本發(fā)明涉及模式識別和計算機視覺領(lǐng)域的紋理圖像分類，具體地說是一種基于剪切波和高斯混合模型的圖像紋理分類方法。

背景技術(shù)：

紋理廣泛存在于客觀世界，是表達物體表面或結(jié)構(gòu)的一種基本屬性，也是計算機視覺中一個很重要的研究方向。紋理的直觀意義十分明確。但是對于紋理是什么，人們的概念還是比較模糊。在圖形處理中，紋理有著廣泛而籠統(tǒng)的含義?；诩y理的分析和應(yīng)用研究已經(jīng)進行了近六十年。紋理方面的研究到現(xiàn)在仍然非?；钴S，國內(nèi)外有許多研究機構(gòu)都在從事這方面的工作，近些年在國際知名雜志和重要會議上，關(guān)于紋理識別的研究成果層出不窮，多達數(shù)百篇。由此可見，紋理分析和識別是一個非?；钴S的研究熱點，有著非常重要的理論研究和實際應(yīng)用價值。但是，由于紋理形式的廣泛與多樣，與紋理相關(guān)的很多問題尚未得到解決，如紋理的定義及對其特征的精確描述。目前，基于紋理的特征提取方法大致可以分為兩類：空域和變換域方法。其中，基于變換域的方法已經(jīng)提出了很多比較好的特征提取方法，并且能夠成功的應(yīng)用于實際的應(yīng)用程序當中。但是，多數(shù)基于變換域的特征只利用變換系數(shù)的統(tǒng)計特性來表示紋理圖像，例如能量直方圖方法。因此，在實際應(yīng)用中仍然存在著很多亟待解決的問題，例如分類精度不高，特征維數(shù)大，處理圖片耗時等等。

技術(shù)實現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題是提供一種基于剪切波和高斯混合模型的圖像紋理分類方法，用于解決現(xiàn)有現(xiàn)有分類方法分類精度不高、特征維數(shù)大、處理圖片耗時等問題。

本發(fā)明為解決上述技術(shù)問題所采用的技術(shù)方案是：一種基于剪切波和高斯混合模型的圖像紋理分類方法，包括以下步驟：

步驟一、采用剪切波工具箱對隨機選取的具有相同類別標號的圖像樣本進行方向多尺度分解并構(gòu)造它們的子帶能量特征；

步驟二、采用核主成分分析對步驟一中得到的子帶能量特征進行降低維度處理；

步驟三、建立剪切波子帶能量特征的高斯混合模型并用期望最大化算法估計模型參數(shù)；

步驟四、根據(jù)步驟三估計得到的模型參數(shù)，求出每個圖像樣本的后驗概率，最后采用貝葉斯概率分類器對紋理圖像進行分類，獲得分類結(jié)果。

本發(fā)明所述步驟一中對圖像樣本進行方向多尺度分解并構(gòu)造它們的子帶能量特征的具體方法為：

（1）方向多尺度分解

對隨機選擇的具有相同類別標號的圖像樣本集中的第i個圖像樣本進行L尺度3水平的剪切波分解，得到8*L個方向子帶和1個低頻子帶，其中N表示樣本的總數(shù)；

（2）構(gòu)造子帶能量特征

一個方向子帶的子帶系數(shù)表示為，其中J是子帶系數(shù)的個數(shù)，它的1范數(shù)能量特征e1由公式計算得到，它的2范數(shù)能量特征e2由公式計算得到；對于所有尺度，第d個方向的1范數(shù)能量特征表示為，2范數(shù)能量特征表示為；對于所有的8個方向，第i個圖像的子帶能量特征fi表示為：；最后得出圖像樣本集的剪切波子帶能量特征為：，其中指的是求向量f的轉(zhuǎn)置。

本發(fā)明所述步驟二中用核主成分分析對能量特征進行降低維度的具體方法為：用降維率R（0<R<1）表示剪切波子帶能量特征降低維度的水平，降低維度后的剪切波子帶能量特征F為：。

本發(fā)明所述步驟三中所述的建立剪切波子帶能量特征的高斯混合模型并用期望最大化算法估計模型參數(shù)的具體方法為：

（1）建立高斯混合模型

單變量的高斯分布表示為：，其中是高斯分布的參數(shù)，為自變量，表示剪切波子帶能量，表示均值，表示方差，則多個高斯分布的混合模型表示為：，其中H是混合模型中高斯成分的個數(shù)，表示混合模型中每一個高斯分布的先驗分布；

（2）高斯混合模型的參數(shù)估計

用期望最大化方法估計高斯混合模型的參數(shù)，其估計參數(shù)為：。

本發(fā)明的有益效果是：（1）該圖像紋理表示方法有效的利用了圖像紋理的方向多尺度信息，能夠很好地描述紋理的特征。

（2）針對較小的紋理尺寸，本發(fā)明提出的紋理圖像表示方法能夠獲取很好地分類性能，在很大程度上提高了分類精度。

（3）本發(fā)明紋理圖像表示方法的計算速度很快，通過核主成分分析剪切波子帶的能量特征的維數(shù)相對比較小，在保證分類性能的同時能夠?qū)崿F(xiàn)快速的紋理圖像分類。

（4）核主成分分析用來降低剪切波子帶能量特征的維數(shù)，同時也可以降低能量特征的信息冗余和噪聲，因此能夠提升能量特征的識別能力。

附圖說明

圖1為本發(fā)明圖像紋理分類方法的流程示意圖；

圖2為紋理圖像剪切波分解和構(gòu)造子帶能量特征的流程示意圖；

圖3為采用核主成分分析對能量特征進行降低維度的流程圖；

圖4為構(gòu)造高斯混合模型的流程圖；

圖5為本發(fā)明方法和其它方法的平均分類精度。

具體實施方式

一種基于剪切波和高斯混合模型的圖像紋理分類方法，包括以下步驟：

步驟一、采用剪切波工具箱對隨機選取的具有相同類別標號的圖像樣本進行方向多尺度分解并構(gòu)造它們的子帶能量特征；

步驟二、采用核主成分分析對步驟一中得到的子帶能量特征進行降低維度處理；

步驟三、建立剪切波子帶能量特征的高斯混合模型并用期望最大化算法估計模型參數(shù)；

步驟四、根據(jù)步驟三估計得到的模型參數(shù)，求出每個圖像樣本的后驗概率，最后采用貝葉斯概率分類器對紋理圖像進行分類，獲得分類結(jié)果。

進一步，步驟一中對圖像樣本進行方向多尺度分解并構(gòu)造它們的子帶能量特征的具體方法為：

（1）方向多尺度分解

對隨機選擇的具有相同類別標號的圖像樣本集中的第i個圖像樣本進行L尺度3水平的剪切波分解，得到8*L個方向子帶和1個低頻子帶，其中N表示樣本的總數(shù)；

（2）構(gòu)造子帶能量特征

一個方向子帶的子帶系數(shù)表示為，其中J是子帶系數(shù)的個數(shù)，它的1范數(shù)能量特征e₁由公式計算得到，它的2范數(shù)能量特征e₂由公式計算得到；對于所有尺度，第d個方向的1范數(shù)能量特征表示為，2范數(shù)能量特征表示為；對于所有的8個方向，第i個圖像的子帶能量特征f_i表示為：；最后得出圖像樣本集的剪切波子帶能量特征為：，其中指的是求向量f的轉(zhuǎn)置。

進一步，步驟二中用核主成分分析對能量特征進行降低維度的具體方法為：用降維率R（0<R<1）表示剪切波子帶能量特征降低維度的水平，降低維度后的剪切波子帶能量特征F為：。

進一步，步驟三中所述的建立剪切波子帶能量特征的高斯混合模型并用期望最大化算法估計模型參數(shù)的具體方法為：

（1）建立高斯混合模型

單變量的高斯分布表示為：，其中是高斯分布的參數(shù)，為自變量，表示剪切波子帶能量，表示均值，表示方差，則多個高斯分布的混合模型表示為：，其中H是混合模型中高斯成分的個數(shù)，表示混合模型中每一個高斯分布的先驗分布；

（2）高斯混合模型的參數(shù)估計

用期望最大化方法估計高斯混合模型的參數(shù)，其估計參數(shù)為：。

實施例

下面通過對標準紋理庫VexTex中的紋理圖像進行分類實例闡述本發(fā)明的具體實施方式：

執(zhí)行步驟一：利用進行剪切波分解和構(gòu)造子帶能量特征。

剪切波分解的具體過程如下：

1）對測試樣本進行8方向L=3尺度分解；

2獲取方向子帶和低頻子帶；

構(gòu)造子帶能量特征的具體過程如下

1）計算1范數(shù)能量特征和2范數(shù)能量特征；

2）構(gòu)造各個子帶的能量特征。

執(zhí)行步驟二：能量特征降維。

這里，我們選用核主成分分析對計算得到的剪切波子帶能量特征進行降低維度，降維率R=0.6。

執(zhí)行步驟三：建立高斯混合模型，并估計模型參數(shù)。

1）對提取的剪切波子帶能量特征建立混合成分H=3的高斯混合模型。

2）用期望最大化算法估計模型參數(shù)：。

執(zhí)行步驟四：利用得到的模型參數(shù)，計算測試樣本的后驗概率，采用貝葉斯概率分類器對紋理圖像進行分類，得到分類精度。

將本方法（表示為：GMM-BC）和其它4個紋理特征提取方法進行比較，十次實驗的平均分類正確率（ACAR，%）結(jié)果如圖5所示，圖5驗證了本方法的有效性和優(yōu)越性。

通過與其他方法的比較，可以驗證本發(fā)明所提出的方法相對于其它4個方法具有很好的優(yōu)越性：有效地提高了紋理圖像的分類精度，有效地適應(yīng)較小尺寸的紋理圖像。另外，本發(fā)明所提出的方法充分的利用了紋理圖像的方向多尺度信息，具有廣泛的應(yīng)用價值。