一种基于剪切波和高斯混合模型的图像纹理分类方法技术

一种基于剪切波和高斯混合模型的图像纹理分类方法，首先用剪切波对给定的具有相同类别标号的训练样本集进行方向多尺度分解，获取这些训练样本的子带系数，然后构造这些子带系数的能量特征，用计算得到的能量特征表示这些方向子带，选择核主成分分析（KPCA）方法对这些能量特征进行降低维数处理，接着建立这些能量特征的高斯混合模型 （GMM），并用期望最大化（EM）算法估计高斯混合模型的参数，最后用贝叶斯分类器进行纹理图像分类；本发明专利技术有益效果：有效地提高了纹理图像的分类精度，有效地适应较小尺寸的纹理图像，另外，本发明专利技术方法充分利用了纹理图像的方向多尺度信息，具有广泛的应用价值。

A method of image texture classification based on shear wave and Gauss mixture model

A texture classification method of shear wave and Gauss mixture model based on the first use of a given shear wave with the same class label of the training sample set for the direction of multi-scale decomposition, get the training samples of subband coefficients, and then construct the energy characteristics of these coefficients, energy characteristics calculated that these direction subband analysis, selection of kernel principal component analysis (KPCA) method to reduce the dimension of the energy feature, Gauss mixture model is then established the energy feature (GMM), and by the expectation maximization (EM) algorithm to estimate the parameters of Gauss mixture model, finally using the Bias classifier for texture image classification; the beneficial effect of the invention effectively improve the classification accuracy of the texture image, effectively adapt to the small size of the texture image, in addition, the method of the invention fully The directional multiscale information of texture images has wide application value.

【技术实现步骤摘要】
一种基于剪切波和高斯混合模型的图像纹理分类方法
本专利技术涉及模式识别和计算机视觉领域的纹理图像分类，具体地说是一种基于剪切波和高斯混合模型的图像纹理分类方法。
技术介绍
纹理广泛存在于客观世界，是表达物体表面或结构的一种基本属性，也是计算机视觉中一个很重要的研究方向。纹理的直观意义十分明确。但是对于纹理是什么，人们的概念还是比较模糊。在图形处理中，纹理有着广泛而笼统的含义。基于纹理的分析和应用研究已经进行了近六十年。纹理方面的研究到现在仍然非常活跃，国内外有许多研究机构都在从事这方面的工作，近些年在国际知名杂志和重要会议上，关于纹理识别的研究成果层出不穷，多达数百篇。由此可见，纹理分析和识别是一个非常活跃的研究热点，有着非常重要的理论研究和实际应用价值。但是，由于纹理形式的广泛与多样，与纹理相关的很多问题尚未得到解决，如纹理的定义及对其特征的精确描述。目前，基于纹理的特征提取方法大致可以分为两类：空域和变换域方法。其中，基于变换域的方法已经提出了很多比较好的特征提取方法，并且能够成功的应用于实际的应用程序当中。但是，多数基于变换域的特征只利用变换系数的统计特性来表示纹理图像，例如能量直方图方法。因此，在实际应用中仍然存在着很多亟待解决的问题，例如分类精度不高，特征维数大，处理图片耗时等等。
技术实现思路
本专利技术所要解决的技术问题是提供一种基于剪切波和高斯混合模型的图像纹理分类方法，用于解决现有现有分类方法分类精度不高、特征维数大、处理图片耗时等问题。本专利技术为解决上述技术问题所采用的技术方案是：一种基于剪切波和高斯混合模型的图像纹理分类方法，包括以下步骤：步骤一、采用剪切波工具箱对随机选取的具有相同类别标号的图像样本进行方向多尺度分解并构造它们的子带能量特征；步骤二、采用核主成分分析对步骤一中得到的子带能量特征进行降低维度处理；步骤三、建立剪切波子带能量特征的高斯混合模型并用期望最大化算法估计模型参数；步骤四、根据步骤三估计得到的模型参数，求出每个图像样本的后验概率，最后采用贝叶斯概率分类器对纹理图像进行分类，获得分类结果。本专利技术所述步骤一中对图像样本进行方向多尺度分解并构造它们的子带能量特征的具体方法为：（1）方向多尺度分解对随机选择的具有相同类别标号的图像样本集中的第i个图像样本进行L尺度3水平的剪切波分解，得到8*L个方向子带和1个低频子带，其中N表示样本的总数；（2）构造子带能量特征一个方向子带的子带系数表示为，其中J是子带系数的个数，它的1范数能量特征e1由公式计算得到，它的2范数能量特征e2由公式计算得到；对于所有尺度，第d个方向的1范数能量特征表示为，2范数能量特征表示为；对于所有的8个方向，第i个图像的子带能量特征fi表示为：；最后得出图像样本集的剪切波子带能量特征为：，其中指的是求向量f的转置。本专利技术所述步骤二中用核主成分分析对能量特征进行降低维度的具体方法为：用降维率R（0<R<1）表示剪切波子带能量特征降低维度的水平，降低维度后的剪切波子带能量特征F为：。本专利技术所述步骤三中所述的建立剪切波子带能量特征的高斯混合模型并用期望最大化算法估计模型参数的具体方法为：（1）建立高斯混合模型单变量的高斯分布表示为：，其中是高斯分布的参数，为自变量，表示剪切波子带能量，表示均值，表示方差，则多个高斯分布的混合模型表示为：，其中H是混合模型中高斯成分的个数，表示混合模型中每一个高斯分布的先验分布；（2）高斯混合模型的参数估计用期望最大化方法估计高斯混合模型的参数，其估计参数为：。本专利技术的有益效果是：（1）该图像纹理表示方法有效的利用了图像纹理的方向多尺度信息，能够很好地描述纹理的特征。（2）针对较小的纹理尺寸，本专利技术提出的纹理图像表示方法能够获取很好地分类性能，在很大程度上提高了分类精度。（3）本专利技术纹理图像表示方法的计算速度很快，通过核主成分分析剪切波子带的能量特征的维数相对比较小，在保证分类性能的同时能够实现快速的纹理图像分类。（4）核主成分分析用来降低剪切波子带能量特征的维数，同时也可以降低能量特征的信息冗余和噪声，因此能够提升能量特征的识别能力。附图说明图1为本专利技术图像纹理分类方法的流程示意图；图2为纹理图像剪切波分解和构造子带能量特征的流程示意图；图3为采用核主成分分析对能量特征进行降低维度的流程图；图4为构造高斯混合模型的流程图；图5为本专利技术方法和其它方法的平均分类精度。具体实施方式一种基于剪切波和高斯混合模型的图像纹理分类方法，包括以下步骤：步骤一、采用剪切波工具箱对随机选取的具有相同类别标号的图像样本进行方向多尺度分解并构造它们的子带能量特征；步骤二、采用核主成分分析对步骤一中得到的子带能量特征进行降低维度处理；步骤三、建立剪切波子带能量特征的高斯混合模型并用期望最大化算法估计模型参数；步骤四、根据步骤三估计得到的模型参数，求出每个图像样本的后验概率，最后采用贝叶斯概率分类器对纹理图像进行分类，获得分类结果。进一步，步骤一中对图像样本进行方向多尺度分解并构造它们的子带能量特征的具体方法为：（1）方向多尺度分解对随机选择的具有相同类别标号的图像样本集中的第i个图像样本进行L尺度3水平的剪切波分解，得到8*L个方向子带和1个低频子带，其中N表示样本的总数；（2）构造子带能量特征一个方向子带的子带系数表示为，其中J是子带系数的个数，它的1范数能量特征e1由公式计算得到，它的2范数能量特征e2由公式计算得到；对于所有尺度，第d个方向的1范数能量特征表示为，2范数能量特征表示为；对于所有的8个方向，第i个图像的子带能量特征fi表示为：；最后得出图像样本集的剪切波子带能量特征为：，其中指的是求向量f的转置。进一步，步骤二中用核主成分分析对能量特征进行降低维度的具体方法为：用降维率R（0<R<1）表示剪切波子带能量特征降低维度的水平，降低维度后的剪切波子带能量特征F为：。进一步，步骤三中所述的建立剪切波子带能量特征的高斯混合模型并用期望最大化算法估计模型参数的具体方法为：（1）建立高斯混合模型单变量的高斯分布表示为：，其中是高斯分布的参数，为自变量，表示剪切波子带能量，表示均值，表示方差，则多个高斯分布的混合模型表示为：，其中H是混合模型中高斯成分的个数，表示混合模型中每一个高斯分布的先验分布；（2）高斯混合模型的参数估计用期望最大化方法估计高斯混合模型的参数，其估计参数为：。实施例下面通过对标准纹理库VexTex中的纹理图像进行分类实例阐述本专利技术的具体实施方式：执行步骤一：利用进行剪切波分解和构造子带能量特征。剪切波分解的具体过程如下：1）对测试样本进行8方向L=3尺度分解；2获取方向子带和低频子带；构造子带能量特征的具体过程如下1）计算1范数能量特征和2范数能量特征；2）构造各个子带的能量特征。执行步骤二：能量特征降维。这里，我们选用核主成分分析对计算得到的剪切波子带能量特征进行降低维度，降维率R=0.6。执行步骤三：建立高斯混合模型，并估计模型参数。1）对提取的剪切波子带能量特征建立混合成分H=3的高斯混合模型。2）用期望最大化算法估计模型参数：。执行步骤四：利用得到的模型参数，计算测试样本的后验概率，采用贝叶斯概率分类器对纹理图像进行分类，得到分类精度。将本文档来自技高网...

【技术保护点】
一种基于剪切波和高斯混合模型的图像纹理分类方法，其特征在于：包括以下步骤：步骤一、采用剪切波工具箱对随机选取的具有相同类别标号的图像样本进行方向多尺度分解并构造它们的子带能量特征；步骤二、采用核主成分分析对步骤一中得到的子带能量特征进行降低维度处理；步骤三、建立剪切波子带能量特征的高斯混合模型并用期望最大化算法估计模型参数；步骤四、根据步骤三估计得到的模型参数，求出每个图像样本的后验概率，最后采用贝叶斯概率分类器对纹理图像进行分类，获得分类结果。

【技术特征摘要】
1.一种基于剪切波和高斯混合模型的图像纹理分类方法，其特征在于：包括以下步骤：步骤一、采用剪切波工具箱对随机选取的具有相同类别标号的图像样本进行方向多尺度分解并构造它们的子带能量特征；步骤二、采用核主成分分析对步骤一中得到的子带能量特征进行降低维度处理；步骤三、建立剪切波子带能量特征的高斯混合模型并用期望最大化算法估计模型参数；步骤四、根据步骤三估计得到的模型参数，求出每个图像样本的后验概率，最后采用贝叶斯概率分类器对纹理图像进行分类，获得分类结果。2.根据权利要求1所述的一种基于剪切波和高斯混合模型的图像纹理分类方法，其特征在于：所述步骤一中对图像样本进行方向多尺度分解并构造它们的子带能量特征的具体方法为：（1）方向多尺度分解对随机选择的具有相同类别标号的图像样本集中的第i个图像样本进行L尺度3水平的剪切波分解，得到8*L个方向子带和1个低频子带，其中N表示样本的总数；（2）构造子带能量特征一个方向子带的子带系数表示为，其中J是子带系数的个数，它的1范数能量特征e1由公式计算得到，它的2范数能量特征e2由公式计算得到；对于所...

【专利技术属性】
技术研发人员：董永生，冯金旺，梁灵飞，郑林涛，杨春蕾，普杰信，
申请(专利权)人：河南科技大学，
类型：发明
国别省市：河南,41