CN101118593A - 基于swbct的纹理图像分类方法 - Google Patents

Abstract

本发明公开了一种基于SWBCT的纹理图像分类方法，它属于图像处理技术领域。其目的在于克服分类特征有效性的不足，针对轮廓波和WBCT在纹理分析中遇到的问题，提出并将本发明用于纹理图像分类中，本发明在子带特征提取阶段分别使用了能量、Hu矩和共生矩阵的方法，得到了较好的分类效果。该发明的具体实现步骤为：1.输入样本图像，并对样本图像进行归一化；2.对归一化后样本图像进行多方向多分辨率图像分解－SWBCT分解，得到分解子带；3.对得到的分解子带进行特征提取，并对各种特征进行合并；4.在已有的分类方法中选用一种分类方法，对合并后的特征进行纹理图像分类。该方法可用于模式识别中，比如图像分类、手写体识别、语音识别与分类中。

Description

基于SWBCT的纹理图像分类方法

技术领域

本发明涉及图像处理技术领域，具体地说是将一种基于平稳小波的轮廓波变换Stationary Wavelet-Based Contourlet Transform，简记为SWBCT，用于纹理图像分类的方法，是轮廓波和平稳小波相结合应用在纹理分析领域的成果。该方法可用于模式识别中，比如图像分类、手写体识别、语音识别与分类中。

背景技术

自然图像都包含了丰富的纹理信息，纹理在图像中的任何方向任何位置以及不同尺度上都可能表现出来。小波只能提供有限的几个方向，因此不能充分挖掘图像中的纹理方向信息。而多尺度几何工具正是解决问题的好帮手，在纹理分类、分割中有巨大的潜力。所谓纹理是指图像中局部不规则而宏观有规律的特性，纹理描述可以提供对区域的平滑度、粗糙度、规则性等特性的度量。近20年来纹理分析在计算机视觉、生物学等领域得到了广泛的应用，它为航空或卫星遥感图像、生物医学图像、计算机视觉等提供了用于目标识别的有效特征。而如何有效地描述不同类型的纹理则成为纹理分析的关键。纹理特征的描述方法有很多，总体来说，可以分为四类：统计方法、结构方法、基于模型的方法和基于变换域的方法。

在过去的几十年中关于如何有效地进行纹理分析已经做了大量的研究。灰度共生矩阵是一种典型的统计方法。通过建立区域灰度共生矩阵可以表现不同像素相对位置的空间信息。它反映了灰度的分布特性，也反映了灰度相同的像素之间的位置分布特性，是有关图像灰度变化的二阶统计特征。该方法的缺点是计算量很大，反映出的纹理图像特点比较单一。结构方法指处理图像元的排列，可以通过计算各个基元的统计特征作为纹理特征，如平均强度、面积、周长、方向、离心率等。基于模型的方法的基本思想是假设一幅纹理图像是某一类参数模型。如马尔可夫Markov随机场模型，分形Fractal模型等。然而基于模型的方法比较复杂，计算量也比较大。基于变换域的纹理分析包括傅里叶变换，小波变换，Gabor变换等。如Chang T.等人利用小波变换来研究纹理分析。方向性和沿某一特定形状上的奇异性是高维空间的两个重要特征，如三维空间中物体的光滑边缘。但是自然界中多数物体都具有平滑边缘，因此自然图像的不连续性体现为光滑曲线的奇异性。小波在逼近具有一维奇异性的目标函数时具有最优表示特性，即点奇异性，然而在高维数据情况下，小波不能最优表示某些具有几何特征的函数。例如由一维小波构成的二维可分离张量积小波只有有限的方向，其支撑区间是正方形，但二维图像中的很多几何结构是具有方向性的，因而它不能很好地处理这一类图像。目前，在纹理分析方面应用最广泛的时频分析技术就是小波变换。以上这些方法的一个共同缺点都是它们的重点只放在单一尺度上的图像像素间的结合。

许多学者提出了多尺度几何分析理论来克服小波的不足，如脊波、曲线波、轮廓波等方法。M.N.Do和Martin Vetterli等人在2002年提出了一种新的多尺度几何分析工具-轮廓波Contourlet。轮廓波是多分辨的、局域的、方向的图像表示方法，可以有效地表示包含丰富轮廓和纹理的图像。Ramin Eslami和Hayder Radha等人提出了一种基于小波的非冗余轮廓波图像变换Wavelet-Based Contourlet Transform，简记为WBCT。轮廓波在纹理分析方面有较大的潜力，Ramin Eslami和Hayder Radha等人提出的WBCT与轮廓波相比，可以对图像进行更细的方向划分。但是当分解方向数增多，分解层数增多时，WBCT会出现识别率快速下降的趋势。

发明内容

本发明的目的在于克服分类特征有效性的不足，针对轮廓波和WBCT在纹理分析中遇到的问题，提出了一种基于平稳小波的轮廓波变换，并将它用于纹理图像分类中，在子带特征提取阶段分别使用了能量、Hu矩和共生矩阵的方法，得到了更好的分类结果。

本发明的技术方案是：针对特征有效性的研究，把多尺度几何分析之一的轮廓波变换和平稳小波变换相结合来完成图像分解，得到各个分解子带，然后在得到的分解子带中利用特征提取方法来提取子带特征，将这些特征用在分类过程中，得到最终的分类结果。本发明基于SWBCT的纹理图像分类方法的具体实现过程如下：

(1)、输入样本图像，并对样本图像进行归一化；

(2)、对归一化后样本图像进行多方向多分辨率图像分解-SWBCT分解，得到分解子带；

(3)、对得到的分解子带进行特征提取，并对各种特征进行合并；

(4)、在已有的分类方法中选用一种分类方法，对合并后的特征进行纹理图像分类。

上述的基于SWBCT的纹理图像分类方法，所说的输入样本图像，并对样本图像进行归一化，其具体实现方法如下：

(1)、输入样本图像，设待分类的样本图像有N幅，从N幅待分类的样本图像中随机选取M幅作为训练样本图像，其中M小于N；

(2)、对样本图像归一化，将图像的像素从0～255归一化到0～1之间；

上述的基于SWBCT的纹理图像分类方法，所说的对归一化后样本图像进行多方向多分辨率图像分解-SWBCT分解，得到分解子带，其具体实现方法如下：

(1)、设定最大分解层数为l；

(2)、对归一化后样本图像进行平稳小波变换，得到四个子带：低频子带LL，高频子带LH、HL、HH；

(3)、对由平稳小波变换得到的LH、HL、HH三个高频子带，分别使用方向滤波器DFB进行分解，则每个高频子带都得到2ⁿ个方向子带，其中n是分解层数，n的取值为1～l；

(4)、对每次分解得到的低频子带LL重复上述步骤(2)、(3)，直到分解层数n＝l；

(5)、最后得到方向子带和一个低频子带。

上述的基于SWBCT的纹理图像分类方法，所说的对得到的分解子带进行特征提取，并对各种特征进行合并，其具体实现过程如下：

(1)、对分解得到的各子带分别提取各种特征：能量特征、Hu矩、共生矩阵特征等；

(2)、合并各种特征，从M幅训练样本图像中提取出的特征与训练样本图像对应，记为训练特征，所有N幅待分类样本图像提取出的特征记为分类特征。不管是训练特征还是分类特征，合并特征的方法有两种：①如果所提取的所有特征都被用来进行分类，那么这些特征与样本一一对应进行存储；

②如果要对所提取出的特征进行选择，则把选择出的有效特征与样本一一对应进行存储。

上述的基于SWBCT的纹理图像分类方法，所说的在已有的分类方法中选用一种分类方法，对合并后的特征进行纹理图像分类，其中分类方法可从聚类方法、K近邻法、神经网络方法、支撑矢量机方法中选择。从是否需要训练分类器的角度来说，分类方法有两种：无监督分类方法和有监督分类方法，当采用有监督分类方法时，使用有监督分类器，采用无监督分类方法时，使用无监督分类器。其具体实现过程如下：

(1)、使用有监督分类器时，采用K近邻法、神经网络方法、支撑矢量机方法，其对图像进行分类检测的过程是：①利用训练特征训练分类器；②把分类特征输入已训练好的分类器中，便可得到最后的分类结果；

(2)、使用无监督分类器时，采用聚类方法，直接将分类特征输入分类器，就可得到最后的分类结果。

本发明与现有的技术相比具有以下优点：

1、本发明可以克服小波、脊波、轮廓波、WBCT等变换在分解层数较大时性能快速下降的问题，并能够得到更高的分类正确率。

2、本发明在小样本条件下，依然可以达到较高的分类正确率，这在图像处理的某些应用领域中十分重要，例如SAR图像，通常很难得到足够多的可供训练的样本图像，所以小样本下的分类正确率是十分有意义的。

附图说明

图1是本发明实现流程图

图2是本发明识别率随训练样本增长的曲线图

具体实施方式

参照图1，它是本发明实现流程图。为了具体说明本发明的优势和特点，下边对该发明的实现过程进行说明，并用实际纹理图像完成分类过程，把得到的数据和结果列在表1～表7中。

1、输入样本图像，并对样本图像进行归一化。

假设待分类的样本图像数目为N幅，记为(x₁，x₂，...，x_N)；如果采用有监督的分类器，将要从N幅图像中随机选取M幅作为训练样本图像，记为(x₁，x₂，...，x_M)；(x₁，x₂，...，x_N)图像的像素从0～255归一到0～1之间，记为(z₁，z₂，...，z_N)。根据Donoho的证明，归一化后的图像可以提取出更加有效的特征，因此后续步骤对归一化后的样本图像进行处理。

2、对归一化后样本图像进行多方向多分辨率图像分解-SWBCT分解，得到分解子带。

这部分是本发明的关键部分，对归一化后的样本图像(z₁，z₂，...，z_N)进行SWBCT分解。SWBCT分解主要步骤如下：首先设定分解层数，然后对图像进行平稳小波变换，平稳小波变换是冗余度为4的变换，该变换可以得到更加丰富的细节信息。对得到的LH、HL、HH三个高频子带分别用方向滤波器组分解为2ⁿ个方向子带，目的是可以得到具有方向性的细节信息，再对低频子带重复上面的步骤，直到满足设定的分解层数为止。由于平稳小波分解的冗余性，对图像进行平稳小波变换后得到的各个高频子带大小和原图相同，当使用方向滤波器组对其各高频子带进行方向细分的时候，不会出现分解子带随分解层数增多而变小的情况，因此它可以克服小波、脊波、轮廓波、WBCT等变换在分解层数较大时性能快速下降的问题。后续实验结果也证明了基于SWBCT的方法可以得到更高的分类正确率。

3、对得到的分解子带进行特征提取，并对各种特征进行合并。

得到分解子带后，需要提取各子带的特征。特征提取的方法有很多，本发明后续的实验用到了以下几种。

(1)L¹范数能量测度法：

$E=\frac{1}{\mathrm{PQ}}\underset{i=1}{\overset{P}{\mathrm{\Σ}}}\underset{j=1}{\overset{Q}{\mathrm{\Σ}}}\left|\mathrm{coef}(i,j)\right|---\left(1\right)$

其中，P×Q为子带大小，i，j表示子带中系数的索引，coef(i，j)为该子带中第i行第j列的系数值。

(2)方差法：

对分解得到的各子带分别求子带系数的方差，构成一组特征向量，其维数等于分解得到的子带个数。

$\mathrm{Std}=\frac{1}{\mathrm{PQ}}\underset{i=1}{\overset{P}{\mathrm{\Σ}}}\underset{j=1}{\overset{Q}{\mathrm{\Σ}}}{(\mathrm{coef}(i,j)-\mathrm{Mean})}^2---\left(2\right)$

$\mathrm{Mean}=\frac{1}{\mathrm{PQ}}\underset{i=1}{\overset{P}{\mathrm{\Σ}}}\underset{j=1}{\overset{Q}{\mathrm{\Σ}}}\mathrm{coef}(i,j)---\left(3\right)$

其中，Mean为该子带系数的均值。

(3)Hu矩特征法：

首先对纹理图像做多尺度几何变换，对得到的各个子带分别求出七个Hu不变矩，并采用归一化的中心矩。7个Hu矩表达式如下：

Mo₁＝(μ₂₀+μ₀₂)                                                   (4)

${\mathrm{Mo}}_2={({\mathrm{\μ}}_{20}-{\mathrm{\μ}}_{02})}^2+{4\mathrm{\μ}}_{11}^2---\left(5\right)$

Mo₃＝(μ₃₀-3μ₁₂)²+(3μ₂₁-μ₀₃)²                                   (6)

Mo₄＝(μ₃₀+μ₁₂)²+(μ₂₁+μ₀₃)²                                           (7)

Mo₅＝(μ₃₀-3μ₁₂)(μ₃₀+μ₁₂)[(μ₃₀+μ₁₂)²-3(μ₂₁+μ₀₃)²]

+(3μ₂₁-μ₀₃)(μ₂₁+μ₀₃)[3(μ₃₀+μ₁₂)²-(μ₂₁+μ₀₃)²]                     (8)

Mo₆＝(μ₂₀-μ₀₂)[(μ₃₀+μ₁₂)²-(μ₂₁+μ₀₃)²]+4μ₁₁(μ₃₀+μ₁₂)(μ₂₁+μ₀₃)  (9)

Mo₇＝(3μ₂₁-μ₀₃)(μ₃₀+μ₁₂)[(μ₃₀+μ₁₂)²-3(μ₂₁+μ₀₃)²]

+(μ₃₀-3μ₁₂)(μ₂₁+μ₀₃)[3(μ₃₀+μ₁₂)²-(μ₂₁+μ₀₃)²]                     (10)

其中

${\mathrm{\μ}}_{\mathrm{pq}}=\frac{1}{\mathrm{PQ}}\underset{1}{\overset{P}{\mathrm{\Σ}}}\underset{1}{\overset{Q}{\mathrm{\Σ}}}f(x,y){(x-\stackrel{\‾}{x})}^p{(y-\stackrel{\‾}{y})}^q---\left(11\right)$

$\stackrel{\‾}{x}=m_{10}/m_{00},\stackrel{\‾}{y}=m_{01}/m_{00}---\left(12\right)$

其中

为子带的重心坐标。中心矩μ_pq表示灰度相对于重心的分布情况。这七个Hu不变矩的输出独立于图像的平移、旋转和镜像，其中Mo₁到Mo₆均对平移和旋转保持不变，而Mo₇是斜不变的skew invariance。

(4)灰度共生矩阵法：

灰度共生矩阵是一种基于图像灰度联合概率矩阵的方法。这里借助灰度共生矩阵的概念来计算图像的系数共生矩阵：首先对由变换域方法得到的各个分解子带进行量化，这里将量化级数选为16级；然后通过计算子带邻近量化系数之间的二阶联合条件概率密度P(i，j|d，θ)来构成共生矩阵，P(i，j|d，θ)表示在给定的空间距离d和方向角θ上，以量化系数i为起始点，出现系数j的概率。邻近系数值出现的联合条件概率，可以度量子带相邻系数的相关特征。系数共生矩阵可以表示为：

P(i，j|d，θ)＝{P_k(i，j|d，θ)}_L×L    (13)

其中，L表示子带系数的量化级数，k为系数顺序号。

从以上分析可以知道系数共生矩阵是由子带系数量化后的级数L组成的L×L的对称矩阵，它是距离d和方向角θ的函数。在计算出系数共生矩阵的基础上，可以定义和计算几种常用的纹理描述符，即纹理二阶矩W_M、熵W_E、对比度W_C和均匀性W_H：

$W_M=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{P}^2(i,j)---\left(14\right)$

$W_E=-\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}P(i,j)\log P(i,j)---\left(15\right)$

$W_C=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}|i-j|P(i,j)---\left(16\right)$

$W_H=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}\frac{P(i,j)}{1+|i-j|}---\left(17\right)$

从M幅训练样本图像中提取出的特征与训练样本图像对应，记为训练特征，所有N幅待分类样本图像提取出的特征记为分类特征。不管是训练特征还是分类特征，合并特征的方法有两种：①如果所提取的所有特征都将被用来进行分类，那么这些特征将与样本一一对应进行存储；②如果要对所提取出的特征进行选择，则把选择出的有效特征与样本一一对应进行存储。

4、在已有的分类方法中选用一种分类方法，对合并后的特征进行纹理图像分类。

分类方法可以采用聚类方法、K近邻法、神经网络方法、支撑矢量机方法。从是否需要训练分类器的角度来说，分类方法有两种：无监督分类方法和有监督分类方法，当采用有监督分类方法时，使用有监督分类器，采用无监督分类方法时，使用无监督分类器。

使用有监督分类器时，采用如K近邻法、神经网络方法、SVM等，其对图像进行分类检测的过程是：①利用训练特征训练分类器；②把分类特征输入已训练好的分类器中，便可得到最后的分类结果；

使用无监督分类器时，采用如聚类方法等，它与有监督分类器不同的地方，在于不需要训练分类器，直接将分类特征输入分类器，就可得到最后的分类结果。

本发明中用到的K近邻法，是一种有监督分类器。按照上面介绍的步骤，从训练图像样本(x₁，x₂，...，x_M)，得到一组对应的训练特征，用这些特征作为输入，对分类器进行分类训练。待分类图像样本(x₁，x₂，...，x_N)也得到相对应的分类特征，把分类特征输入已训练好的分类器，得到的就是最终的纹理图像分类结果。

本发明将用在纹理图像分类中，其性能可通过如下三个对实际纹理图像完成的分类实验给出，下述实验数据均为10次独立运行的平均结果。

实验一：基于SWBCT能量测度的Brodatz纹理分类实验

本实验用来检测SWBCT的能量测度方法对纹理分类性能的影响。

为了说明本发明的特征提取方法的优越性与分类方法无关，在分类阶段只使用了基本的K近邻分类法。为了便于比较，实验中轮廓波分解1层时，分解方向数为4；分解2层时，方向数分别为4、8；分解3层时，方向数分别为4、4、8；分解4层时，方向数分别为4、4、8、8；分解5层时，方向数分别为4、4、8、8、16。WBCT和SWBCT的方向选择与轮廓波相同。K近邻分类法分别选K＝1、3、5，分解层数l为1～5。

实验的数据集是Brodatz纹理图像库，它包含112幅自然纹理图像，大小均为640×640，256级灰度。去除Brodatz纹理库中的34幅非均一纹理图像，于是得到一个包含78种纹理的测试集，其中包括了视觉上较相似的纹理。将每一幅纹理图像分割为互不重叠的25个子图，大小为128×128，取其中的10个子图作为训练样本，其余15个子图作为测试样本。则整个训练样本集有780个样本，测试集有1170个样本。实验中去除的34个纹理图像如下所列：D005，D007，D013，D030，D031，D036，D038，D040，D042，D043，D044，D045，D054，D058，D059，D061，D063，D069，D079，D080，D088，D089，D090，D091，D094，D096，D097，D098，D099，D100，D103，D106，D108，D110。

表1基于L¹范数能量测度的Brodatz纹理图像分类实验数据表(l＝1)

L1范数能量特征	K＝1	K＝3	K＝5
				小波	0.8783	0.8051	0.7687
平稳小波	0.8814	0.8156	0.7786
				Brushlet	0.5696	0.3875	0.3766
轮廓波	0.8730	0.8494	0.8342
				WBCT	0.9033	0.8675	0.8554
SWBCT	0.9580	0.9248	0.9121

表2基于L¹范数能量测度的Brodatz纹理图像分类实验数据表(l＝2)

L1范数能量特征	K＝1	K＝3	K＝5
				小波	0.9421	0.8925	0.8651
平稳小波	0.9415	0.9086	0.8863
				Brushlet	0.8583	0.7810	0.7600
轮廓波	0.9523	0.9258	0.9074
				WBCT	0.9568	0.9272	0.9050
SWBCT	0.9711	0.9470	0.9330

表3基于L¹范数能量测度的Brodatz纹理图像分类实验数据表(l＝3)

L1范数能量特征	K＝1	K＝3	K＝5
				小波	0.9487	0.9221	0.9036
平稳小波	0.9650	0.9373	0.9265
				Brushlet	0.9578	0.9359	0.9197
轮廓波	0.9612	0.9405	0.9284
				WBCT	0.9585	0.9318	0.9205
SWBCT	0.9786	0.9588	0.9429

表4基于L¹范数能量测度的Brodatz纹理图像分类实验数据表(l＝4)

L1范数能量特征	K＝1	K＝3	K＝5
				小波	0.9410	0.9058	0.8886
平稳小波	0.9728	0.9472	0.9398
				Brushlet	0.9521	0.9368	0.9188
轮廓波	0.9651	0.9549	0.9491
				WBCT	0.9468	0.9212	0.9168
SWBCT	0.9730	0.9564	0.9438

表5基于L¹范数能量测度的Brodatz纹理图像分类实验数据表(l＝5)

L1范数能量特征	K＝1	K＝3	K＝5
				小波	0.9200	0.8850	0.8706
平稳小波	0.9610	0.9429	0.9325
				Brushlet	0.9400	0.8945	0.8819
轮廓波	0.9720	0.9547	0.9463
				WBCT	0.9038	0.8667	0.8605
SWBCT	0.9723	0.9499	0.9371

表1～5中列出了不同方法得到的Brodatz纹理图像的分类正确率，同样实验条件下最高的分类正确率加粗。表中SWBCT是本发明提出的方法，其它几种方法分别是小波、平稳小波、Brushlet、轮廓波、WBCT。由表1～5中的实验数据可知，在大部分条件下，基于SWBCT的纹理分类方法都能得到比其它方法更高的分类正确率。同时由表1～5还可以得出如下结论：对包含丰富纹理的图像，大部分方法在分解层数增加到一定的程度时，分类正确率开始下降。这个层数和图像的大小有关，通常图像大小为128×128时，分解为3层时最为适宜。

实验二：小样本下的SWBCT纹理分类实验

在图像处理的某些领域中，如SAR图像，通常很难得到足够多的可供训练的样本图像，被称为小样本。本实验用来测试不同方法在训练样本数目很少，即小样本条件下的分类效果。

将训练样本个数由1～24逐个增加，其中每种分解方法均分解3层，KNN分类器为K＝1，随机选取训练样本，多次独立运行结果求平均值，提取的特征为L¹范数子带能量。实验二同样比较了本发明提出的方法SWBCT和小波、平稳小波、Brushlet、轮廓波、WBCT共6种方法。图2为实验结果。

由图2可以看出本发明提出的方法在小样本条件下，也可以达到较高的分类正确率。当训练样本数从1逐渐增加至24的过程中，SWBCT的分类正确率几乎一直是最高的，特别是在小样本的条件下优势更加明显；在训练样本为2时SWBCT的分类正确率超过90％，训练样本为4时，分类正确率可以达到95％，试验结果表明在小样本条件下SWBCT的分类正确率最高，这是其它方法很难实现的。

实验三：基于SWBCT的Hu矩和共生矩阵特征的纹理分类实验

为了分析不同的子带特征提取方法，对本发明基于SWBCT的纹理图像分类方法分类结果的影响，分别用提取Hu矩和共生矩阵特征的方法得到小波、平稳小波、Brushlet、轮廓波、WBCT、以及SWBCT的分类正确率。K近邻分类器取K＝1，分解层数l为1～5。

表6提取Hu矩特征的分类实验数据表

	l＝1	l＝2	l＝3	l＝4	l＝5
						小波	0.8615	0.9116	0.9349	0.9272	0.8499
平稳小波	0.8783	0.9174	0.9489	0.9509	0.9532
						Brushlet	0.5308	0.7944	0.9366	0.9311	0.8679
轮廓波	0.9192	0.9415	0.9475	0.9337	0.9621
						WBCT	0.9130	0.9164	0.9321	0.9168	0.8393
SWBCT	0.9463	0.9650	0.9723	0.9691	0.9713

表7提取共生矩阵特征的分类实验数据表

	l＝1	l＝2	l＝3	l＝4	l＝5
						小波	0.8121	0.8347	0.7836	0.7532	0.7508
平稳小波	0.8002	0.8474	0.8665	0.8844	0.8824
						Brushlet	0.7821	0.7757	0.7897	0.6759	0.5470
轮廓波	0.7747	0.8337	0.8147	0.8308	0.7909
						WBCT	0.6723	0.7062	0.7041	0.6263	0.6528
SWBCT	0.7769	0.8118	0.8686	0.8783	0.9238

表6列出了提取Hu矩特征得到的不同方法对Brodatz纹理图像的分类正确率，表7列出了提取共生矩阵特征得到的分类正确率，同样实验条件下最高的分类正确率加粗。由表6、7可以看出对于上述各变换，提取Hu矩的方法要好于提取共生矩阵的方法，但是较能量方法稍差。

上述三个实验均可以看出SWBCT可以有效克服WBCT随分解层数增加分类正确率快速下降的缺点；此外在小样本条件下，本发明提出的方法可以得到高于其它方法的分类正确率。由实验结果还可以看出：对于包含丰富纹理的图像，只简单提取子带能量的方法和其它稍复杂的基于提取子带统计特征的方法相比，其识别率较高，且训练和测试时间也较少。

Claims (5)

1.基于SWBCT的纹理图像分类方法，其具体实现步骤如下：

(1)、输入样本图像，并对样本图像进行归一化；

(2)、对归一化后样本图像进行多方向多分辨率图像分解-SWBCT分解，得到分解子带；

(3)、对得到的分解子带进行特征提取，并对各种特征进行合并；

(4)、在已有的分类方法中选用一种分类方法，对合并后的特征进行纹理图像分类。

2.根据权利要求1所述的基于SWBCT的纹理图像分类方法，所说的输入样本图像，并对样本图像进行归一化，其具体实现方法如下：

(1)、输入样本图像，设待分类的样本图像有N幅，从N幅待分类的样本图像中随机选取M幅作为训练样本图像，其中M小于N；

(2)、对样本图像归一化，将图像的像素从0～255归一化到0～1之间。

3.根据权利要求1所述的基于SWBCT的纹理图像分类方法，所说的对归一化后样本图像进行多方向多分辨率图像分解-SWBCT分解，得到分解子带，其具体实现方法如下：

(1)、设定最大分解层数为l；

(2)、对归一化后样本图像进行平稳小波变换，得到四个子带：低频子带LL，高频子带LH、HL、HH；

(3)、对由平稳小波变换得到的LH、HL、HH三个高频子带，分别使用方向滤波器DFB进行分解，则每个高频子带都得到2ⁿ个方向子带，其中n是分解层数，n的取值为1～l；

(4)、对每次分解得到的低频子带LL重复上述步骤(2)、(3)，直到分解层数n＝l；

(5)、最后得到方向子带和一个低频子带。

4.根据权利要求1所述的基于SWBCT的纹理图像分类方法，所说的对得到的分解子带进行特征提取，并对各种特征进行合并，其具体实现过程如下：

(1)、对分解得到的各子带分别提取各种特征：能量特征、Hu矩、共生矩阵特征等；

(2)、合并各种特征，从M幅训练样本图像中提取出的特征与训练样本图像对应，记为训练特征；所有N幅待分类样本图像提取出的特征记为分类特征；不管是训练特征还是分类特征，合并特征的方法有两种：

①如果所提取的所有特征都将被用来进行分类，那么这些特征与样本一一对应进行存储；

②如果要对所提取出的特征进行选择，则把选择出的有效特征与样本一一对应进行存储。

5.根据权利要求1所述的基于SWBCT的纹理图像分类方法，所说的在已有的分类方法中选用一种分类方法，对合并后的特征进行纹理图像分类，其中分类方法可从聚类方法、K近邻法、神经网络方法、支撑矢量机方法中选择；从是否需要训练分类器的角度来说，分类方法有两种：无监督分类方法和有监督分类方法，当采用有监督分类方法时，使用有监督分类器；采用无监督分类方法时，使用无监督分类器；其具体实现过程如下：

(1)、使用有监督分类器时，采用K近邻法、神经网络方法、支撑矢量机方法，其对图像进行分类检测的过程是：

①、利用训练特征训练分类器；

②、把分类特征输入已训练好的分类器中，便可得到最后的分类结果；

(2)、使用无监督分类器时，采用聚类方法，直接将分类特征输入分类器，就可得到最后的分类结果。

Images