基于局部色度特征的圖像聚類方法及系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，特別涉及一種基于圖像局部色度特征的圖像聚類方法及系統(tǒng)。
【背景技術(shù)】
[0002]隨著數(shù)碼相機(jī)、智能手機(jī)等便攜拍攝設(shè)備的普及，人們?nèi)粘Ｉ钪械臄?shù)字圖像數(shù)量出現(xiàn)了爆炸式的增長，對這些圖像進(jìn)行歸類、管理的需求也日益增長，而面對大量的圖像數(shù)據(jù)，人工進(jìn)行分揀歸類是非常費(fèi)時費(fèi)力的，而圖像的聚類技術(shù)可以在一定程度上緩解這個問題。圖像聚類技術(shù)可以將雜亂無章的大量圖像分為多個類別，屬于同一類別的圖像在特定意義下彼此之間是相似的，而屬于不同類別的圖像彼此之間相似度則是很低的，例如某一類別中的圖像大都是足球比賽畫面，而另外一個類別中的圖像則大都是海濱風(fēng)景畫面等。得益于圖像聚類技術(shù)，人們可以方便地對大量的圖像數(shù)據(jù)進(jìn)行管理。目前，已有較多的特征提取方法用于聚類與聚類分析，其中基于局部特征的方法得到了廣泛的應(yīng)用，但這些方法中有許多只站在灰度梯度特征的角度考慮問題，而忽略了色度特征的作用，未見基于圖像局部色度特征的聚類方法的報道。
[0003]因而現(xiàn)有技術(shù)還有待改進(jìn)和提高。

【發(fā)明內(nèi)容】

[0004]本發(fā)明要解決的技術(shù)問題在于，針對現(xiàn)有技術(shù)的不足，提供一種基于局部色度特征的圖像聚類方法及系統(tǒng)，其利用圖像局部灰度梯度與色度的特征，提高對圖像的特性的表征能力，改善了圖形聚類的效果。
[0005]為了解決上述技術(shù)問題，本發(fā)明所采用的技術(shù)方案如下:
一種基于局部色度特征的圖像聚類方法，其包括:
A、對每幅訓(xùn)練圖像采用SURF特征提取算法提取SURF特征，根據(jù)所述SURF特征獲取其對應(yīng)的SURF-色度特征向量；
B、對整個訓(xùn)練圖像集合的SURF-色度特征向量采用K均值聚類算法聚類得到SURF-色度特征向量詞典；
C、對待聚類的每幅圖像提取用于生成B0W特征向量的SURF-色度特征向量，并結(jié)合所述SURF-色度特征向量詞典生成表征所述待聚類的每幅圖像的B0W特征向量；
D、對所有待聚類圖像的BOW特征向量采用基于SNN相似度的DBSCAN聚類算法進(jìn)行聚類，并根據(jù)所述聚類對圖像進(jìn)行相應(yīng)的聚類。
[0006]所述的基于局部色度特征的圖像聚類方法，其中，所述步驟A具體包括:
A1、對每幅訓(xùn)練圖像提取SURF特征點(diǎn)，根據(jù)所述SURF特征點(diǎn)獲取其對應(yīng)的SURF特征向量；
A2、提取所述SURF特征向量對應(yīng)的色度特征向量，根據(jù)所述SURF特征向量以及與其對應(yīng)的色度特征向量得到SURF-色度特征向量。
[0007]所述的基于局部色度特征的圖像聚類方法，其中，所述步驟A2中所述的提取所述SURF特征向量對應(yīng)的色度特征向量具體過程為:將提取所述SURF特征向量的圖像區(qū)域劃分為若干子區(qū)域，分別提取所述若干子區(qū)域的平均色度分量，所述平均色度分量構(gòu)成色度特征向量。
[0008]所述的基于局部色度特征的圖像聚類方法，其中，所述步驟A2中所述的根據(jù)SURF特征向量以及與其對應(yīng)的色度特征向量得到SURF-色度特征向量具體過程為:將所述SURF特征向量及與其對應(yīng)的色度特征向量進(jìn)行拼接并歸一化得到SURF-色度特征向量。
[0009]所述的基于局部色度特征的圖像聚類方法，其中，所述步驟B中所述的對待聚類的每幅圖像提取SURF-色度特征向量采用的提取方法與步驟A中提取訓(xùn)練圖像SURF-色度特征向量的方法相同。
[0010]所述的基于局部色度特征的圖像聚類方法，其中，所述步驟C中基于SNN相似度的DBSCAN聚類算法中SNN相似度的計算基于余弦相似度。
[0011]—種基于局部色度特征的圖像聚類系統(tǒng)，其包括:
提取模塊，用于采用SURF特征提取算法提取每幅圖像的SURF-色度特征向量；
聚類模塊，用于對整個訓(xùn)練圖像集合的SURF-色度特征采用K均值聚類算法聚類得到特征向量詞典；
生成模塊，用于將待聚類的每幅圖像的SURF-色度特征向量結(jié)合所述SURF-色度特征向量詞典生成表征所述待聚類的每幅圖像的B0W特征向量；
劃分模塊，用于對所有待聚類圖像的B0W特征向量采用基于SNN相似度的DBSCAN聚類算法進(jìn)行聚類，并根據(jù)所述聚類對圖像進(jìn)行相應(yīng)的聚類。
[0012]所述的基于局部色度特征的圖像聚類系統(tǒng)，其中，所述提取模塊包括:
SURF特征向量提取子模塊，用于對每幅圖像提取SURF特征點(diǎn)，根據(jù)所述SURF特征點(diǎn)獲取其對應(yīng)的SURF特征向量；
SURF-色度特征向量提取子模塊，用于提取所述SURF特征向量對應(yīng)的色度特征向量，根據(jù)所述SURF特征向量以及與其對應(yīng)的色度特征向量得到SURF-色度特征向量。
[0013]所述的基于局部色度特征的圖像聚類系統(tǒng)，其中，所述SURF-色度特征向量提取子模塊還用于將提取所述SURF特征向量的圖像區(qū)域劃分為若干子區(qū)域，分別提取所述若干子區(qū)域的平均色度分量，所述平均色度分量構(gòu)成色度特征向量。
[0014]所述的基于局部色度特征的圖像聚類系統(tǒng)，其中，所述SURF-色度特征向量提取子模塊還用于將所述SURF特征向量以及與其對應(yīng)的色度特征向量拼接并歸一化。
[0015]有益效果:與現(xiàn)有技術(shù)相比，本發(fā)明所提供一種基于局部色度特征的圖像聚類方法及系統(tǒng)，對每幅訓(xùn)練圖像提取SURF-色度特征向量，對整個訓(xùn)練圖像集合的SURF-色度特征進(jìn)行K均值聚類以得到特征向量詞典;對待聚類的所有圖像提取SURF-色度特征向量，根據(jù)所述特征向量詞典生成相應(yīng)的B0W特征向量;對所有待聚類圖像的B0W特征向量執(zhí)行基于SNN相似度的DBSCAN聚類，根據(jù)所述聚類對相應(yīng)的圖像進(jìn)行類別劃分。本發(fā)明提出的方法充分利用了圖像局部灰度梯度和色度的特征，對圖像的特性有更好的表征能力，也改善了聚類的效果。此外，在對圖像進(jìn)行聚類時，使用基于SNN相似性的DBSCAN聚類方法，可以處理不同大小、形狀和密度的簇，改善了圖像的聚類效果。
【附圖說明】
[0016]圖1為本發(fā)明基于局部色度特征的圖像聚類方法較佳實(shí)施例的流程圖。
[0017]圖2為本發(fā)明基于局部色度特征的圖像聚類系統(tǒng)的結(jié)構(gòu)原理圖。
【具體實(shí)施方式】
[0018]本發(fā)明提供基于局部色度特征的圖像聚類方法及系統(tǒng)，為使本發(fā)明的目的、技術(shù)方案及效果更加清楚、明確，以下參照附圖并舉實(shí)施例對本發(fā)明進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅用以解釋本發(fā)明，并不用于限定本發(fā)明。
[0019]對本發(fā)明提供實(shí)施例中的術(shù)語進(jìn)行說明，其中所使用的“SURF特征提取算法”為Speeded Up Robust Features，加速穩(wěn)健性特征提取算法，其為一種局部特征提取算法?！癝URF-色度特征向量”為局部色度特征向量，其有SURF特征向量與其對應(yīng)的平均色度向量構(gòu)成?！癒均值聚類算法”為K-means聚類算法，采用的歐式距離度量方法，即計算每個對象到各個聚類中心的距離，離哪個聚類中心的距離最短則屬于哪一類?！癇oW”(Bag Of Words)算法也稱為詞袋算法，起源于基于語義的文本檢索算法，是一種有效地基于語義特征提取與描述的物體識別算法。BoW模型通過對圖像進(jìn)行特征提取和描述，得到大量特征進(jìn)行處理，從而得到用來表示圖像的單詞，并在此基礎(chǔ)上構(gòu)建視覺詞典，然后對待聚類圖像采用相同的處理方法并生成B0W特征，將結(jié)果代入到訓(xùn)練的聚類器中進(jìn)行聚類?！癝NN相似度”為計算共享最近鄰相似度?！癉BSCAN聚類算法”為Density Based Spatial Clustering ofApplicat1ns with Noise聚類算法，其為基于密度聚類算法，其中心思想為:若一個點(diǎn)簇可由其中的任何核心對象唯一確定，對于某一點(diǎn)簇中的對象，給定半徑的鄰域內(nèi)數(shù)據(jù)對象個數(shù)必須大于給定值?！盎赟NN相似度的DBSCAN聚類算法”為將SNN的相似度與DBSCAN聚類算法相結(jié)合的聚類算法，即基于計算共享最近鄰相似度的DBSCAN聚類算法。
[0020]下面結(jié)合附圖，通過對實(shí)施例的描述，對
【發(fā)明內(nèi)容】
作進(jìn)一步說明。
[0021]請參見圖1，圖1為本發(fā)明提供基于局部色度特征的圖像聚類方法較佳實(shí)施例的流程圖。所述方法包括:
S1、對每幅訓(xùn)練圖像采用SURF特征提取算法提取SURF特征，根據(jù)所述SURF特征獲取其對應(yīng)的SURF-色度特征向量。
[0022]具體地，所述SURF特征提取算法為一種局部特征提取算法，其算法提取的特征具有尺度不變、旋轉(zhuǎn)不變的性能，對光照變化、仿射變化、透視變換具有部分不變性。在實(shí)際應(yīng)用中，對每幅訓(xùn)練圖像采用SURF特征提取算法提取SURF特征，根據(jù)所述SURF特征獲取每幅訓(xùn)練圖像SURF-色度特征向量的過程可以為:首先，對于每幅訓(xùn)練圖像提取其所有SURF(Speeded Up Robust Features，加速穩(wěn)健性特征)特征點(diǎn)，并基于所述訓(xùn)練圖像的每個SURF特征點(diǎn)提取SURF特征向量。其中，提取圖像中的SURF特征點(diǎn)及SURF特征向量為數(shù)字圖像處理領(lǐng)域的公知技術(shù)，這里不再贅述。值得注意的，本實(shí)施例中基于圖像的SURF特征點(diǎn)提取SURF特征向量時，是以SURF特征點(diǎn)為中心的方形圖像區(qū)域內(nèi)進(jìn)行，在其他實(shí)施例中，其可以采用以SURF特征點(diǎn)為中心的其他形狀，如長方形、圓形等，這里不做具體限制。
[0023 ]其次，將每個提取SURF特征向量由SURF特征點(diǎn)的主方向確定的方形圖像區(qū)域進(jìn)一步分割成若干個方形子區(qū)域，例如，9、16、25、36等，對于這個這邊不做具體限制，其可以根據(jù)待聚類圖像的特征及對圖像聚類準(zhǔn)確性的要求而設(shè)定。本實(shí)施例中分割成16個方形子區(qū)域，在分別提取所述16方形子區(qū)域的平均色度分量，所述16個平均色度分量組成一個16維色度向量，將所述16維色度向量與相應(yīng)SURF特征點(diǎn)的SURF特征向量拼接為一個維度更高的新向量，并將所述新向量進(jìn)行歸一化處理，就得到所述SURF特征點(diǎn)對應(yīng)的SURF-色度特征向量。在實(shí)際應(yīng)用中，所述若干方形子區(qū)域可以是全等的子區(qū)域，這樣可以提高色度向量的準(zhǔn)確性。其中，提取圖像的色度分量及歸一化處理為數(shù)字圖像處理領(lǐng)域的公知技術(shù)，這里不再贅述。
[0024]S2、對整個訓(xùn)練圖像集合的SURF-色度特征向量采用K均值聚類算法聚類得到SURF-色度特征向量詞典。
[0025]具體地，每幅訓(xùn)練圖像都提取出了一定數(shù)量的SURF-色度特征向量，整個訓(xùn)練圖像集合中的圖像提取的SURF-色度特征向量