CN106485278A - 一种基于剪切波和高斯混合模型的图像纹理分类方法 - Google Patents
一种基于剪切波和高斯混合模型的图像纹理分类方法 Download PDFInfo
- Publication number
- CN106485278A CN106485278A CN201610893165.5A CN201610893165A CN106485278A CN 106485278 A CN106485278 A CN 106485278A CN 201610893165 A CN201610893165 A CN 201610893165A CN 106485278 A CN106485278 A CN 106485278A
- Authority
- CN
- China
- Prior art keywords
- sub
- shearing wave
- energy feature
- hybrid models
- gauss hybrid
- 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.)
- Withdrawn
Links
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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
一种基于剪切波和高斯混合模型的图像纹理分类方法,首先用剪切波对给定的具有相同类别标号的训练样本集进行方向多尺度分解,获取这些训练样本的子带系数,然后构造这些子带系数的能量特征,用计算得到的能量特征表示这些方向子带,选择核主成分分析(KPCA)方法对这些能量特征进行降低维数处理,接着建立这些能量特征的高斯混合模型 (GMM),并用期望最大化(EM)算法估计高斯混合模型的参数,最后用贝叶斯分类器进行纹理图像分类;本发明有益效果:有效地提高了纹理图像的分类精度,有效地适应较小尺寸的纹理图像,另外,本发明方法充分利用了纹理图像的方向多尺度信息,具有广泛的应用价值。
Description
技术领域
本发明涉及模式识别和计算机视觉领域的纹理图像分类,具体地说是一种基于剪切波和高斯混合模型的图像纹理分类方法。
背景技术
纹理广泛存在于客观世界,是表达物体表面或结构的一种基本属性,也是计算机视觉中一个很重要的研究方向。纹理的直观意义十分明确。但是对于纹理是什么,人们的概念还是比较模糊。在图形处理中,纹理有着广泛而笼统的含义。基于纹理的分析和应用研究已经进行了近六十年。纹理方面的研究到现在仍然非常活跃,国内外有许多研究机构都在从事这方面的工作,近些年在国际知名杂志和重要会议上,关于纹理识别的研究成果层出不穷,多达数百篇。由此可见,纹理分析和识别是一个非常活跃的研究热点,有着非常重要的理论研究和实际应用价值。但是,由于纹理形式的广泛与多样,与纹理相关的很多问题尚未得到解决,如纹理的定义及对其特征的精确描述。目前,基于纹理的特征提取方法大致可以分为两类:空域和变换域方法。其中,基于变换域的方法已经提出了很多比较好的特征提取方法,并且能够成功的应用于实际的应用程序当中。但是,多数基于变换域的特征只利用变换系数的统计特性来表示纹理图像,例如能量直方图方法。因此,在实际应用中仍然存在着很多亟待解决的问题,例如分类精度不高,特征维数大,处理图片耗时等等。
发明内容
本发明所要解决的技术问题是提供一种基于剪切波和高斯混合模型的图像纹理分类方法,用于解决现有现有分类方法分类精度不高、特征维数大、处理图片耗时等问题。
本发明为解决上述技术问题所采用的技术方案是:一种基于剪切波和高斯混合模型的图像纹理分类方法,包括以下步骤:
步骤一、采用剪切波工具箱对随机选取的具有相同类别标号的图像样本进行方向多尺度分解并构造它们的子带能量特征;
步骤二、采用核主成分分析对步骤一中得到的子带能量特征进行降低维度处理;
步骤三、建立剪切波子带能量特征的高斯混合模型并用期望最大化算法估计模型参数;
步骤四、根据步骤三估计得到的模型参数,求出每个图像样本的后验概率,最后采用贝叶斯概率分类器对纹理图像进行分类,获得分类结果。
本发明所述步骤一中对图像样本进行方向多尺度分解并构造它们的子带能量特征的具体方法为:
(1)方向多尺度分解
对随机选择的具有相同类别标号的图像样本集中的第i个图像样本进行L尺度3水平的剪切波分解,得到8*L个方向子带和1个低频子带,其中N表示样本的总数;
(2)构造子带能量特征
一个方向子带的子带系数表示为,其中J是子带系数的个数,它的1范数能量特征e1由公式计算得到,它的2范数能量特征e2由公式计算得到;对于所有尺度,第d个方向的1范数能量特征表示为,2范数能量特征表示为;对于所有的8个方向,第i个图像的子带能量特征fi表示为:;最后得出图像样本集的剪切波子带能量特征为:,其中指的是求向量f的转置。
本发明所述步骤二中用核主成分分析对能量特征进行降低维度的具体方法为:用降维率R(0<R<1)表示剪切波子带能量特征降低维度的水平,降低维度后的剪切波子带能量特征F为:。
本发明所述步骤三中所述的建立剪切波子带能量特征的高斯混合模型并用期望最大化算法估计模型参数的具体方法为:
(1)建立高斯混合模型
单变量的高斯分布表示为:,其中是高斯分布的参数,为自变量,表示剪切波子带能量,表示均值,表示方差,则多个高斯分布的混合模型表示为:,其中H是混合模型中高斯成分的个数,表示混合模型中每一个高斯分布的先验分布;
(2)高斯混合模型的参数估计
用期望最大化方法估计高斯混合模型的参数,其估计参数为:。
本发明的有益效果是:(1)该图像纹理表示方法有效的利用了图像纹理的方向多尺度信息,能够很好地描述纹理的特征。
(2)针对较小的纹理尺寸,本发明提出的纹理图像表示方法能够获取很好地分类性能,在很大程度上提高了分类精度。
(3)本发明纹理图像表示方法的计算速度很快,通过核主成分分析剪切波子带的能量特征的维数相对比较小,在保证分类性能的同时能够实现快速的纹理图像分类。
(4)核主成分分析用来降低剪切波子带能量特征的维数,同时也可以降低能量特征的信息冗余和噪声,因此能够提升能量特征的识别能力。
附图说明
图1为本发明图像纹理分类方法的流程示意图;
图2为纹理图像剪切波分解和构造子带能量特征的流程示意图;
图3为采用核主成分分析对能量特征进行降低维度的流程图;
图4为构造高斯混合模型的流程图;
图5为本发明方法和其它方法的平均分类精度。
具体实施方式
一种基于剪切波和高斯混合模型的图像纹理分类方法,包括以下步骤:
步骤一、采用剪切波工具箱对随机选取的具有相同类别标号的图像样本进行方向多尺度分解并构造它们的子带能量特征;
步骤二、采用核主成分分析对步骤一中得到的子带能量特征进行降低维度处理;
步骤三、建立剪切波子带能量特征的高斯混合模型并用期望最大化算法估计模型参数;
步骤四、根据步骤三估计得到的模型参数,求出每个图像样本的后验概率,最后采用贝叶斯概率分类器对纹理图像进行分类,获得分类结果。
进一步,步骤一中对图像样本进行方向多尺度分解并构造它们的子带能量特征的具体方法为:
(1)方向多尺度分解
对随机选择的具有相同类别标号的图像样本集中的第i个图像样本进行L尺度3水平的剪切波分解,得到8*L个方向子带和1个低频子带,其中N表示样本的总数;
(2)构造子带能量特征
一个方向子带的子带系数表示为,其中J是子带系数的个数,它的1范数能量特征e1由公式计算得到,它的2范数能量特征e2由公式计算得到;对于所有尺度,第d个方向的1范数能量特征表示为,2范数能量特征表示为;对于所有的8个方向,第i个图像的子带能量特征f i 表示为:;最后得出图像样本集的剪切波子带能量特征为:,其中指的是求向量f的转置。
进一步,步骤二中用核主成分分析对能量特征进行降低维度的具体方法为:用降维率R(0<R<1)表示剪切波子带能量特征降低维度的水平,降低维度后的剪切波子带能量特征F为:。
进一步,步骤三中所述的建立剪切波子带能量特征的高斯混合模型并用期望最大化算法估计模型参数的具体方法为:
(1)建立高斯混合模型
单变量的高斯分布表示为:,其中是高斯分布的参数,为自变量,表示剪切波子带能量,表示均值,表示方差,则多个高斯分布的混合模型表示为:,其中H是混合模型中高斯成分的个数,表示混合模型中每一个高斯分布的先验分布;
(2)高斯混合模型的参数估计
用期望最大化方法估计高斯混合模型的参数,其估计参数为:。
实施例
下面通过对标准纹理库VexTex中的纹理图像进行分类实例阐述本发明的具体实施方式:
执行步骤一:利用进行剪切波分解和构造子带能量特征。
剪切波分解的具体过程如下:
1)对测试样本进行8方向L=3尺度分解;
2获取方向子带和低频子带;
构造子带能量特征的具体过程如下
1)计算1范数能量特征和2范数能量特征;
2)构造各个子带的能量特征。
执行步骤二:能量特征降维。
这里,我们选用核主成分分析对计算得到的剪切波子带能量特征进行降低维度,降维率R=0.6。
执行步骤三:建立高斯混合模型,并估计模型参数。
1)对提取的剪切波子带能量特征建立混合成分H=3的高斯混合模型。
2)用期望最大化算法估计模型参数:。
执行步骤四:利用得到的模型参数,计算测试样本的后验概率,采用贝叶斯概率分类器对纹理图像进行分类,得到分类精度。
将本方法(表示为:GMM-BC)和其它4个纹理特征提取方法进行比较,十次实验的平均分类正确率(ACAR,%)结果如图5所示,图5验证了本方法的有效性和优越性。
通过与其他方法的比较,可以验证本发明所提出的方法相对于其它4个方法具有很好的优越性:有效地提高了纹理图像的分类精度,有效地适应较小尺寸的纹理图像。另外,本发明所提出的方法充分的利用了纹理图像的方向多尺度信息,具有广泛的应用价值。
Claims (4)
1.一种基于剪切波和高斯混合模型的图像纹理分类方法,其特征在于:包括以下步骤:
步骤一、采用剪切波工具箱对随机选取的具有相同类别标号的图像样本进行方向多尺度分解并构造它们的子带能量特征;
步骤二、采用核主成分分析对步骤一中得到的子带能量特征进行降低维度处理;
步骤三、建立剪切波子带能量特征的高斯混合模型并用期望最大化算法估计模型参数;
步骤四、根据步骤三估计得到的模型参数,求出每个图像样本的后验概率,最后采用贝叶斯概率分类器对纹理图像进行分类,获得分类结果。
2.根据权利要求1所述的一种基于剪切波和高斯混合模型的图像纹理分类方法,其特征在于:所述步骤一中对图像样本进行方向多尺度分解并构造它们的子带能量特征的具体方法为:
(1)方向多尺度分解
对随机选择的具有相同类别标号的图像样本集中的第i个图像样本进行L尺度3水平的剪切波分解,得到8*L个方向子带和1个低频子带,其中N表示样本的总数;
(2)构造子带能量特征
一个方向子带的子带系数表示为,其中J是子带系数的个数,它的1范数能量特征e1由公式计算得到,它的2范数能量特征e2由公式计算得到;对于所有尺度,第d个方向的1范数能量特征表示为,2范数能量特征表示为;对于所有的8个方向,第i个图像的子带能量特征f i 表示为:;最后得出图像样本集的剪切波子带能量特征为:,其中指的是求向量f的转置。
3.根据权利要求1所述的一种基于剪切波和高斯混合模型的图像纹理分类方法,其特征在于:所述步骤二中用核主成分分析对能量特征进行降低维度的具体方法为:用降维率R (0<R<1)表示剪切波子带能量特征降低维度的水平,降低维度后的剪切波子带能量特征F为:。
4.根据权利要求1所述的一种基于剪切波和高斯混合模型的图像纹理分类方法,其特征在于:步骤三中所述的建立剪切波子带能量特征的高斯混合模型并用期望最大化算法估计模型参数的具体方法为:
(1)建立高斯混合模型
单变量的高斯分布表示为:,其中是高斯分布的参数,为自变量,表示剪切波子带能量,表示均值,表示方差,则多个高斯分布的混合模型表示为:,其中H是混合模型中高斯成分的个数,表示混合模型中每一个高斯分布的先验分布;
(2)高斯混合模型的参数估计
用期望最大化方法估计高斯混合模型的参数,其估计参数为:。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610893165.5A CN106485278A (zh) | 2016-10-13 | 2016-10-13 | 一种基于剪切波和高斯混合模型的图像纹理分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610893165.5A CN106485278A (zh) | 2016-10-13 | 2016-10-13 | 一种基于剪切波和高斯混合模型的图像纹理分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106485278A true CN106485278A (zh) | 2017-03-08 |
Family
ID=58269322
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610893165.5A Withdrawn CN106485278A (zh) | 2016-10-13 | 2016-10-13 | 一种基于剪切波和高斯混合模型的图像纹理分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106485278A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108597603A (zh) * | 2018-05-04 | 2018-09-28 | 吉林大学 | 基于多维高斯分布贝叶斯分类的癌症复发预测系统 |
CN109635827A (zh) * | 2018-12-21 | 2019-04-16 | 长光卫星技术有限公司 | 基于含有红边谱段高分辨率卫星影像的甘蔗地块提取方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101408945A (zh) * | 2008-11-28 | 2009-04-15 | 西安电子科技大学 | 基于多尺度几何分析的雷达二维像分类方法 |
CN101493935A (zh) * | 2008-11-10 | 2009-07-29 | 西安电子科技大学 | 基于剪切波隐马尔可夫模型的合成孔径雷达图像分割方法 |
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 |
CN104517288A (zh) * | 2014-12-11 | 2015-04-15 | 中国科学院遥感与数字地球研究所 | 基于小波变换的遥感数据统计特性估计算法 |
CN105740867A (zh) * | 2016-01-26 | 2016-07-06 | 哈尔滨理工大学 | 图像纹理窗口形状与尺度的选择方法 |
CN105825514A (zh) * | 2016-03-22 | 2016-08-03 | 辽宁师范大学 | 基于剪切波系数概率密度分布的图像边缘检测方法 |
CN105869170A (zh) * | 2016-04-13 | 2016-08-17 | 宿迁学院 | 一种工件表面纹理图像的识别分类方法 |
-
2016
- 2016-10-13 CN CN201610893165.5A patent/CN106485278A/zh not_active Withdrawn
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101493935A (zh) * | 2008-11-10 | 2009-07-29 | 西安电子科技大学 | 基于剪切波隐马尔可夫模型的合成孔径雷达图像分割方法 |
CN101408945A (zh) * | 2008-11-28 | 2009-04-15 | 西安电子科技大学 | 基于多尺度几何分析的雷达二维像分类方法 |
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 |
CN104517288A (zh) * | 2014-12-11 | 2015-04-15 | 中国科学院遥感与数字地球研究所 | 基于小波变换的遥感数据统计特性估计算法 |
CN105740867A (zh) * | 2016-01-26 | 2016-07-06 | 哈尔滨理工大学 | 图像纹理窗口形状与尺度的选择方法 |
CN105825514A (zh) * | 2016-03-22 | 2016-08-03 | 辽宁师范大学 | 基于剪切波系数概率密度分布的图像边缘检测方法 |
CN105869170A (zh) * | 2016-04-13 | 2016-08-17 | 宿迁学院 | 一种工件表面纹理图像的识别分类方法 |
Non-Patent Citations (5)
Title |
---|
AIDARUS M. IBRAHIM 等: "Classification of Mammogram Images Using Shearlet Transform and Kernel Principal Component Analysis", 《2016 3RD INTERNATIONAL CONFERENCE ON COMPUTER AND INFORMATION SCIENCES (ICCOINS)》 * |
HENNING LATEGAHN 等: "Texture Classification by Modeling Joint Distributions of Local Patterns With Gaussian Mixtures", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
YONGSHENG DONG 等: "Texture Classification and Retrieval Using Shearlets and Linear Regression", 《IEEE TRANSACTIONS ON CYBERNETICS》 * |
吴一全 等: "基于Shearlet变换和KPCA的多时相遥感图像变化检测", 《应用基础与工程科学学报》 * |
王强 等: "基于贝叶斯网络模型的纹理分析及分类", 《计算机辅助设计与图形学学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108597603A (zh) * | 2018-05-04 | 2018-09-28 | 吉林大学 | 基于多维高斯分布贝叶斯分类的癌症复发预测系统 |
CN108597603B (zh) * | 2018-05-04 | 2021-04-20 | 吉林大学 | 基于多维高斯分布贝叶斯分类的癌症复发预测系统 |
CN109635827A (zh) * | 2018-12-21 | 2019-04-16 | 长光卫星技术有限公司 | 基于含有红边谱段高分辨率卫星影像的甘蔗地块提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106778821B (zh) | 基于slic和改进的cnn的极化sar图像分类方法 | |
CN105956560B (zh) | 一种基于池化多尺度深度卷积特征的车型识别方法 | |
CN103886336B (zh) | 基于稀疏自动编码器的极化sar图像分类方法 | |
CN101329736B (zh) | 基于特征选择和隐马尔科夫模型的图像分割方法 | |
CN101763514B (zh) | 基于特征重要度排序谱聚类的图像分割方法 | |
CN103218524B (zh) | 基于密度的欠定盲源分离方法 | |
CN102799892B (zh) | 一种mfcc水下目标特征提取和识别方法 | |
CN105069796B (zh) | 基于小波散射网络的sar图像分割方法 | |
CN101551864B (zh) | 基于频域方向特征相关性的图像分类方法 | |
CN103295032B (zh) | 基于空间Fisher向量的图像分类方法 | |
CN103077555B (zh) | 一种三维模型构成的自动标注方法 | |
CN105930846A (zh) | 基于邻域信息和svgdl的极化sar图像分类方法 | |
CN102074013B (zh) | 基于小波域多尺度Markov网模型的图像分割方法 | |
CN105304078B (zh) | 目标声数据训练装置和目标声数据训练方法 | |
CN101350099A (zh) | 基于小波域隐马尔科夫树模型的图像分割方法 | |
CN105913081A (zh) | 基于改进的PCAnet的SAR图像分类方法 | |
CN102122353A (zh) | 利用增量字典学习与稀疏表示进行图像分割的方法 | |
CN104156945A (zh) | 基于多目标粒子群算法的灰度图像分割方法 | |
CN103116761A (zh) | 一种针对图像序列的动态纹理识别方法 | |
CN107219510B (zh) | 基于无限最大间隔线性判别投影模型的雷达目标识别方法 | |
CN102999762A (zh) | 基于Freeman分解和谱聚类的极化SAR图像分类方法 | |
CN103198489B (zh) | 基于显著性密度与边缘响应的显著物体自动检测方法 | |
CN106485278A (zh) | 一种基于剪切波和高斯混合模型的图像纹理分类方法 | |
CN103942415A (zh) | 一种流式细胞仪数据自动分析方法 | |
CN102663681A (zh) | 基于排序k-均值算法的灰度图像分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20170308 |
|
WW01 | Invention patent application withdrawn after publication |