CN109657690A - 一种基于多变量对数高斯混合模型的图像纹理特征提取及识别方法 - Google Patents

Abstract

本发明涉及一种基于多变量对数高斯混合模型的图像纹理特征提取及识别方法，属于模式识别技术领域。本发明首先对一幅纹理图像采用高斯二维Gabor滤波器进行滤波处理，并构建对数高斯随机向量；采用一个多变量对数高斯概率模型对对数高斯随机向量进行参数建模；再采用多个多变量对数高斯概率模型对对数高斯随机向量进行参数建模；对参数建模得到的多变量对数高斯概率混合模型中所涉及的参数Θ采用期望最大进行估计，得到多变量对数高斯概率混合模型；最后计算待分类纹理图像属于各类图像的多变量对数高斯混合模型的概率，此概率即为分类的依据。本发明能对具有非高斯，厚拖尾统计特点的纹理图像进行有效识别。

Description

一种基于多变量对数高斯混合模型的图像纹理特征提取及识 别方法

技术领域

本发明涉及一种基于多变量对数高斯混合模型的图像纹理特征提取及识别方法，属于模式识别技术领域。

背景技术

纹理是图像的一种重要特征，广泛应用于模式识别与计算机视觉领域。纹理统计是纹理识别的一种重要方法，当前纹理统计模型可以分成高斯统计模型和非高斯统计模型。二维Gabor滤波器是一种有效的图像纹理特征提取方法。二维Gabor滤波器的研究主要集中在二维Gabor滤波器参数选择，快速计算和各种各样应用方面。目前也存在极少量的工作研究图像Gabor滤波后结果的统计特征，主要采用高斯概率模型进行研究，包括均值、协方差和概率密度等。

通过对纹理图像Gabor滤波后结果进行统计分析，可以发现其分布并不服从高斯分布，而是具有厚拖尾的非高斯特征，故应采用非高斯模型，即对数高斯模型对纹理图像Gabor滤波后的结果进行统计建模。

发明内容

本发明提供了一种基于多变量对数高斯混合模型的图像纹理特征提取及识别方法，以用于解决纹理统计分布中具有厚拖尾特征的纹理图像特征提取及识别问题。针对传统高斯混合模型无法建模厚拖尾统计分布的缺陷，本发明提出的基于多变量对数高斯混合模型的图像纹理特征提取及识别方法能建模厚拖尾统计分布，且本发明的纹理图像识别率高。

本发明的技术方案是：一种基于多变量对数高斯混合模型的图像纹理特征提取及识别方法，所述方法的具体步骤如下：

Step1、首先对一幅纹理图像采用高斯二维Gabor滤波器进行滤波处理，并构建对数高斯随机向量；

Step1.1、高斯二维Gabor滤波器的定义如下：

其中k_v＝k_max/f^v，k_max是最大频率，一般k_max＝π/2，尺度参数v取值为v＝0,...,4，方向参数μ取值为μ＝0,1,2,3，z＝(h,s)和||z||＝(h²+s²)，h,s表示高斯二维Gabor滤波器的坐标，此处i表示虚单位；参数σ决定了高斯二维Gabor滤波器的带宽，取值为2π；

Step1.2、假设纹理图像表示为I(h,s)，h,s同样也表示图像的坐标，则采用高斯二维Gabor滤波器滤波后得到的结果为复矩阵表示为：R_u,v(h,s)＝ψ_μ,v(h,s)*I(h,s)；步骤Step1.1提到z＝(h,s)，所以ψ_μ,v(h,s)就是ψ_μ,v(z)，I(h,s)表示一幅图像，I(h,s)和ψ_μ,v(h,s)中h,s分别表示横坐标和纵坐标；

Step1.3、构造对数高斯随机向量X；

设abs(R_u,v(h,s))表示滤波后得到的结果复矩阵R_u,v(h,s)的模，也就是滤波结果的幅度，向量Hist(abs(R_u,v(h,s)))表示abs(R_u,v(h,s))的直方图向量，从Hist(abs(R_u,v(h,s)))的元素中取值来构建对数高斯随机变量X_u,v，对数高斯随机向量X由对数高斯随机变量X_u,v组成，从而构造一个含有40个对数高斯随机变量的对数高斯随机向量X为：

其中，如果直方图向量Hist(abs(R_u,v(h,s)))的长度为128，则一幅纹理图像经过Gabor滤波和直方图向量计算后所构成的对数高斯随机向量X对应着128个长度为40的样本向量；其中，对数高斯随机向量X中所有随机变量的第1个样本构成第1个样本向量，对数高斯随机向量X中所有随机变量的第2个样本构成第2个样本向量，依次类推；对数高斯随机向量X中所有随机变量的第128个样本构成第128个样本向量。纹理图像特征提取就是指步骤Step1.3中得到的对数高斯随机向量。

进一步地，实际运用本发明进行纹理识别时，所述步骤Step1.3中对数高斯随机向量X选取时，无需选择所有的随机变量，实际选择公式(2)中随机向量X的一个子集。

Step2、采用一个多变量对数高斯概率模型对对数高斯随机向量X进行参数建模，得到参数化的对数高斯随机向量X的对数高斯概率函数模型；

假设存在高斯随机向量Y:[Y_0,0,Y_0,1,...,Y_0,4,Y_1,0,Y_1,1,...,Y_1,4,...,Y_7,0,Y_7,1,...,Y_7,4]，其均值向量和协方差分别为μ和Σ，而依据对数高斯随机变量的定义X_u,v＝exp(Y_u,v)，则对数高斯随机向量X的对数高斯概率函数模型为：

f_X(x)又能写成：f_X(x)＝f(x|θ)，其中，参数θ表示对数高斯随机向量X概率密度函数中的均值向量μ和协方差矩阵Σ；x₁,x₂,...,x₄₀是对数高斯随机向量X的40个随机变量。

Step3、采用多个多变量对数高斯概率模型对对数高斯随机向量X进行参数建模，得到参数化的多变量对数高斯概率混合模型，其模型为：

在此模型中存在参数Θ＝(ω₁,ω₂,…,ω_M,θ₁,θ₂,…,θ_M)，其中ω_i表示第i个多变量对数高斯概率混合模型的混合系数，θ_i表示第i个多变量对数高斯概率模型中的均值向量μ_i和协方差矩阵Σ_i；p_i(x|θ_i)表示图像x在第i个多变量对数高斯概率模型中的概率，M多变量对数高斯概率模型的个数，p(x|Θ)也表示对数高斯随机向量X的多变量对数高斯概率混合模型。

Step4、对参数建模得到的多变量对数高斯概率混合模型中所涉及的参数Θ采用期望最大进行估计，得到多变量对数高斯概率混合模型；

估计的主要步骤为：

Step4.1、初始化Θ为Θ⁰，

Step4.2、令t＝1，开始下面的循环：

t＝t+1

当参数Θ^t没有很大变化或达到预先设定的循环步数时，循环即停止；

上述循环中，t为循环变量，x_j为对数高斯随机向量X的第j个样本向量，上面循环中一共用到了n个这样的样本向量来进行参数估计；经过上面的循环，能获得参数Θ，从而得到公式(4)中的多变量对数高斯概率混合模型p(x|Θ)；

表示第t-1次迭代过程中ω_l的值；表示第t-1次迭代过程中θ_l的值；Θ^t-1表示第t-1次迭代过程中Θ的值；表示第t-1次迭代过程中μ_l的值；表示第t次迭代过程中Σ_l的值；p(l|x_j,Θ^t-1)表示第t-1次迭代过程中的一个中间变量。

所述步骤Step4.1包括如下步骤：

Step4.1.1、初始化Θ⁰时，采用模糊C均值聚类算法对待分类某类样本进行聚类，形成的聚类个数A作为多变量对数高斯概率混合模型中模型的个数M，然后计算每一个聚类的均值向量初始化对应多变量对数高斯概率模型的期望向量；

Step4.1.2、假设某个聚类中含有x₁,x₂,…,x_t个样本，则矩阵初始化为对应多变量对数高斯概率模型的协方差矩阵；第i个多变量对数高斯概率混合模型的混合系数ω_i(i＝1,2,…,M)初始化为迭代结束的准则是|Θ^t-Θ^t-1|/|Θ^t-1|＜0.1或迭代次数达到40。

Step5、最后计算待分类纹理图像属于各类图像的多变量对数高斯混合模型的概率，此概率即为分类的依据。

假设待识别分类的纹理图像一共有c类，每一类纹理图像中抽取一部分图像出来，然后利用Step4中介绍的方法获得每一类纹理图像的多变量对数高斯概率混合模型，分别表示为p(x|Θ₁),p(x|Θ₂),…,p(x|Θ_c)；对于一个待分类的样本图像x，其所对应的Gabor直方图为128个40维向量，表示为x¹,x²,…,x¹²⁸，则图像x的类别由下面的方法步骤完成：

(1)、计算其中“c”表示图像的类别总数；p(Θ_m)是类别m的概率，假设p(Θ₁)＝p(Θ₂)＝…＝p(Θ_c)＝1/c，表示向量xⁱ的概率；p(xⁱ|Θ_m)表示向量xⁱ属于第m类的概率；

(2)、如果p(Θ_m|x)是p(Θ₁|x),p(Θ₂|x),…,p(Θ_c|x)中最大的值，则图像x的类别为第m类，其中，p(Θ_m|x)表示图像x属于第m个多变量对数高斯混合概率模型的概率。

对数高斯概率密度是由高斯概率密度发展起来的一种具有厚拖尾的概率密度函数。采用对数高斯随机变量对特定尺度和方向下图像二维Gabor滤波结果建模，然后不同尺度和不同方向下纹理图像的滤波结果可以采用多个对数高斯随机变量建模，从而构建一个关于二维Gabor滤波结果的对数高斯随机向量，对此向量采用多变量对数高斯混合模型进行建模能较好的描述纹理图像的统计特征。

采用对纹理图像二维Gabor滤波结果进行多变量对数高斯混合模型建模既是二维Gabor滤波器的一种新应用，也是对高斯混合模型纹理建模的一种新发展。纹理识别方面的实验表明对纹理图像二维Gabor滤波结果进行多变量对数高斯混合模型建模要优于传统的高斯混合模型纹理建模方法。

本发明的有益效果是：

1、本发明对纹理图像高斯二维Gabor滤波结果进行了非高斯，厚拖尾统计建模，建模方法是多变量对数高斯混合模型，克服了传统高斯混合模型不能建模厚拖尾统计特征的缺陷；

2、本发明对纹理图像高斯二维Gabor滤波结果进行多变量对数高斯分布建模时精选了部分对数高斯随机变量，提高了纹理图像的识别精度，同时减少了建模的复杂度与计算量；

3、在匹配识别阶段，本发明采用的算法简单、计算方便，可以做到实时的图像匹配识别。

附图说明

图1是本发明中基于多变量对数高斯混合模型的提取图像纹理特征步骤的示意框图；

其中，MLGMM₁,MLGMM₂,…,MLGMM_C分别表示第1类样本，第2类样本，┄，第c类样本所建立的多变量对数高斯混合模型，Θ₁,Θ₂，…,Θ_C是模型1,2,…,C的参数；

图2(a)是本发明所用Brodatz纹理数据库中4类纹理的代表性样本图像，从左到右为Bark、Beach sand、Wood grain和Plastic bubbles；图2(b)是本发明所用USPTex纹理数据库中4类纹理的代表性样本图像；

图3是本发明实施例1中在USPTex纹理数据库下不同训练样本数目情况下算法平均识别率(％)；

图4是本发明实施例2中在Brodatz纹理数据库下不同训练样本数目情况下算法平均识别率(％)。

其中，图3、图4中的图标表示如下：

表示2008年G Tzagkarakis等人所提“Steerable Sub-Gaussian Modeling”算法；

表示2015年KN Kumar所提“Multivariate Generalized Gaussian MixtureModel”算法；

表示本发明所提多变量对数高斯混合概率模型算法；

表示2007年Kim S C所提“Gaussian mixture model”算法。

具体实施方式

实施例1：如图1所示，一种基于多变量对数高斯混合模型的图像纹理特征提取及识别方法，所述方法的具体步骤如下：

Step1、首先对一幅纹理图像采用高斯二维Gabor滤波器进行滤波处理，并构建对数高斯随机向量；

Step1.1、高斯二维Gabor滤波器的定义如下：

其中k_v＝k_max/f^v，k_max是最大频率，一般k_max＝π/2，尺度参数v取值为v＝0,...,4，方向参数μ取值为μ＝0,1,2,3，z＝(h,s)和||z||＝(h²+s²)，h,s表示高斯二维Gabor滤波器的坐标，此处i表示虚单位；参数σ决定了高斯二维Gabor滤波器的带宽，取值为2π；

Step1.2、假设纹理图像表示为I(h,s)，h,s同样也表示图像的坐标，则采用高斯二维Gabor滤波器滤波后得到的结果为复矩阵表示为：R_u,v(h,s)＝ψ_μ,v(h,s)*I(h,s)；步骤Step1.1提到z＝(h,s)，所以ψ_μ,v(h,s)就是ψ_μ,v(z)，I(h,s)表示一幅图像，I(h,s)和ψ_μ,v(h,s)中h,s分别表示横坐标和纵坐标；

Step1.3、构造对数高斯随机向量X；

设abs(R_u,v(h,s))表示滤波后得到的结果复矩阵R_u,v(h,s)的模，也就是滤波结果的幅度，向量Hist(abs(R_u,v(h,s)))表示abs(R_u,v(h,s))的直方图向量，从Hist(abs(R_u,v(h,s)))的元素中取值来构建对数高斯随机变量X_u,v，对数高斯随机向量X由对数高斯随机变量X_u,v组成，从而构造一个含有40个对数高斯随机变量的对数高斯随机向量X为：

其中，如果直方图向量Hist(abs(R_u,v(h,s)))的长度为128，则一幅纹理图像经过Gabor滤波和直方图向量计算后所构成的对数高斯随机向量X对应着128个长度为40的样本向量；其中，对数高斯随机向量X中所有随机变量的第1个样本构成第1个样本向量，对数高斯随机向量X中所有随机变量的第2个样本构成第2个样本向量，依次类推；对数高斯随机向量X中所有随机变量的第128个样本构成第128个样本向量。纹理图像特征提取就是指步骤Step1.3、1.3中得到的对数高斯随机向量。

进一步地，实际运用本发明进行纹理识别时，所述步骤Step1.3中对数高斯随机向量X选取时，无需选择所有的随机变量，实际选择公式(2)中随机向量X的一个子集。

Step2、采用一个多变量对数高斯概率模型对对数高斯随机向量X进行参数建模，得到参数化的对数高斯随机向量X的对数高斯概率函数模型；

假设存在高斯随机向量Y:[Y_0,0,Y_0,1,...,Y_0,4,Y_1,0,Y_1,1,...,Y_1,4,...,Y_7,0,Y_7,1,...,Y_7,4]，其均值向量和协方差分别为μ和Σ，而依据对数高斯随机变量的定义X_u,v＝exp(Y_u,v)，则对数高斯随机向量X的对数高斯概率函数模型为：

f_X(x)又能写成：f_X(x)＝f(x|θ)，其中，参数θ表示对数高斯随机向量X概率密度函数中的均值向量μ和协方差矩阵Σ；x₁,x₂,...,x₄₀是对数高斯随机向量X的40个随机变量。

Step3、采用多个多变量对数高斯概率模型对对数高斯随机向量X进行参数建模，得到参数化的多变量对数高斯概率混合模型，其模型为：

在此模型中存在参数Θ＝(ω₁,ω₂,…,ω_M,θ₁,θ₂,…,θ_M)，其中ω_i表示第i个多变量对数高斯概率混合模型的混合系数，θ_i表示第i个多变量对数高斯概率模型中的均值向量μ_i和协方差矩阵Σ_i；p_i(x|θ_i)表示图像x在第i个多变量对数高斯概率模型中的概率，M多变量对数高斯概率模型的个数，p(x|Θ)也表示对数高斯随机向量X的多变量对数高斯概率混合模型。

Step4、对参数建模得到的多变量对数高斯概率混合模型中所涉及的参数Θ采用期望最大进行估计，得到多变量对数高斯概率混合模型；

估计的主要步骤为：

Step4.1、初始化Θ为Θ⁰，

Step4.2、令t＝1，开始下面的循环：

t＝t+1

当参数Θ^t没有很大变化或达到预先设定的循环步数时，循环即停止；

上述循环中，t为循环变量，x_j为对数高斯随机向量X的第j个样本向量，上面循环中一共用到了n个这样的样本向量来进行参数估计；经过上面的循环，能获得参数Θ，从而得到公式(4)中的多变量对数高斯概率混合模型p(x|Θ)；

表示第t-1次迭代过程中ω_l的值；表示第t-1次迭代过程中θ_l的值；Θ^t-1表示第t-1次迭代过程中Θ的值；表示第t-1次迭代过程中μ_l的值；表示第t次迭代过程中Σ_l的值；p(l|x_j,Θ^t-1)表示第t-1次迭代过程中的一个中间变量。

所述步骤Step4.1包括如下步骤：

Step4.1.1、初始化Θ⁰时，采用模糊C均值聚类算法对待分类某类样本进行聚类，形成的聚类个数A作为多变量对数高斯概率混合模型中模型的个数M，然后计算每一个聚类的均值向量初始化对应多变量对数高斯概率模型的期望向量；

Step4.1.2、假设某个聚类中含有x₁,x₂,…,x_t个样本，则矩阵初始化为对应多变量对数高斯概率模型的协方差矩阵；第i个多变量对数高斯概率混合模型的混合系数ω_i(i＝1,2,…,M)初始化为迭代结束的准则是|Θ^t-Θ^t-1|/|Θ^t-1|＜0.1或迭代次数达到40。

Step5、最后计算待分类纹理图像属于各类图像的多变量对数高斯混合模型的概率，此概率即为分类的依据。

假设待识别分类的纹理图像一共有c类，每一类纹理图像中抽取一部分图像出来，然后利用Step4中介绍的方法获得每一类纹理图像的多变量对数高斯概率混合模型，分别表示为p(x|Θ₁),p(x|Θ₂),…,p(x|Θ_c)；对于一个待分类的样本图像x，其所对应的Gabor直方图为128个40维向量，表示为x¹,x²,…,x¹²⁸，则图像x的类别由下面的方法步骤完成：

(1)、计算其中“c”表示图像的类别总数；p(Θ_m)是类别m的概率，假设p(Θ₁)＝p(Θ₂)＝…＝p(Θ_c)＝1/c，表示向量xⁱ的概率；p(xⁱ|Θ_m)表示向量xⁱ属于第m类的概率；

(2)、如果p(Θ_m|x)是p(Θ₁|x),p(Θ₂|x),…,p(Θ_c|x)中最大的值，则图像x的类别为第m类，其中，p(Θ_m|x)表示图像x属于第m个多变量对数高斯混合概率模型的概率。

本实施例进一步统计本方法在USPTex纹理数据库[Backes,A.R.；Casanova,D.；Bruno,O.M.Color texture analysis based on fractal descriptors PatternRecognition,45(5):1984-1992,2012.]中识别率与训练样本数的关系，画出相应识别性能曲线。本实施例中所用纹理图片集共有191类纹理图像，每类纹理有12张不同的纹理照片，一共2292张照片，照片大小为64x64。图2(b)是该数据库中4类纹理的代表性的4张样本图片。实验中分别随机抽取各类纹理图像的1，2，3，4，5张图像训练多变量对数高斯混合模型，而每类纹理图像剩下的样本用作测试。对于测试图像根据本发明所述方法判断此图像的类别，统计所有测试图像类别的判断结果，从而得到识别率如图3所示。其中，表示2008年G Tzagkarakis等人所提“Steerable Sub-Gaussian Modeling”算法；表示2015年KN Kumar所提“Multivariate Generalized Gaussian Mixture Model”算法；表示本发明所提多变量对数高斯混合概率模型算法；表示2007年Kim S C所提“Gaussianmixture model”算法。从图3中可以看出本发明所提的多变量对数高斯混合模型的识别率在比较的几种算法中识别率高。

实施例2：如图1所示，一种基于多变量对数高斯混合模型的图像纹理特征提取及识别方法，本实施例与实施例1相同，不同之处在于：

本实施例进一步统计本方法在Brodatz纹理数据库[Brodatz texture database[DB/OL].http://multibandtexture.recherche.usherbrooke.ca/colored％20_brodatz.html]中识别率与训练样本数的关系，画出相应识别性能曲线。本实施例中所用纹理图片集共有100类纹理图像，每类纹理有9张不同的纹理照片，一共900张照片，照片大小为64x64。图2(a)是该数据库中4类纹理的代表性的4张样本图片。实验中分别随机抽取各类纹理图像的1，2，3，4，5张图像训练多变量对数高斯混合模型，而每类纹理图像剩下的样本用作测试。对于测试图像根据本发明所述方法判断此图像的类别，统计所有测试图像类别的判断结果，从而得到识别率如图4所示。其中，表示2008年G Tzagkarakis等人所提“Steerable Sub-Gaussian Modeling”算法；表示2015年KN Kumar所提“Multivariate Generalized Gaussian Mixture Model”算法；表示本发明所提多变量对数高斯混合概率模型算法；表示2007年Kim S C所提“Gaussian mixture model”算法。从图4中可以看出本发明所提的多变量对数高斯混合模型的识别性能在比较的几种算法中是最高的。

上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (8)

1.一种基于多变量对数高斯混合模型的图像纹理特征提取及识别方法，其特征在于：

Step1、首先对一幅纹理图像采用高斯二维Gabor滤波器进行滤波处理，并构建对数高斯随机向量；

Step2、采用一个多变量对数高斯概率模型对对数高斯随机向量X进行参数建模，得到参数化的对数高斯随机向量X的对数高斯概率函数模型；

Step3、采用多个多变量对数高斯概率模型对对数高斯随机向量X进行参数建模，得到参数化的多变量对数高斯概率混合模型；

Step4、对参数建模得到的多变量对数高斯概率混合模型中所涉及的参数Θ采用期望最大进行估计，得到多变量对数高斯概率混合模型；

Step5、最后计算待分类纹理图像属于各类图像的多变量对数高斯混合模型的概率，此概率即为分类的依据。

2.根据权利要求1所述的基于多变量对数高斯混合模型的图像纹理特征提取及识别方法，其特征在于：所述Step1的具体步骤如下：

Step1.1、高斯二维Gabor滤波器的定义如下：

其中k_v＝k_max/f^v，k_max是最大频率，一般k_max＝π/2，尺度参数v取值为v＝0,...,4，方向参数μ取值为μ＝0,1,2,3，z＝(h,s)和||z||＝(h²+s²)，h,s表示高斯二维Gabor滤波器的坐标，此处i表示虚单位；参数σ决定了高斯二维Gabor滤波器的带宽，取值为2π；

Step1.2、假设纹理图像表示为I(h,s)，h,s同样也表示图像的坐标，则采用高斯二维Gabor滤波器滤波后得到的结果为复矩阵表示为：R_u,v(h,s)＝ψ_μ,v(h,s)*I(h,s)；步骤Step1.1提到z＝(h,s)，所以ψ_μ,v(h,s)就是ψ_μ,v(z)，I(h,s)表示一幅图像，I(h,s)和ψ_μ,v(h,s)中h,s分别表示横坐标和纵坐标；

Step1.3、构造对数高斯随机向量X；

设abs(R_u,v(h,s))表示滤波后得到的结果复矩阵R_u,v(h,s)的模，也就是滤波结果的幅度，向量Hist(abs(R_u,v(h,s)))表示abs(R_u,v(h,s))的直方图向量，从Hist(abs(R_u,v(h,s)))的元素中取值来构建对数高斯随机变量X_u,v，对数高斯随机向量X由对数高斯随机变量X_u,v组成，从而构造一个含有40个对数高斯随机变量的对数高斯随机向量X为：

其中，如果直方图向量Hist(abs(R_u,v(h,s)))的长度为128，则一幅纹理图像经过Gabor滤波和直方图向量计算后所构成的对数高斯随机向量X对应着128个长度为40的样本向量；其中，对数高斯随机向量X中所有随机变量的第1个样本构成第1个样本向量，对数高斯随机向量X中所有随机变量的第2个样本构成第2个样本向量，依次类推；对数高斯随机向量X中所有随机变量的第128个样本构成第128个样本向量。

3.根据权利要求1所述的基于多变量对数高斯混合模型的图像纹理特征提取及识别方法，其特征在于：所述Step2中:

假设存在高斯随机向量Y:[Y_0,0,Y_0,1,...,Y_0,4,Y_1,0,Y_1,1,...,Y_1,4,...,Y_7,0,Y_7,1,...,Y_7,4]，其均值向量和协方差分别为μ和Σ，而依据对数高斯随机变量的定义X_u,v＝exp(Y_u,v)，则对数高斯随机向量X的对数高斯概率函数模型为：

f_X(x)又能写成：f_X(x)＝f(x|θ)，其中，参数θ表示对数高斯随机向量X概率密度函数中的均值向量μ和协方差矩阵Σ；x₁,x₂,...,x₄₀是对数高斯随机向量X的40个随机变量。

4.根据权利要求1所述的基于多变量对数高斯混合模型的图像纹理特征提取及识别方法，其特征在于：所述Step3中：采用多个多变量对数高斯概率模型对对数高斯随机向量X进行参数建模，得到参数化的多变量对数高斯概率混合模型，其模型为：

在此模型中存在参数Θ＝(ω₁,ω₂,…,ω_M,θ₁,θ₂,…,θ_M)，其中ω_i表示第i个多变量对数高斯概率混合模型的混合系数，θ_i表示第i个多变量对数高斯概率模型中的均值向量μ_i和协方差矩阵Σ_i；p_i(x|θ_i)表示图像x在第i个多变量对数高斯概率模型中的概率，M多变量对数高斯概率模型的个数，p(x|Θ)也表示对数高斯随机向量X的多变量对数高斯概率混合模型。

5.根据权利要求1所述的基于多变量对数高斯混合模型的图像纹理特征提取及识别方法，其特征在于：所述Step4中，估计的主要步骤为：

Step4.1、初始化Θ为Θ⁰，

Step4.2、令t＝1，开始下面的循环：

t＝t+1

当参数Θ^t没有很大变化或达到预先设定的循环步数时，循环即停止；

上述循环中，t为循环变量，x_j为对数高斯随机向量X的第j个样本向量，上面循环中一共用到了n个这样的样本向量来进行参数估计；经过上面的循环，能获得参数Θ，从而得到公式(4)中的多变量对数高斯概率混合模型p(x|Θ)；

表示第t-1次迭代过程中ω_l的值；表示第t-1次迭代过程中θ_l的值；Θ^t-1表示第t-1次迭代过程中Θ的值；表示第t-1次迭代过程中μ_l的值；表示第t次迭代过程中Σ_l的值；p(l|x_j,Θ^t-1)表示第t-1次迭代过程中的一个中间变量。

6.根据权利要求1所述的基于多变量对数高斯混合模型的图像纹理特征提取及识别方法，其特征在于：所述步骤Step5中：

假设待识别分类的纹理图像一共有c类，每一类纹理图像中抽取一部分图像出来，然后利用Step4中介绍的方法获得每一类纹理图像的多变量对数高斯概率混合模型，分别表示为p(x|Θ₁),p(x|Θ₂),…,p(x|Θ_c)；对于一个待分类的样本图像x，其所对应的Gabor直方图为128个40维向量，表示为x¹,x²,…,x¹²⁸，则图像x的类别由下面的方法步骤完成：

(1)、计算其中“c”表示图像的类别总数；p(Θ_m)是类别m的概率，假设p(Θ₁)＝p(Θ₂)＝…＝p(Θ_c)＝1/c，表示向量xⁱ的概率；p(xⁱ|Θ_m)表示向量xⁱ属于第m类的概率；

(2)、如果p(Θ_m|x)是p(Θ₁|x),p(Θ₂|x),…,p(Θ_c|x)中最大的值，则图像x的类别为第m类，其中，p(Θ_m|x)表示图像x属于第m个多变量对数高斯混合概率模型的概率。

7.根据权利要求2所述的基于多变量对数高斯混合模型的图像纹理特征提取及识别方法，其特征在于：实际运用本发明进行纹理识别时，所述步骤Step1.3中对数高斯随机向量X选取时，无需选择所有的随机变量，实际选择公式(2)中随机向量X的一个子集。

8.根据权利要求5所述的基于多变量对数高斯混合模型的图像纹理特征提取及识别方法，其特征在于：所述步骤Step4.1包括如下步骤：

Step4.1.1、初始化Θ⁰时，采用模糊C均值聚类算法对待分类某类样本进行聚类，形成的聚类个数A作为多变量对数高斯概率混合模型中模型的个数M，然后计算每一个聚类的均值向量初始化对应多变量对数高斯概率模型的期望向量；

Step4.1.2、假设某个聚类中含有x₁,x₂,…,x_t个样本，则矩阵初始化为对应多变量对数高斯概率模型的协方差矩阵；第i个多变量对数高斯概率混合模型的混合系数ω_i(i＝1,2,…,M)初始化为迭代结束的准则是|Θ^t-Θ^t-1|/|Θ^t-1|＜0.1或迭代次数达到40。