CN108694415B - 图像特征提取方法、装置及水源图像分类方法、装置 - Google Patents

Abstract

本发明提出一种图像特征提取方法，包括：将原图像进行颜色空间分解，获取所述原图像的H通道图像、S通道图像以及V通道图像；对H通道图像、S通道图像以及V通道图像分别进行图像变换，生成每个颜色通道对应的频率域图像；对于每个颜色通道的频率域图像，分别以所述频率域图像中心为圆心，按预设半径划分M个同心圆，再根据预设角度划分N个等角扇形，获取若干个扇形区域，其中M为大于1的整数，N为大于0的整数；计算每个扇形区域的均值和方差；统计每个颜色通道图像的所述均值和方差将作为原图像的图像特征。本发明在图像分类时考虑图像的颜色特性，同时有效地提取图像纹理特征，能对干净水源图像和污染水源图像进行更准确的分类。

Description

图像特征提取方法、装置及水源图像分类方法、装置

技术领域

本发明涉及机器学习技术领域，尤其涉及一种图像特征提取方法、装置及水源图像分类方法、装置。

背景技术

水源图像检测和分类在监测和识别河流冰灾、洪水、垃圾污染和死水等方面获取了很多应用。在这些情况下，精确的水资源图像检测和分类就显得至关重要。然而，海水、河水、湖水和池塘这些我们称之为干净水源的图像，可能和一些污染水源的图像重叠，例如包含真菌的水、死水和石油污染的水等等。因为这两类水源的图像在表面看起来是相同的，这使准确的水源图像检测变得具有挑战性。此外，这些水源图像一般是由无人机和具有特定高度的直升飞机捕获的，图像的质量差，对比度低，加之冰雪灾害天气下水体结冰等因素的存在，使得水源图像分类的问题更加复杂。复杂情况下的水源图像如图1所示。

目前存在的水源图像检测方法大多基于图像的颜色变化，空间信息和纹理信息。有人提出了在白天对水的颜色变化进行检测的方法，还有人提出了基于天空反射的水源检测方法，这些方法适用于在开阔区域进行水体检测，但是不适用于日常的小范围水域。另外这些方法现定于特定的水体检测，而不能对不同类型的水源进行区分。有人提出利用不变的时空描述符来检测水源，该方法不依赖于分类器和一些特殊的样本，基于概率的分类来提取特征。然而，该方法中使用的描述符需要具有清晰对象形状的高对比度图像才能获得更好的结果。

上述方法中提到的水体颜色特征和纹理特征在面对表面粗糙程度不同的干净水源图像时是有效的，对于可能具有不同物体表面，不可预测的颜色和不同的纹理的污染水源图像并不十分可靠。因此，需要一种方法提取出这些独特的特征并将干净水源图像与污染水源图像分离。

发明内容

本发明提出一种图像特征提取方法，所述方法包括：

将原图像进行HSV颜色空间分解，获取所述原图像的H通道图像、S通道图像以及V通道图像；

对H通道图像、S通道图像以及V通道图像分别进行图像变换，生成每个颜色通道对应的频率域图像；

对于每个颜色通道的频率域图像，分别以所述频率域图像中心为圆心，按预设半径划分 M个同心圆，再根据预设角度划分N个等角扇形，选取预设范围内的若干个扇形区域，其中M为大于1的整数，N为大于0的整数；

计算每个扇形区域所有像素值的均值和方差；

将所选取的所有扇形区域的所述均值和方差组合为原图像的图像特征。

作为本发明的一种优选技术方案：所述预设范围为：频率域图像的上半部分或下半部分，或者，频率域图像预设半径内的区域，或者，频率域图像中依据像素位置权重确定的区域。

作为本发明的一种优选技术方案：所述方法还包括：对所述原图像进行缩放处理，得到预设分辨率的图像，再进行颜色空间分解。

本发明还提出一种图像特征提取装置，所述装置包括：

预处理模块，用于对原图像进行HSV颜色空间分解，获取所述原图像的H通道图像、S通道图像以及V通道图像；

图像变换模块，用于对每个颜色通道进行图像变换，生成对应的频率域图像；

图像分割模块，用于图像分割处理，对于每个颜色通道的频率域图像，分别以所述频率域图像中心为圆心，按预设半径划分M个同心圆，再根据预设角度划分N个等角扇形，获取若干个扇形区域，其中M为大于1的整数，N为大于0的整数；

特征提取模块，用于计算每个扇形区域的均值和方差并统计每个颜色通道图像的所述均值和方差将作为原图像的图像特征。

作为本发明的一种优选技术方案：所述图像分割模块，还用于获取频率域图像的上半部分或下半部分的所有扇形区域，或者，满足预设半径的条件的扇形区域，或者，满足频率域图像中预设位置条件的扇形区域。

作为本发明的一种优选技术方案：根所述预处理模块还用于对所述原图像进行缩放处理，得到预设分辨率的图像，再进行颜色空间分解。

本发明还提出一种水源图像分类方法，所述方法包括：获取训练集图像和测试集图像，并提取所述训练集图像和测试集图像的图像特征；将至少一个训练集图像的图像特征输入分类器进行特征训练确定图像类别的判别边界，再利用所述判别边界对测试集图像进行分类，其特征在于，所述图像特征使用如权利要求所述图像特征提取方法获得，所述图像类别包括干净水源和污水水源。

本发明还提出一种水源图像分类装置，所述装置包括：

图像获取模块，用于获取训练集图像和测试集图像；

图像特征提取模块，用于使用如权利要求所述图像特征提取方法提取所述训练集图像和测试集图像的图像特征；

特征训练模块，用于获取至少一个训练集图像的图像特征进行特征训练确定图像类别的判别边界；所述图像类别包括干净水源和污水水源；

图像分类模块，用于根据所述判别边界对测试集图像进行分类。

本发明将图像从RGB空间转换到HSV颜色空间，能非常直观的表达图像色彩的明暗，色调以及鲜艳程度，方便进行颜色之间的对比，同时图像分块处理能够有效地提取图像纹理特征，尤其针对具有不同物体表面，不可预测颜色和不同纹理的污染水源图像的特征提取更有效，从而对干净水源图像和污染水源图像进行更准确的分类。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1是复杂场景下的水源图像样例；

图2为本发明的算法流程图；

图3为输入水源图像，(a)是干净水源图像，(b)是污染水源图像；

图4为干净水源图像进行颜色空间分解后的图像，(a)是H通道的图像，(b)是S通道的图像，(c)是V通道的图像；

图5为两类水源图像的各个颜色通道进行傅里叶变换后的数据，其中，(a)是干净水源的H，S和V通道变换后的图像，(b)是污染水源(图3(b))的H，S和V通道变换后的图像；

图6为光谱图像分块示意图；

图7为两类图像在SVM下的分类示意图。

具体实施方式

下面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。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。

下面结合附图对本发明的技术方案进行详细说明：

实施例一

参照本发明方法流程如图2，具体方法包括以下步骤：

1.输入水源图像

利用MATLAB中的imread函数从文件中读取分辨率为96dpi的图像，并将图像的分辨率统一调整到256×256作为原图像I(x，y)。如图3所示。

2.图像颜色空间分解

利用MATLAB中的rgb2hsv函数将输入图像从RGB颜色空间转换到HSV颜色空间。之后将图像分解，保存各个颜色通道的图像。如图4所示。具体为：

对于每张原图像I(x，y),获取它在不同颜色通道上的图像H(x,y),S(x,y)和V(x,y)。其中(x，y)代表图像中的像素点：

V(x，y)＝max(I_R，I_G，I_B)

其中，diff_(R，G，B)表示图像在不同颜色通道上的像素差值，I_R，I_G，I_B表示图像在像素点(x，y)的颜色分量。

3.特征提取

首先对各颜色通道的图像进行时频变换，在本实施例中采用傅里叶变换，记为 H_f(u，v),S_f(u，v)和V_f(u，v):

其中(u，v)代表傅里叶变换后光谱图中的像素坐标。利用MATLAB中的fft函数，之后利用log函数，abs函数和fftshift函数对傅里叶变换后的图像进行象限转换，求取傅里叶变换后得到的复数的模，得到变换后的幅值。之后对处理过的图像进行归一化。结果如图5所示。

对于傅里叶变换后得到的光谱图像，为减少计算量，避免冗余数据，仅提取光谱图像的上半部分进行区域的划分，并将图像从直角坐标系转换为极坐标系。将图像的中心点(128,128)作为极坐标原点，对图像的上半部区域进行区域的划分。先将图像按半径划分为8个同心圆，每个同心圆环的半径为16，再将图像按角度划分为12个扇形，每个扇形的角度为π/12。如图6所示。

式中，ρ_M表示每个同心环的半径取值区间，θ_N表示每个扇形的角度范围。

利用MATLAB中cart2pol函数将光谱图像中像素点的直角坐标变换为极坐标，并根据极坐标的取值判断该点所在的分区，各个颜色通道的光谱图可被划分为：

其中，H_f，S_f和V_f表示极坐标下各个颜色通道中光谱图的上半部图像。

将图像中各个像素点划分区域之后，计算每个区域像素值

和

的均值和方差作为统计特征，一共6个统计特征，记为

式中，s_i表示每个指定区域的像素值，C表示这个区域的像素总数。这样每个颜色通道的图像就有12×8×2＝192维特征。对于每张原图像，则有192×3＝576维特征。

本发明对于计算统计特征的扇形区域不做限定，另一实施例中，还可根据特定的条件选取部分区域的均值和方差作为统计特征，如与圆心距离较近的位置和较远的位置按不同权重选取若干个扇形区域来计算均值和方差，或者，为了避免数据冗余，选取满足半径条件的扇形区域来计算均值和方差。

4.分类器

将上述方法提取的特征矩阵传入分类器，分类器的分类目标可以简化为：

其中，w表示超平面与支持向量的距离，x_i和y_i表示输入数据的特征向量和所属类别，b代表偏差。根据该目标公式对模型进行训练并用于分类，判断图像所属水源类别。

利用SVM对训练集进行训练，找到干净水源和污染水源之间的判别边界，之后利用训练的模型对测试数据进行判断，找到每个测试数据最可能属于的水源类别，达到分类的目的。利用SVM对上述提取特征就进行分类的示意图，如图7所示。

实施例二

本实施例包括以下步骤：

1.水源图像数据集

本实例的数据集来自于不同水源场景视频标准集中截取的图像和一部分从网络上手机的数据，包括Google，Bing和百度。数据总量为1000张图像，其中干净水源和污染水源各500张图像。图3展示了数据集中干净水源和污染水源的图像。除了将图像划分为干净水源和污染水源，还对两个类别进行了子类的划分。其中，干净水源划分为4 个子类：喷泉，海水，河水和湖水。污染水源划分6个子类：藻类污染，真菌污染，死亡动物造成的污染，石油污染，工业污染和垃圾污染。

2.实验

将数据集中的75％用作训练集，25％用作测试集。提取各个图像基于光谱图像的统计特征之后利用SVM进行分类。在二分类的情况下，实验结果用平均精确率，平均召回率，平均F1值三个标准进行评价，如表1所示：

表1

其中，对比实验是利用不变的时空描述符来检测水源，该方法不依赖于分类器和一些特殊的样本，基于概率的分类来提取特征。由表1可见，本方法在二分类的情况下，可以达到很高的分类准确率，有很好的鲁棒性。

在多分类的情况下，用分类准确率对方法进行评价，如表2所示：

表2

由表2可见，在多分类的情况下，虽然方法的分类准确率下降，但是还是远高于对比方法，并准确率在50％以上仍然有一定的参考价值。

Claims (6)

1.一种图像特征提取方法，其特征在于，所述方法包括：

将原图像进行HSV颜色空间分解，获取所述原图像的H通道图像、S通道图像以及V通道图像；

对H通道图像、S通道图像以及V通道图像分别进行图像变换，生成每个颜色通道对应的频率域图像；

对于每个颜色通道的频率域图像，分别以所述频率域图像中心为圆心，按预设半径划分M个同心圆，再根据预设角度划分N个等角扇形，选取预设范围内的若干个扇形区域，其中M为大于1的整数，N为大于0的整数；

计算每个扇形区域所有像素值的均值和方差；

将所选取的所有扇形区域的所述均值和方差组合为原图像的图像特征；

其中，所述预设范围为：频率域图像的上半部分或下半部分，或者，频率域图像预设半径内的区域，或者，频率域图像中依据像素位置权重确定的区域。

2.根据权利要求1所述的图像特征提取方法，其特征在于，所述方法还包括：对所述原图像进行缩放处理，得到预设分辨率的图像，再进行颜色空间分解。

3.一种图像特征提取装置，其特征在于，所述装置包括：

预处理模块，用于对原图像进行HSV颜色空间分解，获取所述原图像的H通道图像、S通道图像以及V通道图像；

图像变换模块，用于对每个颜色通道进行图像变换，生成对应的频率域图像；

图像分割模块，用于图像分割处理，对于每个颜色通道的频率域图像，分别以所述频率域图像中心为圆心，按预设半径划分M个同心圆，再根据预设角度划分N个等角扇形，获取若干个扇形区域，其中M为大于1的整数，N为大于0的整数；

特征提取模块，用于计算每个扇形区域的均值和方差并统计每个颜色通道图像的所述均值和方差将作为原图像的图像特征；

其中，所述图像分割模块，还用于获取频率域图像的上半部分或下半部分的所有扇形区域，或者，满足预设半径的条件的扇形区域，或者，满足频率域图像中预设位置条件的扇形区域。

4.根据权利要求3所述的图像特征提取装置，其特征在于，所述预处理模块还用于对所述原图像进行缩放处理，得到预设分辨率的图像，再进行颜色空间分解。

5.一种水源图像分类方法，所述方法包括：获取训练集图像和测试集图像，并提取所述训练集图像和测试集图像的图像特征；将至少一个训练集图像的图像特征输入分类器进行特征训练确定图像类别的判别边界，再利用所述判别边界对测试集图像进行分类，其特征在于，所述图像特征使用如权利要求1-2任一项所述图像特征提取方法获得，所述图像类别包括干净水源和污水水源。

6.一种水源图像分类装置，其特征在于，所述装置包括：

图像获取模块，用于获取训练集图像和测试集图像；

图像特征提取模块，用于使用如权利要求1-2任一项所述图像特征提取方法提取所述训练集图像和测试集图像的图像特征；

特征训练模块，用于获取至少一个训练集图像的图像特征进行特征训练确定图像类别的判别边界；所述图像类别包括干净水源和污水水源；

图像分类模块，用于根据所述判别边界对测试集图像进行分类。

Images