相似圖像分類方法及系統的製作方法
2023-09-17 06:10:50 1
專利名稱：相似圖像分類方法及系統的製作方法
技術領域：
本發明涉及圖像識別技術領域，特別涉及一種相似圖像分類方法及系統。
背景技術：
分類本質上是一種樹狀結構的級聯形式，在這種結構中，靠近根部的高一級節點描述融合類別(inclusive class),也稱為上位類別(super-ordinate class),例如,車輛等。中間層，也叫基本類(basic class)節點描述更加具體的類別,例如,摩託車或汽車等。而靠近葉節點的低一層節點，也稱為從屬類別(subordinate class),則通常捕獲對象間更加細微的差別，例如，運動摩託車或多功能摩託車，客車，卡車或小汽車等。相似圖像分類是指對同一基本類或形狀和視覺表觀等方面及其相近的對象進行分類，也就是對從屬類別的對象進行分類，例如，區分不同種類的蘑菇、汽車等等。隨著計算機技術、人工智慧技術和傳感器技術的飛速發展，以及人類在工作、學習和生活領域的迫切需求，模式分類技術已經發展到了一個嶄新的階段。但是，目前專家和學者把焦點大多集中在對基本層(basic level)對象的分類工作上，而很少提及相似圖像，即從屬層(subordinate level)對象的分類。傳統的模式分類方法應用到相似度極高的相似圖像分類中會經常會失敗，其主要原因有以下幾種:第一，目前一些經典的分類方法經常使用碼本方式來提取特徵，這種「詞典」通常用非監督方法進行構建。使用k均值或高斯混合模型聚類得到的「詞條」有時雖然在某空間區域高概率出現，但其實對類別判決卻不一定是有用的信息。第二，當被檢測的區域映射成「詞典詞條」形式時，很多細節信息被丟失。第三，「詞典」方法需要手動調節聚類的一些參數，既繁瑣，又不一定選擇得特別合適。而與此相比，基於釋文的方法在很大程度上彌補了上述使用碼本方法的不足，而且識別效果也非常好，但是巨大的人工成本使其發展受到了很大的限制。無監督級聯方法有效的解決了基本層分類問題，然而不能區分相關性很大的從屬層類別。基於屬性的識別方法也顯示了很大的優勢。這些技術通常是利用帶有屬性標籤的訓練數據學習判別性模型，然後應用學習模型評估測試圖像恰當的視覺屬性。這些方法對於識別類似皮毛，點或四條腿等屬性是有效的，但是對於區分從屬層對象間細微的差別卻顯得不甚理想。
發明內容
本發明的目的旨在至少解決上述的技術缺陷之一。為達到上述目的，本發明一方面的實施例提出一種相似圖像分類方法，包括以下步驟:S1:輸入待識別圖像並獲取所述待識別圖像的形狀特徵、梯度特徵、顏色特徵和紋理特徵；S2:將圖像庫中的訓練樣本分割生成多個不同尺寸的局部區域圖像，並進行尺度變換，獲得圖像模板集，所述圖像模板集中包括多個圖像模板；S3:分析所述圖像模板集中的圖像模板，並獲得圖像模板的形狀特徵、梯度特徵、顏色特徵和紋理特徵；S4:將所述待識別圖像與所述圖像模板集圖像的對應特徵進行匹配，並進行處理，獲得所述待識別圖像的圖像細節信息；S5:通過所述圖像表示數據並利用Bagging分類器得到待識別圖像的類別。根據本發明實施例的方法，通過對輸入圖像進行形狀特徵、梯度特徵、顏色特徵和紋理特徵的提取和匹配，有效克服了仿射、光照等因素對分類結果的影像，同時保證了圖像表示信息的完整性、豐富性和可判別性，保證了相似圖像的正確分類。本發明的一個實例中，所述步驟S2具體包括:S21:將圖像庫中的訓練樣本分割生成多個不同尺寸的局部區域圖像，構成第一圖像模板集；S22:對所述第一圖像模板集中的各個圖像模板進行尺度變換，獲得不同尺度的圖像模板，構成圖像模板集。本發明的一個實例中，所述步驟S4具體包括:S41:將所述待識別圖像與所述圖像模板集中圖像的對應特徵進行匹配，獲得待識別圖像的特徵響應圖，其中，所述待識別圖像的特徵響應圖包括形狀響應圖、梯度響應圖、顏色響應圖和紋理響應圖；S42:將所述待識別圖像的形狀響應圖、梯度響應圖、顏色響應圖和紋理響應圖的每幅響應圖中的數值按從大到小排序，然後取排好序的數值中前多個數據，組成該幅響應圖的第一特徵集；S43:將所述待識別圖像的形狀響應圖、梯度響應圖、顏色響應圖和紋理響應圖的每幅響應圖分別劃分為多個區域，並分別將所述每幅響應圖中的每個區域中的數值按從大到小排序，然後分別取排好序的數值中前多個數據，按一定順序將所有區域取出的數據組成該幅響應圖的第二特徵集；S44:將所述每幅響應圖的第一特徵集和第二特徵集進行串聯，組成特徵向量，分別將所有形狀響應圖的特徵向量串聯、所有梯度響應圖的特徵向量串聯、所有顏色響應圖的特徵向量串聯以及所有紋理響應圖的特徵向量串聯，得到待識別圖像的形狀融合特徵向量、梯度融合特徵向量、顏色融合特徵向量和紋理融合特徵向量；S45:將所述待識別圖像的形狀融合特徵向量、梯度融合特徵向量、顏色融合特徵向量和紋理融合特徵向量再次進行融合，生成最終融合特徵向量，用來表示待識別圖像細節信息。本發明的一個實例中，所述步驟S5具體包括:S51:設計Bagging分類器的目標函數；S52:通過所述目標函數並利用所述圖像細節信息獲得特徵向量權重集；S53:根據多個分類器對所述特徵向量權重集的置信度確定所述待識別圖像的類別並輸出。為達到上述目的，本發明的實施例另一方面提出一種相似圖像分類系統，包括:輸入模塊，用於輸入待識別圖像並獲取所述待識別圖像的形狀特徵、梯度特徵、顏色特徵和紋理特徵；劃分模塊，用於將圖像庫中的訓練樣本分割生成多個不同尺寸的局部區域圖像，並將局部區域圖像分別進行尺度變換，獲得圖像模板集，所述圖像模板集中包括多個圖像模板；分析模塊，用於分析所述圖像模板集中的圖像模板，並獲得圖像模板的形狀特徵、梯度特徵、顏色特徵和紋理特徵；匹配模塊，用於將所述待識別圖像與所述圖像模板集中圖像的對應特徵進行匹配，並進行處理，獲得所述待識別圖像的圖像細節信息；獲得模塊，用於通過所述圖像表示數據並利用Bagging分類器得到待識別圖像的類別。根據本發明實施例的方法，通過對輸入圖像進行形狀特徵、梯度特徵、顏色特徵和紋理特徵的提取和匹配，有效克服了仿射、光照等因素對分類結果的影像，同時保證了圖像表示信息的完整性、豐富性和可判別性，保證了相似圖像的正確分類。本發明的一個實例中，所述劃分模塊包括:提取單元，用於將圖像庫中的訓練樣本分割生成多個不同尺寸的局部區域圖像，構成第一圖像模板集；尺度變換單元，用於對所述第一圖像模板集中的各個圖像模板進行尺度變換，獲得不同尺度的圖像模板，構成圖像模板集。本發明的一個實例中，所述匹配模塊包括:匹配單元，用於將所述待識別圖像與所述圖像模板集圖像的對應特徵進行匹配，分別獲得待識別圖像的特徵響應圖，其中，所述待識別圖像的特徵響應圖包括形狀響應圖、梯度響應圖、顏色響應圖和紋理響應圖；查找單元，用於將所述待識別圖像的形狀響應圖、梯度響應圖、顏色響應圖和紋理響應圖的每幅響應圖中的數值按從大到小排序，然後取排好序的數值中前多個數據，組成該幅響應圖的第一特徵集；劃分單元，用於將所述待識別圖像的形狀響應圖、梯度響應圖、顏色響應圖和紋理響應圖的每幅響應圖分別劃分為多個區域，並分別將所述每幅響應圖中的每個區域中的數值按從大到小排序，然後分別取排好序的數值中前多個數據，按一定順序將所有區域取出的數據組成該幅響應圖的第二特徵集；融合單元，用於將所述所有特徵進行有效融合，獲得最終融合特徵向量，用來表示待識別圖像細節信息；第一融合單元，用於將所述每幅響應圖的第一特徵集和第二特徵集進行串聯，生成特徵向量，分別將所有形狀響應圖的特徵向量串聯、所有梯度響應圖的特徵向量串聯、所有顏色響應圖的特徵向量串聯以及所有紋理響應圖的特徵向量串聯，得到待識別圖像的形狀融合特徵向量、梯度融合特徵向量、顏色融合特徵向量和紋理融合特徵向量；以及第二融合單元，用於將所述待識別圖像的形狀融合特徵向量、梯度融合特徵向量、顏色融合特徵向量和紋理融合特徵向量再次進行融合，生成最終融合特徵向量，用來表示待識別圖像細節信息。本發明的一個實例中，所述獲得模塊包括:設計單元，用於設計Bagging分類器的目標函數；獲得單元，用於通過所述目標函數並利用所述圖像細節信息獲得特徵向量權重集；確定輸出單元，用於根據多個分類器對所述特徵向量權重集的置信度確定所述待識別圖像的類別並輸出。本發明附加的方面和優點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發明的實踐了解到。
本發明上述的和/或附加的方面和優點從下面結合附圖對實施例的描述中將變得明顯和容易理解，其中:圖1為根據本發明一個實施例的相似圖像分類方法的流程圖；圖2為根據本發明一個實施例的類內差別與類間差別的比較圖；圖3為根據本發明一個實施例的相似圖像分類系統的框架圖；圖4為根據本發明一個實施例的匹配模塊的結構框圖。
具體實施例方式下面詳細描述本發明的實施例，實施例的示例在附圖中示出，其中自始至終相同或類似的標號表示相同或類似的元件或具有相同或類似功能的元件。下面通過參考附圖描述的實施例是示例性的，僅用於解釋本發明，而不能解釋為對本發明的限制。圖1為根據本發明一個實施例的相似圖像分類方法的流程圖。如圖1所示，根據本發明實施例的相似圖像分類方法，包括以下步驟:
步驟S101，輸入待識別圖像並獲取待識別圖像的形狀特徵、梯度特徵、顏色特徵和紋理特徵。具體地，由於SIFT算子對平移、旋轉、尺度縮放、亮度變化、遮擋和噪聲等具有良好的不變性，對視覺變化、仿射變換也保持一定程度的穩定性，因此本發明提取SIFT算子作為圖像形狀特徵。LBP具有旋轉不變性，同時能夠在很大程度上克服光照變化對圖像的影響，因此提取LBP算子作為圖像紋理特徵表示。此外，相關文獻表明，圖像的梯度和顏色是圖像信息最有效的描述，因此同時提取圖像梯度特徵和顏色特徵表示圖像。步驟S102，將圖像庫中的訓練樣本分割生成多個不同尺寸的局部區域圖像，並進行尺度變換，獲得圖像模板集，圖像模板集中包括多個圖像模板。具體地，將圖像庫中的訓練樣本分割生成多個不同尺寸的局部區域圖像，構成第一圖像模板集，並對第一圖像模板集中的各個圖像模板進行尺度變換，獲得不同尺度的圖像模板，構成圖像模板集。其中，模板圖像的大小尺寸可以根據實際需要進行調整和規範。步驟S103，分析 圖像模板集中的圖像模板，獲得圖像模板的形狀特徵、梯度特徵、顏色特徵和紋理特徵。具體地，由於SIFT算子對平移、旋轉、尺度縮放、亮度變化、遮擋和噪聲等具有良好的不變性，對視覺變化、仿射變換也保持一定程度的穩定性，因此本發明提取SIFT算子作為圖像形狀特徵。LBP具有旋轉不變性，同時能夠在很大程度上克服光照變化對圖像的影響，因此提取LBP算子作為圖像紋理特徵表示。此外，相關文獻表明，圖像的梯度和顏色是圖像信息最有效的描述，因此同時提取圖像梯度特徵和顏色特徵表示圖像。步驟S104，將待識別圖像與圖像模板集中圖像的對應特徵進行匹配並進行處理，獲得待識別圖像的圖像細節信息。具體地，將待識別圖像與圖像模板集中圖像的對應特徵進行匹配，分別獲得待識別圖像的形狀響應圖、梯度響應圖、顏色響應圖和紋理響應圖。然後，將待識別圖像的形狀響應圖、梯度響應圖、顏色響應圖和紋理響應圖的每幅響應圖中的數值按從大到小排序，然後取排好序的數值中前多個數據，組成該幅響應圖的第一特徵集，並且將待識別圖像的形狀響應圖、梯度響應圖、顏色響應圖和紋理響應圖的每幅響應圖分別劃分為多個區域，並分別將每幅響應圖中的每個區域中的數值按從大到小排序，然後分別取排好序的數值中前多個數據，按一定順序將所有區域取出的數據組成該幅響應圖的第二特徵集。之後將每幅響應圖的第一特徵集和第二特徵集進行串聯，組成特徵向量，分別將所有形狀響應圖的特徵向量串聯、所有梯度響應圖的特徵向量串聯、所有顏色響應圖的特徵向量串聯以及所有紋理響應圖的特徵向量串聯，得到待識別圖像的形狀融合特徵向量、梯度融合特徵向量、顏色融合特徵向量和紋理融合特徵向量。最後，將待識別圖像的形狀融合特徵向量、梯度融合特徵向量、顏色融合特徵向量和紋理融合特徵向量再次進行融合，生成最終融合特徵向量，用來表不待識別圖像細節彳目息。步驟S105，通過圖像表示數據並利用Bagging分類器得到待識別圖像的類別。具體地，設計Bagging分類器的目標函數，其目標函數如下:
權利要求
1.一種相似圖像分類方法，其特徵在於，包括以下步驟: S1:輸入待識別圖像並獲取所述待識別圖像的形狀特徵、梯度特徵、顏色特徵和紋理特徵； S2:將圖像庫中的訓練樣本分割生成多個不同尺寸的局部區域圖像，並進行尺度變換，獲得圖像模板集，所述圖像模板集中包括多個圖像模板； S3:分析所述圖像模板集中的圖像模板，並獲得圖像模板的形狀特徵、梯度特徵、顏色特徵和紋理特徵； 54:將所述待識別圖像與所述圖像模板集圖像的對應特徵進行匹配，並進行處理，獲得所述待識別圖像的圖像細節信息； 55:通過所述圖像表示數據並利用Bagging分類器得到待識別圖像的類別。
2.根據權利要求1所述的相似圖像分類方法，其特徵在於，所述步驟S2具體包括: S21:將圖像庫中的訓練樣本分割生成多個不同尺寸的局部區域圖像，構成第一圖像模板集； S22:對所述第一圖像模板集中的各個圖像模板進行尺度變換，獲得不同尺度的圖像模板，構成圖像模板集。
3.根據權利要求1所述的相似`圖像分類方法，其特徵在於，所述步驟S4具體包括: 541:將所述待識別圖像與所述圖像模板集中圖像的對應特徵進行匹配，獲得待識別圖像的特徵響應圖，其中，所述待識別圖像的特徵響應圖包括形狀響應圖、梯度響應圖、顏色響應圖和紋理響應圖； 542:將所述待識別圖像的形狀響應圖、梯度響應圖、顏色響應圖和紋理響應圖的每幅響應圖中的數值按從大到小排序，然後取排好序的數值中前多個數據，組成該幅響應圖的第一特徵集； 543:將所述待識別圖像的形狀響應圖、梯度響應圖、顏色響應圖和紋理響應圖的每幅響應圖分別劃分為多個區域，並分別將所述每幅響應圖中的每個區域中的數值按從大到小排序，然後分別取排好序的數值中前多個數據，按一定順序將所有區域取出的數據組成該幅響應圖的第二特徵集； S44:將所述每幅響應圖的第一特徵集和第二特徵集進行串聯，組成特徵向量，分別將所有形狀響應圖的特徵向量串聯、所有梯度響應圖的特徵向量串聯、所有顏色響應圖的特徵向量串聯以及所有紋理響應圖的特徵向量串聯，得到待識別圖像的形狀融合特徵向量、梯度融合特徵向量、顏色融合特徵向量和紋理融合特徵向量； S45:將所述待識別圖像的形狀融合特徵向量、梯度融合特徵向量、顏色融合特徵向量和紋理融合特徵向量再次進行融合，生成最終融合特徵向量，用來表示待識別圖像細節信肩、O
4.根據權利要求1所述的相似圖像分類方法，其特徵在於，所述步驟S5具體包括: 551:設計Bagging分類器的目標函數； 552:通過所述目標函數並利用所述圖像細節信息獲得特徵向量權重集； S53:根據多個分類器對所述特徵向量權重集的置信度確定所述待識別圖像的類別並輸出。
5.一種相似圖像分類系統，其特徵在於，包括:輸入模塊，用於輸入待識別圖像並獲取所述待識別圖像的形狀特徵、梯度特徵、顏色特徵和紋理特徵； 劃分模塊，用於將圖像庫中的訓練樣本分割生成多個不同尺寸的局部區域圖像，並將局部區域圖像分別進行尺度變換，獲得圖像模板集，所述圖像模板集中包括多個圖像模板； 分析模塊，用於分析所述圖像模板集中的圖像模板，並獲得圖像模板的形狀特徵、梯度特徵、顏色特徵和紋理特徵； 匹配模塊，用於將所述待識別圖像與所述圖像模板集中圖像的對應特徵進行匹配，並進行處理，獲得所述待識別圖像的圖像細節信息； 獲得模塊，用於通過所述圖像表示數據並利用Bagging分類器得到待識別圖像的類別。
6.根據權利要求5所述的相似圖像分類系統，其特徵在於，所述劃分模塊包括: 提取單元，用於將圖像庫中的訓練樣本分割生成多個不同尺寸的局部區域圖像，構成第一圖像模板集； 尺度變換單元，用於對所 述第一圖像模板集中的各個圖像模板進行尺度變換，獲得不同尺度的圖像模板，構成圖像模板集。
7.根據權利要求5所述的相似圖像分類系統，其特徵在於，所述匹配模塊包括: 匹配單元，用於將所述待識別圖像與所述圖像模板集圖像的對應特徵進行匹配，分別獲得待識別圖像的特徵響應圖，其中，所述待識別圖像的特徵響應圖包括形狀響應圖、梯度響應圖、顏色響應圖和紋理響應圖； 查找單元，用於將所述待識別圖像的形狀響應圖、梯度響應圖、顏色響應圖和紋理響應圖的每幅響應圖中的數值按從大到小排序，然後取排好序的數值中前多個數據，組成該幅響應圖的第一特徵集； 劃分單元，用於將所述待識別圖像的形狀響應圖、梯度響應圖、顏色響應圖和紋理響應圖的每幅響應圖分別劃分為多個區域，並分別將所述每幅響應圖中的每個區域中的數值按從大到小排序，然後分別取排好序的數值中前多個數據，按一定順序將所有區域取出的數據組成該幅響應圖的第二特徵集； 第一融合單元，用於將所述每幅響應圖的第一特徵集和第二特徵集進行串聯，生成特徵向量，分別將所有形狀響應圖的特徵向量串聯、所有梯度響應圖的特徵向量串聯、所有顏色響應圖的特徵向量串聯以及所有紋理響應圖的特徵向量串聯，得到待識別圖像的形狀融合特徵向量、梯度融合特徵向量、顏色融合特徵向量和紋理融合特徵向量；以及 第二融合單元，用於將所述待識別圖像的形狀融合特徵向量、梯度融合特徵向量、顏色融合特徵向量和紋理融合特徵向量再次進行融合，生成最終融合特徵向量，用來表示待識別圖像細節信息。
8.根據權利要求5所述的相似圖像分類系統，其特徵在於，所述獲得模塊包括: 設計單元，用於設計Bagging分類器的目標函數； 獲得單元，用於通過所述目標函數並利用所述圖像細節信息獲得特徵向量權重集；確定輸出單元，用於根據多個分類器對所述特徵向量權重集的置信度確定所述待識別圖像的類別並輸出。
全文摘要
本發明提出一種相似圖像分類方法及系統。其中，方法包括以下步驟輸入待識別圖像並獲取待識別圖像的形狀特徵、梯度特徵、顏色特徵和紋理特徵；將圖像庫中的訓練樣本分割生成多個不同尺寸的局部區域圖像，並進行尺度變換，獲得圖像模板集，圖像模板集中包括多個圖像模板；分析圖像模板集中的圖像模板，並獲得圖像模板的形狀特徵、梯度特徵、顏色特徵和紋理特徵；將待識別圖像與圖像模板集圖像的對應特徵進行匹配，並進行處理，獲得待識別圖像的圖像細節信息；通過圖像表示數據並利用Bagging分類器得到待識別圖像的類別。根據本發明實施例的方法，通過對輸入圖像進行形狀特徵、梯度特徵、顏色特徵和紋理特徵的提取和匹配，實現了相似圖像的正確分類。
文檔編號G06F17/30GK103106265SQ20131003774
公開日2013年5月15日 申請日期2013年1月30日 優先權日2013年1月30日
發明者王瑜, 於重重, 張慧妍 申請人:北京工商大學