CN104408693A - 一种彩色图像重构与识别方法及系统 - Google Patents

Abstract

本发明公开了一种彩色图像重构与识别方法及系统，利用无标签的彩色图像训练样本进行彩色散度矩阵构造，对彩色图像进行二维主成分学习，通过一个特征分解问题得到投影矩阵，完成特征降维，将降维后的数据输入最近邻分类器，再将测试样本嵌入到投影空间进行特征提取，输入至最近邻分类器进行相似性度量，输出测试样本的类别，得到最准确的彩色图像识别结果。通过优化一个无监督的特征问题实现彩色图像特征的直接降维，降低了时间复杂性，使基于彩色图像特征提取的识别过程快速，同时可有效保持图像像素中包含的重要彩色信息和拓扑结构。此外，投影方向可有效用于彩色图像重构，通过选取一定数量的投影向量，可得到清晰的彩色图像重构结果。

Description

一种彩色图像重构与识别方法及系统

技术领域

本发明涉及计算机视觉和图像识别技术领域，更具体的说，是涉及一种彩色图像的重构和识别方法和系统。

背景技术

随着信息时代和互联网的到来，需要处理的数据和信息日益增加，而在日常的交际和网上冲浪过程中，彩色的图像非常常见，但是种类繁多、类别难以准确进行标定，使得彩色图像识别技术发展成为计算机视觉与模式识别领域中一个难题之一。彩色图像识别技术通过计算机，实现图像数字化，再进行数据分析，获取彩色特征，对彩色图像进行自动的类别判定，在机器视觉系统等领域具有重大的意义，一旦研究成功并投入应用，将产生巨大的社会和经济效益。然而彩色图像尽管能比灰度图像反映出更多的信息，但本身也包含很多冗余信息(如颜色和结构冗余)和不利特征，这增加了特征提取的难度。到目前为止，彩色图像重构和识别技术还有很大的发展空间。由于其巨大的研究价值和商业价值，越来越多的研究者投身于此。

近年来，为了实现彩色图像的彩色特征提取，一些彩色的图像处理和识别方法相继被提出。其中，PCA彩色子空间法是最为代表性的方法之一。为了表示和识别彩色图像，PCA彩色子空间法使用三阶彩色张量来构造一个新的子空间，通过三阶张量的模式-3型水平或垂直展开，把彩色图像转化为灰色图像后再进行处理，在一定程度上解决了彩色特征提取的问题。尽管PCA彩色子空间可实现彩色图像的特征提取，但通过空间展开的方式在本质上不是一个真正意义上的彩色图像特征提取方法，且用模式-3型垂直展开的PCA彩色子空间法会面临计算成本高的问题，特别是当彩色图像的尺寸很大。

因此，提供一种简单有效的彩色图像重构和识别方法，通过优化一个无监督的特征问题实现彩色图像特征的直接提取，降低了复杂性，提高了彩色图像的重构能力和识别能力，是本领域技术人员亟待解决的问题。

发明内容

有鉴于此，本发明提供了一种彩色图像重构与识别方法及系统，以克服现有技术中由于样本复杂度较高，导致计算复杂度增加的问题，实现真正意义上的彩色图像特征提取方案。

为实现上述目的，本发明提供如下技术方案：

一种彩色图像重构与识别方法，包括：

对无任何监督型先验知识的彩色图像训练样本进行彩色散度矩阵构造，利用构造的彩色散度矩阵，直接对彩色图像进行二维主成分学习，通过特征分解计算得到投影矩阵，完成特征降维；

通过所述投影矩阵对彩色图像训练样本和彩色图像测试样本进行彩色二维主成分特征提取，将彩色图像训练样本降维得到的彩色二维主成分特征数据输入分类器，进行k-近邻分类器建模；

将彩色图像测试样本降维得到的彩色二维主成分特征数据输入k-近邻分类器进行相似性评估，输出彩色图像测试样本的类别标签，得到的彩色图像测试样本识别结果。

优选的，对无任何监督型先验知识的彩色图像训练样本进行彩色散度矩阵构造，具体为：

在提取彩色图像特征时，所述目的在于有效利用彩色图像每层结构中包含的重要信息，令L＝1,2,3分别表示彩色空间中的R(红色)成分、G(绿色)成分和B(蓝色)成分。对于给定的一组彩色图像i＝1,2,…,N，令S^(t)为构造的彩色图像协方差(散度)矩阵，所述定义如下特征问题：

$\underset{W}{\mathrm{Max}}J\left(W\right)=\mathrm{tr}\left(W^T{S}^{\left(t\right)}W\right)$

其中，W^TW＝I_d×d为正交的约束，符号T表示矩阵的转置，N表示彩色训练样本的个数，为彩色图像的投影(或嵌入)图像，m、n为图像的长和宽。

根据上述特征问题，选取彩色图像协方差矩阵S^(t)的前d个最大的特征值对应的特征向量，组成投影矩阵进而完成彩色图像的彩色二维主成分特征提取。

优选的，通过所述投影矩阵对彩色图像训练样本和彩色图像测试样本进行彩色二维主成分特征提取，包括：

针对彩色图像训练样本或彩色图像测试的彩色图像，利用投影矩阵对彩色图像进行特征提取，对彩色图像P_i，令Z^L为第L层中的的嵌入图像的集合，可到：

$Z_k^{L=1}=(P_i^{L=1}-\stackrel{\‾}{P^{(L=1)}})W_k,Z_k^{L=2}=(P_i^{L=2}-\stackrel{\‾}{P^{(L=2)}})W_k$

$Z_k^{L=3}=(P_i^{L=3}-\stackrel{\‾}{P^{(L=3)}})W_k,k=\mathrm{1,2},...,d$

其中，是用W_k表示的第k个特征向量，基于彩色空间每层计算得到的矩阵(m×d)又被称为彩色空间中的第L层的图像的特征矩阵(m×d)，因此，从彩色空间的三层结构中提取出的特征矩阵形成彩色图像P_i最终特征矩阵F＝[F^L＝1,F^L＝2,F^L＝3](m×θd)。

使用训练样本的彩色二维主成分特征组成训练集，用来进行k-近邻分类器建模，利用测试样本的彩色二维主成分特征组成测试集，用于评估分类器模型的识别性能。

优选的，将彩色图像测试样本降维得到的彩色二维主成分特征数据输入分类器进行相似性评估包括：

对任意一幅彩色样本图像，可用所述投影矩阵完成彩色主成分特征提取，得到一个特征矩阵F，对任意两幅彩色样本图像的特征矩阵，表示为F_u＝[Z_u,1,Z_u,2,…，Z_u,3d]和F_v＝[Z_v,1,Z_v,2,…，Z_v,3d]，则矩阵F_u和F_v之间的欧几里德距离为 $d(F_u,F_v)={\mathrm{\Σ}}_{k=1}^{\mathrm{\θd}}{\left|\right|Z_{u,k}-Z_{v,k}\left|\right|}_2;$

规定一个未知类别标签的彩色图像测试样本P_test，其特征矩阵表示为F_test，如果d(F_test,F_l)＝mind(F_test,F_τ),τ＝{1,2,…，c}，其中，c为彩色图像训练样本的类别总数量，则将该彩色图像测试样本P_test归为第l类，完成分类。

优选的，k-近邻分类器中k＝1。

优选的，还包括：

对所述彩色图像训练样本和所述彩色图像测试样本进行预处理。

一种彩色图像重构与识别系统，包括：

训练模块，用于对无任何监督型先验知识的彩色图像训练样本进行彩色散度矩阵构造，利用构造的彩色散度矩阵，直接对彩色图像进行二维主成分学习，通过特征分解计算得到投影矩阵，完成特征降维；

投影模块，用于通过所述投影矩阵对彩色图像训练样本和彩色图像测试样本进行彩色二维主成分特征提取，将彩色图像训练样本降维得到的彩色二维主成分特征数据输入分类器，进行k-近邻分类器建模；

测试模块，用于将彩色图像测试样本降维得到的彩色二维主成分特征数据输入k-近邻分类器进行相似性评估，输出彩色图像测试样本的类别标签，得到的彩色图像测试样本识别结果。

优选的，还包括：

训练预处理模块，用于测试前对所述彩色图像训练样本和所述彩色图像测试样本进行预处理。

优选的，k-近邻分类器中k＝1。

优选的，所述彩色图像测试样本和所述彩色图像训练样本均为RGB三层彩色结构。

本发明公开了一种彩色图像重构与识别方法，利用无标签的彩色图像训练样本进行彩色散度矩阵构造，直接对彩色图像进行二维主成分学习，通过一个特征分解问题得到投影矩阵，完成特征降维，将提取的训练样本的彩色主成分特征输入最近邻分类器，再将测试样本嵌入到投影空间进行特征提取得到彩色主成分特征，输入分类器进行相似性度量，输出测试图像的类别，得到最准确的彩色图像识别结果。

通过优化一个无监督的特征问题实现彩色图像特征的直接降维，降低了时间复杂性，使基于彩色图像特征提取的识别过程快速，同时可有效保持图像像素中包含的重要彩色信息和拓扑结构。此外，投影方向可有效用于彩色图像重构，通过选取一定数量的投影向量，可得到清晰的彩色图像重构结果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例公开的一种彩色图像重构和识别的方法流程图；

图2为本发明实施例公开的一种彩色图像特征提取与识别的系统结构图；

图3a-3b为本发明实施例公开的一种彩色图像(目标和纹理)重构的示意图；

图4为本发明实施例公开的一种彩色图像识别的类别预测示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明公开了一种彩色图像重构和识别方法，利用无标签的彩色图像训练样本进行彩色散度矩阵构造，直接对彩色图像进行二维主成分学习，通过一个特征分解问题得到投影矩阵，完成特征降维，将降维后的数据输入k-近邻分类器(k＝1)，再将测试样本嵌入到投影空间进行特征提取，输入分类器进行相似性度量，输出测试图像的类别，得到最准确的彩色图像识别结果。

本发明在两个公开的彩色图像数据库进行了测试：木材节子图像数据库(Wood Knot Image Database)，PHOS基准彩色图像数据库(PHOS BenchmarkColor Image Database)。木节图像数据库是芬兰VTT建筑技术公司制作用于测试的数据库，总计438张彩色木节图像，属于7种不同的节子类型。PHOS基准彩色图像数据库，包含8种不同的彩色场景图像和10种不同的彩色静物图像，共18个类别，每类10张图片，共180张(平均像素525×342)且该数据库兼顾多种不同光照强度的均光照明条件和各种不同的非均光照明条件。这些数据库从多方面收集，因而测试结果具有普遍说明性。

请参阅附图1，为本发明实施例公开的一种彩色图像重构与识别的方法流程图，具体实施步骤为：

步骤101：对无任何监督型先验知识的彩色图像训练样本进行彩色散度矩阵构造，利用构造的彩色散度矩阵，直接对彩色图像进行二维主成分学习，通过特征分解计算得到投影矩阵，完成特征降维；

具体操作如下：在提取彩色图像特征时，所述目的在于有效利用彩色图像每层结构中包含的重要信息。令L＝1,2,3分别表示彩色空间的三个颜色成分，例如RGB彩色空间中的R(红色)成分、G(绿色)成分和B(蓝色)成分。

基于投影图像其中对应彩色图像P_i的第L层成分，定义了一个图像协方差矩阵R^(L,t),同二维主成分分析方法类似，R^(L,t)可以通过tr(R^(L,t))来描述表征，进而计算投影转换矩阵W时，采用了如下标准：J(W)＝tr(R^(L,t))，其中tr(R^(L,t))可描述如下：

$\begin{array}{c}\mathrm{tr}\left(R^{(L,t)}\right)=\mathrm{tr}\left(E(Z_i-E\left(Z_i\right)){(Z_i-E\left(Z_i\right))}^T\right)\\ =\mathrm{tr}\left[E\left((P_i^L-E\left(P_i^L\right))W_i\right){\left((P_i^L-E\left(P_i^L\right))W_i\right)}^T\right]\end{array}$

这里的E(·)表示期望值算子或期望算子，A^T为矩阵A的矩阵转置。因此，tr(R^(L,t))可表示如下：

$\mathrm{tr}\left(R^{(L,t)}\right)=W_i^{T}E\left[(P_i^L-E\left(P_i^L\right)){(P_i^L-E\left(P_i^L\right))}^T\right]W_i$

基于彩色空间的第L层成分，定义如下一个辅助图像协方差矩阵S^(L,t)：

$S^{(L,t)}=E\left[(P_i^L-E\left(P_i^L\right)){(P_i^L-E\left(P_i^L\right))}^T\right]$

令表示所有训练图像在第L层的平均图像，此时S^(L,t)可表示为：

$S^{(L,t)}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(P_i^L-\stackrel{\‾}{P^{\left(L\right)}}){(P_i^L-\stackrel{\‾}{P^{\left(L\right)}})}^T$

进而可以得到令θ表示彩色空间的层数(在所述示例里，θ＝3)。通过扩展到彩色空间的三个层次上，散度矩阵S^(L,t)可以被转换得到最后的图像协方差矩阵即彩色图像协方差(散度)矩阵，表示如下：

$S^{\left(t\right)}=\frac{1}{\mathrm{\θN}}\underset{L=1}{\overset{\mathrm{\θ}}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(P_i^L-\stackrel{\‾}{P^{\left(L\right)}}){(P_i^L-\stackrel{\‾}{P^{\left(L\right)}})}^T$

其中，符号T表示矩阵的转置，N表示彩色训练样本的个数，为彩色图像的投影(或嵌入)图像，m、n为图像的长和宽。

因此，所述方法的优化目标函数可表述如下：

$\underset{W}{\mathrm{Max}}J\left(W\right)=\mathrm{tr}\left(W^T{S}^{\left(t\right)}W\right)$

其中，W^TW＝I_d×d为正交的约束。根据上述特征问题，选取彩色图像协方差矩阵S^(t)的前d个最大的特征值对应的特征向量，组成最优的投影矩阵，进而完成彩色图像的彩色主成分特征提取。

步骤102：通过所述投影矩阵对彩色图像训练样本和彩色图像测试样本进行彩色二维主成分特征提取，将彩色图像训练样本降维得到的彩色二维主成分特征数据输入分类器，进行k-近邻分类器建模。具体操作如下：

利用步骤101得到的投影矩阵实现对彩色图像(训练样本、测试样本)的特征提取。对所给彩色图像样本P_i，令Z^L为第L层中的的嵌入图像的集合，可到：

$Z_k^{L=1}=(P_i^{L=1}-\stackrel{\‾}{P^{(L=1)}})W_k,Z_k^{L=2}=(P_i^{L=2}-\stackrel{\‾}{P^{(L=2)}})W_k,$

$Z_k^{L=3}=(P_i^{L=3}-\stackrel{\‾}{P^{(L=3)}})W_k,k=\mathrm{1,2},...,d,$

其中，是用W_k表示的第k个特征向量,基于彩色空间每层计算得到的矩阵(m×d)又被称为彩色空间中的第L层的图像的特征矩阵(m×d)。因此，从彩色空间的三层结构中提取出的特征矩阵形成了彩色图像P_i最终特征矩阵F＝[F^L＝1,F^L＝2,F^L＝3](m×θd)。

用训练样本提取的彩色主成分特征作为新训练集，用来构造k-近邻分类器(k＝1)模型，用测试样本提取的彩色主成分特征作为新测试集，评价彩色图像识别性能。

步骤103：将彩色图像测试样本降维得到的彩色二维主成分特征数据输入k-近邻分类器进行相似性评估，输出彩色图像测试样本的类别标签，得到的彩色图像测试样本识别结果。具体操作如下：

对任意的一幅彩色样本图像，可用所述方法完成彩色主成分特征提取，得到一个特征矩阵F。对任意两幅彩色样本图像的特征矩阵，表示为F_u＝[Z_u,1,Z_u,2,…，Z_u,3d]和F_v＝[Z_v,1,Z_v,2,…，Z_v,3d]，则矩阵F_u和F_v之间的欧几里德距离为规定一个未知类别标签的彩色测试图像P_test，其特征矩阵表示为F_test，如果d(F_test,F_l)＝mind(F_test,F_τ),τ＝{1,2,…，c}，其中,c为样本的类别总数量，则将该测试样本图像P_test归为第l类，完成彩色图像分类。

上述本发明公开的实施例中详细描述了方法，对于本发明的方法可采用多种形式的系统实现，因此本发明还公开了一种彩色图像重构与识别系统，下面给出具体的实施例进行详细说明。

请参阅附图2，本发明实施例公开一种彩色图像重构与识别系统结构图。该系统具体包括：

训练模块201，用于对无任何监督型先验知识的彩色图像训练样本进行彩色散度矩阵构造，利用构造的彩色散度矩阵，直接对彩色图像进行二维主成分学习，通过特征分解计算得到投影矩阵，完成特征降维。

投影模块202，用于通过所述投影矩阵对彩色图像训练样本和彩色图像测试样本进行彩色二维主成分特征提取，将彩色图像训练样本降维得到的彩色二维主成分特征数据输入分类器，进行k-近邻分类器建模；

测试模块203，将彩色图像测试样本降维得到的彩色二维主成分特征数据输入k-近邻分类器进行相似性评估，输出彩色图像测试样本的类别标签，得到的彩色图像测试样本识别结果。

通过训练样本的彩色主成分特征设计k-近邻分类器(k＝1)模型，再将测试样本的彩色主成分特征输入分类器模型，根据训练样本与测试样本的彩色主成分特征之间的相似性，以及训练样本的类别标签，依次输出其类别信息，得到彩色测试样本图像的类别判定结果，即识别结果。

如图2所示，本发明实施例公开一种彩色图像重构与识别系统还包括：训练预处理模块204，用于测试前对所述彩色图像训练样本和所述彩色图像测试样本进行预处理。

以PHOS数据集为实施例，具体方法如下：为了计算高效考虑，首先将彩色图像进行预处理：把所有原始的目标和场景图片尺寸由525×342(像素)降到40×40(像素)。此外，将每幅图像旋转90度，180度和270度，得到四个方向的彩色图像样本集合(共720幅图像)进行实验，然后选择每类图像的8幅来学习正交投影轴，剩余的32张用来做测试。

训练模块201，用于对无任何监督型先验知识的彩色图像训练样本进行彩色的散度矩阵构造,通过优化一个特征分解问题得到有效的投影矩阵，对彩色图像进行二维主成分学习，完成特征降维。具体操作如下：

基于投影图像其中为彩色图像P_i的第L层成分，定义了一个图像协方差矩阵R^(L,t),同二维主成分分析方法类似，R^(L,t)可以通过tr(R^(L,t))来描述表征，进而计算投影转换矩阵W时，采用了如下标准：J(W)＝tr(R^(L,t))，其中tr(R^(L,t))可描述如下：

$\begin{array}{c}\mathrm{tr}\left(R^{(L,t)}\right)=\mathrm{tr}\left(E(Z_i-E\left(Z_i\right)){(Z_i-E\left(Z_i\right))}^T\right)\\ =\mathrm{tr}\left[E\left((P_i^L-E\left(P_i^L\right))W_i\right){\left((P_i^L-E\left(P_i^L\right))W_i\right)}^T\right]\end{array}$

这里的E(·)表示期望值算子或期望算子，A^T为矩阵A的矩阵转置。因此，项tr(R^(L,t))可表示如下：

$\mathrm{tr}\left(R^{(L,t)}\right)=W_i^{T}E\left[(P_i^L-E\left(P_i^L\right)){(P_i^L-E\left(P_i^L\right))}^T\right]W_i$

基于彩色空间的第L层成分，定义如下一个辅助图像协方差矩阵S^(L,t)：

$S^{(L,t)}=E\left[(P_i^L-E\left(P_i^L\right)){(P_i^L-E\left(P_i^L\right))}^T\right]$

令表示所有训练图像在第L层的平均图像，此时S^(L,t)可表示为：

$S^{(L,t)}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(P_i^L-\stackrel{\‾}{P^{\left(L\right)}}){(P_i^L-\stackrel{\‾}{P^{\left(L\right)}})}^T$

进而可以得到令θ表示彩色空间的层数(在所述示例里，θ＝3)。通过扩展到彩色空间的三个层次上，散度矩阵S^(L,t)可以被转换得到最后的图像协方差矩阵即彩色图像协方差(散度)矩阵，表示如下：

$S^{\left(t\right)}=\frac{1}{\mathrm{\θN}}\underset{L=1}{\overset{\mathrm{\θ}}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(P_i^L-\stackrel{\‾}{P^{\left(L\right)}}){(P_i^L-\stackrel{\‾}{P^{\left(L\right)}})}^T$

因此，所述方法的优化目标函数可表述如下：

$\underset{W}{\mathrm{Max}}J\left(W\right)=\mathrm{tr}\left(W^T{S}^{\left(t\right)}W\right)$

其中，W^TW＝I_d×d为正交的约束。根据上述特征问题，选取彩色图像协方差矩阵S^(t)的前d个最大的特征值对应的特征向量，组成最优的投影矩阵，进而完成彩色图像的彩色主成分特征提取。

投影模块202，用于利用得到的投影矩阵实现对训练样本和测试样本的彩色主成分特征提取，生成训练集(即训练样本的彩色主成分特征)和测试集(即测试样本的彩色主成分特征)。具体操作如下：

利用上述得到的投影矩阵实现对彩色图像(训练样本、测试样本)的特征提取。对所给彩色图像样本P_i，令Z^L为第L层中的的嵌入图像的集合，可到：

$Z_k^{L=1}=(P_i^{L=1}-\stackrel{\‾}{P^{(L=1)}})W_k,Z_k^{L=2}=(P_i^{L=2}-\stackrel{\‾}{P^{(L=2)}})W_k,$

$Z_k^{L=3}=(P_i^{L=3}-\stackrel{\‾}{P^{(L=3)}})W_k,k=\mathrm{1,2},...,d,$

其中，是用W_k表示的第k个特征向量,基于彩色空间每层计算得到的矩阵(m×d)又被称为彩色空间中的第L层的图像的特征矩阵(m×d)。因此，从彩色空间的三层结构中提取出的特征矩阵形成了彩色图像P_i最终特征矩阵F＝[F^L＝1,F^L＝2,F^L＝3](m×θd)。

用训练样本提取的彩色主成分特征作为新训练集，用来构造k-近邻(k＝1)分类器模型，用测试样本提取的彩色主成分特征作为新测试集，评价彩色图像识别性能。

测试模块203，首先利用彩色训练样本图像集构造k-近邻分类器(k＝1)模型，再将测试集中的样本彩色主成分特征输入分类器模型进行类别预测，根据训练样本与测试样本的彩色主成分特征之间的相似性，以及训练样本的类别标签，依次输出其类别信息，得到彩色测试样本图像的识别结果。具体操作如下：

对任意的一幅彩色样本图像，可用所述方法完成彩色主成分特征提取，得到一个特征矩阵F。对任意两幅彩色样本图像的特征矩阵，表示为F_u＝[Z_u,1,Z_u,2,…，Z_u,3d]和F_v＝[Z_v,1,Z_v,2,…，Z_v,3d]，则矩阵F_u和F_v之间的欧几里德距离为规定一个未知类别标签的彩色测试图像P_test，其特征矩阵表示为F_test，如果d(F_test,F_l)＝mind(F_test,F_τ),τ＝{1,2,…，c}，其中,c为样本的类别总数量，则将该测试样本图像P_test归为第l类，完成彩色图像分类。

请参阅表1，为本发明与经典的PCA、2DPCA，以及基于模式-3型垂直展开的Color Subspace(H)、基于模式-3型水平展开的Color Subspace(V)方法的彩色图像识别结果对比表。

该表给出了各方法实验在两个公开数据集测试中得到的平均结果、最好结果和平均耗费时间。平均的结果是基于20次随机的训练集和测试集划分。本例中，对木材节子图像数据集采用了与PHOS类似的预处理方法，选择的特征向量的数量分别为d＝2,4，…,38。参与比较的各方法，使用各自得到的投影矩阵对测试样本进行特征提取，为公平起见，各方法均采用k-近邻分类器(k＝1)。

表1.彩色图像识别结果对比

请参阅附图3，为本发明实施例公开的彩色图像(目标图像和木材节子图像)重构的示意图:

图3a为利用本发明重构的彩色目标图像(40×40)示意图：(a)原始彩色目标图像,(b)d＝5,(c)d＝10,(d)d＝20,(e)d＝30，其中d为选择的投影向量数量。

图3b为利用本发明重构的彩色木节图像(40×40)示意图：(a)原始彩色节子图像,(b)d＝5,(c)d＝10,(d)d＝15,(e)d＝20，其中d为选择的投影向量数量。

从中可以看出，本发明方法可有效用于彩色图像的重构，重构效果显著。

请参阅附图4，为本发明实施例公开的一种彩色图像识别的预测示意图。

通过实验结果，我们可以看出本发明的彩色图像特征提取及识别效果明显优于相关的PCA、2DPCA、ColorPCA Subspace(H)及ColorPCA Subspace(V)方法，表现出了较强的稳定性与识别准确性，体现出一定的优势。

综上所述：本发明公开了一种简单有效的彩色图像重构和识别方法，利用无标签的彩色图像训练样本进行彩色散度矩阵构造，直接对彩色图像进行二维主成分学习，通过一个特征分解问题得到投影矩阵，完成特征降维，将提取的训练样本的彩色主成分特征输入最近邻分类器，再将测试样本嵌入到投影空间进行特征提取得到彩色主成分特征，输入分类器进行相似性度量，输出测试图像的类别，得到最准确的彩色图像识别结果。通过优化一个无监督的特征问题实现彩色图像特征的直接降维，降低了时间复杂性，使基于彩色图像特征提取的识别过程快速，同时可有效保持图像像素中包含的重要彩色信息和拓扑结构。此外，投影方向可有效用于彩色图像重构，通过选取一定数量的投影向量，可得到清晰的彩色图像重构结果。

对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种彩色图像重构与识别方法，其特征在于，包括：

对无任何监督型先验知识的彩色图像训练样本进行彩色散度矩阵构造，利用构造的彩色散度矩阵，直接对彩色图像进行二维主成分学习，通过特征分解计算得到投影矩阵，完成特征降维；

通过所述投影矩阵对彩色图像训练样本和彩色图像测试样本进行彩色二维主成分特征提取，将彩色图像训练样本降维得到的彩色二维主成分特征数据输入分类器，进行k-近邻分类器建模；

将彩色图像测试样本降维得到的彩色二维主成分特征数据输入k-近邻分类器进行相似性评估，输出彩色图像测试样本的类别标签，得到的彩色图像测试样本识别结果。

2.根据权利要求1所述的方法，其特征在于，对无任何监督型先验知识的彩色图像训练样本进行彩色散度矩阵构造，具体为：

在提取彩色图像特征时，所述目的在于有效利用彩色图像每层结构中包含的重要信息，令L＝1,2,3分别表示彩色空间中的R(红色)成分、G(绿色)成分和B(蓝色)成分，对于给定的一组彩色图像i＝1,2,…,N，令S^(t)为构造的彩色图像协方差(散度)矩阵，所述定义如下特征问题：

$\underset{W}{\mathrm{Max}}J\left(W\right)=\mathrm{tr}\left(W^T{S}^{\left(t\right)}W\right)$

其中，W^TW＝I_d×d为正交的约束，符号T表示矩阵的转置，N表示彩色训练样本的个数，为彩色图像的投影(或嵌入)图像，m、n为图像的长和宽；

根据上述特征问题，选取彩色图像协方差矩阵S^(t)的前d个最大的特征值对应的特征向量，组成投影矩阵进而完成彩色图像的彩色二维主成分特征提取。

3.根据权利要求2所述的方法，其特征在于，通过所述投影矩阵对彩色图像训练样本和彩色图像测试样本进行彩色二维主成分特征提取，包括：

针对彩色图像训练样本或彩色图像测试的彩色图像，利用投影矩阵对彩色图像进行特征提取，对彩色图像P_i，令Z^L为第L层中的的嵌入图像的集合，可到：

$Z_k^{L=1}=\left(P_i^{L=1}\stackrel{\‾}{P^{(L=1)}}\right)W_k,Z_k^{L=2}=(P_i^{L=2}-\stackrel{\‾}{P^{(L=2)}})W_k$

$Z_k^{L=3}=(P_i^{L=3}-\stackrel{\‾}{P^{(L=3)}})W_k,k=\mathrm{1,2},...,d$

其中，是用W_k表示的第k个特征向量，基于彩色空间每层计算得到的矩阵(m×d)又被称为彩色空间中的第L层的图像的特征矩阵(m×d)，因此，从彩色空间的三层结构中提取出的特征矩阵形成彩色图像P_i最终特征矩阵

使用训练样本的彩色二维主成分特征组成训练集，用来进行k-近邻分类器建模，利用测试样本的彩色二维主成分特征组成测试集，用于评估分类器模型的识别性能。

4.根据权利要求3所述的方法，其特征在于，将彩色图像测试样本降维得到的彩色二维主成分特征数据输入分类器进行相似性评估包括：

对任意一幅彩色样本图像，可用所述投影矩阵完成彩色主成分特征提取，得到一个特征矩阵F，对任意两幅彩色样本图像的特征矩阵，表示为F_u＝[Z_u,1,Z_u,2,…，Z_u,3d]和F_v＝[Z_v,1,Z_v,2,…，Z_v,3d]，则矩阵F_u和F_v之间的欧几里德距离为

规定一个未知类别标签的彩色图像测试样本P_test，其特征矩阵表示为F_test，如果d(F_test,F_l)＝mind(F_test,F_τ),τ＝{1,2,…，c}，其中，c为彩色图像训练样本的类别总数量，则将该彩色图像测试样本P_test归为第l类，完成分类。

5.根据权利要求1所述的方法，其特征在于，k-近邻分类器中k＝1。

6.根据权利要求1所述的方法，其特征在于，还包括：

对所述彩色图像训练样本和所述彩色图像测试样本进行预处理。

7.一种彩色图像重构与识别系统，其特征在于，包括：

训练模块，用于对无任何监督型先验知识的彩色图像训练样本进行彩色散度矩阵构造，利用构造的彩色散度矩阵，直接对彩色图像进行二维主成分学习，通过特征分解计算得到投影矩阵，完成特征降维；

投影模块，用于通过所述投影矩阵对彩色图像训练样本和彩色图像测试样本进行彩色二维主成分特征提取，将彩色图像训练样本降维得到的彩色二维主成分特征数据输入分类器，进行k-近邻分类器建模；

测试模块，用于将彩色图像测试样本降维得到的彩色二维主成分特征数据输入k-近邻分类器进行相似性评估，输出彩色图像测试样本的类别标签，得到的彩色图像测试样本识别结果。

8.根据权利要求7所述的系统，其特征在于，还包括：

训练预处理模块，用于测试前对所述彩色图像训练样本和所述彩色图像测试样本进行预处理。

9.根据权利要求7所述的系统，其特征在于，k-近邻分类器中k＝1。

10.根据权利要求7所述的系统，其特征在于，所述彩色图像测试样本和所述彩色图像训练样本均为RGB三层彩色结构。