一种彩色图像检索和分类方法技术

本发明专利技术涉及了一种利用Log‑Gabor滤波器实现图像检索和分类方法。该方法主要内容包括以下几点：1)利用copula模型同时捕获了Log‑Gabor小波子带间的相关性和颜色通道的相关性，提高了检索和分类的准确度；2)本发明专利技术对将颜色通道上Log‑Gabor小波子带进行了选择(去掉冗余子带提高算法精度，减少计算时间)，而且每个彩色图像只建立一个copula模型，提高了计算效率。与现有方法相比，本发明专利技术有本发明专利技术抗噪声干扰能力强、具有较好的检索和分类性能、具有较低的计算复杂度。

A method of color image retrieval and classification

The present invention relates to an image retrieval and classification method using Log Gabor filter. The main methods include the following points: 1) using the copula model and Log Gabor captured the correlation between wavelet subbands and the correlation between the color channels, improve the retrieval and classification accuracy; 2) the invention of the color channel on Log Gabor wavelet sub bands were selected (redundant subband to improve algorithm accuracy and reduce the computation time), and each color image only set up a copula model, to improve the computational efficiency. Compared with the prior art, the invention has the advantages of strong anti-interference ability, good retrieval and classification performance, and low computational complexity.

【技术实现步骤摘要】

本专利技术涉及图像检索技术与分类领域，尤其是涉及利用颜色通道相关性的一种图像检索方法。
技术介绍
目前大多数图像采集设备获取的图像为彩色图像(其中RGB图像是最常见的一种)，然而目前多数图像检索方法是基于灰度图像来设计的，即首先要将彩色图像(如RGB图像)转换为灰度图像。基于灰度图像的纹理信息进行分类与检索的缺点是没有利用图像的颜色特征，降低了算法的识别精度。常用的图像检索与分类方法包括离散小波变换方法(DWT)、对偶树小波变换方法(DT-CWT)、Gabor小波分解方法、局部二进制模式方法(LBP)及其扩展方法。为了利用颜色特征，可以将上述方法在每个颜色通道上分别提取纹理特征，然后将所有的颜色通道纹理特征连接成最终的图像特征。然而这种先在通道独立计算特征再连接的检索与分类方法提高的效果不很明显。对于LBP及其扩展的描述子方法，其最大的特点是抗图像噪声干扰能力差。近来在该研究领域中，有算法利用了颜色通道的相关性，结合copula模型来提高检索和分类准确率(KwittR,MeerwaldP,UhlA.EfficienttextureimageretrievalusingcopulasinaBayesianframework[J].IEEEtransactionsonimageprocessing,2011,20(7):2063-2077，文献1)。具体做法是用DWT或DT-CWT分解RGB图像的3个颜色通道上进行分解。对于DT-CWT，一般在3个通道上分别进行3层分解，每层分解有6个方向子带(对于DWT则只有水平、垂直和对角3个方向子带)。将每一层上的18个子带用copula模型进行连接，建立颜色相关的多维统计模型。这样3层分解将产生3个copula多维统计模型，利用统计模型的相似比较(常用的是Kullback–Leiblerdistance，简称KLD)进行检索和分类(LasmarNE,BerthoumieuY.Gaussiancopulamultivariatemodelingfortextureimageretrievalusingwavelettransforms[J].IEEETransactionsonImageProcessing,2014,23(5):2246-2261，文献2)。这种基于传统小波变换的copula模型有两个缺点：1)相比于Gabor小波(或Gabor滤波器)，DWT和DTCWT对纹理图像的刻画能力较弱；2)由于受小波正交性影响，DWT不能捕获尺度和方向上的相关性；对于DT-CWT其尺度相关性也很弱，降低了性能。文献1采用了非常耗时的Bayesian框架进行检索；文献2没有利用纹理图像的颜色通道特征，也降低了算法的性能。Li,Chaorong等(论文Li,Chaorong,GuiduoDuan,andFujinZhong.\RotationinvarianttextureretrievalconsideringthescaledependenceofGaborwavelet.\IEEETransactionsonImageProcessing,2015,24(8):2344-2354.)提出了Gabor小波结合copula图像检索方法，但是与文献2一样针对的是灰度图像的检索，也没有考虑图像颜色通道相关性。
技术实现思路
本专利技术方法针对现有图像分类和检索方法的不足，提出一种考虑颜色通道相关性的，利用Log-Gabor滤波器实现图像检索和分类方法。Log-Gabor是Gabor滤波器的提提升版，具有模拟人的视觉感知细胞。利用它能提取具有较好区别能力的图像特征，更适合提取自然图像特征信息。本专利技术主要创新点在于：1)利用copula模型同时捕获了Log-Gabor小波子带间的相关性和颜色通道的相关性，提高了检索和分类的准确度；2)本专利技术对将颜色通道上Log-Gabor小波子带进行了选择(去掉冗余子带提高算法精度)，而且每个彩色图像只建立一个copula模型，提高了计算效率。本专利技术方法具体实施步骤是：步骤1，用二维Log-Gabor滤波器将RGB彩色图像在3个通道上分别进行4尺度和6方向分解，这样一共得到72个Log-Gabor输出图像(4×6×3)，称为Log-Gabor子带。二维Log-Gabor滤波器函数的频域响应定义如下：其中k和θ分别表示频域极坐标上的半径和方向；u∈[1,…,L]是尺度因子，v∈[1,…,S]是方向因子，L和S是分别表示最大分解尺度数和方向数的正整数；σk和σθ分别决定了尺度和方向带宽。步骤2，分别对每一个Log-Gabor子带进行拉直运算，即将二维Log-Gabor子带从上到下、从左到右拼接形成一维向量(称为子带向量)。对于M行N列的Log-Gabor子带将产生长度为P的向量(P＝M×N)。步骤3，用Weibull分布分别拟合72个向量。Weibull分布的密度函数表示为：其中α和β是Weibull分布的形状和尺度参数。Weibull累积分布函数为：拟合是在每个Log-Gabor子带向量上根据Weibull分布计算出参数α和β，以使曲线f(x|α,β)能最吻合的包络该向量的直方图。这里采用最大似然法拟合Gabor子带，即用下面的公式确定：此步骤将得到72个Weibull分布，包括72个不同的密度函数fi(xi)和累积分布Fi(xi)。步骤4，建立初步的高斯copula模型。此步骤用高斯copula模型联合这72个Weibull分布，使之成为一个多维统计模型，以获得比独立统计模型更好的检索或分类效果。Copula模型由下面的式子确定：其中n是边缘分布的个数，这里n取值为72；xi代表了n个向量；c(F1(x1|α1,β1),…,Fn(xn|αn,βn))是copula密度函数；Fi(xi|αi,βi)和fi(xi|αi,βi)是copula模型的边缘分布(这里分别是已经计算出参数的Weibull分布函数和密度函数)；Θ是参数集，包括边缘分布参数和copula函数的参数。这里选取高斯copula，其密度函数的表达式为：其中R是相关矩阵，ξ＝[ξ1,…,ξn]，ξi＝Φ-1(ui),i＝1,…,n，Φ是标准正太分布，Φ-1是其逆函数。由上可知Weibull边缘分布和高斯Copula函数确定了copula模型，该模型为多元统计模型。利用已经求得的Fi(xi|αi,βi)和fi(xi|αi,βi)，并根据最大似然法求得高斯copula模型参数R的估计：其中ξi＝Φ-1(FW(xi|αi,βi))，ξT是ξ的转置，L是Log-Gabor子带向量长度。这样参数Θ(包括copula函数参数和边缘分布参数)已全部确定，即copula模型已确定。步骤5，Log-Gabor子带选择。上述步骤建立的copula模型联合了Log-Gabor分解的所有72个子带。其中一些子带在检索的时候会产生干扰因素，影响算法精度，而且子带过多也将增大计算量。因而选取一部分效果较好的子带参与最终的检索和分类是有必要的。由于是联合分布模型，主要考察的是子带间组合性能，而不是单独测试某个子带的性能。设所有子带集合为S＝{s1,…,s72本文档来自技高网...

【技术保护点】
一种彩色图像检索和分类方法，其特征在于它包括以下步骤：步骤1，用二维Log‑Gabor滤波器将RGB彩色图像在3个通道上分别进行4尺度和6方向分解，这样一共得到72个Log‑Gabor输出图像(4×6×3)，称为Log‑Gabor子带。二维Log‑Gabor滤波器函数的频域响应定义如下：LGu,v(k,θ)=e-[log(k)-log(kv)]22[log(σk)]2e-(θ-θu)22σθ2]]>其中k和θ分别表示频域极坐标上的半径和方向；u∈[1,…,L]是尺度因子，v∈[1,…,S]是方向因子，L和S是分别表示最大分解尺度数和方向数的正整数；σk和σθ分别决定了尺度和方向带宽。步骤2，分别对每一个Log‑Gabor子带进行拉直运算，即将二维Log‑Gabor子带从上到下、从左到右拼接形成一维向量(称为子带向量)。对于M行N列的Log‑Gabor子带将产生长度为P的向量(P＝M×N)。步骤3，用Weibull分布分别拟合72个向量。Weibull分布的密度函数表示为：其中α和β是Weibull分布的形状和尺度参数。Weibull累积分布函数为：拟合是在每个Log‑Gabor子带向量上根据Weibull分布计算出参数α和β，以使曲线f(x|α,β)能最吻合的包络该向量的直方图。这里采用最大似然法拟合Gabor子带，即用下面的公式确定：此步骤将得到72个Weibull分布，包括72个不同的密度函数fi(xi)和累积分布Fi(xi)。步骤4，建立初步的高斯copula模型。此步骤用高斯copula模型联合这72个Weibull分布，使之成为一个多维统计模型，以获得比独立统计模型更好的检索或分类效果。Copula模型由下面的式子确定：h(x1,...,xn|Θ)=c(F1(x1|α1,β1),...,Fn(xn|αn,βn))·Πi=1nfi(xi|x,βi),]]>其中n是边缘分布的个数，这里n取值为72；xi代表了n个向量；c(F1(x1|α1,β1),…,Fn(xn|αn,βn))是copula密度函数；Fi(xi|αi,βi)和fi(xi|αi,βi)是copula模型的边缘分布(这里分别是已经计算出参数的Weibull分布函数和密度函数)；Θ是参数集，包括边缘分布参数和copula函数的参数。这里选取高斯copula，其密度函数的表达式为：g(u1,...,un|R)=|R|-1/2exp(-12ξT(R-1-I)ξ),]]>其中R是相关矩阵，ξ＝[ξ1,…,ξn]，ξi＝Φ‑1(ui),i＝1,…,n，Φ是标准正太分布，Φ‑1是其逆函数。由上可知Weibull边缘分布和高斯Copula函数确定了copula模型，该模型为多元统计模型。利用已经求得的Fi(xi|αi,βi)和fi(xi|αi,βi)，并根据最大似然法求得高斯copula模型参数R的估计：其中ξi＝Φ‑1(FW(xi|αi,βi))，P是Log‑Gabor子带向量长度。这样参数Θ(包括copula函数参数和边缘分布参数)已全部确定，即copula模型已确定。步骤5，Log‑Gabor子带选择。上述步骤建立的copula模型联合了Log‑Gabor分解的所有72个子带。其中一些子带在检索的时候会产生干扰因素，影响算法精度，而且子带过多也将增大计算量。因而选取一部分效果较好的子带参与最终的检索和分类是有必要的。由于是联合分布模型，主要考察的是子带间组合性能，而不是单独测试某个子带的性能。设所有子带集合为S＝{s1,…,s72}，si是第i个子带，用S‑si表示除去第i个子带剩下的71个子带。用h(S‑si)表示去除si后的copula模型，其检索或分类正确率用Ri表示，即Ri＝h(S‑si)。Ri越小，则表示第i个子带重要性越大。按照从小到大进行排序，选择前面m个(m＜n)参加重组最终的copula模型，这里m取值为36。在训练时，应在不同类型的图像数据库中进行训练，以确保选取的子带有广泛的适应性。这里用两个高斯copula模型之间的KLD(Kullback‑Leibler距离)相似度量来实现检索与分类(具体见步骤7中的公式)。步骤6，建立最终的copula模型。将选取的m个子带构建出copula模型。表示如下：h(x1,...,xm|Θ)=c(F1(x1|α1,β1),...,Fm(xm|αm,βm))·Πi=1mfi(xi|αi,βi)]]>...

【技术特征摘要】
1.一种彩色图像检索和分类方法，其特征在于它包括以下步骤：步骤1，用二维Log-Gabor滤波器将RGB彩色图像在3个通道上分别进行4尺度和6方向分解，这样一共得到72个Log-Gabor输出图像(4×6×3)，称为Log-Gabor子带。二维Log-Gabor滤波器函数的频域响应定义如下：LGu,v(k,θ)=e-[log(k)-log(kv)]22[log(σk)]2e-(θ-θu)22σθ2]]>其中k和θ分别表示频域极坐标上的半径和方向；u∈[1,…,L]是尺度因子，v∈[1,…,S]是方向因子，L和S是分别表示最大分解尺度数和方向数的正整数；σk和σθ分别决定了尺度和方向带宽。步骤2，分别对每一个Log-Gabor子带进行拉直运算，即将二维Log-Gabor子带从上到下、从左到右拼接形成一维向量(称为子带向量)。对于M行N列的Log-Gabor子带将产生长度为P的向量(P＝M×N)。步骤3，用Weibull分布分别拟合72个向量。Weibull分布的密度函数表示为：其中α和β是Weibull分布的形状和尺度参数。Weibull累积分布函数为：拟合是在每个Log-Gabor子带向量上根据Weibull分布计算出参数α和β，以使曲线f(x|α,β)能最吻合的包络该向量的直方图。这里采用最大似然法拟合Gabor子带，即用下面的公式确定：此步骤将得到72个Weibull分布，包括72个不同的密度函数fi(xi)和累积分布Fi(xi)。步骤4，建立初步的高斯copula模型。此步骤用高斯copula模型联合这72个Weibull分布，使之成为一个多维统计模型，以获得比独立统计模型更好的检索或分类效果。Copula模型由下面的式子确定：h(x1,....

【专利技术属性】
技术研发人员：李朝荣，
申请(专利权)人：宜宾学院，
类型：发明
国别省市：四川;51