一種基于BoF和多特征融合的紋理圖像分類方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種紋理圖像的分類方法，具體涉及一種基于BoF和多特征融合的紋 理圖像分類方法。
【背景技術(shù)】
[0002] 紋理反映了物體的表面結(jié)構(gòu)，是圖像中某種特質(zhì)局部重復(fù)模式的宏觀表現(xiàn)，能夠 體現(xiàn)物體的一些重要特征和性質(zhì)；紋理分析是提取紋理特征參數(shù)從而獲得紋理定量或定性 描述的圖像處理過程，紋理分類是紋理分析研究的重要研究方向之一，在場影識別、生物特 征識別、遙感圖像分析、醫(yī)學(xué)圖像分析、圖像檢索、運動目標(biāo)檢測等領(lǐng)域都有重要的應(yīng)用。
[0003] 紋理圖像可以表示為統(tǒng)計紋理基元出現(xiàn)的頻率，這符合詞袋描述方法的思想。目 前紋理圖像的分類主要是基于統(tǒng)計分析、幾何特征、信號處理、關(guān)鍵點四種方法，其中統(tǒng)計 分析和信號處理方法應(yīng)用廣泛，影響深遠。
[0004] 雖然上述方法在紋理識別上均有較好的表現(xiàn)，但這些方法均忽略了紋理的空間分 布信息。在文獻圖像紋理分析及分類方法研究一文中（李伯宇，圖像紋理分析及分類方法 研究[D]，博士，復(fù)旦大學(xué)，2007)，即闡述了這些方法關(guān)注尋找紋理基元，忽略了基元間的 空間排列關(guān)系，指出提取基元間的排列關(guān)系是個非常值得繼續(xù)研究的問題。文獻基于多特 征提取和SVM分類器的紋理圖像分類（唐銀鳳，黃志明，黃榮娟，姜佳欣，盧昕.基于多特征 提取和SVM分類器的紋理圖像分類[J].計算機應(yīng)用與軟件，2014, 28(6):22-25.) -文中， 利用Gabor濾波器、GMRF (高斯馬爾可夫隨機場）及GLCM (灰度共生矩陣）提取紋理圖像的 三種紋理特征，融合多特征進行紋理分類，構(gòu)造了紋理查找表。文獻中實驗驗證了受方向、 尺度等影響會降低該方法的分類精度，單一特征在一定條件下對光學(xué)紋理圖像分類也能有 比多特征組合更好的分類效果。該方法有紋理圖像的區(qū)域內(nèi)灰度空間信息表示，但仍忽略 了區(qū)域間的空間分布信息，算法性能的穩(wěn)定性仍有較大研究空間。
[0005] BoF (Bag of Feature)模型最先是由Joachims在1997年用來描述文本內(nèi)容從而 進行文本分類，2003年Sivic and Zisserman首次將其用于在視頻序列中檢索特定用戶 場景和物體，后來Csurka等將其運用到視覺表示與分類中，目前將BoF模型運用于圖像處 理已有突出成果，是一種新的、有效的圖像內(nèi)容表征方法，已成為圖像處理領(lǐng)域新的研究熱 點。BoF模型在圖像處理領(lǐng)域中也稱之為BOVW(Bag of Visual Word)模型。
[0006] BoF是通過統(tǒng)計區(qū)域特征的全局相似出現(xiàn)情況來表示圖像，簡化了寵大的區(qū)域特 征信息同時又具備區(qū)域不變性和全局魯棒性的特點，但BoF詞匯直方圖的無序表達形式?jīng)] 有體現(xiàn)特征單詞之間的空間關(guān)系，亦丟失了特征的尺度、方向和位置信息，然而圖像特征的 空間分布信息對于圖像的內(nèi)容及語義是不容忽略的。
[0007] 尺度不變特征轉(zhuǎn)換SIFT為已有專利保護，發(fā)明人是DAVID G. L0WE，詳細內(nèi) 容參考文獻【DAVID G. LOWE. Distinctive Image Features from Scale-Invariant Keypoints[J]. International Journal of Computer Vision, 2004,60(2):91-100】。
[0008] 灰度梯度共生矩陣GGCM由洪繼光于1984年在GLCM的基礎(chǔ)上提出，詳 細內(nèi)容參考文獻【洪繼光.灰度-梯度共生矩陣紋理分析方法[J].自動化學(xué) 報，1984, 10(01) :22-25.】。
[0009] 傳統(tǒng)BoF的底層特征描述使用SIFT特征，其基于區(qū)域的特征表示也忽略了區(qū)域之 間的空間關(guān)系信息。目前存在很多紋理特征描述與分類方法，每種方法都有其自身的特點、 優(yōu)勢但也存在不足。典型的二階統(tǒng)計法灰度共生矩陣能刻畫紋理模式中鄰域灰度空間的關(guān) 系，是一種有效的紋理描述方法，但它更適合微紋理（microtextures)描述，對于紋理基元 較大的紋理則描述效果欠佳。

【發(fā)明內(nèi)容】

[0010] 發(fā)明目的：為了克服現(xiàn)有技術(shù)中存在的不足，本發(fā)明提供一種基于BoF和多特征 融合的紋理圖像分類方法，通過對應(yīng)特征單詞的紋理基元構(gòu)建，將多特征融合表示作為BoF 模型的底層紋理特征描述，以提高紋理圖像分類精度及穩(wěn)定性，解決了現(xiàn)有技術(shù)的問題。 [0011] 技術(shù)方案：為實現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案為：
[0012] 基于BoF和多特征融合的紋理圖像分類方法，其特征在于，該方法包括以下步驟：
[0013] I. 1)對所有紋理圖像進行局部圖像選取，獲得每幅圖像的碎片集；
[0014] 1. 2)提取每幅紋理圖像所有碎片的灰度梯度共生矩陣GGCM特征向量和尺度不變 特征轉(zhuǎn)換SIFT局部特征向量，并對不同特征進行重要性加權(quán)融合，獲得多種特征的融合特 征；
[0015] 1. 3)利用步驟1. 2)得到的紋理圖像訓(xùn)練集融合特征向量作為BoF模型的底層特 征描述，聚類產(chǎn)生特征單詞，并進行基于鑒別能量分析的優(yōu)選加權(quán)生成新的特征單詞，構(gòu)造 特征字典；
[0016] 1. 4)對紋理圖像訓(xùn)練集融合特征向量用特征單詞進行指派，構(gòu)建紋理圖像訓(xùn)練集 的融合特征詞袋模型；
[0017] 1. 5)采用同樣的方法計算待測試紋理圖像的融合特征向量，并獲得對應(yīng)的融合特 征詞袋；
[0018] 1. 6)利用支持向量機訓(xùn)練特征詞袋模型得到SVM分類器，實現(xiàn)對測試圖像的預(yù)測 分類。
[0019] 進一步的，步驟I. 1)中所述的局部圖像選取采用興趣點檢測法或區(qū)域劃分法。
[0020] 進一步的，碎片為紋理圖像中固定大小的區(qū)域圖像，大小為16X16像素。
[0021] 進一步的，步驟1. 2)中所述重要性加權(quán)融合，指采用基于特征重要性算法FIW的 加權(quán)，具體步驟如下：
[0022] 1. 2. 1)分別計算紋理圖像的灰度梯度共生矩陣GGCM特征和尺度不變特征轉(zhuǎn)換 SIFT特征，將灰度梯度共生矩陣GGCM和尺度不變特征轉(zhuǎn)換SIFT聯(lián)合特征輸入到Kmeans中 進行聚類，得到聚類中心；
[0023] 1. 2. 2)采用ReliefF算法對獲得不同特征的特征權(quán)值向量，將權(quán)值為負（W〈0)不 利于分類的特征去除；
[0024] 1. 2. 3)采用相關(guān)性度量方法，運用相關(guān)系數(shù)描述兩個變量之間的相關(guān)性，去除相 關(guān)系數(shù)大于〇. 6的強相關(guān)或極強相關(guān)冗余特征；
[0025] 1. 2. 4)對步驟1. 2. 3)結(jié)果使用均方根進行特征歸一化處理。
[0026] 其中，當(dāng)灰度梯度共生矩陣GGCM特征和尺度不變特征轉(zhuǎn)換SIFT特征的聯(lián)合分布 為特征重要性加權(quán)融合時，，先對待分類的紋理圖像用聯(lián)合特征分布預(yù)分類，可再使用基于 特征重要性算法FIW加權(quán)的融合特征再分類。
[0027] 進一步的，步驟1. 3)中所述的聚類，采用Kmeans聚類方法，聚類中心個數(shù)為特征 字典容量，特征字典容量選取自動生成法。
[0028] 進一步的，步驟1.3)中所述的鑒別能量分析，具體為動態(tài)加權(quán)鑒別能量分析 DWDPA ;通過計算類間間距與類內(nèi)間距的比值，獲得鑒別能量系數(shù)，并將鑒別能量系數(shù)線性 歸一化作為各特征的權(quán)值。
[0029] 進一步的，步驟1. 4)中所述的指派，具體為計算融合特征向量與特征單詞的歐氏 距離，用距離最小的單詞表征特征向量。
[0030] 進一步的，步驟1. 4)中所述的構(gòu)建紋理圖像訓(xùn)練集的融合特征詞袋模型，具體為 統(tǒng)計每幅紋理圖像各個單詞的詞頻，采用特征單詞直方圖表征每幅紋理圖像，獲得特征詞 袋。
[0031] 進一步的，步驟1. 6)中所述的利用支持向量機訓(xùn)練特征詞袋模型時，采用直方圖 交叉核或徑向基核。
[0032] 進一步的，所述特征字典容量自動生成法，具體為字典容量K由圖像種類數(shù)C、每 類訓(xùn)練集圖像數(shù)N ini，每幅圖像碎片數(shù)Nd自動生成，生成公式如下所示：
[0033]
[0034] 其中ε為特殊控制系數(shù)，默認值為1。
[0035] 有益效果：本發(fā)明相比現(xiàn)有技術(shù)具有以下改進效果：
[0036] 1)具有更高的紋理圖像分類精度，且魯棒性好；
[0037] 2)本發(fā)明依據(jù)不同特征存在的優(yōu)勢互補，采用多特征融合算法進行紋理圖像特征 提取，獲得紋理圖像的多特征融合表示，在BoF模型中嵌入了空間信息、幾何信息，增強了 圖像特征的空間信息描述能力，較大程度上彌補了 BoF特征空間信息丟失的弱點。
[0038] 3)本發(fā)明能有效描述微觀紋理結(jié)構(gòu)，并提升了對較大基元的紋理描述效果，克服 了 GGCM對于較大紋理分類正確率低的不足。
[0039] 4)本發(fā)明對平緩紋理、較雜亂紋理圖像的分類效果亦表現(xiàn)優(yōu)秀，對不同視角及變 形的紋理有較穩(wěn)定的分類性能。
【附圖說明】
[0040] 圖1為是個發(fā)明基于BoF和多特征融合的紋理圖像分類方法流程圖；
[0041] 圖2為本發(fā)明一個實施例使用的紋理圖像示例；
[0042] 圖3為基于FIW的特征重要性加權(quán)流程圖；
[0043] 圖4為DWDPA優(yōu)選加權(quán)流程圖；
[0044] 圖5為結(jié)合BoF模型各種特征分類正確率比較。
【具體實施方式】
[0045] 下面結(jié)合附圖對本發(fā)明作更進一步的說明。
[0046] 紋理圖像可以表示為統(tǒng)計紋理基元出現(xiàn)的頻率，符合詞袋模型思想，其最關(guān)鍵步 驟之一即是對應(yīng)原語（特征單詞）的紋理基元構(gòu)建。在紋理圖像特征提取過程中融合含有 空間信息的紋理特征與局部特征的多特征表示方法，以期找到并驗證更合適的紋理基元及 紋理空間結(jié)構(gòu)表示方式；紋理特征描述更加著重空間信息的表示，以彌補BoF模型空間信 息表示不足的問題。基于BoF模型的全局統(tǒng)計特征及其在大量圖像處理領(lǐng)域研究結(jié)果中的 良好表現(xiàn)，將多特征融合表示作為BoF模型的底層特征，以達到更好保留紋理圖像區(qū)域特 征空間信息、更穩(wěn)定描述不同大小紋理基元圖像及描述平緩圖像、較雜亂圖像等，從而提高 紋理圖像分類精度及穩(wěn)定性的目的。
[0047] 基于BoF和多特征融合的紋理圖像分類方法，其特征在于，該方法包括以下步驟：
[0048] I. 1)對所有紋理圖像進行局部圖像選取，獲得每幅圖像的碎片集，所述碎片為紋 理圖像中固定大小的區(qū)域圖像，大小為16X16像素。局部圖像選取采用興趣點檢測法或區(qū) 域劃分法，優(yōu)選使用興趣點檢測法。
[0049] 1. 2)提取每幅紋理圖像所有碎片的灰度梯度共生矩陣GGCM特征向量和尺度不變 特征轉(zhuǎn)換SIFT局部特征向量，并對不同特征進行重要性加權(quán)融合，獲得多種特征的融合特 征；
[0050] 所述重要性加權(quán)融合，指采用基于特征重要性算法