CN103106265B - 相似图像分类方法及*** - Google Patents

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

相似图像分类方法及***

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：

$(w_1,w_2,...w_p)=\underset{w_1,...,w_p}{\min }(\underset{p=1}{\overset{P}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}l((w_p.x_i),y_i)+\mathrm{\α}\underset{p=1}{\overset{P}{\mathrm{\Σ}}}{u}_{\mathrm{pp}}+\mathrm{\β}\underset{p=1}{\overset{P}{\mathrm{\Σ}}}\underset{q=1}{\overset{P}{\mathrm{\Σ}}}{u}_{\mathrm{pq},p\≠q}),$ 其中，W=(w₁,w₂,...,w_p)为特征集权重，U=[u_pq]=W^TW，u_pq为矩阵U的元素，即W^TW的元素，l(·,·)表示代价损失函数，表示训练图像集，N为训练样本个数，x_i为第i幅训练图像的特征向量表示，y_i为类标签，P为Bagging算法包含的分类器个数，α与β为正则化参数，分别控制特征集权重的稀疏性和正交性。

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：

$(w_1,w_2,...w_p)=\underset{w_1,...,w_p}{\min }(\underset{p=1}{\overset{P}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}l((w_p.x_i),y_i)+\mathrm{\α}\underset{p=1}{\overset{P}{\mathrm{\Σ}}}{u}_{\mathrm{pp}}+\mathrm{\β}\underset{p=1}{\overset{P}{\mathrm{\Σ}}}\underset{q=1}{\overset{P}{\mathrm{\Σ}}}{u}_{\mathrm{pq},p\≠q}),$ 其中，W=(w₁,w₂,...,w_p)为特征集权重，U=[u_pq]=W^TW，u_pq为矩阵U的元素，即W^TW的元素，l(·,·)表示代价损失函数，表示训练图像集，N为训练样本个数，x_i为第i幅图像的特征向量表示，y_i为类标签，P为Bagging算法包含的分类器个数，α与β为正则化参数，分别控制特征集权重的稀疏性和正交性。

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。