CN109002828A - 基于均值跳动迹变换的图像纹理特征提取方法 - Google Patents
基于均值跳动迹变换的图像纹理特征提取方法 Download PDFInfo
- Publication number
- CN109002828A CN109002828A CN201810741518.9A CN201810741518A CN109002828A CN 109002828 A CN109002828 A CN 109002828A CN 201810741518 A CN201810741518 A CN 201810741518A CN 109002828 A CN109002828 A CN 109002828A
- Authority
- CN
- China
- Prior art keywords
- image
- trace
- value
- pixel
- mean value
- 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- Withdrawn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
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于均值跳动迹变换的图像纹理特征提取方法,从每条迹线上特选取若干个采样点分别和每条迹线的平均值进行比较编码,从而提取出描述每条迹线的纹理特征信息,通过采用图像预处理方法、基于均值跳动迹变换的图像纹理特征提取方法和直方图归一化方法实现纹理图像的融合特征信息的提取,并在支持向量机中进和分类识别,使得纹理图像识别的准确率更高,识别的波动范围更小,稳定性更好。
Description
技术领域
本发明涉及计算机视觉技术在目标识别领域中的应用,特别是涉及一种基于均值跳动迹变换的图像纹理特征提取方法。
背景技术
图像特征提取在图像处理中起着关键性的作用,如何从图像中提取反应图像本质并具有强适应性的特征一直是图像处理及计算机视觉等领域的核心研究内容。众所周知,最常见的图像特征包括纹理、颜色和形状等,在这些特征的提取过程中,研究人员都试图寻找一些不变特征,当图像内容发生旋转、缩放、平移或是有光照及拍摄视点变化时,这些特征量具有不变性。图像不变特征分析方法主要有矩理论分析、相关性分析、傅里叶描述子、自回归模型、尺度不变特征转换等,还有就是使用Radon域及其泛化分析的方法,Radon变换将旋转变换转化为参数平移,能提取具有图像几何不变性的特征,迹变换(TraceTransform,TT)则是Radon变换的推广,通过迹变换能提取图像旋转、缩放及平移不变特征,近十几年迹变换已逐渐成为图像处理及计算机视觉等领域的研究热点之一。
迹变换首先由Kadyrov.A和Petrou.M在1998年提出,他们同时提出了基于迹变换的三重不变特征提取理论。使用迹变换能提取图像RST(Rotation、Scale andTranslation)不变特征,在不变图像分析领域,迹变换具有重要的几何不变特征提取理论意义,已经引起研究者的极大兴趣。目前已有大量研究迹变换的相关文献,迹变换已被广泛应用于各类图像分析识别中,如图像配准、人脸识别、行为识别、彩色图像分类、地震勘探等。此外,Albukhanajer W.A.使用迹变换获得更优分类性能的多分类器组合,并提出了进化迹变换算法(theevolutionarytracetransform,ETT),ETT能提取不同版本相同图像的高不变性特征。施展等人针对平面内具有随机旋转角度的人脸图像难以识别问题,提出一种融合二维近邻保持投影(2DNPP)和Trace变换的方法,以实现图像旋转不变性特征提取和识别,其首先对图像做一重和二重Trace变换,然后对二重曲线进行匹配计算,得到既对平面内旋转变换具有鲁棒性、又能保存丰富图像信息的特征,最后通过2DNPP进行降维并分类。用该方法分别对正面的、旋转的、加噪声的人脸图像进行了识别实验,结果表明该方法识别率达到了96%,且对白噪声具有较强的鲁棒性。于冬岩在相似度度量方法的选择上,根据实验结果选择了改进的Hausdorff距离作为相似度度量方法,对基于Trace变换的不变特征提取算法和其他参考算法进行了对比实验,结果表明,基于Trace变换不变特征的图像检索方法对于发生旋转、尺度和平移变换的查询图像有着较好的检索效果。张博为了提高车牌上的字符识别准确率,提出一种结合Trace变换和支持向量机(SVM)的字符识别方法,结果表明,该方法在提高识别速度的同时,有效提高了字符的识别精度。吴宁结合人工合成地震记录对聚重Trace变换滤波的迹线采样间隔以及相对滤波阈值等参数进行了讨论,通过对运算量及地震记录重构质量等的衡量给出了广泛适用的参数值。为消除地震勘探记录的随机噪声,其还提出了径向Trace时频峰值滤波(TFPF)算法,从根本上减小TFPF算法引入的误差,不但能够减少固定窗长TFPF算法带来的子波幅值衰减、宽度变化等问题,而且能够消除时变窗长TFPF带来的子波幅值畸变问题。径向TraceTFPF算法可以进一步恢复反射子波的能量,信噪比也因而进一步得到提高。王景中等人为提高人脸特征的稳定性和区分度,提出了一种基于Trace变换的人脸特征提取算法,算法通过几种不同的泛函函数对预处理后的人脸图像进行组合作用,得到该图像的一个Trace特征向量,从而建立了一种新的人脸特征表达方式。
迹变换是一种通过图像重建和泛函作用提取图像不变特征的方法,它是Radon变换的泛化,Radon变换沿直线计算图像函数的积分,而迹变换不限于直线积分,可以是对图像函数的数学运算等,形式多样。对图像定义不同的泛函数能映射出不同的迹变换结果。虽然已经有众多研究者对迹变换进行了大量的研究,但是其研究工作主要集中在迹变换泛函的组合优选,或是分析研究不同泛函的旋转不变性及尺度缩放敏感性方面,很少有研究迹变换以获得有效描述混合纹理的融合特征。
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均值跳动迹变换的图像纹理特征提取方法,使得纹理图像识别的准确率更高,识别的波动范围更小,稳定性更好。
技术方案:为实现上述目的,本发明采用的技术方案为:
一种基于均值跳动迹变换的图像纹理特征提取方法,其特征在于,包括以下步骤:
步骤1)、输入原图像:读取纹理图库,选取待检测图像,待检测图像中的任一条迹线t的位置由一组(φ,ρ)表示,φ为迹线t的法线与水平轴的夹角,ρ为迹线t与坐标原点O的垂直距离,O为图像的中心像素点,水平轴为原点O向右方向的直线;
步骤2)、图像预处理和旋转:将待检测图像扩充至正方形并以给定角度步长旋转,迹线t转化为垂直状态,扩充后的正方形的边长为原待检测图像的对角线长,扩充部分为黑色,记为二进制“0”;
步骤3)、选取采样点、计算均值和编码:在迹线上等分选择采样点,即每条迹线上等分选择s个采样点,然后用均值跳动的方法对选择的采样点进行编码,采用公式(2)计算每条迹线上像素值的平均值分别以选取的s-1个采样点的像素值和平均值进行比较,如果采样点的像素值大于平均值,则标记为“1”,否则标记为“0”,每条迹线由采样点比较产生一个s位二进制数Ci,Ci用于描述描述每条迹线的纹理特征信息,计算平均值公式如下:
其中表示每条迹线上像素值的平均值,n表示每条迹线上像素的个数,Xi表示每条迹线上的像素值大小,m表示每条迹线上像素值不为“0”的个数;
步骤4)、融合特征提取:图像以给定角度步长不断旋转,每旋转一个角度,依次执行步骤3),得到对应每个角度的图像特征,并记为一个cell;
步骤5)、直方图归一化:统计步骤4)得到的cell,计算每个cell的直方图,统计表征图像特征的十进制数特征值出现的频率,并对直方图进行归一化处理,归一化处理的公式为:
其中ni表示图像i的像素个数,P表示像素的灰度数,N表示图像的全部像素数;
步骤6)、分类识别:将步骤5)中得到的每个cell的统计直方图连接成为一个特征向量,所述特征向量输入到支持向量机中进行训练识别,由支持向量识别机输出识别结果。
作为优选,所述步骤3)中的等分采样点的个数为8,Ci编码公式为:
Ci=c1c2c3c4c5c6c7c8 (3)
其中c1、c2、c3、c4、c5、c6、c7、c8分别为各采样点的像素与平均值比较结果的二进制数值表示。
有益效果:本发明提供的一种准确稳定的纹理图像识别检测方法,使得纹理图像识别的准确率更高,识别的波动范围更小,稳定性更好。
附图说明
图1为本发明的基于均值跳动迹变换的图像纹理特征提取方法的流程图;
图2为迹变换参数定义图和图像预处理中对原图扩充成正方形的示意图;
图3为基于均值跳动迹变换的图像纹理特征提取方法中在迹线上等分选取采样点的示意图;
图4为基于均值跳动迹变换的图像纹理特征提取方法中的采样点编码的原理示意图;
图5为均值跳动波形图和输出二进制波形图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如图1至5所示,本发明的一种基于均值跳动迹变换的图像纹理特征提取方法包括以下步骤:
步骤1)、读取纹理图库,读取成功进入步骤2);
步骤2)、对图像进行预处理操作,将待检测图进行扩充至正方形,进入步骤3);
步骤3)、以给定角度步长旋转图像,然后进入步骤4);
步骤4)、计算每条迹线上像素的平均值,然后在迹线上选取采样点并进行编码,进入步骤5);
步骤5)、提取基于均值跳动的迹变换融合特征,提取迹变换和均值跳动的融合特征,然后进入步骤6);
步骤6)、将提取到的融合特征划分为一个个cell,对每一个cell进行直方图归一划操作,然后将每个cell连接成一个特征向量,用于分类识别,然后进入步骤7);
步骤7)、将特征向量输入到支持向量机中进行分类识别。
本发明是基于以下思路分析而完成的:在图像处理中,对于图像像素值的每一行或每一列而言,它都是一组起伏波动的数值,这组数值的每一个像素值相对于其平均值来说都是上下跳动的,如图5(a)所示,针对于这一现象,本发明从每条迹线上特选取8个采样点分别和每条迹线的平均值进行比较编码,如图5(b)所示,从而提取出描述每条迹线的纹理特征信息。本发明的基本思想是采用图像预处理方法、基于均值跳动迹变换的图像纹理特征提取方法和直方图归一化方法去提取纹理图像的融合特征信息,进而在支持向量机(SVM)中进和分类识别。具体地,本发明中:
1、图像预处理方法
如图2左部分为迹变换的参数定义,一条迹线t的位置由一组(φ,ρ)给出,φ为迹线t的法线与水平轴的夹角,ρ为迹线t与中心点O的垂直距离,将泛函T作用在图像的所有迹线上即能得到迹变换的结果。因穿过图像的迹线的位置是由角度和步长所决定的,而在迹线上进行采样点选取,为了提高采样精度及简化算法,φ的取值采用图片旋转的方法得到。经过旋转,迹线转化为垂直状态。由于图片旋转会导致部分边角图像信息超出原图范围,为防止图像信息缺失,遂将原图扩充为一个正方形,该正方形边长为原图的对角线长,扩充部分为黑色(值为0),预处理后图像如图2右部分所示。
2、基于均值跳动迹变换的图像纹理特征提取方法
对于迹变换来说,将迹变换结果进一步作用于不同泛函组合,可以得到图像不同的三重特征,进行归一化后,所得到的融合特征即可用于图像识别。若使用的泛函是不变泛函或敏感泛函,则得到的特征能具有旋转、缩放及平移不变的特性。在文献[1]The tracetransform and its applications和文献[2]The trace transform as a tool toinvariant feature construction中给出了不变泛函和敏感泛函的定义,构建不变特征的条件,同时给出参数的变化规则及泛函选取的方法。利用迹变换提取图像三重特征的过程可用式(1)表示:
∏(I)=Φ(P(T(I(φ,ρ,t)))) (1)
其中I表示图像,I(φ,ρ,t)表示在图1左部分定义的参数系上图像的投影,T、P、Φ分别表示定乐在参数t,ρ,φ上的泛函。
本发明所作的并不是对迹变换泛函的重新组合优化,而是去掉T、P泛函,直接在Φ泛函前融合均值跳动的思想,在迹线上等分选择采样点,即每条迹线上等分选择8个采样点,采样点选择如图3所示,然后用均值跳动的方法对选择的采样点进行编码。即计算每条迹线上像素值的平均值分别以选取的8个采样点的像素值和平均值进行比较,如果采样点的像素值大于平均值,则标记为“1”,否则标记为“0”,这样每条迹线上的8个采样点和均值比较可产生8位二进制数(通常转换为十进制数,共256种),也就是每条迹线上所提取到的特征值,用于描述每条迹线的纹理特征信息。具体编码如图4所示,计算平均值公式如下:
其中表示每条迹线上像素值的平均值,n表示每条迹线上像素的个数,Xi表示每条迹线上的像素值大小,m表示每条迹线上像素值不为“0”的个数。
编码公式如下:
Ci=c1c2c3c4c5c6c7c8 (3)
如此,图像每旋转一个角度,对每个迹线进行一次编码,从而提取到一个二维的融合特征。
3、直主图归一化方法
对上述方法提取到的特征进行直方图归一化操作,因为在提取迹变换和均值跳动的融合特征过程中,图像在不断地以给定角度步长旋转,每旋转一个角度,都会提取出一组特征,把每一个角度的图像特征当作是一个cell,然后计算每个cell的直方图,即每个数字(十进制数特征值)出现的频率,然后对该直方图进行归一化处理。公式如下:
其中,ni表示图像i的像素个数,P表示像素的灰度数,N表示图像的全部像素数。
最后将得到的每个cell的统计直方图连接成为一个特征向量,也就是整幅图的迹变换和均值跳动融合纹理特征向量。接下来就是将此融合特征向量输入到支持向量机中进行训练识别。本发明采用的支持向量机为常规的支持向量机,经过本发明的增量调制迹变换获得的融合特征更易于在支持向量机中进行识别,且其识别效果比迹变换方法更好。
实施例:
本发明用于做分类识别的纹理库是英国剑桥Olivetti实验室拍摄的ORL人脸数据库。共有40个不同年龄、不同性别和不同种族的对象。每个人10幅图像共计400幅灰度图像组成,图像尺寸是92×112,图像背景为黑色。本实验使用的分类器是支持向量机,在分类识别过程中,对于40类人中,每类随机选取其中7张图片用于训练学习,剩余3张用于测试,经实验表明,在100次的分类识别中,本发明所采用的方法识别率明显比未经过均值跳动处理的迹变换的结果要更好,识别波动范围更小,识别率更稳定。如下表1所示:
表1
迹变换算法 | 文献[3]算法 | 本发明算法 | |
识别率 | 95.925% | 96% | 96.0667% |
参考文献:
[1]Kadyrov A,M Petrou.The trace transform and its applications[J].IEEE Transactions on Pattern Analysis&Machine Intelligence,2001,23(8):811-828。
[2]Kadyrov A,Petrou M.The trace transform as a tool to invariantfeature construction[A].Fourteenth Inter-national Conference on PatternRecognition[C].IEEE,1998.1037-1039。
[3]施展,杜明辉,梁亚玲.基于2DNPP和Trace变换的平面内旋转人脸识别[J].华南理工大学学报(自然科学版),2012,40(8):46-50.
以上所述仅是本发明的优选实施方式,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 (2)
1.一种基于均值跳动迹变换的图像纹理特征提取方法,其特征在于,包括以下步骤:
步骤1)、输入原图像:读取纹理图库,选取待检测图像,待检测图像中的任一条迹线t的位置由一组(φ,ρ)表示,φ为迹线t的法线与水平轴的夹角,ρ为迹线t与坐标原点O的垂直距离,O为图像的中心像素点,水平轴为原点O向右方向的直线;
步骤2)、图像预处理和旋转:将待检测图像扩充至正方形并以给定角度步长旋转,迹线t转化为垂直状态,扩充后的正方形的边长为原待检测图像的对角线长,扩充部分为黑色,记为二进制“0”;
步骤3)、选取采样点、计算均值和编码:在迹线上等分选择采样点,即每条迹线上等分选择s个采样点,然后用均值跳动的方法对选择的采样点进行编码,采用公式(2)计算每条迹线上像素值的平均值分别以选取的s-1个采样点的像素值和平均值进行比较,如果采样点的像素值大于平均值,则标记为“1”,否则标记为“0”,每条迹线由采样点比较产生一个s位二进制数Ci,Ci用于描述描述每条迹线的纹理特征信息,计算平均值公式如下:
其中表示每条迹线上像素值的平均值,n表示每条迹线上像素的个数,Xi表示每条迹线上的像素值大小,m表示每条迹线上像素值不为“0”的个数;
步骤4)、融合特征提取:图像以给定角度步长不断旋转,每旋转一个角度,依次执行步骤3),得到对应每个角度的图像特征,并记为一个cell;
步骤5)、直方图归一化:统计步骤4)得到的cell,计算每个cell的直方图,统计表征图像特征的十进制数特征值出现的频率,并对直方图进行归一化处理,归一化处理的公式为:
其中ni表示图像i的像素个数,P表示像素的灰度数,N表示图像的全部像素数;
步骤6)、分类识别:将步骤5)中得到的每个cell的统计直方图连接成为一个特征向量,所述特征向量输入到支持向量机中进行训练识别,由支持向量识别机输出识别结果。
2.根据权利要求1所述的一种基于均值跳动迹变换的图像纹理特征提取方法,其特征在于:所述步骤3)中的等分采样点的个数为8,Ci编码公式为:
Ci=c1c2c3c4c5c6c7c8 (3)
其中c1、c2、c3、c4、c5、c6、c7、c8分别为各采样点的像素与平均值比较结果的二进制数值表示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810741518.9A CN109002828A (zh) | 2018-07-05 | 2018-07-05 | 基于均值跳动迹变换的图像纹理特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810741518.9A CN109002828A (zh) | 2018-07-05 | 2018-07-05 | 基于均值跳动迹变换的图像纹理特征提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109002828A true CN109002828A (zh) | 2018-12-14 |
Family
ID=64599335
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810741518.9A Withdrawn CN109002828A (zh) | 2018-07-05 | 2018-07-05 | 基于均值跳动迹变换的图像纹理特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109002828A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110458159A (zh) * | 2019-08-27 | 2019-11-15 | 南京信息工程大学 | 一种图像纹理特征的提取分类装置及分类方法 |
CN111864896A (zh) * | 2019-04-29 | 2020-10-30 | 清华大学 | 一种电力负荷监测方法及系统 |
CN112927272A (zh) * | 2021-03-30 | 2021-06-08 | 南京工程学院 | 一种基于空间通用自回归模型的图像融合方法 |
-
2018
- 2018-07-05 CN CN201810741518.9A patent/CN109002828A/zh not_active Withdrawn
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111864896A (zh) * | 2019-04-29 | 2020-10-30 | 清华大学 | 一种电力负荷监测方法及系统 |
CN111864896B (zh) * | 2019-04-29 | 2022-04-15 | 清华大学 | 一种电力负荷监测方法及系统 |
CN110458159A (zh) * | 2019-08-27 | 2019-11-15 | 南京信息工程大学 | 一种图像纹理特征的提取分类装置及分类方法 |
CN112927272A (zh) * | 2021-03-30 | 2021-06-08 | 南京工程学院 | 一种基于空间通用自回归模型的图像融合方法 |
CN112927272B (zh) * | 2021-03-30 | 2023-12-12 | 南京工程学院 | 一种基于空间通用自回归模型的图像融合方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Su et al. | A fast forgery detection algorithm based on exponential-Fourier moments for video region duplication | |
Said et al. | Personal identification based on handwriting | |
Tan | Rotation invariant texture features and their use in automatic script identification | |
Martin et al. | Learning to detect natural image boundaries using brightness and texture | |
CN103077512B (zh) | 基于主成分析的数字图像的特征提取与匹配方法 | |
CN101840514B (zh) | 图像对象分类装置及方法 | |
CN103400388A (zh) | 一种利用RANSAC消除Brisk关键点错误匹配点对的方法 | |
CN108664975B (zh) | 一种维吾尔文手写字母识别方法、系统及电子设备 | |
Liu et al. | Finger vein recognition with superpixel-based features | |
CN109002828A (zh) | 基于均值跳动迹变换的图像纹理特征提取方法 | |
Gragnaniello et al. | Biologically-inspired dense local descriptor for indirect immunofluorescence image classification | |
CN112488211A (zh) | 一种织物图像瑕疵分类方法 | |
CN112836671A (zh) | 一种基于最大化比率和线性判别分析的数据降维方法 | |
Gao et al. | Real-time visual tracking with compact shape and color feature | |
Qi et al. | Exploring illumination robust descriptors for human epithelial type 2 cell classification | |
CN104504361B (zh) | 基于方向特征的手掌静脉主方向特征提取方法 | |
CN108898149A (zh) | 基于增量调制迹变换的纹理图像特征提取方法 | |
CN104965928B (zh) | 一种基于形状匹配的汉字图像检索方法 | |
CN113592030A (zh) | 基于复值奇异谱分析的图像检索方法和系统 | |
CN107103289B (zh) | 利用笔迹轮廓特征来进行笔迹鉴别的方法及系统 | |
CN112966629A (zh) | 基于图像变换和BoF模型的遥感图像场景分类方法 | |
Rajakumar et al. | 7th century ancient tamil Character recognition from Temple wall inscriptions | |
Yin et al. | Video text localization based on Adaboost | |
CN109858353A (zh) | 基于迹变换与lbp的人脸图像特征提取方法 | |
Jinisha et al. | Brain tumor classification using SVM and bag of visual word classifier |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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: 20181214 |
|
WW01 | Invention patent application withdrawn after publication |