間的比較是構(gòu)造不同分類(lèi)的基礎(chǔ)。在構(gòu)建不同分類(lèi)時(shí)，通常構(gòu)造一個(gè)仿射矩陣來(lái)描述成對(duì)對(duì)象之間的非對(duì)稱(chēng)性，這些對(duì)象可看作一個(gè)向量模型空間中的點(diǎn)。從一個(gè)給定的一組非對(duì)稱(chēng)矩陣構(gòu)造向量模型有兩個(gè)策略:改進(jìn)的歐氏空間和非對(duì)稱(chēng)測(cè)量空間。
[0006]根據(jù)人類(lèi)認(rèn)知可知，對(duì)象間的差異性是構(gòu)造不同類(lèi)別的基礎(chǔ)；而類(lèi)別間的差異性，可由仿射矩陣描述。本發(fā)明中，圖像間的差異性度量為改進(jìn)歐氏空間中的差異性度量。
[0007]1.1改進(jìn)的歐氏空間
偽歐空間萬(wàn)可表示為兩實(shí)向量Z和_7的偽內(nèi)積:

【權(quán)利要求】
1.本發(fā)明提供了基于非歐空間高階統(tǒng)計(jì)的圖像分類(lèi)方法，其特征在于，包括如下步驟: 第一步:計(jì)算數(shù)據(jù)庫(kù)中圖像類(lèi)別Cj的先驗(yàn)概率p(cj)
上式中，IcjI為屬于類(lèi)別Cj的圖像數(shù)，#為數(shù)據(jù)庫(kù)中總的圖像數(shù)； 第二步:計(jì)算圖像類(lèi)別&與圖像數(shù)據(jù)Λ.、差異性度量間的似然概率/7(7,.，difjc):
上式中，P^yJ c)為圖像數(shù)據(jù)Λ.的類(lèi)條件密度，/7 (JifiAly)為圖像數(shù)據(jù)Λ.所屬擴(kuò)散集的類(lèi)條件密度； 第三步:依據(jù)圖像數(shù)據(jù)服從高斯概率分布的假設(shè)，計(jì)算圖像數(shù)據(jù)Λ.的類(lèi)條件密度P (yjcj):
上式中I為屬于類(lèi)別C7高斯分量的個(gè)數(shù)，為各個(gè)高斯分量的權(quán)重，/7 O0./ ,，Hk)為高斯分布；此處，和/Zi的設(shè)置與Turaga等人提出的算法設(shè)置相同； 第四步:計(jì)算圖像數(shù)據(jù)所屬擴(kuò)散集的類(lèi)條件密度/7 (JifiAly):
上式中，Z為Clifi擴(kuò)散集的個(gè)數(shù)，dif/為Clifi中第/7個(gè)擴(kuò)散值； 第五步:計(jì)算圖像類(lèi)別Cj的最大后驗(yàn)概率/7 {Cj/y,, dif,):
上式中4(7,.，Λ7?)為一常量。
【文檔編號(hào)】G06K9/64GK104077606SQ201310107109
【公開(kāi)日】2014年10月1日 申請(qǐng)日期:2013年3月29日 優(yōu)先權(quán)日:2013年3月29日
【發(fā)明者】朱松豪, 孫偉, 羅青青, 梁志偉 申請(qǐng)人:南京郵電大學(xué)