CN103106265B - 相似图像分类方法及*** - Google Patents
相似图像分类方法及*** Download PDFInfo
- Publication number
- CN103106265B CN103106265B CN201310037741.2A CN201310037741A CN103106265B CN 103106265 B CN103106265 B CN 103106265B CN 201310037741 A CN201310037741 A CN 201310037741A CN 103106265 B CN103106265 B CN 103106265B
- Authority
- CN
- China
- Prior art keywords
- image
- identified
- response
- template
- response diagram
- 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.)
- Expired - Fee Related
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明提出一种相似图像分类方法及***。其中,方法包括以下步骤:输入待识别图像并获取待识别图像的形状特征、梯度特征、颜色特征和纹理特征;将图像库中的训练样本分割生成多个不同尺寸的局部区域图像,并进行尺度变换,获得图像模板集,图像模板集中包括多个图像模板;分析图像模板集中的图像模板,并获得图像模板的形状特征、梯度特征、颜色特征和纹理特征;将待识别图像与图像模板集图像的对应特征进行匹配,并进行处理,获得待识别图像的图像细节信息;通过图像表示数据并利用Bagging分类器得到待识别图像的类别。根据本发明实施例的方法,通过对输入图像进行形状特征、梯度特征、颜色特征和纹理特征的提取和匹配,实现了相似图像的正确分类。
Description
技术领域
本发明涉及图像识别技术领域,特别涉及一种相似图像分类方法及***。
背景技术
分类本质上是一种树状结构的级联形式,在这种结构中,靠近根部的高一级节点描述融合类别(inclusive class),也称为上位类别(super-ordinate class),例如,车辆等。中间层,也叫基本类(basic class)节点描述更加具体的类别,例如,摩托车或汽车等。而靠近叶节点的低一层节点,也称为从属类别(subordinate class),则通常捕获对象间更加细微的差别,例如,运动摩托车或多功能摩托车,客车,卡车或小汽车等。相似图像分类是指对同一基本类或形状和视觉表观等方面及其相近的对象进行分类,也就是对从属类别的对象进行分类,例如,区分不同种类的蘑菇、汽车等等。
随着计算机技术、人工智能技术和传感器技术的飞速发展,以及人类在工作、学习和生活领域的迫切需求,模式分类技术已经发展到了一个崭新的阶段。但是,目前专家和学者把焦点大多集中在对基本层(basic level)对象的分类工作上,而很少提及相似图像,即从属层(subordinate level)对象的分类。
传统的模式分类方法应用到相似度极高的相似图像分类中会经常会失败,其主要原因有以下几种:
第一,目前一些经典的分类方法经常使用码本方式来提取特征,这种“词典”通常用非监督方法进行构建。使用k均值或高斯混合模型聚类得到的“词条”有时虽然在某空间区域高概率出现,但其实对类别判决却不一定是有用的信息。第二,当被检测的区域映射成“词典词条”形式时,很多细节信息被丢失。第三,“词典”方法需要手动调节聚类的一些参数,既繁琐,又不一定选择得特别合适。而与此相比,基于释文的方法在很大程度上弥补了上述使用码本方法的不足,而且识别效果也非常好,但是巨大的人工成本使其发展受到了很大的限制。
无监督级联方法有效的解决了基本层分类问题,然而不能区分相关性很大的从属层类别。基于属性的识别方法也显示了很大的优势。这些技术通常是利用带有属性标签的训练数据学习判别性模型,然后应用学习模型评估测试图像恰当的视觉属性。这些方法对于识别类似皮毛,点或四条腿等属性是有效的,但是对于区分从属层对象间细微的差别却显得不甚理想。
发明内容
本发明的目的旨在至少解决上述的技术缺陷之一。
为达到上述目的,本发明一方面的实施例提出一种相似图像分类方法,包括以下步骤:S1:输入待识别图像并获取所述待识别图像的形状特征、梯度特征、颜色特征和纹理特征;S2:将图像库中的训练样本分割生成多个不同尺寸的局部区域图像,并进行尺度变换,获得图像模板集,所述图像模板集中包括多个图像模板;S3:分析所述图像模板集中的图像模板,并获得图像模板的形状特征、梯度特征、颜色特征和纹理特征;S4:将所述待识别图像与所述图像模板集图像的对应特征进行匹配,并进行处理,获得所述待识别图像的图像细节信息;S5:通过所述图像表示数据并利用Bagging分类器得到待识别图像的类别。
根据本发明实施例的方法,通过对输入图像进行形状特征、梯度特征、颜色特征和纹理特征的提取和匹配,有效克服了仿射、光照等因素对分类结果的影像,同时保证了图像表示信息的完整性、丰富性和可判别性,保证了相似图像的正确分类。
本发明的一个实例中,所述步骤S2具体包括:S21:将图像库中的训练样本分割生成多个不同尺寸的局部区域图像,构成第一图像模板集;S22:对所述第一图像模板集中的各个图像模板进行尺度变换,获得不同尺度的图像模板,构成图像模板集。
本发明的一个实例中,所述步骤S4具体包括:S41:将所述待识别图像与所述图像模板集中图像的对应特征进行匹配,获得待识别图像的特征响应图,其中,所述待识别图像的特征响应图包括形状响应图、梯度响应图、颜色响应图和纹理响应图;S42:将所述待识别图像的形状响应图、梯度响应图、颜色响应图和纹理响应图的每幅响应图中的数值按从大到小排序,然后取排好序的数值中前多个数据,组成该幅响应图的第一特征集;S43:将所述待识别图像的形状响应图、梯度响应图、颜色响应图和纹理响应图的每幅响应图分别划分为多个区域,并分别将所述每幅响应图中的每个区域中的数值按从大到小排序,然后分别取排好序的数值中前多个数据,按一定顺序将所有区域取出的数据组成该幅响应图的第二特征集;S44:将所述每幅响应图的第一特征集和第二特征集进行串联,组成特征向量,分别将所有形状响应图的特征向量串联、所有梯度响应图的特征向量串联、所有颜色响应图的特征向量串联以及所有纹理响应图的特征向量串联,得到待识别图像的形状融合特征向量、梯度融合特征向量、颜色融合特征向量和纹理融合特征向量;S45:将所述待识别图像的形状融合特征向量、梯度融合特征向量、颜色融合特征向量和纹理融合特征向量再次进行融合,生成最终融合特征向量,用来表示待识别图像细节信息。
本发明的一个实例中,所述步骤S5具体包括:S51:设计Bagging分类器的目标函数;S52:通过所述目标函数并利用所述图像细节信息获得特征向量权重集;S53:根据多个分类器对所述特征向量权重集的置信度确定所述待识别图像的类别并输出。
为达到上述目的,本发明的实施例另一方面提出一种相似图像分类***,包括:输入模块,用于输入待识别图像并获取所述待识别图像的形状特征、梯度特征、颜色特征和纹理特征;划分模块,用于将图像库中的训练样本分割生成多个不同尺寸的局部区域图像,并将局部区域图像分别进行尺度变换,获得图像模板集,所述图像模板集中包括多个图像模板;分析模块,用于分析所述图像模板集中的图像模板,并获得图像模板的形状特征、梯度特征、颜色特征和纹理特征;匹配模块,用于将所述待识别图像与所述图像模板集中图像的对应特征进行匹配,并进行处理,获得所述待识别图像的图像细节信息;获得模块,用于通过所述图像表示数据并利用Bagging分类器得到待识别图像的类别。
根据本发明实施例的方法,通过对输入图像进行形状特征、梯度特征、颜色特征和纹理特征的提取和匹配,有效克服了仿射、光照等因素对分类结果的影像,同时保证了图像表示信息的完整性、丰富性和可判别性,保证了相似图像的正确分类。
本发明的一个实例中,所述划分模块包括:提取单元,用于将图像库中的训练样本分割生成多个不同尺寸的局部区域图像,构成第一图像模板集;尺度变换单元,用于对所述第一图像模板集中的各个图像模板进行尺度变换,获得不同尺度的图像模板,构成图像模板集。
本发明的一个实例中,所述匹配模块包括:匹配单元,用于将所述待识别图像与所述图像模板集图像的对应特征进行匹配,分别获得待识别图像的特征响应图,其中,所述待识别图像的特征响应图包括形状响应图、梯度响应图、颜色响应图和纹理响应图;查找单元,用于将所述待识别图像的形状响应图、梯度响应图、颜色响应图和纹理响应图的每幅响应图中的数值按从大到小排序,然后取排好序的数值中前多个数据,组成该幅响应图的第一特征集;划分单元,用于将所述待识别图像的形状响应图、梯度响应图、颜色响应图和纹理响应图的每幅响应图分别划分为多个区域,并分别将所述每幅响应图中的每个区域中的数值按从大到小排序,然后分别取排好序的数值中前多个数据,按一定顺序将所有区域取出的数据组成该幅响应图的第二特征集;融合单元,用于将所述所有特征进行有效融合,获得最终融合特征向量,用来表示待识别图像细节信息;第一融合单元,用于将所述每幅响应图的第一特征集和第二特征集进行串联,生成特征向量,分别将所有形状响应图的特征向量串联、所有梯度响应图的特征向量串联、所有颜色响应图的特征向量串联以及所有纹理响应图的特征向量串联,得到待识别图像的形状融合特征向量、梯度融合特征向量、颜色融合特征向量和纹理融合特征向量;以及第二融合单元,用于将所述待识别图像的形状融合特征向量、梯度融合特征向量、颜色融合特征向量和纹理融合特征向量再次进行融合,生成最终融合特征向量,用来表示待识别图像细节信息。
本发明的一个实例中,所述获得模块包括:设计单元,用于设计Bagging分类器的目标函数;获得单元,用于通过所述目标函数并利用所述图像细节信息获得特征向量权重集;确定输出单元,用于根据多个分类器对所述特征向量权重集的置信度确定所述待识别图像的类别并输出。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明一个实施例的相似图像分类方法的流程图;
图2为根据本发明一个实施例的类内差别与类间差别的比较图;
图3为根据本发明一个实施例的相似图像分类***的框架图;
图4为根据本发明一个实施例的匹配模块的结构框图。
具体实施方式
下面详细描述本发明的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
图1为根据本发明一个实施例的相似图像分类方法的流程图。如图1所示,根据本发明实施例的相似图像分类方法,包括以下步骤:
步骤S101,输入待识别图像并获取待识别图像的形状特征、梯度特征、颜色特征和纹理特征。
具体地,由于SIFT算子对平移、旋转、尺度缩放、亮度变化、遮挡和噪声等具有良好的不变性,对视觉变化、仿射变换也保持一定程度的稳定性,因此本发明提取SIFT算子作为图像形状特征。LBP具有旋转不变性,同时能够在很大程度上克服光照变化对图像的影响,因此提取LBP算子作为图像纹理特征表示。此外,相关文献表明,图像的梯度和颜色是图像信息最有效的描述,因此同时提取图像梯度特征和颜色特征表示图像。
步骤S102,将图像库中的训练样本分割生成多个不同尺寸的局部区域图像,并进行尺度变换,获得图像模板集,图像模板集中包括多个图像模板。
具体地,将图像库中的训练样本分割生成多个不同尺寸的局部区域图像,构成第一图像模板集,并对第一图像模板集中的各个图像模板进行尺度变换,获得不同尺度的图像模板,构成图像模板集。其中,模板图像的大小尺寸可以根据实际需要进行调整和规范。
步骤S103,分析图像模板集中的图像模板,获得图像模板的形状特征、梯度特征、颜色特征和纹理特征。
具体地,由于SIFT算子对平移、旋转、尺度缩放、亮度变化、遮挡和噪声等具有良好的不变性,对视觉变化、仿射变换也保持一定程度的稳定性,因此本发明提取SIFT算子作为图像形状特征。LBP具有旋转不变性,同时能够在很大程度上克服光照变化对图像的影响,因此提取LBP算子作为图像纹理特征表示。此外,相关文献表明,图像的梯度和颜色是图像信息最有效的描述,因此同时提取图像梯度特征和颜色特征表示图像。
步骤S104,将待识别图像与图像模板集中图像的对应特征进行匹配并进行处理,获得待识别图像的图像细节信息。
具体地,将待识别图像与图像模板集中图像的对应特征进行匹配,分别获得待识别图像的形状响应图、梯度响应图、颜色响应图和纹理响应图。然后,将待识别图像的形状响应图、梯度响应图、颜色响应图和纹理响应图的每幅响应图中的数值按从大到小排序,然后取排好序的数值中前多个数据,组成该幅响应图的第一特征集,并且将待识别图像的形状响应图、梯度响应图、颜色响应图和纹理响应图的每幅响应图分别划分为多个区域,并分别将每幅响应图中的每个区域中的数值按从大到小排序,然后分别取排好序的数值中前多个数据,按一定顺序将所有区域取出的数据组成该幅响应图的第二特征集。之后将每幅响应图的第一特征集和第二特征集进行串联,组成特征向量,分别将所有形状响应图的特征向量串联、所有梯度响应图的特征向量串联、所有颜色响应图的特征向量串联以及所有纹理响应图的特征向量串联,得到待识别图像的形状融合特征向量、梯度融合特征向量、颜色融合特征向量和纹理融合特征向量。最后,将待识别图像的形状融合特征向量、梯度融合特征向量、颜色融合特征向量和纹理融合特征向量再次进行融合,生成最终融合特征向量,用来表示待识别图像细节信息。
步骤S105,通过图像表示数据并利用Bagging分类器得到待识别图像的类别。
具体地,设计Bagging分类器的目标函数,其目标函数如下:
然后通过目标函数并利用图像细节信息获得特征向量权重集,并根据多个分类器对特征向量权重集的置信度确定待识别图像的类别并输出。
图2为根据本发明一个实施例的类内差别与类间差别的比较图。如图2所示,图中(a)和(c)均为蒲公英,(b)为款冬。对相似图像进行分类之后可以准确的判别出相应图像的具体类别。
根据本发明实施例的方法,通过对输入图像进行形状特征、梯度特征、颜色特征和纹理特征的提取和匹配,有效克服了仿射、光照等因素对分类结果的影像,同时保证了图像表示信息的完整性、丰富性和可判别性,保证了相似图像的正确分类。
图3为根据本发明另一个实施例的相似图像分类***的框架图。如图3所示,根据本发明实施例的相似图像分类***包括输入模块100、划分模块200、分析模块300、匹配模块400和获得模块500。
输入模块100用于输入待识别图像并获取待识别图像的形状特征、梯度特征、颜色特征和纹理特征。
在本发明的一个实施例中,由于SIFT算子对平移、旋转、尺度缩放、亮度变化、遮挡和噪声等具有良好的不变性,对视觉变化、仿射变换也保持一定程度的稳定性,因此本发明提取SIFT算子作为图像形状特征。LBP具有旋转不变性,同时能够在很大程度上克服光照变化对图像的影响,因此提取LBP算子作为图像纹理特征表示。此外,相关文献表明,图像的梯度和颜色是图像信息最有效的描述,因此同时提取图像梯度特征和颜色特征表示图像。
划分模块200用于将图像库中的训练样本分割生成多个不同尺寸的局部区域图像,并将局部区域图像分别进行尺度变换,获得图像模板集,图像模板集中包括多个图像模板。
在本发明的一个实施例中,划分模块200包括提取单元210和尺度变换单元220。
提取单元210用于将图像库中的训练样本分割生成多个不同尺寸的局部区域图像,构成第一图像模板集。
尺度变换单元220用于对第一图像模板集中的各个图像模板进行尺度变换,获得不同尺度的图像模板,构成图像模板集。
在本发明的一个实施例中,将图像库中的训练样本分割生成多个不同尺寸的局部区域图像,构成第一图像模板集,并对第一图像模板集中的各个图像模板进行尺度变换,获得不同尺度的图像模板,构成图像模板集。其中,模板图像的大小尺寸可以根据实际需要进行调整和规范。
分析模块300用于分析图像模板集中的图像模板,并获得图像模板的形状特征、梯度特征、颜色特征和纹理特征。
在本发明的一个实施例中,由于SIFT算子对平移、旋转、尺度缩放、亮度变化、遮挡和噪声等具有良好的不变性,对视觉变化、仿射变换也保持一定程度的稳定性,因此本发明提取SIFT算子作为图像形状特征。LBP具有旋转不变性,同时能够在很大程度上克服光照变化对图像的影响,因此提取LBP算子作为图像纹理特征表示。此外,相关文献表明,图像的梯度和颜色是图像信息最有效的描述,因此同时提取图像梯度特征和颜色特征表示图像。
匹配模块400用于将待识别图像与图像模板集中图像的对应特征进行匹配,并进行处理,获得待识别图像的图像细节信息。
在本发明的一个实施例中,匹配模块400包括匹配单元410、查找单元420、划分单元430、第一融合单元440和第二融合单元450。
匹配单元410用于将待识别图像与图像模板集图像的对应特征进行匹配,分别获得待识别图像的特征响应图,其中,待识别图像的特征响应图包括形状响应图、梯度响应图、颜色响应图和纹理响应图。
查找单元420用于将待识别图像的形状响应图、梯度响应图、颜色响应图和纹理响应图的每幅响应图中的数值按从大到小排序,然后取排好序的数值中前多个数据,组成该幅响应图的第一特征集。
划分单元430用于将待识别图像的形状响应图、梯度响应图、颜色响应图和纹理响应图的每幅响应图分别划分为多个区域,并分别将每幅响应图中的每个区域中的数值按从大到小排序,然后分别取排好序的数值中前多个数据,按一定顺序将所有区域取出的数据组成该幅响应图的第二特征集。
第一融合单元440用于将每幅响应图的第一特征集和第二特征集进行串联,生成特征向量,分别将所有形状响应图的特征向量串联、所有梯度响应图的特征向量串联、所有颜色响应图的特征向量串联以及所有纹理响应图的特征向量串联,得到待识别图像的形状融合特征向量、梯度融合特征向量、颜色融合特征向量和纹理融合特征向量。
第二融合单元450用于将待识别图像的形状融合特征向量、梯度融合特征向量、颜色融合特征向量和纹理融合特征向量再次进行融合,生成最终融合特征向量,用来表示待识别图像细节信息。
在本发明的一个实施例中,将待识别图像与图像模板集中图像的对应特征进行匹配,分别获得待识别图像的形状响应图、梯度响应图、颜色响应图和纹理响应图。然后,将待识别图像的形状响应图、梯度响应图、颜色响应图和纹理响应图的每幅响应图中的数值按从大到小排序,然后取排好序的数值中前多个数据,组成该幅响应图的第一特征集,并且将待识别图像的形状响应图、梯度响应图、颜色响应图和纹理响应图的每幅响应图分别划分为多个区域,并分别将每幅响应图中的每个区域中的数值按从大到小排序,然后分别取排好序的数值中前多个数据,按一定顺序将所有区域取出的数据组成该幅响应图的第二特征集。之后将每幅响应图的第一特征集和第二特征集进行串联,组成特征向量,分别将所有形状响应图的特征向量串联、所有梯度响应图的特征向量串联、所有颜色响应图的特征向量串联以及所有纹理响应图的特征向量串联,得到待识别图像的形状融合特征向量、梯度融合特征向量、颜色融合特征向量和纹理融合特征向量。最后,将待识别图像的形状融合特征向量、梯度融合特征向量、颜色融合特征向量和纹理融合特征向量再次进行融合,生成最终融合特征向量,用来表示待识别图像细节信息。
获得模块500用于通过图像表示数据并利用Bagging分类器得到待识别图像的类别。
在本发明的一个实施例中,获得模块500包括设计单元510、获得单元520和确定输出单元530。
设计单元510用于设计Bagging分类器的目标函数。其目标函数如下:
获得单元520用于通过目标函数并利用图像细节信息获得特征向量权重集。
确定输出单元530用于根据多个分类器对特征向量权重集的置信度确定待识别图像的类别并输出。
图2为根据本发明一个实施例的类内差别与类间差别的比较图。如图2所示,图中(a)和(c)均为蒲公英,(b)为款冬。对相似图像进行分类之后可以准确的判别出相应图像的具体类别。
根据本发明实施例的方法,通过对输入图像进行形状特征、梯度特征、颜色特征和纹理特征的提取和匹配,有效克服了仿射、光照等因素对分类结果的影像,同时保证了图像表示信息的完整性、丰富性和可判别性,保证了相似图像的正确分类。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (6)
1.一种相似图像分类方法,其特征在于,包括以下步骤:
S1:输入待识别图像并获取所述待识别图像的形状特征、梯度特征、颜色特征和纹理特征;
S2:将图像库中的训练样本分割生成多个不同尺寸的局部区域图像,并进行尺度变换,获得图像模板集,所述图像模板集中包括多个图像模板;
S3:分析所述图像模板集中的图像模板,并获得图像模板的形状特征、梯度特征、颜色特征和纹理特征;
S4:将所述待识别图像与所述图像模板集中的图像模板的对应特征进行匹配,并进行处理,获得所述待识别图像的图像细节信息;
S5:通过所述待识别图像的图像细节信息与Bagging分类器得到所述待识别图像的类别,
所述步骤S4具体包括:
S41:将所述待识别图像与所述图像模板集中的图像模板的对应特征进行匹配,获得待识别图像的特征响应图,其中,所述待识别图像的特征响应图包括形状响应图、梯度响应图、颜色响应图和纹理响应图;
S42:将所述待识别图像的形状响应图、梯度响应图、颜色响应图和纹理响应图的每幅响应图中的数值按从大到小排序,然后取排好序的数值中前多个数据,组成该幅响应图的第一特征集;
S43:将所述待识别图像的形状响应图、梯度响应图、颜色响应图和纹理响应图的每幅响应图分别划分为多个区域,并分别将所述每幅响应图中的每个区域中的数值按从大到小排序,然后分别取排好序的数值中前多个数据,按一定顺序将所有区域取出的数据组成该幅响应图的第二特征集;
S44:将所述每幅响应图的第一特征集和第二特征集进行串联,组成特征向量,分别将所有形状响应图的特征向量串联、所有梯度响应图的特征向量串联、所有颜色响应图的特征向量串联以及所有纹理响应图的特征向量串联,得到待识别图像的形状融合特征向量、梯度融合特征向量、颜色融合特征向量和纹理融合特征向量;
S45:将所述待识别图像的形状融合特征向量、梯度融合特征向量、颜色融合特征向量和纹理融合特征向量再次进行融合,生成最终融合特征向量,用来表示待识别图像细节信息。
2.根据权利要求1所述的相似图像分类方法,其特征在于,所述步骤S2具体包括:
S21:将图像库中的训练样本分割生成多个不同尺寸的局部区域图像,构成第一图像模板集;
S22:对所述第一图像模板集中的各个图像模板进行尺度变换,获得不同尺度的图像模板,构成图像模板集。
3.根据权利要求1所述的相似图像分类方法,其特征在于,所述步骤S5具体包括:
S51:设计Bagging分类器的目标函数;
S52:通过所述目标函数与所述图像细节信息获得特征向量权重集;
S53:根据多个分类器对所述特征向量权重集的置信度确定所述待识别图像的类别并输出。
4.一种相似图像分类***,其特征在于,包括:
输入模块,用于输入待识别图像并获取所述待识别图像的形状特征、梯度特征、颜色特征和纹理特征;
划分模块,用于将图像库中的训练样本分割生成多个不同尺寸的局部区域图像,并将局部区域图像分别进行尺度变换,获得图像模板集,所述图像模板集中包括多个图像模板;
分析模块,用于分析所述图像模板集中的图像模板,并获得图像模板的形状特征、梯度特征、颜色特征和纹理特征;
匹配模块,用于将所述待识别图像与所述图像模板集中的图像模板的对应特征进行匹配,并进行处理,获得所述待识别图像的图像细节信息;
获得模块,用于通过所述待识别图像的图像细节信息与Bagging分类器得到所述待识别图像的类别,
所述匹配模块包括:
匹配单元,用于将所述待识别图像与所述图像模板集中的图像模板的对应特征进行匹配,分别获得待识别图像的特征响应图,其中,所述待识别图像的特征响应图包括形状响应图、梯度响应图、颜色响应图和纹理响应图;
查找单元,用于将所述待识别图像的形状响应图、梯度响应图、颜色响应图和纹理响应图的每幅响应图中的数值按从大到小排序,然后取排好序的数值中前多个数据,组成该幅响应图的第一特征集;
划分单元,用于将所述待识别图像的形状响应图、梯度响应图、颜色响应图和纹理响应图的每幅响应图分别划分为多个区域,并分别将所述每幅响应图中的每个区域中的数值按从大到小排序,然后分别取排好序的数值中前多个数据,按一定顺序将所有区域取出的数据组成该幅响应图的第二特征集;
第一融合单元,用于将所述每幅响应图的第一特征集和第二特征集进行串联,生成特征向量,分别将所有形状响应图的特征向量串联、所有梯度响应图的特征向量串联、所有颜色响应图的特征向量串联以及所有纹理响应图的特征向量串联,得到待识别图像的形状融合特征向量、梯度融合特征向量、颜色融合特征向量和纹理融合特征向量;以及
第二融合单元,用于将所述待识别图像的形状融合特征向量、梯度融合特征向量、颜色融合特征向量和纹理融合特征向量再次进行融合,生成最终融合特征向量,用来表示待识别图像细节信息。
5.根据权利要求4所述的相似图像分类***,其特征在于,所述划分模块包括:
提取单元,用于将图像库中的训练样本分割生成多个不同尺寸的局部区域图像,构成第一图像模板集;
尺度变换单元,用于对所述第一图像模板集中的各个图像模板进行尺度变换,获得不同尺度的图像模板,构成图像模板集。
6.根据权利要求4所述的相似图像分类***,其特征在于,所述获得模块包括:
设计单元,用于设计Bagging分类器的目标函数;
获得单元,用于通过所述目标函数与所述图像细节信息获得特征向量权重集;
确定输出单元,用于根据多个分类器对所述特征向量权重集的置信度确定所述待识别图像的类别并输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310037741.2A CN103106265B (zh) | 2013-01-30 | 2013-01-30 | 相似图像分类方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310037741.2A CN103106265B (zh) | 2013-01-30 | 2013-01-30 | 相似图像分类方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103106265A CN103106265A (zh) | 2013-05-15 |
CN103106265B true CN103106265B (zh) | 2016-10-12 |
Family
ID=48314120
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310037741.2A Expired - Fee Related CN103106265B (zh) | 2013-01-30 | 2013-01-30 | 相似图像分类方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103106265B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530645B (zh) * | 2013-09-25 | 2016-06-15 | 北京工商大学 | 基于局部二值模式和Zernike矩的纹理图像分类方法及*** |
US9384422B2 (en) | 2014-04-04 | 2016-07-05 | Ebay Inc. | Image evaluation |
CN104217221A (zh) * | 2014-08-27 | 2014-12-17 | 重庆大学 | 基于纹理特征的书画作品检测方法 |
CN105809182B (zh) * | 2014-12-31 | 2019-12-13 | 中国科学院深圳先进技术研究院 | 一种图像分类的方法及装置 |
CN104680168A (zh) * | 2015-03-10 | 2015-06-03 | 无锡桑尼安科技有限公司 | 用于公路地貌识别的特征向量提取设备 |
CN104809245A (zh) * | 2015-05-13 | 2015-07-29 | 信阳师范学院 | 一种图像检索方法 |
CN104834732A (zh) * | 2015-05-13 | 2015-08-12 | 信阳师范学院 | 一种纹理图像检索方法 |
CN105631451A (zh) * | 2016-01-07 | 2016-06-01 | 同济大学 | 一种基于安卓***的植物叶片识别方法 |
CN106354850A (zh) * | 2016-08-31 | 2017-01-25 | 广州精点计算机科技有限公司 | 一种基于k‑近邻分类的图像识别方法 |
CN108319952B (zh) * | 2017-01-16 | 2021-02-02 | 浙江宇视科技有限公司 | 一种车辆特征提取方法及装置 |
CN107341189A (zh) * | 2017-06-09 | 2017-11-10 | 国政通科技股份有限公司 | 一种辅助人工对图像进行筛查、分类和存储的方法及*** |
CN108776805A (zh) * | 2018-05-03 | 2018-11-09 | 北斗导航位置服务(北京)有限公司 | 一种建立图像分类模型、图像特征分类的方法及装置 |
CN109102264B (zh) * | 2018-08-29 | 2021-07-16 | Oppo广东移动通信有限公司 | 一种电子红包检测方法、装置及终端设备 |
CN114235122A (zh) * | 2021-12-16 | 2022-03-25 | 广州市超赢信息科技有限公司 | 基于ai图像识别的电子秤的称重结算方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763440A (zh) * | 2010-03-26 | 2010-06-30 | 上海交通大学 | 对搜索图像的过滤方法 |
CN102254043A (zh) * | 2011-08-17 | 2011-11-23 | 电子科技大学 | 一种基于语义映射的服装图像检索方法 |
CN102663391A (zh) * | 2012-02-27 | 2012-09-12 | 安科智慧城市技术(中国)有限公司 | 一种图像的多特征提取与融合方法及*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8254678B2 (en) * | 2008-08-27 | 2012-08-28 | Hankuk University Of Foreign Studies Research And Industry-University Cooperation Foundation | Image segmentation |
US8447119B2 (en) * | 2010-03-16 | 2013-05-21 | Nec Laboratories America, Inc. | Method and system for image classification |
-
2013
- 2013-01-30 CN CN201310037741.2A patent/CN103106265B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763440A (zh) * | 2010-03-26 | 2010-06-30 | 上海交通大学 | 对搜索图像的过滤方法 |
CN102254043A (zh) * | 2011-08-17 | 2011-11-23 | 电子科技大学 | 一种基于语义映射的服装图像检索方法 |
CN102663391A (zh) * | 2012-02-27 | 2012-09-12 | 安科智慧城市技术(中国)有限公司 | 一种图像的多特征提取与融合方法及*** |
Non-Patent Citations (3)
Title |
---|
图像特征提取方法的综述;王志瑞等;《吉首大学学报(自然科学版)》;20110930;第32卷(第5期);第43-47页 * |
基于梯度基元聚合矢量的图像检索算法;张尤赛等;《计算机应用研究》;20120331;第29卷(第3期);第1119-1122页 * |
基于结构和纹理特征融合的场景图像分类;程刚等;《计算机工程》;20110331;第37卷(第5期);第227-229页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103106265A (zh) | 2013-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103106265B (zh) | 相似图像分类方法及*** | |
CN108830188B (zh) | 基于深度学习的车辆检测方法 | |
CN106203395B (zh) | 基于多任务深度学习的人脸属性识别方法 | |
CN106650806B (zh) | 一种用于行人检测的协同式深度网络模型方法 | |
CN108520226B (zh) | 一种基于躯体分解和显著性检测的行人重识别方法 | |
CN107766933B (zh) | 一种解释卷积神经网络的可视化方法 | |
CN104504366A (zh) | 基于光流特征的笑脸识别***及方法 | |
CN109086792A (zh) | 基于检测和识别网络架构的细粒度图像分类方法 | |
CN102054178B (zh) | 一种基于局部语义概念的国画图像识别方法 | |
CN103514456B (zh) | 基于压缩感知多核学习的图像分类方法及其装置 | |
CN104598885B (zh) | 街景图像中的文字标牌检测与定位方法 | |
CN110458077B (zh) | 一种车辆颜色识别方法及*** | |
CN108549926A (zh) | 一种用于精细化识别车辆属性的深度神经网络及训练方法 | |
CN102314614B (zh) | 一种基于类共享多核学习的图像语义分类方法 | |
CN103984948B (zh) | 一种基于人脸图像融合特征的软双层年龄估计方法 | |
CN105117739A (zh) | 一种基于卷积神经网络的服装分类方法 | |
CN110163069B (zh) | 用于辅助驾驶的车道线检测方法 | |
CN104504365A (zh) | 视频序列中的笑脸识别***及方法 | |
CN105719285A (zh) | 一种基于方向倒角距离特征的行人检测方法 | |
CN106408030A (zh) | 基于中层语义属性和卷积神经网络的sar图像分类方法 | |
Shahab et al. | How salient is scene text? | |
CN103996018A (zh) | 基于4dlbp的人脸识别方法 | |
CN109886161A (zh) | 一种基于可能性聚类和卷积神经网络的道路交通标识识别方法 | |
CN105718866A (zh) | 一种视觉目标检测与识别方法 | |
CN108230330B (zh) | 一种快速的高速公路路面分割和摄像机定位的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB03 | Change of inventor or designer information |
Inventor after: Wang Yu Inventor after: Yu Zhongzhong Inventor after: Zhang Huiyan Inventor after: Yan Huaixin Inventor before: Wang Yu Inventor before: Yu Zhongzhong Inventor before: Zhang Huiyan |
|
COR | Change of bibliographic data | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20161012 Termination date: 20200130 |
|
CF01 | Termination of patent right due to non-payment of annual fee |