基于Haar特征和AdaBoost算法的纹理图像质量估计方法技术

本发明专利技术基于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。本发明专利技术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。

Texture image quality estimation based on Haar feature and AdaBoost algorithm

【技术实现步骤摘要】
基于Haar特征和AdaBoost算法的纹理图像质量估计方法
本专利技术涉及利用机器学习、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。
技术介绍
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（HistogramofOrientedGradient,HOG）特征、Haar特征、尺度不变特征变换（ScaleInvariantFeatureTransform,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。
技术实现思路
本专利技术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。本专利技术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。本专利技术基于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）本专利技术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）本专利技术采用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）本专利技术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专利技术基于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是本专利技术基于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是本专利技术基于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是本专利技术基于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是本专利技术基于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。具体实施方式本专利技术基于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，说明本专利技术，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NISTSD4/27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，使用积分图本文档来自技高网...

【技术保护点】
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a...

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：杨超，刘洪，蓝赠美，刘晓晖，王日凤，李厚君，
申请(专利权)人：广西科技大学，
类型：发明
国别省市：广西,45