CN104268535B - 一种二维图像的特征提取方法 - Google Patents

一种二维图像的特征提取方法 Download PDF

Info

Publication number
CN104268535B
CN104268535B CN201410530036.0A CN201410530036A CN104268535B CN 104268535 B CN104268535 B CN 104268535B CN 201410530036 A CN201410530036 A CN 201410530036A CN 104268535 B CN104268535 B CN 104268535B
Authority
CN
China
Prior art keywords
mrow
image
sigma
texture
msub
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201410530036.0A
Other languages
English (en)
Other versions
CN104268535A (zh
Inventor
徐琪
曾卫明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Maritime University
Original Assignee
Shanghai Maritime University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Maritime University filed Critical Shanghai Maritime University
Priority to CN201410530036.0A priority Critical patent/CN104268535B/zh
Publication of CN104268535A publication Critical patent/CN104268535A/zh
Application granted granted Critical
Publication of CN104268535B publication Critical patent/CN104268535B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5862—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Abstract

本发明公开了一种二维图像的特征提取方法，该方法包含如下步骤：S1，对纹理图像获取Gabor滤波差分分解，获取一组二值图像集合；S2，对分解后二值图像使用统计算子提取纹理特征；S3，对提取的纹理特征向量，使用主成分分析法进行降维，并对降维后的特征向量进行纹理分类及检索。本发明具备了不需要定义纹理基元的优点，且计算复杂度适中，新提出的5个统计算子更全面的描述了分解后的纹理基元和基元的排列规则，且在识别过程中，主成分分析算法的引入，使得该方法计算速度提高，可适用于纹理图像的实时检索分类。

Description

一种二维图像的特征提取方法
技术领域
本发明涉及图像处理技术领域，特别涉及一种二维图像的特征提取方法。
背景技术
纹理是图像的一个重要视觉属性，易于识别而难以定义。经过几十年的研究，研究者们已提出了成百上千种纹理描述方法。这些方法大体上可分为统计类方法、结构类方法、模型类方法和信号处理类方法。其中，结构类方法最符合人类的认知特点，这类方法认为纹理图像是由不同的纹理基元按照不同的排列规则组合而成的。例如沙滩纹理，每一粒沙子就是该纹理的纹理基元，而沙子之间的随机分布规则即是基元的排列规则。
结构类方法在70年代至80年代提出的比较多，早期代表是Zuker方法和形状链语法方法。在早期的方法中，如何使用精确的数学公式定义纹理基元是最重要也是最困难的一步，因为对于自然纹理图像，基元一般都复杂多变，很难用一种数学模型通过参数选择能表达出自然界的各种纹理基元。因此，早期的结构类方法主要用于纹理图像的合成而不是分类检索。
在后期的研究中，也有研究者针对纹理基元难以定义的问题进行了改进，代表性的方法有统计几何特征方法以及申请人之前提出的统计多尺度斑块特征方法。虽然这两个方法都克服了定义纹理基元的困难且表现出比较好的纹理识别能力，但它们仍然存在以下几个缺陷。对统计几何特征方法来说，使用全局阈值对图像进行分解，使得该方法不具备光照不变性。其次，对分解后的二值图像，只提取个体二值斑块的几何信息，完全没有描述斑块之间的分布信息，使得最后的描述特征不完整，识别能力有限。对于统计多尺度斑块特征方法来说，空间尺度和灰度尺度的二维分解虽然提高了特征的描述能力，但所提取的特征维数也大大增加，增加了计算复杂度。
发明内容
本发明的目的是提供一种二维图像的特征提取方法，具备了不需要定义纹理基元的优点，且计算复杂度适中，新提出的5个统计算子更全面的描述了分解后的纹理基元和基元的排列规则，且在识别过程中，主成分分析（PCA）算法的引入，使得该方法计算速度提高，可适用于纹理图像的实时检索分类。
为了实现以上目的，本发明是通过以下技术方案实现的：
一种二维图像的特征提取方法，其特点是，该方法包含如下步骤：
S1，对纹理图像获取Gabor滤波差分分解，获取一组二值图像集合；
S2，对分解后二值图像使用统计算子提取纹理特征；
S3，对提取的纹理特征向量，使用主成分分析法进行降维，并对降温后的特征向量进行纹理分类及检索。
所述的S1如下步骤：
S1.1，采用Gabor滤波函数构造核函数，将纹理图像分解为一组反映不同尺度下纹理结构的二值图像：
其中，为图像像数大小，I(x,y)表示(x,y)像素点的灰度值。为Gabor核函数，其中分别代表正弦函数波长、相位偏移和空间的宽高比，分别代表Gabor核中高斯函数的标准差和Gabor核函数的方向；为卷积滤波图像，(x,y)为像素点坐标，j表示该滤波图像是按照Gabor核函数第j组参数设置计算所得；为根据滤波图像阈值化得到的相应二值图像；代表同一幅图像在Gabor核函数相邻参数设置下所得二值图像之间的差异。
S1.2，构造差分分解图像集合，
, 且+
其中，k为分解出差分图像的个数。
在所述的步骤S1.1后还包含：在二值图像中将所有1值的连通区域记为1-blob，所有0值的连通区域记为0-blob。
所述的步骤2如下步骤：
S2.1，计算纹理基元大小，以斑点中像素点的个数代替斑点的面积，统计一幅二值图像中所有斑点面积的平均值，作为纹理基元大小SOB，
其中，表示第i个1-blob中的像素点个数，表示1-blob斑点的集合，||.||表示统计个数；
S2.2，计算纹理基元形状规则度，
其中， ||.||表示统计个数；表示步骤1.1中所得的差异二值图像中第i个基元的形状度量值，参数取值与步骤1.1中一致；代表一幅差异二值图像中所有基元形状度量值的样本均值；代表一幅差异二值图像中所有基元形状度量值的样本方差；
S2.3，计算纹理基元分布密度DOB，，
其中，表示图像I当中的像素点的个数；
S2.4，计算纹理基元分布的有序性OOD，，
其中，代表了该最近邻距离在所有点对最近邻距离中出现的频率；
S2.5，计算纹理基元排列规则，
, u
其中，表示图像进行二维离散傅里叶变换后的结果，||表示取其频谱成分;获取的是在该频谱图像中除直流分量之外的频谱能量值最大的点的坐标；表示图像中频谱能量的样本均值；为统计该图像中的频谱能量极大值占总能量的比值，代表该图像频谱能量分布的样本方差统计。
本发明与现有技术相比，具有以下优点：
本发明具备了不需要定义纹理基元的优点，且计算复杂度适中，新提出的5个统计算子更全面的描述了分解后的纹理基元和基元的排列规则，且在识别过程中，主成分分析（PCA）算法的引入，使得该方法计算速度提高，可适用于纹理图像的实时检索分类。
附图说明
图1为本发明一种二维图像的特征提取方法的流程图。
具体实施方式
以下结合附图，通过详细说明一个较佳的具体实施例，对本发明做进一步阐述。
如图1所示，一种二维图像的特征提取方法，该方法包含如下步骤：
S1，对纹理图像获取Gabor滤波差分分解，获取一组二值图像集合；
S1.1，采用Gabor滤波函数构造核函数，采用Gabor滤波函数构造核函数，将纹理图像分解为一组反映不同尺度下纹理结构的二值图像：
其中，为图像像素大小，I(x,y)表示(x,y)像素点的灰度值。为Gabor核函数，其中分别代表正弦函数波长、相位偏移和空间的宽高比，根据经验可取常量，分别代表Gabor核中高斯函数的标准差和Gabor核函数的方向，根据这两个参数确定分解的尺度和方向；为卷积滤波图像，(x,y)为像素点坐标，j表示该滤波图像是按照Gabor核函数第j组参数设置计算所得；为根据滤波图像阈值化得到的相应二值图像；代表同一幅图像在Gabor核函数相邻参数设置下所得二值图像之间的差异；
在二值图像中将所有1值的连通区域记为1-blob，所有0值的连通区域记为0-blob；
S1.2，构造差分分解图像集合，
, 且+
其中，k为分解出差分图像的个数。
S2，对分解后二值图像使用统计算子提取纹理特征；
S2.1，计算纹理基元大小，以斑点中像素点的个数代替斑点的面积，统计一幅二值图像中所有斑点面积的平均值，作为纹理基元大小SOB，
其中，表示第i个1-blob中的像素点个数，表示1-blob斑点的集合，||.||表示统计个数；
S2.2，计算纹理基元形状规则度，基元的个体特征除了大小，最能反映其几何特征的应该是基元的形状，以圆形作为最规则的参考形状来进行衡量：
其中， ||.||表示统计个数；表示步骤S1.1中所得的差异二值图像中第i个基元的形状度量值，参数取值与步骤S1.1中一致；代表一幅差异二值图像中所有基元形状度量值的样本均值；代表一幅差异二值图像中所有基元形状度量值的样本方差；
S2.3，计算纹理基元分布密度DOB，基元分布密度DOB描述的是基元个体相对于图像的相对属性，以一个比值来进行描述，，
其中，表示图像I当中的像素点的个数；
S2.4，计算纹理基元分布的有序性OOD，基元分布的有序性体现在1-blob斑点之间分布的距离是否均匀，以分布距离的一维信息熵来进行度量，其中，距离取每个斑点与最近邻的距离，，
其中，代表了该最近邻距离在所有点对最近邻距离中出现的频率；
S2.5，计算纹理基元排列规则，将纹理基元在空间的排列规则转换到频域空间进行统计，当基元排列呈现出规则顺序时，其频域中将出现一个对应的极值相应，且响应极值与其他频率成分相差越大，则基元排列越规则。因此，使用二值图像频谱分布中的最大值和分布方差来描述：
, u
其中，表示图像进行二维离散傅里叶变换后的结果，||表示取其频谱成分；获取的是在该频谱图像中除直流分量之外的频谱能量值最大的点的坐标；表示图像中频谱能量的样本均值；为统计该图像中的频谱能量极大值占总能量的比值，代表该图像频谱能量分布的样本方差统计；
S3，对提取的纹理特征向量，使用主成分分析法进行降维，并对降温后的特征向量进行纹理分类及检索，灰度纹理图像经过Gabor滤波差分分解之后构成n幅二值图像，使用5种统计描述共提取7个特征向量，因此，一幅纹理图像最终用一个维数为7n的组合特征向量来描述。根据图像的大小，n的取值有所变化，但一般情况下n≥10的，因此，为了提高纹理识别速度，为了能够将该方法应用于基于图像内容的物体识别应用，并采用主成分分析(PCA)算法对组合特征向量进行降维，降维后特征维数根据经验取值在[10, 20]的范围，PCA算法主要是依据特征的协方差矩阵构建新的特征空间，将高维的数据在此特征空间上进行投影，以低维的投影系数代替原来高维的特征数据用于识别分类来达到降维的目的，且降维后的数据仍然保持较好的区分度，该算法是一种常用的对信息进行处理、压缩和提取的有效方法。
综上所述，本发明一种二维图像的特征提取方法，具备了不需要定义纹理基元的优点，且计算复杂度适中，新提出的5个统计算子更全面的描述了分解后的纹理基元和基元的排列规则，且在识别过程中，主成分分析（PCA）算法的引入，使得该方法计算速度提高，可适用于纹理图像的实时检索分类。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (3)

1.一种二维图像的特征提取方法，其特征在于，该方法包含如下步骤：
S1，对纹理图像获取Gabor滤波差分分解，获取一组二值图像集合；
S2，对分解后二值图像使用统计算子提取纹理特征；
S3，对提取的纹理特征向量，使用主成分分析法进行降维，并对降维后的特征向量进行纹理分类及检索；
所述的步骤S1包含如下步骤：
S1.1，采用Gabor滤波函数构造核函数，将纹理图像分解为一组反映不同尺度下纹理结构的二值图像：
<mrow> <msubsup> <mi>I</mi> <mrow> <mi>d</mi> <mi>i</mi> <mi>f</mi> <mi>f</mi> </mrow> <mi>j</mi> </msubsup> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>;</mo> <mi>&amp;sigma;</mi> <mo>,</mo> <mi>&amp;theta;</mi> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mi>I</mi> <mi>b</mi> <mrow> <mi>j</mi> <mo>+</mo> <mn>1</mn> </mrow> </msubsup> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>;</mo> <mi>&amp;sigma;</mi> <mo>,</mo> <mi>&amp;theta;</mi> <mo>)</mo> </mrow> <mo>-</mo> <msubsup> <mi>I</mi> <mi>b</mi> <mi>i</mi> </msubsup> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>;</mo> <mi>&amp;sigma;</mi> <mo>,</mo> <mi>&amp;theta;</mi> <mo>)</mo> </mrow> </mrow>
<mrow> <mi>T</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>;</mo> <mi>&amp;sigma;</mi> <mo>,</mo> <mi>&amp;theta;</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>u</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <mi>M</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>v</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <mi>N</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <mi>I</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>-</mo> <mi>u</mi> <mo>,</mo> <mi>y</mi> <mo>-</mo> <mi>v</mi> <mo>)</mo> </mrow> <mi>g</mi> <mrow> <mo>(</mo> <mi>u</mi> <mo>,</mo> <mi>v</mi> <mo>;</mo> <mi>&amp;sigma;</mi> <mo>,</mo> <mi>&amp;theta;</mi> <mo>)</mo> </mrow> </mrow>
<mrow> <mi>g</mi> <msub> <mrow> <mo>(</mo> <mi>u</mi> <mo>,</mo> <mi>v</mi> <mo>;</mo> <mi>&amp;sigma;</mi> <mo>,</mo> <mi>&amp;theta;</mi> <mo>)</mo> </mrow> <mrow> <mi>&amp;lambda;</mi> <mo>,</mo> <mi>&amp;Phi;</mi> <mo>,</mo> <mi>&amp;gamma;</mi> </mrow> </msub> <mo>=</mo> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <mfrac> <mrow> <msup> <mi>u</mi> <mrow> <mo>&amp;prime;</mo> <mn>2</mn> </mrow> </msup> <mo>+</mo> <msup> <mi>&amp;gamma;</mi> <mn>2</mn> </msup> <msup> <mi>y</mi> <mrow> <mo>&amp;prime;</mo> <mn>2</mn> </mrow> </msup> </mrow> <mrow> <mn>2</mn> <msup> <mi>&amp;sigma;</mi> <mn>2</mn> </msup> </mrow> </mfrac> <mo>)</mo> </mrow> <mi>exp</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>(</mo> <mrow> <mn>2</mn> <mi>&amp;pi;</mi> <mfrac> <msup> <mi>x</mi> <mo>&amp;prime;</mo> </msup> <mi>&amp;lambda;</mi> </mfrac> <mo>+</mo> <mi>&amp;phi;</mi> </mrow> <mo>)</mo> <mo>)</mo> </mrow> </mrow>
x′＝xcosθ+ysinθ,y′＝-xsinθ+ycosθ
其中，M×N为图像像素大小，I(x,y)表示(x,y)像素点的灰度值；g(u,v；σ,θ)λ,φ,γ为Gabor核函数，其中λ，φ，γ分别代表正弦函数波长、相位偏移和空间的宽高比，σ，θ分别代表Gabor核中高斯函数的标准差和Gabor核函数的方向；T(x,y；σj,θj)为卷积滤波图像，(x,y)为像素点坐标，j表示该滤波图像是按照Gabor核函数第j组参数设置计算所得；为根据滤波图像阈值化得到的相应二值图像；代表同一幅图像在Gabor核函数相邻参数设置下所得二值图像之间的差异；
S1.2，构造差分分解图像集合Itexture，
且
其中，k为分解出差分图像的个数。
2.如权利要求1所述的二维图像的特征提取方法，其特征在于，在所述的步骤S1.1后还包含：在二值图像中将所有1值的连通区域记为1-blob，所有0值的连通区域记为0-blob。
3.如权利要求2所述的二维图像的特征提取方法，其特征在于，所述的步骤S2包含如下步骤：
S2.1，计算纹理基元大小，以斑点中像素点的个数代替斑点的面积，统计一幅二值图像中所有斑点面积的平均值，作为纹理基元大小SOB，
其中，NOP(i；σ,θ)表示第i个1-blob中的像素点个数，表示1-blob斑点的集合，||.||表示统计个数；
S2.2，计算纹理基元形状规则度，
其中，||.||表示统计个数，ROB(i；σ,θ)表示步骤S1.1中所得的差异二值图像中第i个基元的形状度量值，σ,θ参数取值与步骤S1.1中一致；ROBmean(σ,θ)代表一幅差异二值图像中所有基元形状度量值的样本均值；ROBsdev(σ,θ)代表一幅差异二值图像中所有基元形状度量值的样本方差；
S2.3，计算纹理基元分布密度DOB，
其中，PI表示图像I当中的像素点的个数；
S2.4，计算纹理基元分布的有序性OOD，
其中，Pdi代表了最近邻距离在所有点对最近邻距离中出现的频率；S2.5，计算纹理基元排列规则，
<mrow> <msub> <mi>LOD</mi> <mi>max</mi> </msub> <mrow> <mo>(</mo> <mi>&amp;sigma;</mi> <mo>,</mo> <mi>&amp;theta;</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <mo>|</mo> <msub> <mi>G</mi> <mi>b</mi> </msub> <mrow> <mo>(</mo> <msup> <mi>u</mi> <mo>*</mo> </msup> <mo>,</mo> <msup> <mi>v</mi> <mo>*</mo> </msup> <mo>;</mo> <mi>&amp;sigma;</mi> <mo>,</mo> <mi>&amp;theta;</mi> <mo>)</mo> </mrow> <mo>|</mo> </mrow> <mrow> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>u</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <mi>M</mi> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>v</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <mi>N</mi> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <mo>|</mo> <msub> <mi>G</mi> <mi>b</mi> </msub> <mrow> <mo>(</mo> <mi>u</mi> <mo>,</mo> <mi>v</mi> <mo>;</mo> <mi>&amp;sigma;</mi> <mo>,</mo> <mi>&amp;theta;</mi> <mo>)</mo> </mrow> <mo>|</mo> </mrow> </mfrac> </mrow>
<mrow> <msub> <mi>LOD</mi> <mrow> <mi>s</mi> <mi>d</mi> <mi>e</mi> <mi>v</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>&amp;sigma;</mi> <mo>,</mo> <mi>&amp;theta;</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mi>M</mi> <mi>N</mi> </mrow> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>X</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <mi>M</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>y</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <mi>N</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <msup> <mrow> <mo>(</mo> <mo>|</mo> <msub> <mi>G</mi> <mi>b</mi> </msub> <mo>(</mo> <mrow> <mi>u</mi> <mo>,</mo> <mi>v</mi> <mo>;</mo> <mi>&amp;sigma;</mi> <mo>,</mo> <mi>&amp;theta;</mi> </mrow> <mo>)</mo> <mo>|</mo> <mo>-</mo> <msubsup> <mi>G</mi> <mi>b</mi> <mrow> <mi>m</mi> <mi>e</mi> <mi>a</mi> <mi>n</mi> </mrow> </msubsup> <mo>(</mo> <mrow> <mi>&amp;sigma;</mi> <mo>,</mo> <mi>&amp;theta;</mi> </mrow> <mo>)</mo> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow>
<mrow> <msubsup> <mi>G</mi> <mi>b</mi> <mrow> <mi>m</mi> <mi>e</mi> <mi>a</mi> <mi>n</mi> </mrow> </msubsup> <mrow> <mo>(</mo> <mi>&amp;sigma;</mi> <mo>,</mo> <mi>&amp;theta;</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mi>M</mi> <mi>N</mi> </mrow> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>X</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <mi>M</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>y</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <mi>N</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <mo>|</mo> <msub> <mi>G</mi> <mi>b</mi> </msub> <mrow> <mo>(</mo> <mi>u</mi> <mo>,</mo> <mi>v</mi> <mo>;</mo> <mi>&amp;sigma;</mi> <mo>,</mo> <mi>&amp;theta;</mi> <mo>)</mo> </mrow> <mo>|</mo> </mrow>
(u*,v*)＝argmax(u,v)|Gb(u,v；σ,θ)|,u∈[1,M-1],v∈[1,N-1]
<mrow> <msub> <mi>G</mi> <mi>b</mi> </msub> <mrow> <mo>(</mo> <mi>u</mi> <mo>,</mo> <mi>v</mi> <mo>;</mo> <mi>&amp;sigma;</mi> <mo>,</mo> <mi>&amp;theta;</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mi>M</mi> <mi>N</mi> </mrow> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>x</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <mi>M</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>y</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <mi>N</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <msub> <mi>I</mi> <mi>b</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>;</mo> <mi>&amp;sigma;</mi> <mo>,</mo> <mi>&amp;theta;</mi> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <mi>exp</mi> <mo>&amp;lsqb;</mo> <mo>-</mo> <mi>j</mi> <mn>2</mn> <mi>&amp;pi;</mi> <mrow> <mo>(</mo> <mfrac> <mrow> <mi>u</mi> <mi>x</mi> </mrow> <mi>M</mi> </mfrac> <mo>+</mo> <mfrac> <mrow> <mi>v</mi> <mi>y</mi> </mrow> <mi>N</mi> </mfrac> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> </mrow>
其中，Gb(u,v；σ,θ)表示图像Ib(x,y；σ,θ)进行二维离散傅里叶变换后的结果，||表示取其频谱成分；(u*,v*)获取的是在该频谱图像中除直流分量之外的频谱能量值最大的点的坐标；表示图像中频谱能量的样本均值；LODmax(σ,θ)为统计该图像中的频谱能量极大值占总能量的比值，LODsdev(σ,θ)代表该图像频谱能量分布的样本方差统计。
CN201410530036.0A 2014-10-10 2014-10-10 一种二维图像的特征提取方法 Expired - Fee Related CN104268535B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410530036.0A CN104268535B (zh) 2014-10-10 2014-10-10 一种二维图像的特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410530036.0A CN104268535B (zh) 2014-10-10 2014-10-10 一种二维图像的特征提取方法

Publications (2)

Publication Number Publication Date
CN104268535A CN104268535A (zh) 2015-01-07
CN104268535B true CN104268535B (zh) 2017-12-19

Family

ID=52160055

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410530036.0A Expired - Fee Related CN104268535B (zh) 2014-10-10 2014-10-10 一种二维图像的特征提取方法

Country Status (1)

Country Link
CN (1) CN104268535B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104899598B (zh) * 2015-05-14 2019-10-01 中国农业大学 基于二维傅里叶变换的教室人数统计方法及装置
CN107941673A (zh) * 2017-11-21 2018-04-20 南京农业大学 一种盐碱土壤孔隙结构测定分析方法
CN108182399B (zh) * 2017-12-27 2020-04-21 智慧眼科技股份有限公司 指静脉特征比对方法、装置、存储介质和处理器
CN109620294B (zh) * 2018-12-08 2022-01-25 郑州大学 肿瘤恶性程度鉴定机构

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101847163A (zh) * 2010-05-28 2010-09-29 广东工业大学 一种多特征融合的外观设计专利图像检索方法
CN103198322A (zh) * 2013-01-18 2013-07-10 江南大学 基于机器视觉的磁瓦表面缺陷特征提取及缺陷分类方法
CN103679195A (zh) * 2013-12-02 2014-03-26 北京工商大学 基于局部边缘模式的纹理图像分类方法及系统
CN104008389A (zh) * 2014-06-16 2014-08-27 河南科技大学 结合Gabor小波和SVM进行物体识别的方法
CN104091151A (zh) * 2014-06-30 2014-10-08 南京信息工程大学 基于Gabor特征提取和稀疏表示的车辆识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI467516B (zh) * 2011-04-26 2015-01-01 Univ Nat Cheng Kung 色彩特徵擷取方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101847163A (zh) * 2010-05-28 2010-09-29 广东工业大学 一种多特征融合的外观设计专利图像检索方法
CN103198322A (zh) * 2013-01-18 2013-07-10 江南大学 基于机器视觉的磁瓦表面缺陷特征提取及缺陷分类方法
CN103679195A (zh) * 2013-12-02 2014-03-26 北京工商大学 基于局部边缘模式的纹理图像分类方法及系统
CN104008389A (zh) * 2014-06-16 2014-08-27 河南科技大学 结合Gabor小波和SVM进行物体识别的方法
CN104091151A (zh) * 2014-06-30 2014-10-08 南京信息工程大学 基于Gabor特征提取和稀疏表示的车辆识别方法

Also Published As

Publication number Publication date
CN104268535A (zh) 2015-01-07

Similar Documents

Publication Publication Date Title
CN105184309B (zh) 基于cnn和svm的极化sar图像分类
Wang et al. Adaptive dropblock-enhanced generative adversarial networks for hyperspectral image classification
CN101877007B (zh) 融合空间方位关系语义的遥感图像检索方法
Darwish et al. Image segmentation for the purpose of object-based classification
WO2018081929A1 (zh) 一种高光谱遥感图像特征提取和分类方法及其系统
Zhan et al. TDSSC: A three-directions spectral–spatial convolution neural network for hyperspectral image change detection
CN103678504B (zh) 基于相似度的乳腺图像的匹配图像检索方法及检索系统
CN107679250A (zh) 一种基于深度自编码卷积神经网络的多任务分层图像检索方法
CN106023065A (zh) 一种基于深度卷积神经网络的张量型高光谱图像光谱-空间降维方法
CN102831447A (zh) 多类别面部表情高精度识别方法
Wang et al. Distributed defect recognition on steel surfaces using an improved random forest algorithm with optimal multi-feature-set fusion
CN107368807A (zh) 一种基于视觉词袋模型的监控视频车型分类方法
CN107679509A (zh) 一种小环藻识别方法及装置
CN104778457A (zh) 基于多示例学习的视频人脸识别算法
CN101615245A (zh) 基于avr和增强lbp的表情识别方法
CN104268535B (zh) 一种二维图像的特征提取方法
Zou et al. Chronological classification of ancient paintings using appearance and shape features
CN111639587B (zh) 基于多尺度谱空卷积神经网络的高光谱图像分类方法
CN103473545A (zh) 一种基于多特征的文本图像相似度度量方法
CN103390170A (zh) 一种基于多光谱遥感图像纹理元的地物类型纹理分类方法
CN112613536A (zh) 一种基于smote和深度学习的近红外光谱柴油牌号识别方法
CN105654035A (zh) 三维人脸识别方法及应用其的数据处理装置
Jia et al. A multiscale superpixel-level group clustering framework for hyperspectral band selection
Majid et al. An Integrated Deep Learning Framework for Fruits Diseases Classification.
Don et al. A new approach for mammogram image classification using fractal properties

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20171219

Termination date: 20201010

CF01 Termination of patent right due to non-payment of annual fee