CN105005786B - 一种基于BoF和多特征融合的纹理图像分类方法 - Google Patents
一种基于BoF和多特征融合的纹理图像分类方法 Download PDFInfo
- Publication number
- CN105005786B CN105005786B CN201510347067.7A CN201510347067A CN105005786B CN 105005786 B CN105005786 B CN 105005786B CN 201510347067 A CN201510347067 A CN 201510347067A CN 105005786 B CN105005786 B CN 105005786B
- Authority
- CN
- China
- Prior art keywords
- feature
- fusion
- texture image
- texture
- bof
- 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
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000013598 vector Substances 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims abstract description 18
- 239000012634 fragment Substances 0.000 claims abstract description 16
- 238000006243 chemical reaction Methods 0.000 claims abstract description 10
- 238000012706 support-vector machine Methods 0.000 claims abstract description 7
- 238000012876 topography Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000000691 measurement method Methods 0.000 claims description 3
- 239000000155 melt Substances 0.000 claims 1
- 238000002844 melting Methods 0.000 claims 1
- 230000008018 melting Effects 0.000 claims 1
- 230000007812 deficiency Effects 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 241000282320 Panthera leo Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- DQJCHOQLCLEDLL-UHFFFAOYSA-N tricyclazole Chemical compound CC1=CC=CC2=C1N1C=NN=C1S2 DQJCHOQLCLEDLL-UHFFFAOYSA-N 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于BoF和多特征融合的纹理图像分类方法，本方法对纹理图像进行局部图像选取，形成碎片集；提取所有碎片的灰度梯度共生矩阵GGCM特征和尺度不变特征转换SIFT局部特征，并对不同特征进行重要性加权融合；对融合特征聚类产生特征单词，并使用动态加权鉴别能量分析GWDPA对单词进行优选和加权，再对融合特征向量使用优选和加权的特征单词进行指派，形成训练集融合特征词袋模型；采用相同方法计算待测试纹理图像的融合特征向量，并获得对应融合特征词袋；利用支持向量机SVM作为分类器训练特征词袋模型。本发明有效克服了GGCM对于较大纹理分类正确率较低的不足，同时弥补了BoF特征空间信息丢失的弱点，是一种更精准、鲁棒性好的纹理图像分类方法。
Description
技术领域
本发明涉及一种纹理图像的分类方法，具体涉及一种基于BoF和多特征融合的纹理图像分类方法。
背景技术
纹理反映了物体的表面结构，是图像中某种特质局部重复模式的宏观表现，能够体现物体的一些重要特征和性质；纹理分析是提取纹理特征参数从而获得纹理定量或定性描述的图像处理过程，纹理分类是纹理分析研究的重要研究方向之一，在场影识别、生物特征识别、遥感图像分析、医学图像分析、图像检索、运动目标检测等领域都有重要的应用。
纹理图像可以表示为统计纹理基元出现的频率，这符合词袋描述方法的思想。目前纹理图像的分类主要是基于统计分析、几何特征、信号处理、关键点四种方法，其中统计分析和信号处理方法应用广泛，影响深远。
虽然上述方法在纹理识别上均有较好的表现，但这些方法均忽略了纹理的空间分布信息。在文献图像纹理分析及分类方法研究一文中(李伯宇,图像纹理分析及分类方法研究[D],博士,复旦大学,2007)，即阐述了这些方法关注寻找纹理基元，忽略了基元间的空间排列关系，指出提取基元间的排列关系是个非常值得继续研究的问题。文献基于多特征提取和SVM分类器的纹理图像分类(唐银凤，黄志明，黄荣娟，姜佳欣，卢昕.基于多特征提取和SVM分类器的纹理图像分类[J].计算机应用与软件,2014,28(6):22-25.)一文中，利用Gabor滤波器、GMRF(高斯马尔可夫随机场)及GLCM(灰度共生矩阵)提取纹理图像的三种纹理特征，融合多特征进行纹理分类，构造了纹理查找表。文献中实验验证了受方向、尺度等影响会降低该方法的分类精度，单一特征在一定条件下对光学纹理图像分类也能有比多特征组合更好的分类效果。该方法有纹理图像的区域内灰度空间信息表示，但仍忽略了区域间的空间分布信息，算法性能的稳定性仍有较大研究空间。
BoF(Bag of Feature)模型最先是由Joachims在1997年用来描述文本内容从而进行文本分类，2003年Sivic and Zisserman首次将其用于在视频序列中检索特定用户场景和物体，后来Csurka等将其运用到视觉表示与分类中，目前将BoF模型运用于图像处理已有突出成果，是一种新的、有效的图像内容表征方法，已成为图像处理领域新的研究热点。BoF模型在图像处理领域中也称之为BOVW(Bag of Visual Word)模型。
BoF是通过统计区域特征的全局相似出现情况来表示图像，简化了宠大的区域特征信息同时又具备区域不变性和全局鲁棒性的特点，但BoF词汇直方图的无序表达形式没有体现特征单词之间的空间关系，亦丢失了特征的尺度、方向和位置信息，然而图像特征的空间分布信息对于图像的内容及语义是不容忽略的。
尺度不变特征转换SIFT为已有专利保护，发明人是DAVID G.LOWE，详细内容参考文献【DAVID G.LOWE.Distinctive Image Features from Scale-Invariant Keypoints[J].International Journal of Computer Vision,2004,60(2):91-100】。
灰度梯度共生矩阵GGCM由洪继光于1984年在GLCM的基础上提出，详细内容参考文献【洪继光.灰度-梯度共生矩阵纹理分析方法[J].自动化学报,1984,10(01):22-25.】。
传统BoF的底层特征描述使用SIFT特征，其基于区域的特征表示也忽略了区域之间的空间关系信息。目前存在很多纹理特征描述与分类方法，每种方法都有其自身的特点、优势但也存在不足。典型的二阶统计法灰度共生矩阵能刻画纹理模式中邻域灰度空间的关系，是一种有效的纹理描述方法，但它更适合微纹理(microtextures)描述，对于纹理基元较大的纹理则描述效果欠佳。
发明内容
发明目的：为了克服现有技术中存在的不足，本发明提供一种基于BoF和多特征融合的纹理图像分类方法，通过对应特征单词的纹理基元构建，将多特征融合表示作为BoF模型的底层纹理特征描述，以提高纹理图像分类精度及稳定性，解决了现有技术的问题。
技术方案：为实现上述目的，本发明采用的技术方案为：
基于BoF和多特征融合的纹理图像分类方法，其特征在于，该方法包括以下步骤：
1.1)对所有纹理图像进行局部图像选取，获得每幅图像的碎片集；
1.2)提取每幅纹理图像所有碎片的灰度梯度共生矩阵GGCM特征向量和尺度不变特征转换SIFT局部特征向量，并对不同特征进行重要性加权融合，获得多种特征的融合特征；
1.3)利用步骤1.2)得到的纹理图像训练集融合特征向量作为BoF模型的底层特征描述，聚类产生特征单词，并进行基于鉴别能量分析的优选加权生成新的特征单词，构造特征字典；
1.4)对纹理图像训练集融合特征向量用特征单词进行指派，构建纹理图像训练集的融合特征词袋模型；
1.5)采用同样的方法计算待测试纹理图像的融合特征向量，并获得对应的融合特征词袋；
1.6)利用支持向量机训练特征词袋模型得到SVM分类器，实现对测试图像的预测分类。
进一步的，步骤1.1)中所述的局部图像选取采用兴趣点检测法或区域划分法。
进一步的，碎片为纹理图像中固定大小的区域图像，大小为16×16像素。
进一步的，步骤1.2)中所述重要性加权融合，指采用基于特征重要性算法FIW的加权，具体步骤如下：
1.2.1)分别计算纹理图像的灰度梯度共生矩阵GGCM特征和尺度不变特征转换SIFT特征，将灰度梯度共生矩阵GGCM和尺度不变特征转换SIFT联合特征输入到Kmeans中进行聚类，得到聚类中心；
1.2.2)采用ReliefF算法对获得不同特征的特征权值向量，将权值为负(W<0)不利于分类的特征去除；
1.2.3)采用相关性度量方法，运用相关系数描述两个变量之间的相关性，去除相关系数大于0.6的强相关或极强相关冗余特征；
1.2.4)对步骤1.2.3)结果使用均方根进行特征归一化处理。
其中，当灰度梯度共生矩阵GGCM特征和尺度不变特征转换SIFT特征的联合分布为特征重要性加权融合时，，先对待分类的纹理图像用联合特征分布预分类，可再使用基于特征重要性算法FIW加权的融合特征再分类。
进一步的，步骤1.3)中所述的聚类，采用Kmeans聚类方法，聚类中心个数为特征字典容量，特征字典容量选取自动生成法。
进一步的，步骤1.3)中所述的鉴别能量分析，具体为动态加权鉴别能量分析DWDPA；通过计算类间间距与类内间距的比值，获得鉴别能量系数，并将鉴别能量系数线性归一化作为各特征的权值。
进一步的，步骤1.4)中所述的指派，具体为计算融合特征向量与特征单词的欧氏距离，用距离最小的单词表征特征向量。
进一步的，步骤1.4)中所述的构建纹理图像训练集的融合特征词袋模型，具体为统计每幅纹理图像各个单词的词频，采用特征单词直方图表征每幅纹理图像，获得特征词袋。
进一步的，步骤1.6)中所述的利用支持向量机训练特征词袋模型时，采用直方图交叉核或径向基核。
进一步的，所述特征字典容量自动生成法，具体为字典容量K由图像种类数C、每类训练集图像数Nim，每幅图像碎片数Np自动生成，生成公式如下所示：
其中ε为特殊控制系数，默认值为1。
有益效果：本发明相比现有技术具有以下改进效果：
1)具有更高的纹理图像分类精度，且鲁棒性好；
2)本发明依据不同特征存在的优势互补，采用多特征融合算法进行纹理图像特征提取，获得纹理图像的多特征融合表示，在BoF模型中嵌入了空间信息、几何信息，增强了图像特征的空间信息描述能力，较大程度上弥补了BoF特征空间信息丢失的弱点。
3)本发明能有效描述微观纹理结构，并提升了对较大基元的纹理描述效果，克服了GGCM对于较大纹理分类正确率低的不足。
4)本发明对平缓纹理、较杂乱纹理图像的分类效果亦表现优秀，对不同视角及变形的纹理有较稳定的分类性能。
附图说明
图1为是个发明基于BoF和多特征融合的纹理图像分类方法流程图；
图2为本发明一个实施例使用的纹理图像示例；
图3为基于FIW的特征重要性加权流程图；
图4为DWDPA优选加权流程图；
图5为结合BoF模型各种特征分类正确率比较。
具体实施方式
下面结合附图对本发明作更进一步的说明。
纹理图像可以表示为统计纹理基元出现的频率，符合词袋模型思想，其最关键步骤之一即是对应原语(特征单词)的纹理基元构建。在纹理图像特征提取过程中融合含有空间信息的纹理特征与局部特征的多特征表示方法，以期找到并验证更合适的纹理基元及纹理空间结构表示方式；纹理特征描述更加着重空间信息的表示，以弥补BoF模型空间信息表示不足的问题。基于BoF模型的全局统计特征及其在大量图像处理领域研究结果中的良好表现，将多特征融合表示作为BoF模型的底层特征，以达到更好保留纹理图像区域特征空间信息、更稳定描述不同大小纹理基元图像及描述平缓图像、较杂乱图像等，从而提高纹理图像分类精度及稳定性的目的。
基于BoF和多特征融合的纹理图像分类方法，其特征在于，该方法包括以下步骤：
1.1)对所有纹理图像进行局部图像选取，获得每幅图像的碎片集，所述碎片为纹理图像中固定大小的区域图像，大小为16×16像素。局部图像选取采用兴趣点检测法或区域划分法，优选使用兴趣点检测法。
1.2)提取每幅纹理图像所有碎片的灰度梯度共生矩阵GGCM特征向量和尺度不变特征转换SIFT局部特征向量，并对不同特征进行重要性加权融合，获得多种特征的融合特征；
所述重要性加权融合，指采用基于特征重要性算法FIW的加权，具体步骤如下：
1.2.1)分别计算纹理图像的灰度梯度共生矩阵GGCM特征和尺度不变特征转换SIFT特征，将灰度梯度共生矩阵GGCM和尺度不变特征转换SIFT联合特征输入到Kmeans中进行聚类，得到聚类中心；
1.2.2)采用ReliefF算法对获得不同特征的特征权值向量，将权值为负(W<0)不利于分类的特征去除；
1.2.3)采用相关性度量方法，运用相关系数描述两个变量之间的相关性，去除相关系数大于0.6的强相关或极强相关冗余特征；
1.2.4)对步骤1.2.3)结果使用均方根进行特征归一化处理。
其中，当灰度梯度共生矩阵GGCM特征和尺度不变特征转换SIFT特征的联合分布为特征重要性加权融合时，，先对待分类的纹理图像用联合特征分布预分类，可再使用基于特征重要性算法FIW加权的融合特征再分类。
1.3)利用步骤1.2)得到的纹理图像训练集融合特征向量作为BoF模型的底层特征描述，聚类产生特征单词，并进行基于鉴别能量分析的优选加权生成新的特征单词，构造特征字典；
所述的聚类，采用Kmeans聚类方法，聚类中心个数为特征字典容量，特征字典容量选取自动生成法。
所述的鉴别能量分析，具体为动态加权鉴别能量分析DWDPA(Dynamic WeightedDiscrimination Power Analysis)；通过计算类间间距与类内间距的比值，获得鉴别能量系数，并将鉴别能量系数线性归一化作为各特征的权值。
1.4)对纹理图像训练集融合特征向量用特征单词进行指派，构建纹理图像训练集的融合特征词袋模型；
所述的指派，具体为计算融合特征向量与特征单词的欧氏距离，用距离最小的单词表征特征向量。
所述的构建纹理图像训练集的融合特征词袋模型，具体为统计每幅纹理图像各个单词的词频，采用特征单词直方图表征每幅纹理图像，获得特征词袋。
1.5)采用同样的方法计算待测试纹理图像的融合特征向量，并获得对应的融合特征词袋；
1.6)利用支持向量机训练特征词袋模型得到SVM分类器，实现对测试图像的预测分类。
所述的利用支持向量机训练特征词袋模型时，采用直方图交叉核或径向基核。
所述特征字典容量自动生成法，具体为字典容量K由图像种类数C、每类训练集图像数Nim，每幅图像碎片数Np自动生成，生成公式如下所示：
其中ε为特殊控制系数，默认值为1。
实施例：
如图1所示，一种基于BoF和多特征融合的纹理图像分类方法的流程图，为了评价该方法所得的特征词袋的分类鉴别性、稳定性，实施例仿真实验使用UIUC纹理库，库中包含25类纹理，每类包含40幅640×480像素的灰度JPG格式纹理图片，实验从6类木纹和树皮纹中分别选择前30张图片为训练图片，剩余的10张图片为测试图片，图2为本实施例测试图像示例。包括如下步骤：
步骤1：提取训练集中各个纹理图像的Patches的GGCM和SIFT融合特征描述，并放入一个文件中，形成所有碎片的特征集，获得143维纹理特征描述。
步骤1.1：SIFT特征提取，先进行关键点检测并为关键点分配方向值，选取关键点16×16像素的邻域作为采样窗口，选取窗口4×4＝16个采样点，每个采样点有8个方向向量信息，共产生4×4×8＝128维局部特征向量。
步骤1.2：GGCM特征提取，灰度梯度共生矩阵H(i,j)统计图像中灰度为i，梯度为j的像点数，再进行归一化，由此进一步得到15维灰度与梯度的统计特征向量。
步骤2：对步骤1所得特征向量进行基于FIW的重要性加权融合，生成融合特征向量。首先将GGCM和SIFT联合特征输入到Kmeans中进行聚类，得到聚类中心；再采用FIW算法进行特征重要性加权，如图3所示，得到融合特征向量作为BoF模型的底层纹理特征描述子。
步骤3：利用矢量量化方法对融合特征集进行Kmeans聚类，每个聚类中心表示一个特征单词，对所有特征单词进行DWDPA动态加权鉴别能量分析，通过计算类间间距与类内间距的比值，获得鉴别能量系数，并将鉴别能量系数线性归一化作为各特征的权值，从而获得加权后新的特征单词，如图4所示构造出特征字典；聚类中心数量由公式(1)计算得到。
步骤4：将各训练图像碎片的融合特征分配给特征字典中与其欧氏距离最近的特征单词，然后统计特征单词对应的词频，形成各个训练图像视觉单词直方图(BoF)。
步骤5：对特征词袋用libsvm-3.18进行训练，利用训练集合建立分类模型，核函数采用直方图交叉核。
步骤6：提取每个测试图像的碎片特征描述，利用步骤5所得分类器进行预测，得到分类结果，如图5所示。
图5为本发明一个实施例结合BOF模型各种特征分类正确率比较；其中GLCM为灰度共生矩阵，GSCM为灰度平滑矩阵，分类器从上至下依次为径向基核支持向量机(rbf-svm)、直方图交叉核支持向量机(hik-svm)、空间金字塔匹配径向基核支持向量机(Prbfsvm)、空间直方图交叉核支持向量机(Phiksvm)。
以上所述仅是本发明的一种实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.基于BoF和多特征融合的纹理图像分类方法，其特征在于，该方法包括以下步骤：
1.1)对所有纹理图像进行局部图像选取，获得每幅图像的碎片集；
1.2)提取每幅纹理图像所有碎片的灰度梯度共生矩阵GGCM特征向量和尺度不变特征转换SIFT局部特征向量，并对不同特征进行特征重要性加权融合，获得所有纹理图像的融合特征向量；
1.3)利用步骤1.2)得到的用于训练的所有纹理图像的融合特征向量作为BoF模型的底层纹理特征描述，聚类产生特征单词，并进行基于鉴别能量分析的优选加权生成新的特征单词，构造特征字典；
1.4)对纹理图像训练集融合特征向量用特征单词进行指派，构建纹理图像训练集的融合特征词袋模型；
1.5)采用同样的方法计算待测试纹理图像的融合特征向量，并获得对应的融合特征词袋；
1.6)利用支持向量机训练特征词袋模型得到SVM分类器，实现对测试图像的预测分类；
步骤1.1)中所述的局部图像选取采用兴趣点检测法或区域划分法；
所述碎片为纹理图像中固定大小的区域图像，大小为16×16像素；
步骤1.2)中所述重要性加权融合，指采用基于特征重要性算法FIW的加权，具体步骤如下：
1.2.1)分别计算纹理图像的灰度梯度共生矩阵GGCM特征和尺度不变特征转换SIFT特征，将灰度梯度共生矩阵GGCM和尺度不变特征转换SIFT联合特征输入到Kmeans中进行聚类，得到聚类中心；
1.2.2)采用ReliefF算法对获得不同特征的特征权值向量，将权值为负不利于分类的特征去除；
1.2.3)采用相关性度量方法，运用相关系数描述两个变量之间的相关性，去除相关系数大于0.6的强相关冗余特征；
1.2.4)对步骤1.2.3)结果使用均方根进行特征归一化处理；
其中，当进行灰度梯度共生矩阵GGCM特征和尺度不变特征转换SIFT特征重要性加权融合时，先对待分类的纹理图像用联合分布特征预分类，再使用基于特征重要性算法FIW加权的融合特征再分类。
2.如权利要求1所述的基于BoF和多特征融合的纹理图像分类方法，其特征在于：步骤1.3)中所述的聚类，采用Kmeans聚类方法，聚类中心个数为特征字典容量，特征字典容量选取自动生成法。
3.如权利要求1所述的基于BoF和多特征融合的纹理图像分类方法，其特征在于：步骤1.3)中所述的鉴别能量分析，具体为动态加权鉴别能量分析DWDPA；通过计算类间方差与类内方差的比值，获得鉴别能量系数，并将鉴别能量系数线性归一化作为各特征的权值。
4.如权利要求1所述的基于BoF和多特征融合的纹理图像分类方法，其特征在于：步骤1.4)中所述的指派，具体为计算融合特征向量与特征单词的欧氏距离，用距离最小的单词表征特征向量。
5.如权利要求1所述的基于BoF和多特征融合的纹理图像分类方法，其特征在于：步骤1.4)中所述的构建纹理图像训练集的融合特征词袋模型，具体为统计每幅纹理图像各个单词的词频，采用特征单词直方图表征每幅纹理图像，获得特征词袋。
6.如权利要求1所述的基于BoF和多特征融合的纹理图像分类方法：其特征在于：步骤1.6)中所述的利用支持向量机训练特征词袋模型时，采用直方图交叉核或径向基核。
7.如权利要求5所述的基于BoF和多特征融合的纹理图像分类方法，其特征在于：所述特征字典容量自动生成法，具体为字典容量K由图像种类数C、每类训练集图像数Nim，每幅图像碎片数Np自动生成，生成公式如下所示：
其中ε为特殊控制系数，默认值为1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510347067.7A CN105005786B (zh) | 2015-06-19 | 2015-06-19 | 一种基于BoF和多特征融合的纹理图像分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510347067.7A CN105005786B (zh) | 2015-06-19 | 2015-06-19 | 一种基于BoF和多特征融合的纹理图像分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105005786A CN105005786A (zh) | 2015-10-28 |
| CN105005786B true CN105005786B (zh) | 2018-10-16 |
Family
ID=54378451
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510347067.7A Expired - Fee Related CN105005786B (zh) | 2015-06-19 | 2015-06-19 | 一种基于BoF和多特征融合的纹理图像分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105005786B (zh) |
Families Citing this family (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105426893A (zh) * | 2015-11-03 | 2016-03-23 | 国家电网公司 | 一种目标外观的局部图像特征描述方法 |
| CN105488491A (zh) * | 2015-12-23 | 2016-04-13 | 西安电子科技大学 | 基于金字塔匹配直方图交叉核的人体睡眠姿态检测方法 |
| CN106127672B (zh) * | 2016-06-21 | 2019-03-12 | 南京信息工程大学 | 基于fpga的图像纹理特征提取算法 |
| CN106340008A (zh) * | 2016-08-09 | 2017-01-18 | 杭州健培科技有限公司 | 基于特征值选择及svm参数优化的肺部影像识别方法 |
| CN106384131B (zh) * | 2016-10-09 | 2018-04-06 | 深圳云天励飞技术有限公司 | 基于相异性的特征融合识别方法 |
| CN106529586A (zh) * | 2016-10-25 | 2017-03-22 | 天津大学 | 基于补充文本特征的图像分类方法 |
| CN107085731B (zh) * | 2017-05-11 | 2020-03-10 | 湘潭大学 | 一种基于rgb-d融合特征与稀疏编码的图像分类方法 |
| CN107480718A (zh) * | 2017-08-17 | 2017-12-15 | 南京信息工程大学 | 一种基于视觉词袋模型的高分辨率遥感图像分类方法 |
| CN108256549B (zh) * | 2017-12-13 | 2019-03-15 | 北京达佳互联信息技术有限公司 | 图像分类方法、装置及终端 |
| CN108492328B (zh) * | 2018-03-23 | 2021-02-26 | 云南大学 | 视频帧间目标匹配方法、装置和实现装置 |
| CN108647997A (zh) * | 2018-04-13 | 2018-10-12 | 北京三快在线科技有限公司 | 一种检测异常数据的方法及装置 |
| CN109934287A (zh) * | 2019-03-12 | 2019-06-25 | 上海宝尊电子商务有限公司 | 一种基于lbp与glcm的服装纹理识别分类方法 |
| CN110334776A (zh) * | 2019-07-15 | 2019-10-15 | 哈尔滨理工大学 | 一种基于区域双三次插值技术的图像分类识别方法 |
| CN111259913A (zh) * | 2020-01-14 | 2020-06-09 | 哈尔滨工业大学 | 一种基于词袋模型和纹理特征的细胞光谱图像分类方法 |
| CN112308111B (zh) * | 2020-09-23 | 2023-04-18 | 湖南工业大学 | 一种基于多特征融合的轨面状态辨识方法 |
| CN112329798B (zh) * | 2020-11-27 | 2023-07-25 | 重庆理工大学 | 一种基于优化视觉词袋模型的图像场景分类方法 |
| CN112465076A (zh) * | 2021-01-28 | 2021-03-09 | 知行汽车科技（苏州）有限公司 | 多特征融合的方法、装置、系统及存储介质 |
| CN112776304B (zh) * | 2021-02-01 | 2022-10-11 | 佛山中科吉港科技有限公司 | 一种仿木纹型材挤出方法及挤出机 |
| CN112966629B (zh) * | 2021-03-18 | 2023-03-24 | 东华理工大学 | 基于图像变换和BoF模型的遥感图像场景分类方法 |
| CN114329472B (zh) * | 2021-12-31 | 2023-05-19 | 淮阴工学院 | 基于双重嵌入与模型剪枝的bios恶意程序检测方法及装置 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102622607A (zh) * | 2012-02-24 | 2012-08-01 | 河海大学 | 一种基于多特征融合的遥感图像分类方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004361987A (ja) * | 2003-05-30 | 2004-12-24 | Seiko Epson Corp | 画像検索システム、画像分類システム、画像検索プログラム及び画像分類プログラム、並びに画像検索方法及び画像分類方法 |
-
2015
- 2015-06-19 CN CN201510347067.7A patent/CN105005786B/zh not_active Expired - Fee Related
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102622607A (zh) * | 2012-02-24 | 2012-08-01 | 河海大学 | 一种基于多特征融合的遥感图像分类方法 |
Non-Patent Citations (3)
| Title |
|---|
| Dynamic Weighted Discrimination Power Analysis in DCT Domain for Face and Palmprint Recognition;Lu Leng等;《IEEE》;20101231;第467-471页 * |
| 基于QWT和GLCM的多特征双重加权纹理分割;黎明 等;《模式识别与人工智能》;20140331;第27卷(第3期);第263-271页 * |
| 基于空间金字塔模型的图像分类方法研究;郭敏杰;《万方数据知识服务平台》;20150520;第5-53页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105005786A (zh) | 2015-10-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105005786B (zh) | 一种基于BoF和多特征融合的纹理图像分类方法 | |
| CN102622607B (zh) | 一种基于多特征融合的遥感图像分类方法 | |
| Liu et al. | Content-based image retrieval using color difference histogram | |
| Negrel et al. | Evaluation of second-order visual features for land-use classification | |
| Tuytelaars et al. | Vector quantizing feature space with a regular lattice | |
| CN102542058B (zh) | 一种融合全局与局部视觉特征的层次化地标识别方法 | |
| Van Gemert et al. | Comparing compact codebooks for visual categorization | |
| Liu et al. | A model of visual attention for natural image retrieval | |
| He et al. | Fast kernel learning for spatial pyramid matching | |
| CN106203448B (zh) | 一种基于非线性尺度空间的场景分类方法 | |
| CN101556600B (zh) | 一种dct域上的图像检索方法 | |
| CN102073748A (zh) | 一种基于视觉关键词的遥感影像语义检索方法 | |
| Zhang et al. | Discriminative-dictionary-learning-based multilevel point-cluster features for ALS point-cloud classification | |
| CN105938565A (zh) | 基于多层分类器和互联网图像辅助训练的彩色图像情感分类方法 | |
| Mansoori et al. | Bag of visual words approach for image retrieval using color information | |
| CN107480620A (zh) | 基于异构特征融合的遥感图像自动目标识别方法 | |
| Singh et al. | Image retrieval based on the combination of color histogram and color moment | |
| CN108829701A (zh) | 一种基于草图的3d模型检索方法 | |
| CN102034107A (zh) | 基于鲁棒视觉注意特征与稀疏表示的不良图像判别方法 | |
| CN109934258A (zh) | 特征加权和区域整合的图像检索方法 | |
| CN104850859A (zh) | 一种基于多尺度分析的图像特征包构建方法 | |
| Shi et al. | Image retrieval using both color and texture features | |
| Battiato et al. | Scene categorization using bag of textons on spatial hierarchy | |
| CN108197641A (zh) | 一种基于兴趣域检测的空间金字塔匹配图像分类方法 | |
| Jingyi et al. | Notice of violation of IEEE publication principles: ground-based cloud image recognition system based on multi-CNN and feature screening and fusion |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information |
Inventor after: Wang Yuling Inventor after: Li Ming Inventor after: Lu Yuming Inventor after: Gao Yongping Inventor before: Wang Yuling Inventor before: Li Ming Inventor before: Leng Lu |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181016 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |