CN114548219A - 基于微块差异特征提取及svm的图像分类方法及装置 - Google Patents
基于微块差异特征提取及svm的图像分类方法及装置 Download PDFInfo
- Publication number
- CN114548219A CN114548219A CN202210037541.6A CN202210037541A CN114548219A CN 114548219 A CN114548219 A CN 114548219A CN 202210037541 A CN202210037541 A CN 202210037541A CN 114548219 A CN114548219 A CN 114548219A
- Authority
- CN
- China
- Prior art keywords
- image
- micro
- block
- classification
- svm
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 38
- 238000000605 extraction Methods 0.000 title claims abstract description 35
- 238000001914 filtration Methods 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 230000002708 enhancing effect Effects 0.000 claims abstract description 9
- 238000009499 grossing Methods 0.000 claims abstract description 9
- 230000001965 increasing effect Effects 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 12
- 238000005286 illumination Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000003672 processing method Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 description 4
- 230000001149 cognitive effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000013049 sediment Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010049155 Visual brightness Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
- G01S15/89—Sonar systems specially adapted for specific applications for mapping or imaging
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Acoustics & Sound (AREA)
- Computer Networks & Wireless Communication (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于微块差异特征提取及SVM的图像分类方法及装置,所述方法包括:使用高斯平滑滤波算法对原始图像数据集中的各图像进行去噪处理;基于同态滤波算法对去噪后的各图像进行增强处理,更新图像集;对图像集中的各图像提取微块的差异特征;利用基于高斯核函数构建的支持向量机模型对所述图像集中的全部图像进行分类;判断分类结果是否满足预定要求,若满足,方法结束;否则,对增强后的图像集中得各图像减小微块的大小、增加微块数量。本发明兼顾纹理图像特征的准确描述与分类,更精确的捕捉图像补丁对间的差异,分类准确。
Description
技术领域
本发明属于图像处理领域,尤其涉及一种基于微块差异特征提取(DenseMicro-Block Difference,DMD)及SVM的图像分类方法及装置。
背景技术
随着科学技术的进步,越来越多的数据进入我们的生活,如何对这些数据进行归类,快速有效的找到需要的信息和资源,已经成为迫切需要解决的问题。图像,作为一种重要的媒体形式,同时具有生动、具体、直观等特点。基于大型图像数据库的图像处理越来越受到人们的关注,而图像分类是图像处理的一个重要研究内容。随着对计算机认知科学和人工智能研究的不断深入,计算机视觉和图像处理等分支得到了长足的发展,计算机正在逐步感知周围的视觉世界,进而了解它的组成和变化规律的能力。
在人类的日常生活中,纹理特征无处不在。从天空到陆地,再到身边的书桌、墙面等都具有明显的纹理特征。纹理是图像的基本特征,是进行图像分析和图像处理的一个极其重要的信息资源。人类的认知系统对外部世界的感知也极大依赖于物体所表现出的纹理特性,对纹理的感知是人类认识世界的重要因素,这一点已经成为认知科学和计算机科学领域的普遍共识。
相对于早些年使用的光学成像,声呐传播的穿透性较强、能量损失较弱,但其易受到自身设备性能的约束以及海洋自身复杂的声场干扰。由此而来,导致声呐图像的对比度较低、图像中斑点噪声较多、图像边缘特征不明显以及图像视觉亮度较差等,这也是此领域研究中被广泛关注以及亟待解决的问题。因此,为使得后续图像特征提取、识别、分类等工作取得较好的效果,有必要对原始声呐图像进行一定的去噪、增强等预处理工作,以使得图像视觉效果更好,干扰信息较少。所以,选取什么样的预处理方法对后续提取、识别、分类工作起到了决定性的影响。
发明内容
为解决上述技术问题,本发明提出了一种基于微块差异特征提取及SVM的图像分类方法及装置,所述方法及装置,用于解决现有技术的提取特征不具代表性以及分类效果不佳的技术问题。
根据本发明的第一方面,提供一种基于微块差异特征提取及SVM的图像分类方法,所述方法包括以下步骤:
步骤S101:使用高斯平滑滤波算法对原始图像数据集中的各图像进行去噪处理;
步骤S102:基于同态滤波算法对去噪后的各图像进行增强处理,更新图像集;
步骤S103:对图像集中的各图像提取微块的差异特征;所述微块为尺寸在9×9到15×15像素范围内的图像补丁;
步骤S104:利用基于高斯核函数构建的支持向量机模型对所述图像集中的全部图像进行分类;
步骤S105:判断分类结果是否满足预定要求,若满足,方法结束;否则,对增强后的图像集中得各图像减小微块的大小、增加微块数量,进入步骤S103。
根据本发明第二方面,提供一种基于微块差异特征提取及SVM的图像分类装置,所述装置包括:
去噪模块:配置为使用高斯平滑滤波算法对原始图像数据集中的各图像进行去噪处理;
增强处理模块:配置为基于同态滤波算法对去噪后的各图像进行增强处理,更新图像集;
特征提取模块:配置为对图像集中的各图像提取微块的差异特征;所述微块为尺寸在9×9到15×15像素范围内的图像补丁;
分类模块:配置为利用基于高斯核函数构建的支持向量机模型对所述图像集中的全部图像进行分类;
判断模块:配置为判断分类结果是否满足预定要求。
根据本发明第三方面,提供一种基于微块差异特征提取及SVM的图像分类系统,包括:
处理器,用于执行多条指令;
存储器,用于存储多条指令;
其中,所述多条指令,用于由所述存储器存储,并由所述处理器加载并执行如前所述的基于微块差异特征提取及SVM的图像分类方法。
根据本发明第四方面,提供一种计算机可读存储介质,所述存储介质中存储有多条指令;所述多条指令,用于由处理器加载并执行如前所述的基于微块差异特征提取及SVM的图像分类方法。
根据本发明的上述方案,本发明兼顾纹理图像特征的准确描述与分类,使用高斯平滑滤波算法以及同态算法对原始数据集进行预处理,对预处理后的图像应用改进的DMD算法进行特征提取,最后用高斯核函数的支持向量机模型进行分类。能够针对大数据集的纹理图像进行预处理、特征提取与分类。能够对原始图像进行预处理,达到去除噪声、增强图像特征效果,应用图像补丁思想有代表性的提取图像的特征,并应用高斯核函数的支持向量机分类算法准确建模、测试,提高了分类准确性。本发明将高斯平滑滤波以及同态滤波预处理方法与改进的DMD特征提取算法和高斯核函数的支持向量机分类算法相集合。此模型较好的对原始图像进行了去噪和增强,使得主要特征得以凸显。同时采用改进的DMD特征提取算法,更精确的捕捉图像补丁对间的差异。最后采用高斯核函数的支持向量机进行准确建模、分类验证。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明提供如下附图进行说明。在附图中:
图1为本发明一个实施方式的基于微块差异特征提取及SVM的图像分类方法流程图;
图2为本发明一个实施方式的基于微块差异特征提取及SVM的图像分类方法细节实现流程图;
图3为本发明一个实施方式的基于微块差异特征提取及SVM的图像分类装置结构框图。
具体实施方式
首先结合图1-2说明本发明一个实施方式的基于微块差异特征提取及SVM的图像分类方法流程,本方法特别适用于海底底质声纳图像的分类,所述方法包括以下步骤:
步骤S101:使用高斯平滑滤波算法对原始图像数据集中的各图像进行去噪处理;
步骤S102:基于同态滤波算法对去噪后的各图像进行增强处理,更新图像集;
步骤S103:对图像集中的各图像提取微块的差异特征;所述微块为尺寸在9×9到15×15像素范围内的图像补丁;
步骤S104:利用基于高斯核函数构建的支持向量机模型对所述图像集中的全部图像进行分类;
步骤S105:判断分类结果是否满足预定要求,若满足,方法结束;否则,对增强后的图像集中得各图像减小微块的大小、增加微块数量,进入步骤S103。
所述步骤S101:使用高斯平滑滤波算法对原始图像数据集中的各图像进行去噪处理,其中:
本实施例中,高斯平滑滤波算法是以均值滤波为基础进一步优化而得到的。其在窗口中心像素中加入了权值以使得重要信息得到保留。其中,高斯滤波中的σ起到了至关重要的作用,其取值不同将会影响到滤波强度的大小。若标准差取值过大,邻域范围将变得过小,此时趋向于均值滤波范围;当标准差取值过小时将会导致离中心像素较远的点权重变的更低,以至于邻域滤波约等于点滤波运算,平滑噪声作用也将消退到可忽略不计。经过多次实验最终σ的值选定为0.8,3×3高斯模板权重可表示为:
通常情况下,任意一张图像均可按照照明-反射模型分解成照射强度与反射强度的乘积形式。照射强度一般表征图像的低频分量部分,反射强度则用来代表图像的高频分量部分。可用公式表示成:
f(x,y)=i(x,y)*r(x,y)
式中,x、y分别像素点横、纵坐标;f(x,y)代表了原始图像,i(x,y)为照射强度,r(x,y)表示反射强度。
因为此性质是乘法,不能直接用傅里叶变换对照射强度以及反射强度进行操作。所以本实施例中步骤S102中同态滤波的步骤为:
步骤S1021:对去噪后的各图像均取对数运算,使得各图像中照射强度与反射强度分离;令
z(x,y)=lnf(x,y)=lni(x,y)+lnr(x,y)(公式1)
其中,x、y分别像素点横、纵坐标,取对数后的图像定义为z(x,y);
步骤S1022:公式1左右两侧同时进行傅里叶变换,得到:
Z(u,v)=Fi(u,v)+Fr(u,v)
其中,u、v分别像素点x、y傅里叶变换后的参数,Z(u,v)为z(u,y)傅里叶变换后的函数表达式,Fi(u,v)为lni(x,y)傅里叶变换后的函数表达式,Fr(u,v)为lnr(x,y)傅里叶变换后的函数表达式;
步骤S1023:将经过傅里叶变换后的Z(u,v)输入到同态滤波器中,通过滤波函数H(u,v)进行滤波,得到滤波函数S(u,v),其过程为:
S(u,v)=H(u,v)Z(u,v)=H(u,v)Fi(u,v)+H(u,v)Fr(u,v)
步骤S1024:对滤波函数S(u,v)进行傅里叶反变换可得s(x,y):
s(x,y)=F-1(S(u,v))
最后经过反对数运算得到最终所需的图像g(x,y),其公式为:
g(x,y)=exp^(s(x,y))=io(x,y)*ro(x,y)
其中,io(x,y)为同态滤波后的照射强度,ro(x,y)为同态滤波后的反射强度。
本实施例中,同态滤波通过非线性映射使得到的数据可以作用在线性滤波器的不同范围中,最后再返回到原始数据域以使得相关的属性不变,并且将复杂的运算得以简单化。
所述步骤S103:对图像集中的各图像提取微块的差异特征,其中:
DMD特征是基于小补丁的想法,在纹理图像中既能呈现特征结构,又能有效地捕获有区别的信息。使用图像补丁的强度差异来捕捉它的变化,还可以避开现有技术的各种方法中,因随机选择像素坐标而易受到噪音干扰的缺点。
为了对图片的局部结构进行编码,采用图像中较小块的成对强度差。将图像块中较小的正方形块称为“微块”,其平均强度被认为是捕捉变化的。考虑的图像补丁通常尺寸为9×9到15×15像素,微块是补丁内的较小的正方形区域。大量的微块对通过捕获不同方向和尺度上的变化来获得补丁有区别的表示。贴片的变化被捕获在不同尺度上。
对图像集中的任意一张图像,确定图像中的微块;将图像划分为若干图像块,确定图像中的图像补丁,将尺寸在9×9到15×15像素范围内的图像补丁,确定为微块。
在形式上,对一张图像提取特征的方法包括:给定尺寸L×L的图像,对其中的某一微块,该微块中随机选取两组采样点A{a1,a2,…an},B{b1,b2,…bn},该微块大小为S,a1,a2,…an,b1,b2,…bn均为微块中的像素点,n为每组采样点的数目,则该微块的特征vs表示为:
vs={Ms(a1)-Ms(b1),Ms(a2)-Ms(b2)…Ms(an)-Ms(bn)}
令Um表示位于m编号采样点处像素的平均强度,定义为:
Pam(xa+i,ya+i)、Pbm(xb+i,yb+i)分别表示采样点集A,B中m编号中心采样点(xa,ya)、(xb,yb)邻域(xa+i,ya+i)、(xb+i,yb+i)点的像素强度。
该张图像提取特征表示为VS={U1,U2…Un}。
本实施例中,图像微块通常尺寸为9×9到15×15像素,最初选定9×9,若步分类准确率不理想,可调整选取图像补丁大小,再进行实验。
所述步骤S104:利用基于高斯核函数构建的支持向量机模型对所述图像集中的全部图像进行分类,其中:
本实施例中,用到的高斯核函数为:
利用支持向量机(SVM)对上一步筛选的特征选择结果进行训练、测试,查看分类结果。
用所述支持向量机基(SVM)的高斯核函数,对图像集中的全部图像的特征进行运算,实现对所述图像集中的全部图像进行分类。
本实施例中,采用特征去冗余与特征选择相融合的方法,包括二维特征去冗余、多维特征去冗余、基于最大相关最小冗余算法特征选择、BP神经网络分类,适用于海底底质分类的水声图像特征选择。
本发明实施例进一步给出一种基于微块差异特征提取及SVM的图像分类装置,如图3所示,所述装置包括:
去噪模块:配置为使用高斯平滑滤波算法对原始图像数据集中的各图像进行去噪处理;
增强处理模块:配置为基于同态滤波算法对去噪后的各图像进行增强处理,更新图像集;
特征提取模块:配置为对图像集中的各图像提取微块的差异特征;所述微块为尺寸在9×9到15×15像素范围内的图像补丁;
分类模块:配置为利用基于高斯核函数构建的支持向量机模型对所述图像集中的全部图像进行分类;
判断模块:配置为判断分类结果是否满足预定要求。
本发明实施例进一步给出一种基于微块差异特征提取及SVM的图像分类系统,包括:
处理器,用于执行多条指令;
存储器,用于存储多条指令;
其中,所述多条指令,用于由所述存储器存储,并由所述处理器加载并执行如前所述的基于微块差异特征提取及SVM的图像分类方法。
本发明实施例进一步给出一种计算机可读存储介质,所述存储介质中存储有多条指令;所述多条指令,用于由处理器加载并执行如前所述的基于微块差异特征提取及SVM的图像分类方法。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机装置(可以是个人计算机,实体机服务器,或者网络云服务器等,需安装Windows或者Windows Server操作系统)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (7)
1.一种基于微块差异特征提取及SVM的图像分类方法,其特征在于,所述方法包括以下步骤:
步骤S101:使用高斯平滑滤波算法对原始图像数据集中的各图像进行去噪处理;
步骤S102:基于同态滤波算法对去噪后的各图像进行增强处理,更新图像集;
步骤S103:对图像集中的各图像提取微块的差异特征;所述微块为尺寸在9×9到15×15像素范围内的图像补丁;
步骤S104:利用基于高斯核函数构建的支持向量机模型对所述图像集中的全部图像进行分类;
步骤S105:判断分类结果是否满足预定要求,若满足,方法结束;否则,对增强后的图像集中得各图像减小微块的大小、增加微块数量,进入步骤S103。
2.如权利要求1所述的基于微块差异特征提取及SVM的图像分类方法,其特征在于,所述步骤S102中同态滤波的步骤为:
步骤S1021:对去噪后的各图像均取对数运算,使得各图像中照射强度与反射强度分离;令
z(x,y)=ln f(x,y)=ln i(x,y)+ln r(x,y) (公式1)
其中,x、y分别像素点横、纵坐标,取对数后的图像定义为z(x,y);
步骤S1022:公式1左右两侧同时进行傅里叶变换,得到:
Z(u,v)=Fi(u,v)+Fr(u,v)
其中,u、v分别像素点x、y傅里叶变换后的参数,Z(u,v)为z(u,y)傅里叶变换后的函数表达式,Fi(u,v)为lni(x,y)傅里叶变换后的函数表达式,Fr(u,v)为lnr(x,y)傅里叶变换后的函数表达式;
步骤S1023:将经过傅里叶变换后的Z(u,v)输入到同态滤波器中,通过滤波函数H(u,v)进行滤波,得到滤波函数S(u,v),其过程为:
S(u,v)=H(u,v)Z(u,v)=H(u,v)Fi(u,v)+H(u,v)Fr(u,v)
步骤S1024:对滤波函数S(u,v)进行傅里叶反变换可得s(x,y):
s(x,y)=F-1(S(u,v))
最后经过反对数运算得到最终所需的图像g(x,y),其公式为:
g(x,y)=exp^(s(x,y))=io(x,y)*ro(x,y)
其中,io(x,y)为同态滤波后的照射强度,ro(x,y)为同态滤波后的反射强度。
3.如权利要求2所述的基于微块差异特征提取及SVM的图像分类方法,其特征在于,所述步骤S103:对图像集中的各图像提取微块的差异特征,其中,对一张图像提取微块的差异特征的方法包括:
对图像集中的任意一张图像,将图像划分为若干图像块,确定图像中的图像补丁,将尺寸在9×9到15×15像素范围内的图像补丁,确定为微块;
对所述任意一张图像中的某一微块,该微块中随机选取两组采样点A{a1,a2,…an},B{b1,b2,…bn},该微块大小为S,a1,a2,…an,b1,b2,…bn均为微块中的像素点,n为每组采样点的数目,则该微块的特征vs表示为:
vs={Ms(a1)-Ms(b1),Ms(a2)-Ms(b2)…Ms(an)-Ms(bn)}
令Um表示位于m采样点处像素的平均强度,定义为:
Pam(xa+i,ya+i)、Pbm(xb+i,yb+i)分别表示采样点集A,B中m编号的中心采样点(xa,ya)、(xb,yb)邻域(xa+i,ya+i)、(xb+i,yb+i)点的像素强度;
该图像提取特征表示为VS={U1,U2…Un}。
5.一种基于微块差异特征提取及SVM的图像分类装置,其特征在于,所述装置包括:
去噪模块:配置为使用高斯平滑滤波算法对原始图像数据集中的各图像进行去噪处理;
增强处理模块:配置为基于同态滤波算法对去噪后的各图像进行增强处理,更新图像集;
特征提取模块:配置为对图像集中的各图像提取微块的差异特征;所述微块为尺寸在9×9到15×15像素范围内的图像补丁;
分类模块:配置为利用基于高斯核函数构建的支持向量机模型对所述图像集中的全部图像进行分类;
判断模块:配置为判断分类结果是否满足预定要求。
6.一种基于微块差异特征提取及SVM的图像分类系统,包括:
处理器,用于执行多条指令;
存储器,用于存储多条指令;
其中,所述多条指令,用于由所述存储器存储,并由所述处理器加载并执行如权利要求1-4中任一项所述的基于微块差异特征提取及SVM的图像分类方法。
7.一种计算机可读存储介质,所述存储介质中存储有多条指令;所述多条指令,用于由处理器加载并执行如权利要求1-4中任一项所述的基于微块差异特征提取及SVM的图像分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210037541.6A CN114548219A (zh) | 2022-01-13 | 2022-01-13 | 基于微块差异特征提取及svm的图像分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210037541.6A CN114548219A (zh) | 2022-01-13 | 2022-01-13 | 基于微块差异特征提取及svm的图像分类方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114548219A true CN114548219A (zh) | 2022-05-27 |
Family
ID=81672031
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210037541.6A Pending CN114548219A (zh) | 2022-01-13 | 2022-01-13 | 基于微块差异特征提取及svm的图像分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114548219A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020114527A1 (en) * | 2001-02-22 | 2002-08-22 | Matsushita Graphic Communication Systems, Inc | Method and apparatus for image coding |
WO2019106505A1 (en) * | 2017-12-01 | 2019-06-06 | International Business Machines Corporation | Cognitive document image digitization |
CN110490210A (zh) * | 2019-08-23 | 2019-11-22 | 河南科技大学 | 一种基于紧致通道间t采样差分的彩色纹理分类方法 |
CN110874823A (zh) * | 2018-09-03 | 2020-03-10 | 中国矿业大学(北京) | 一种基于暗原色先验与同态滤波的矿井雾尘图像增强方法 |
-
2022
- 2022-01-13 CN CN202210037541.6A patent/CN114548219A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020114527A1 (en) * | 2001-02-22 | 2002-08-22 | Matsushita Graphic Communication Systems, Inc | Method and apparatus for image coding |
WO2019106505A1 (en) * | 2017-12-01 | 2019-06-06 | International Business Machines Corporation | Cognitive document image digitization |
CN110874823A (zh) * | 2018-09-03 | 2020-03-10 | 中国矿业大学(北京) | 一种基于暗原色先验与同态滤波的矿井雾尘图像增强方法 |
CN110490210A (zh) * | 2019-08-23 | 2019-11-22 | 河南科技大学 | 一种基于紧致通道间t采样差分的彩色纹理分类方法 |
Non-Patent Citations (1)
Title |
---|
张响云: "面向海底底质声呐图像的分类算法研究", 中国优秀硕士学位论文全文数据库, no. 5, 15 May 2021 (2021-05-15), pages 19 - 21 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ye et al. | No-reference image quality assessment using visual codebooks | |
Kandaswamy et al. | Efficient texture analysis of SAR imagery | |
WO2020258667A1 (zh) | 图像识别方法及装置、非易失性可读存储介质、计算机设备 | |
US8086049B2 (en) | Iterative fisher linear discriminant analysis | |
CN111415323B (zh) | 图像的检测方法及装置,神经网络的训练方法及装置 | |
CN107767358B (zh) | 一种图像中物体模糊度确定方法和装置 | |
CN113762138A (zh) | 伪造人脸图片的识别方法、装置、计算机设备及存储介质 | |
CN114298997B (zh) | 一种伪造图片检测方法、装置及存储介质 | |
CN111127387A (zh) | 无参考图像的质量的评价方法 | |
Varish | A modified similarity measurement for image retrieval scheme using fusion of color, texture and shape moments | |
CN106940904B (zh) | 基于人脸识别和语音识别的考勤系统 | |
Matiolański et al. | CCTV object detection with fuzzy classification and image enhancement | |
CN110942034A (zh) | 用于检测多类型深度网络生成图像的方法、系统、装置 | |
CN113378620B (zh) | 监控视频噪声环境下跨摄像头行人重识别方法 | |
CN113673465A (zh) | 图像检测方法、装置、设备及可读存储介质 | |
CN108764112A (zh) | 一种遥感图像目标物检测方法及设备 | |
CN115147895B (zh) | 人脸鉴伪方法及装置 | |
Long* et al. | Characterization of migrated seismic volumes using texture attributes: a comparative study | |
CN114548219A (zh) | 基于微块差异特征提取及svm的图像分类方法及装置 | |
CN111860153A (zh) | 尺度自适应的高光谱图像分类方法及系统 | |
CN113808055B (zh) | 基于混合膨胀卷积的植物识别方法、装置及存储介质 | |
CN113723464B (zh) | 一种遥感影像分类方法及装置 | |
Sang et al. | A new approach for texture classification in CBIR | |
Dasari et al. | Integrated approaches for road extraction and de-noising in satellite imagery using probability neural networks | |
CN115908783A (zh) | 一种感兴趣对象的识别方法、装置及计算机设备 |
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 |