CN110415229B - 基于Haar特征和AdaBoost算法的纹理图像质量估计方法 - Google Patents
基于Haar特征和AdaBoost算法的纹理图像质量估计方法 Download PDFInfo
- Publication number
- CN110415229B CN110415229B CN201910674832.4A CN201910674832A CN110415229B CN 110415229 B CN110415229 B CN 110415229B CN 201910674832 A CN201910674832 A CN 201910674832A CN 110415229 B CN110415229 B CN 110415229B
- Authority
- CN
- China
- Prior art keywords
- image
- texture
- quality estimation
- samples
- classifier
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明基于Haar特征和AdaBoost算法的纹理图像质量估计方法,包括以下步骤:步骤1:样本采集:采集正样本和负样本;步骤2:样本标注:分别将正、负样本使用不同的数字进行标注;步骤3:特征选择:Haar特征包含多种模式,根据纹理的不同特征选择相应的特征模式;步骤4:AdaBoost级联分类器搭建和参数设置:AdaBoost算法是将多个弱分类器组合成强分类器的方法,需要指定每一层弱分类器的识别率、误识率以及弱分类器的个数;步骤5:利用样本训练得到正、负二分类的分类器;步骤6:纹理图像的质量估计。本发明方法将纹理图像分割为有交叠的图像子块,利用机器学习方法分类各图像子块,最后通过组合图像子块的分类结果得到质量估计。
Description
技术领域
本发明涉及利用机器学习、图像识别进行纹理图像质量估计领域,特别涉及一种基于Haar特征和AdaBoost算法的纹理图像质量估计方法。
背景技术
图像的纹理是物体表面颜色或灰度的变化的表征,物体本身各局部区域的结构或色彩、光照的变化以及物体与物体之间的邻接、过度通常会在视觉上形成纹理效果。纹理是图像最为重要的属性之一,是区分物体、分割不同物体、识别物体的重要依据。所以图像中纹理的缺失、伪影、模糊、噪声和干扰等都会给图像的分析和识别带来困难,甚至影响最后的分析结果和识别准确性,这在某些领域常常这会导致严重后果。纹理图像的质量估计目的在于将纹理清晰的局部图像赋予高质量值,而被模糊、噪声污染、丢失信息的局部图像赋予低的质量值,这样可以指导机器将分析和识别的重点专注于高质量部分,而低质量部分要慎重对待或避免分析和处理,因为低质量部分常常带有大量的误导性信息,如果按常规处理往往会得到错误的结论。所以在进行后续处理之前,对纹理图像进行质量估计是非常有必要的。
目前,纹理图像质量估计方法主要有以下两类:1)基于传统图像处理方法。具体包括:通过分析纹理图像局部梯度和方向场强度进行质量估计;基于局部图像频谱分析进行质量估计;以及基于局部图像均值、方差、一致性、能量集中度等参数的质量估计方法。该类方法从纹理图像的形状、尺寸、方向等特征出发,根据其具体特点以窗口为单位来总结和计算其特征参数作为其质量的度量,具有明确的物理、几何意义,计算速度相对较快,取得了较好的效果,但这类算法的缺点是针对某一种纹理图像设计的算法难以推广到其他纹理图像,即使是同一种图像的不同分辨率,涉及的可调参数也很多,适应性不够。2)基于模式识别的质量估计方法。如基于纹理图像方向、频率、能量等特征,使用SVM或神经网络进行分类预测的质量估计方法。这类方法的特征总结往往依赖于人为理解,特征参数的计算过程通常涉及较多的与具体图像特点相关的先验参数设置,总体计算度也偏复杂,不利于实时处理。
随着机器学习理论和应用研究的不断发展创新,图像分类和识别的精度取得了质的提高,一些具有尺度不变、旋转不变等性质的特征也相继提出,如方向梯度直方图(Histogram of Oriented Gradient, HOG)特征、Haar特征、尺度不变特征变换(ScaleInvariant Feature Transform, SIFT)特征等,在一定程度上克服了尺寸变化或角度变化对图像识别和分类带来的不利影响。其中的Haar特征具有对纹理的多尺度表达,且可以利用积分图像实现快速计算,是人脸识别、目标检测的常用特征。AdaBoost算法可对数量庞大的特征进行有效性筛选,提取出分辨度高的特征,组合得到高效率的分类器,最后再将分类器进行级联,可以进一步得到级联分类器以提高分类性能。
发明内容
本发明的目的是针对上述现有技术存在的问题,提供一种基于Haar特征和AdaBoost算法的纹理图像质量估计方法,该方法将纹理图像分割为有交叠的图像子块,利用机器学习方法分类各图像子块,最后通过组合图像子块的分类结果得到质量估计。
本发明为实现上述目的采用的技术方案是:一种基于Haar特征和AdaBoost算法的纹理图像质量估计方法,包括以下步骤:
步骤1:样本采集:采集具有正常、清晰纹理区域的图像子块作为正样本,并将其大小归一化为m×m像素,采集非纹理区域或纹理被破坏区域的图像子块作为负样本, 其中m为取样窗口的像素尺寸;
步骤2:样本标注:分别将正、负样本使用不同的数字进行标注;
步骤3:特征选择:Haar特征包含多种模式,根据纹理的不同特征选择特定的特征模式;
步骤4:AdaBoost级联分类器搭建和参数设置:AdaBoost算法是将多个弱分类器组合成强分类器的方法,需要指定每一层弱分类器的识别率、误识率以及弱分类器的个数;
步骤5:利用样本训练得到正、负二分类的分类器;
步骤6:纹理图像的质量估计:
步骤6.1:初始化质量图为全0;
步骤6.2:从纹理图像左上角开始,平移m×m像素的取样窗口,遍历整张图像,依次取样,取样窗每次平移m/a像素;为了能够进行多尺度搜索, 实际每次取样的子图像尺寸为(m+d)×(m+d)像素,作为分类器输入,其中m为取样窗口的像素尺寸,a是平移系数,控制取样窗口每次移动的像素大小,d是为了进行放大搜索额外增加的像素;
步骤6.3:处理识别结果:若某 (m+d)×(m+d)图像块识别为包含纹理前景,则对应的质量图m×m区域均加1,若识别为非纹理背景区域,则相应区域加0;
步骤6.4:最终叠加得到质量图,质量图中的最大值为a2,其中a为平移系数,用于控制取样窗口每次平移m/a像素。
本发明基于Haar特征和AdaBoost算法的纹理图像质量估计方法具有如下有益效果:
1)本发明将传统的纹理图像质量估计问题转换为对局部图像的识别问题,为此类问题给出了全新的视角和详细的方法说明;同时给出的交叠分块方法及识别结果的组合方法简单而有效;
2)本发明采用Haar特征和AdaBoost算法训练级联分类器,Haar特征能够多尺度表达图像纹理特点,可以通过积分图像进行快速计算,AdaBoost算法可以实现强可分特征的挑选,简化特征数量和运算量,相对于其他机器学习的质量估计方法,实现了特征强化和实时处理;
3)本发明采用了交叠分块处理方式对每一局部进行分类,兼顾了精度和效率。此外,对于交叠区域而言,将会分属到不同子图像块进行多次识别,被识别为正样本(前景)的次数越多,其质量越高,该方式简单而高效。
下面结合附图和实施例对本发明基于Haar特征和AdaBoost算法的纹理图像质量估计方法作进一步的说明。
附图说明
图1是本发明基于Haar特征和AdaBoost算法的纹理图像质量估计方法的图像块取样示意图;
图2是本发明基于Haar特征和AdaBoost算法的纹理图像质量估计方法中基于Haar特征和AdaBoost算法的二分类器学习示意图;
图3是本发明基于Haar特征和AdaBoost算法的纹理图像质量估计方法中基于Haar特征和AdaBoost算法的质量估计示意图;
图4是本发明基于Haar特征和AdaBoost算法的纹理图像质量估计方法中质量图的最大值分布示意图。
具体实施方式
本发明基于Haar特征和AdaBoost算法的纹理图像质量估计方法,在本实施例以典型的纹理图像即指纹图像为例,说明本发明,包括以下步骤:
步骤1:样本采集:采集具有正常、清晰纹理区域的图像子块作为正样本,并将其大小归一化为m×m像素,采集非纹理区域或纹理被破坏区域的图像子块作为负样本, 其中m为取样窗口的像素尺寸。在本实施例中利用NIST SD4/27和FVC指纹数据库生成指纹前景和背景样本数据,前景样本的生成方法是,人工截取64×64的有效指纹区域,或利用现成的指纹分割算法,截取64×64的指纹区域,然后进行人工删除非指纹样本;同理,人工截取或使用算法生成背景样本数据。
步骤2:样本标注:分别将正、负样本使用不同的数字进行标注,将前景样本和背景样本分别标注为1、0,以示区分。
步骤3:特征选择:Haar特征包含多种模式,不同模式能够突出纹理的不同特点,可根据纹理的不同特征选择相应的特征模式;本实施例,使用积分图对样本进行快速Haar特征计算,选择的特征模式包括边缘(Edge features)、线性(Line features)、中心(Center-surround features)特征。
步骤4:AdaBoost级联分类器搭建和参数设置:AdaBoost算法是将多个弱分类器组合成强分类器的方法,需要指定每一层弱分类器的识别率、误识率以及弱分类器的个数;本实施例,调用matlab或opencv的AdaBoost算法接口进行分类器搭建,设定级联分类器的层数为14,每一层最小识别率为0.998,最大误警率为0.5,正负样本分别为7000例和8000例。
步骤5:利用样本训练得到正、负二分类的分类器;本实施例,利用样本和搭建的分类器进行训练(如图2所示),最终得到的级联分类器最小识别率为0.99814=0.972,最大误警率为0.514=0.00006,满足分类精度要求;
步骤6:纹理图像的质量估计,本实施例,指纹图像的质量估计,按图1方式,将待处理图像进行分块,并使用级联分类器预测每一图像块的类别,具体方法如图3所示:
步骤6.1:初始化质量图为0;
步骤6.2:从纹理图像左上角开始,平移m×m像素的取样窗口,遍历整张图像,依次取样,取样窗每次平移m/a像素;为了能够进行多尺度搜索, 实际每次取样的子图像尺寸为(m+d)×(m+d)像素,作为分类器输入,其中m为取样窗口的像素尺寸,a是平移系数,控制取样窗口每次移动的像素大小,d是为了进行放大搜索额外增加的像素,建议取值[32,64],d为额外增加的尺寸,取正值,表明在测试阶段每次输入到分类器中的样本尺寸大于训练样本尺寸m,这样可以使得adaboost算法在输入样本中可进行多尺度搜索,在本实施例,从指纹图像左上角开始,依次取(64+4)×(64+4)像素的图像块,相邻图像块的偏移为64/4=16像素;
步骤6.3:处理识别结果:若某 (m+d)×(m+d)图像块识别为包含纹理前景,则对应的质量图m×m区域均加1,本实施例,若某 68×68图像块识别为包含纹理前景,则在质量图相应的64×64区域均加1,若识别为非纹理背景区域,则相应区域加0;
步骤6.4:最终叠加得到质量图,质量图中的最大值为a2,a是平移系数,控制取样窗口每次移动的像素大小,a越大,窗口每次移动的像素越小,否则越大;某一(m/a)×(m/a)区域被重复覆盖的最大次数为a2。在本实施例,依次历遍整图,最终得到叠加的质量图,其最大值分布如图4所示,本实施例中质量图的最大值为42=16。
以上实施例仅为本发明的较佳实施例,本发明并不限于上述实施例列举的形式,凡在本发明的精神和原则之内所作的任何修改、等同替换等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种基于Haar特征和AdaBoost算法的纹理图像质量估计方法,其特征在于,包括以下步骤:
步骤1:样本采集:采集具有正常、清晰纹理区域的图像子块作为正样本,并将其大小归一化为m×m像素,采集非纹理区域或纹理被破坏区域的图像子块作为负样本, 其中m为取样窗口的像素尺寸;
步骤2:样本标注:分别将正、负样本使用不同的数字进行标注;
步骤3:特征选择:Haar特征包含多种模式,根据纹理的不同特征选择相应的特征模式;
步骤4:AdaBoost级联分类器搭建和参数设置:AdaBoost算法是将多个弱分类器组合成强分类器的方法,需要指定每一层弱分类器的识别率、误识率以及弱分类器的个数;
步骤5:利用样本训练得到正、负二分类的分类器;
步骤6:纹理图像的质量估计:
步骤6.1:初始化质量图为全0;
步骤6.2:从纹理图像左上角开始,平移m×m像素的取样窗口,遍历整张图像,依次取样,取样窗每次平移m/a像素;为了能够进行多尺度搜索,实际每次取样的子图像尺寸为(m+d)×(m+d)像素,作为分类器输入,其中m为取样窗口的像素尺寸, a是平移系数,控制取样窗口每次移动的像素大小,d是为了进行放大搜索额外增加的像素;
步骤6.3:处理识别结果:若某 (m+d)×(m+d)图像块识别为包含纹理前景,则对应的质量图m×m区域均加1,若识别为非纹理背景区域,则相应区域加0;
步骤6.4:最终叠加得到质量图,质量图中的最大值为a2,其中a为平移系数,用于控制取样窗口每次平移m/a像素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910674832.4A CN110415229B (zh) | 2019-07-25 | 2019-07-25 | 基于Haar特征和AdaBoost算法的纹理图像质量估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910674832.4A CN110415229B (zh) | 2019-07-25 | 2019-07-25 | 基于Haar特征和AdaBoost算法的纹理图像质量估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110415229A CN110415229A (zh) | 2019-11-05 |
CN110415229B true CN110415229B (zh) | 2022-04-26 |
Family
ID=68363027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910674832.4A Active CN110415229B (zh) | 2019-07-25 | 2019-07-25 | 基于Haar特征和AdaBoost算法的纹理图像质量估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110415229B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093433A (zh) * | 2013-01-25 | 2013-05-08 | 西安电子科技大学 | 基于区域划分和字典学习的自然图像去噪方法 |
CN104036284A (zh) * | 2014-05-12 | 2014-09-10 | 沈阳航空航天大学 | 基于Adaboost算法的多尺度行人检测方法 |
CN104537359A (zh) * | 2015-01-15 | 2015-04-22 | 浙江宇视科技有限公司 | 一种车辆目标检测方法及装置 |
CN106420051A (zh) * | 2016-05-23 | 2017-02-22 | 广西科技大学 | 用于指导经皮椎体成形术的影像生物标记物及其用途 |
CN106971193A (zh) * | 2016-11-23 | 2017-07-21 | 南京理工大学 | 基于结构型Haar和Adaboost的目标检测方法 |
CN109978854A (zh) * | 2019-03-25 | 2019-07-05 | 福州大学 | 一种基于边缘与结构特征的屏幕内容图像质量评估方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5388835B2 (ja) * | 2009-12-24 | 2014-01-15 | キヤノン株式会社 | 情報処理装置及び情報処理方法 |
-
2019
- 2019-07-25 CN CN201910674832.4A patent/CN110415229B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093433A (zh) * | 2013-01-25 | 2013-05-08 | 西安电子科技大学 | 基于区域划分和字典学习的自然图像去噪方法 |
CN104036284A (zh) * | 2014-05-12 | 2014-09-10 | 沈阳航空航天大学 | 基于Adaboost算法的多尺度行人检测方法 |
CN104537359A (zh) * | 2015-01-15 | 2015-04-22 | 浙江宇视科技有限公司 | 一种车辆目标检测方法及装置 |
CN106420051A (zh) * | 2016-05-23 | 2017-02-22 | 广西科技大学 | 用于指导经皮椎体成形术的影像生物标记物及其用途 |
CN106971193A (zh) * | 2016-11-23 | 2017-07-21 | 南京理工大学 | 基于结构型Haar和Adaboost的目标检测方法 |
CN109978854A (zh) * | 2019-03-25 | 2019-07-05 | 福州大学 | 一种基于边缘与结构特征的屏幕内容图像质量评估方法 |
Non-Patent Citations (4)
Title |
---|
Recognition of hand gestures on the video stream based on a statistical algorithm with pre-treatment;Palochkin Vitaly et al.;《Proceedings of 15th Conference of Open Innovations Association FRUCT》;20140807;105-111 * |
基于纹理特征融合的人脸图像质量评估算法;陈正浩 等;《集美大学学报(自然科学版)》;20180731;第23卷(第4期);312-320 * |
正交Haar变换的眉毛识别方法;李厚君 等;《广西科学院学报》;20160229;第32卷(第1期);36-41 * |
货车枕簧丢失故障动态图像识别方法;姜媛 等;《光学技术》;20070930;第33卷(第5期);662-665 * |
Also Published As
Publication number | Publication date |
---|---|
CN110415229A (zh) | 2019-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110334706B (zh) | 一种图像目标识别方法及装置 | |
Zhao et al. | Cloud shape classification system based on multi-channel cnn and improved fdm | |
CN108765412B (zh) | 一种带钢表面缺陷分类方法 | |
CN108537751B (zh) | 一种基于径向基神经网络的甲状腺超声图像自动分割方法 | |
CN110598030B (zh) | 一种基于局部cnn框架的甲骨拓片分类方法 | |
CN111145209A (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
CN110766689A (zh) | 基于卷积神经网络进行物品图像缺陷检测的方法及装置 | |
Wen et al. | Virus image classification using multi-scale completed local binary pattern features extracted from filtered images by multi-scale principal component analysis | |
CN110751619A (zh) | 一种绝缘子缺陷检测方法 | |
CN112862744B (zh) | 一种基于超声图像的电容内部缺陷智能检测方法 | |
Liang et al. | Automatic defect detection of texture surface with an efficient texture removal network | |
CN113393454A (zh) | 活检组织中病理目标实例分割方法和装置 | |
WO2022061922A1 (zh) | 材料微结构的分析方法和装置 | |
CN114373079A (zh) | 一种快速准确的探地雷达目标检测方法 | |
Ding et al. | Classification of chromosome karyotype based on faster-rcnn with the segmatation and enhancement preprocessing model | |
US10115195B2 (en) | Method and apparatus for processing block to be processed of urine sediment image | |
CN110415229B (zh) | 基于Haar特征和AdaBoost算法的纹理图像质量估计方法 | |
CN115861226A (zh) | 基于特征值梯度变化的深度神经网络智能识别表面缺陷方法 | |
CN110378307A (zh) | 基于深度学习的纹理图像方向场估计方法 | |
CN115112669A (zh) | 一种基于小样本的路面无损检测识别方法 | |
CN110414595B (zh) | 具有方向一致性的纹理图像的方向场估计方法 | |
Premk et al. | Automatic latent fingerprint segmentation using convolutional neural networks | |
CN112435245A (zh) | 基于物联网的磁痕缺陷自动识别方法 | |
Hepplewhite et al. | Surface inspection using texture recognition | |
CN105335762B (zh) | 一种基于Legendre矩不变量和PSO-LSSVM分类器的密级标识识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |