CN103714340B - 基于图像分块的自适应特征提取方法 - Google Patents

Abstract

本发明提出了一种基于图像分块的自适应特征提取方法，主要解决现有基于PCA的特征提取方法需要将图像进行向量化从而导致特征提取后识别结果不理想的问题。其实现步骤是：(1)输入图像集，并随机划分为训练图像集和测试图像集；(2)对训练图像集中的图像进行分块，构成训练子块图像集；(3)分别计算训练图像集与训练子块图像集的像素点灰度值方差和；(4)比较训练图像集与训练子块图像集的像素点灰度值方差和，求取特征最佳投影矩阵；(5)提取训练图像集和测试图像集的图像特征；(6)对测试图像集的图像进行识别，验证特征提取效果。本发明与现有技术对比具有识别率高，适应性广等优点，有效地对图像进行特征提取，可用于目标识别。

Description

基于图像分块的自适应特征提取方法

技术领域

本发明属于计算机技术领域，进一步涉及计算机图像信息处理领域，具体是基于图像分块的自适应特征提取方法。本发明通过对图像进行分块获得子块图像，计算图像的像素点灰度值方差和与每个子块图像的像素点灰度值方差和并进行大小判断，根据判断结果自适应地运用二维主分量分析(Two Dimension Principal Component Analysis,2DPCA)或者小波主分量分析(Wavelet Principal Component Analysis,Wavelet PCA)进行特征提取，有效地实现了对图像的特征提取，为后续的目标识别提供了可靠的信息。

背景技术

图像特征提取作为图像目标识别的基础，是自动目标识别中的一项关键技术。近年来，图像特征提取技术研究取得了很大的进步，尤其是基于主分量分析(PrincipalComponent Analysis,PCA)的算法在图像特征提取领域应用广泛。但是，这类算法需要将图像像素点灰度值进行向量化处理，通常图像向量化处理后忽略了图像的结构信息，对于复杂的图像识别结果并不理想，且向量化后图像向量维数会很高，使得在随后的计算中运算复杂度上升。如何自动有效且快速地完成图像特征提取和识别，一直是国内外研究的热点和难点问题。

在由K.Fukunaga提出PCA的概念，Kirby和Sirovich等人将PCA推广到图像领域之后，该方法已经广泛应用于图像特征提取与识别、图像质量评价、图像水印等领域。基于PCA的特征提取方法的实现过程为：首先，对图像进行向量化处理；其次，求出向量化后图像的协方差矩阵；再次，对协方差矩阵进行特征值分解；最后，将特征值对应的单位特征向量称为投影矩阵，图像通过投影矩阵投影后的结果作为图像的特征。基于PCA的特征提取方法的不足之处在于，首先，在将图像向量化的过程中，图像向量的维数一般会很高，在高维的图像向量上进行分析会遇到小样本问题，而且经常需要耗费大量时间；其次，通常PCA提取的是图像的全局特征，忽略了图像的结构信息和局部信息，识别效果并不理想。

陈伏兵论文“分块PCA及其在人脸识别中的应用”（《计算机工程与设计》，文章编号：1000-7024（2007）08-1889-04）。该方法的实现过程为，首先对图像进行分块，对分块得到的子块图像利用PCA进行特征提取与鉴别分析。该方法的特点是能够有效地利用图像的结构信息，对表情和光照高变化的图像优势明显。该方法的不足在于在对图像分块后忽略了各个子块图像之间变化趋势的不同，而统一采用PCA的方法进行分析，不利于实现更好的识别效果，且对于低变化的图像，该方法并不具有很好的适用性。

上海移远通信技术有限公司申请的专利“人脸识别方法及***”（专利申请号：201110424252.3，公布号：CN103164689）。该方法的实现过程是首先通过小波变换分别对训练图像和测试图像进行预处理，然后用PCA方法分别对预处理后的训练图像和测试图像进行特征提取得到训练样本特征和测试样本特征，最后采用SVM(支持向量机，SupportVector Machine)算法对提取出的训练样本特征和测试样本特征进行分类识别，得到识别结果。该方法的不足之处在于，虽然运用小波变换对图像进行了预处理，取得了识别率的提高，但是小波变换只对于图像变化程度比较小的图像有比较好的效果，对于图像变化程度比较大的图像预处理效果并不理想，而且该方法仍要对图像进行向量化，破坏了图像的结构信息，不利于实现更好的识别效果。

发明内容

本发明的目的是针对现有的基于PCA的特征提取方法存在的问题，提出一种基于图像分块的自适应特征提取方法，利用分块方法将图像进行分块，并依据图像的像素点灰度值方差和与子块图像的像素点灰度值方差和进行判断，根据判断结果对子块图像自适应选择用2DPCA或者Wavelet PCA进行特征提取，基本实现了对图像特征的准确提取，改善了识别效果。

本发明的关键技术在于：首先将输入图像集随机划分成训练图像集和测试图像集，将训练图像集的每一张图像等分成N个子块图像，然后将每张图像N个子块图像的第i个子块图像组成第i个训练子块图像集，i＝1,2,…,N，分别计算训练图像集的像素点灰度值方差和与N个训练子块图像集的像素点灰度值方差和，并依次进行比较。若训练子块图像集的像素点灰度值方差和较大或两者相等，运用2DPCA的方法求取训练子块图像集的特征最佳投影矩阵，若训练子块图像集的像素点灰度值方差和较小，则运用Wavelet PCA的方法求取训练子块图像集的特征最佳投影矩阵。将训练图像集的M张图像的N个子块图像分别用对应的训练子块图像集的特征最佳投影矩阵进行投影，得到训练图像集所有图像每个子块图像的特征，完成对训练图像集的特征提取。对于测试图像集，将每张图像等分成N个子块图像，每张图像的所有子块图像用对应训练子块图像集的特征最佳投影矩阵进行投影，得到测试图像集所有图像所有子块图像的特征，完成对测试图像集的特征提取。将测试图像集的每一张图像所有子块图像的特征与训练图像集所有图像对应子块图像的特征用欧氏距离进行计算，对计算结果进行归一化，并将属于同一张训练图像集图像的N个子块图像计算出来的欧氏距离的归一化结果进行加和，形成特征的相似性度量。最后用最近邻法对相似性度量进行判断，对测试图像进行识别，完成图像特征提取方法的验证。

本发明的具体步骤如下：

（1）输入图像集，并随机划分为训练图像集和测试图像集

设输入图像集有K张图像，K=Class×Pic，Class为输入图像集中的图像类别数，Pic为每一类图像的张数，将输入图像集图像的像素点灰度值按矩阵形式读取，根据随机划分方法，将输入图像集的M张图像作为训练图像集，表示为subset_all，M＝Class×Pictrain，Pictrain为输入图像集每一类图像用做训练图像集图像的张数，输入图像集中剩余的K-M张图像作为测试图像集。

（2）对训练图像集进行分块，构成训练子块图像集

训练图像集中图像的大小为m×n，m为图像矩阵的行数，n为图像矩阵的列数，将训练图像集每张图像等分成N个长方形子块图像，N＝R×Q，R为行划分块数，Q为列划分块数，每张图像的N个子块图像中的第i个子块图像构成的训练子块图像集表示为subset_i，其中i＝1,2,…,N，则训练子块图像集图像的张数为M，训练子块图像集中图像的大小为训练子块图像集中图像的像素点个数为以下将N个训练子块图像集统称为训练子块图像集。

（3）分别计算训练图像集的像素点灰度值方差和与训练子块图像集的像素点灰度值方差和

计算subset_all中所有图像属于同一位置的像素点灰度值的方差，得到m×n个位置处的像素点灰度值的方差，并对其进行求和，表示为训练图像集的像素点灰度值方差和σ_all；计算第i个训练子块图像集subset_i中所有图像属于同一位置的像素点灰度值的方差，得到个像素点灰度值的方差，并对其进行求和，表示为训练子块图像集的像素点灰度值方差和σ_i。

（4）比较训练图像集的像素点灰度值方差和σ_all与训练子块图像集的像素点灰度值方差和σ_i，并求取训练子块图像集的特征最佳投影矩阵

若σ_i＜σ_all，则对第i个训练子块图像集中图像进行Wavelet PCA变换，得到特征最佳投影矩阵W_i；若σ_i≥σ_all，则对第i个训练子块图像集中图像进行2DPCA变换，得到特征最佳投影矩阵W_i。

（5）提取图像特征

(5.1)将训练图像集第j张图像的第i个子块图像的像素点灰度值矩阵在subset_i的特征最佳投影矩阵W_i上进行投影，以投影后的矩阵作为此子块图像的特征，其中j＝1,2,…,M；

(5.2)将测试图像集的每一张图像按照步骤(2)中的方法等分成N个长方形子块，将每一张图像的第i个子块图像的像素点灰度值矩阵在步骤(4)中第i个训练子块图像集确定的特征最佳投影矩阵W_i上进行投影，以投影后的矩阵作为该图像的第i个子块图像的特征。

（6）通过识别过程验证特征提取效果

(6.1)计算测试图像集的每一张图像的第i个子块图像的特征与训练图像集第j张图像的第i个子块图像的特征之间的欧氏距离。并对计算结果进行归一化，表示为s_ij，其中j＝1,2,…,M，i＝1,2,…,N；

(6.2)计算测试图像集的每一张图像的N个子块图像特征与训练图像集的第j张图像对应的N个子块图像特征之间的欧氏距离归一化后的距离和作为相似性度量S_j， $S_j=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{s}_{\mathrm{ij}};$

(6.3)用最近邻法进行识别。对测试图像集的每一张图像与训练图像集M张图像的M个相似性度量S_j，j＝1,2,…,M进行排序，当前的测试图像集的图像与当S_j为最小值时所对应的训练图像集的第j张图像属于同一类；

(6.4)依照步骤(6.3)完成对测试图像集的每一张图像的识别，以测试图像集中正确识别的图像张数与测试图像集所有图像的张数的比值作为识别结果，以识别结果作为特征提取效果的准则，并输出识别结果。

本发明与现有技术对比，具有如下优点：

第一、本发明将图像分块后使用2DPCA与Wavelet PCA进行自适应特征提取，克服了传统PCA在图像矩阵向量化后矩阵维数过大导致计算复杂的问题，并利用了图像的结构信息，改善了特征提取效果。

第二、本发明对图像进行分块后，比较图像整体的像素点灰度值方差和与局部的像素点灰度值方差和，根据比较结果自适应地选择子块图像的特征提取方法，使图像特征提取效果有了改善，提高了图像的识别效果。

第三、本发明在图像的子块图像中依据不同情况分别使用2DPCA与Wavelet PCA，弥补了单独利用一种方法时只针对一种图像问题进行处理的不足，提升了算法的适用性。

附图说明

图1为本发明的流程图；

图2为本发明使用的ORL人脸库在第一种划分情况下一个人的人脸图像，其中图2(a)为10次运行中此人首次用于训练图像集的所有图像，图2(b)为此人该次用于测试图像集的所有图像；

图3为本发明方法和基于PCA的特征提取方法在ORL人脸库第一种划分情况下的仿真结果图；

图4为本发明使用的ORL人脸库在第二种划分情况下一个人的人脸图像，其中图4(a)为10次运行中此人首次用于训练图像集的所有图像，图4(b)为此人该次用于测试图像集的所有图像；

图5为本发明方法和基于PCA的特征提取方法在ORL人脸库第二种划分情况下的仿真结果图；

图6为本发明使用的COIL-20哥伦比亚图像数据库在第一种划分情况下一个物体的图像，其中图6(a)为10次运行中此物体首次用于训练图像集的所有图像，图6(b)为此物体该次用于测试图像集的所有图像；

图7为本发明方法和基于PCA的特征提取方法在COIL-20数据库第一种划分情况下的仿真结果图；

图8为本发明使用的COIL-20哥伦比亚图像数据库在第二种划分情况下一个物体的图像，其中图8(a)为10次运行中此物体首次用于训练图像集的所有图像，图8(b)为此物体该次用于测试图像集的所有图像；

图9为本发明方法和基于PCA的特征提取方法在COIL-20数据库第二种划分情况下的仿真结果图；

图10为本发明使用的红外图像数据库在第一种划分情况下一个物体的图像，其中图10(a)为10次运行中此物体首次用于训练图像集的所有图像，图10(b)为此物体该次用于测试图像集的所有图像；

图11为本发明方法和基于PCA的特征提取方法在红外图像数据库第一种划分情况下的仿真结果图；

图12为本发明使用的红外图像数据库在第二种划分情况下一个物体的图像，其中图12(a)为10次运行中此物体首次用于训练图像集的所有图像，图12(b)为此物体该次用于测试图像集的所有图像；

图13为本发明方法和基于PCA的特征提取方法在红外图像数据库第二种划分情况下的仿真结果图。

具体实施方式

下面结合附图1对本发明的具体实施步骤做进一步的详细描述。

步骤1.输入图像集有K张图像，K=Class×Pic，Class为输入图像集中的图像类别数，Pic为每一类图像的张数，在本发明实施例中，由WINDOWS XP***输入图像集图像，将输入图像的像素点灰度值按照矩阵形式进行读取。对输入图像集的每一类图像根据随机划分方法，首先产生Pic个(0，1)之间均匀分布的随机数，并进行序号标记，然后将随机数按升序排列，则排序后随机数的原始序号为Pic个无重复的整数随机数，将前Pictrain个整数随机数所对应的输入图像集每一类的图像用做训练图像集图像，则训练图像集总共有M张图像，表示为subset_all，其中M＝Class×Pictrain，剩余K-M个整数随机数所对应的输入图像集的图像作为测试图像集图像。

步骤2.将训练图像集的每张图像等分成N个长方形子块图像，N＝R×Q，R为行划分块数，Q为列划分块数，每张图像的N个子块图像的第i个子块图像构成训练子块图像集表示为subset_i，其中i＝1,2,…,N，训练图像集图像的像素点个数为m×n，m为图像矩阵的行数，n为图像矩阵的列数，则训练子块图像集中图像的大小为训练子块图像集中图像的像素点个数为训练子块图像集图像的张数为M。以下将N个训练子块图像集统称为训练子块图像集。

步骤3.计算subset_all和subset_i的像素点灰度值方差和，分别记为σ_all和σ_i，即

${\mathrm{\σ}}_{\mathrm{all}}=\underset{c_{\mathrm{all}}=1}{\overset{m\×n}{\mathrm{\Σ}}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{(p_{c_{\mathrm{all}}j}-{\stackrel{\‾}{p}}_{c_{\mathrm{all}}})}^2$

其中，是第j张图像的第c_all个像素点的灰度值，1≤c_all≤m×n，是第c_all个像素点灰度值的均值，即：

${\mathrm{\σ}}_i=\underset{c_i=1}{\overset{\frac{m\×n}{N}}{\mathrm{\Σ}}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{(p_{c_{i}j}-{\stackrel{\‾}{p}}_{c_i})}^2$

其中，是第j张图像的第c_i个像素点的灰度值， 是第c_i个像素点灰度值的均值，即：

步骤4.比较训练图像集的像素点灰度值方差和σ_all与训练子块图像集的像素点灰度值方差和σ_i，并求取训练子块图像集图像的特征最佳投影矩阵：

(4.1)若σ_i＜σ_all，对subset_i中图像运用Wavelet PCA求取特征最佳投影矩阵W_i；

(4.1.1)对训练子块图像集图像进行二维离散小波变换；

对第i个训练子块图像集的所有图像运用二维离散小波变换进行处理，得到处理后的图像。

图像是二维矩阵，每次经过二维离散小波分解后，图像被分解为4个频带区域，由于分解后的低频频带占有图像的主要数据，这里只计算低频频带的分解，计算公式如下：

$f(x,y)=\underset{k,l}{\mathrm{\Σ}}{c}_{k,l}{\mathrm{\φ}}_{k,l}(x,y)$

其中，f(x,y)为第i个训练子块图像集的图像经过二维离散小波变换后的图像，φ_k,l(x,y)是二维离散小波变换中的尺度函数，k与l分别是尺度函数水平和垂直的位移标识，c_k,l为低频系数。

(4.1.2)对二维离散小波变换后图像进行PCA变换，并求取特征最佳投影矩阵；

(4.1.2.1)对第i个训练子块图像集经过二维离散小波变换的所有图像像素点灰度值矩阵进行向量化，设O_ij表示训练图像集的第j张图像的第i个子块图像经过小波变换后的图像，将O_ij的像素点灰度值矩阵按列向量依次相接排成向量ε_ij，并将作为第i个训练子块图像集经向量化后矩阵P_i的第j列。

(4.1.2.2)计算第i个训练子块图像集经向量化矩阵P_i的协方差矩阵由于协方差矩阵C_i为正定矩阵，可以进行特征值分解，则对协方差矩阵C_i进行特征值分解：

C_iC_i ^Tη_i＝λ_iη_i

其中，λ_i和η_i分别表示C_i经过特征值分解后的特征值和单位特征向量，T为矩阵转置符号，将η_i作为第i个训练子块图像集的特征最佳投影矩阵W_i的列，构成特征最佳投影矩阵W_i＝(η_i1,η_i2,…,η_it,…η_iopt)，其中η_it为特征值进行降序排列后第t个特征值所对应的单位特征向量，1≤t≤opt，opt为特征最佳投影矩阵的列数，opt≤M。

（4.2）若σ_i≥σ_all，对训练子块图像集subset_i中图像运用2DPCA求取特征最佳投影矩阵W_i；

(4.2.1)2DPCA是一种基于二维矩阵的特征提取方法，则第i个训练子块图像集的协方差矩阵为：

$C_i=\frac{1}{M}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{(A_{\mathrm{ij}}-{\stackrel{\‾}{A}}_i)}^T(A_{\mathrm{ij}}-{\stackrel{\‾}{A}}_i)$

其中，A_ij为第i个训练子块图像集中的第j张图像的像素点灰度值矩阵，为第i个训练子块图像集所有图像的平均像素点灰度值矩阵，即

(4.2.2)2DPCA的最佳投影准则为：

J(X)＝(X^TC_iX)_max

其中，X是第i个训练子块图像集的特征最佳投影矩阵的一个列向量，即满足最佳投影准则J(X)时对应特征最佳投影矩阵的列向量。

在满足最佳投影准则下，特征最佳投影矩阵的列向量即为协方差矩阵C_i的特征值对应的单位特征向量。

对协方差矩阵C_i进行特征值分解：

C_iC_i ^Tη_i＝λ_iη_i

其中，λ_i和η_i分别表示C_i经过特征值分解后的特征值和单位特征向量，训练子块图像集的特征最佳投影矩阵W_i＝(η_i1,η_i2,…,η_iopt)。

步骤5.提取图像特征

(5.1)对于训练图像集，分别以训练子块图像集的图像数的10%到100%，步长为10%，作为步骤4中subset_i的特征最佳投影矩阵W_i的列数，将训练图像集第j张图像的第i个子块图像的像素点灰度值矩阵在W_i上进行投影，以投影后的矩阵作为此子块图像的特征，提取后特征用I_ij表示。当第i个训练子块图像集的特征最佳投影矩阵是使用WaveletPCA进行求取时，将训练图像集图像的第i个子块图像矩阵进行向量化后与W_i进行矩阵乘法提取特征，当第i个训练子块图像集的特征最佳投影矩阵是使用2DPCA进行求取时，将训练图像集图像的第i个子块图像矩阵直接与W_i进行矩阵乘法提取特征。

(5.2)对于测试图像集，将测试图像集的每一张图像按照步骤2中的方法等分成N个长方形子块，分别以训练子块图像集的图像数的10%到100%，步长为10%，作为步骤4中subset_i的特征最佳投影矩阵W_i的列数，将测试图像集的每一张图像的第i个子块图像的像素点灰度值矩阵在步骤4中确定的第i个训练子块图像集的特征最佳投影矩阵W_i上进行投影，以投影后的矩阵作为该图像的第i个子块图像的特征，提取测试图像集每一张图像每一子块图像的特征，提取后特征用V_i表示。当第i个训练子块图像集的特征最佳投影矩阵是使用Wavelet PCA进行求取时，将测试图像集图像的第i个子块图像矩阵进行向量化后与W_i进行矩阵乘法提取特征，当第i个训练子块图像集的特征最佳投影矩阵是使用2DPCA进行求取时，将测试图像集图像的第i个子块图像矩阵直接与W_i进行矩阵乘法提取特征。

步骤6.通过识别过程验证特征提取效果

(6.1)计算测试图像集的每一张图像的第i个子块图像的特征与训练图像集第j张图像的第i个子块图像的特征之间的欧氏距离。并对计算结果进行归一化，表示为s_ij，其中j＝1,2,…,M，i＝1,2,…,N，欧氏距离计算过程如下：

$d_{\mathrm{ij}}=\sqrt{{(I_{\mathrm{ij}}-V_i)}^2}$

其中，d_ij表示测试图像集每一张图像的第i个子块图像的特征与训练图像集的第j张图像的第i个子块图像的特征的欧氏距离，I_ij表示训练图像集的第j张图像的第i个子块图像的特征，V_i表示测试图像集每一张图像的第i个子块图像的特征。

s_ij表示归一化后的d_ij，即：

$s_{\mathrm{ij}}=\frac{d_{\mathrm{ij}}}{\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{d}_{\mathrm{ij}}}.$

(6.2)计算测试图像集的每一张图像的N个子块图像特征与训练图像集的图像对应的N个子块图像特征归一化后的欧氏距离之和作为相似性度量S_j，

(6.3)用最近邻法进行识别。对测试图像集的每一张图像与训练图像集M张图像的M个相似性度量S_j，j＝1,2,…,M进行排序，当前的测试图像集的图像与当S_j为最小值时所对应的训练图像集的第j张图像属于同一类。

(6.4)依照步骤(6.3)完成对测试图像集的每一张图像的识别，以测试图像集中正确识别的图像个数与测试图像集所有图像的个数的比值作为识别结果，以识别结果作为特征提取效果的准则，并输出识别结果。

下面结合附图2至附图13对本发明的仿真效果做进一步的描述。

1.仿真条件：

在CPU为Core(TM)21.86GHZ、内存1G、WINDOWS XP***上使用Matlab7.0a进行仿真。

2.仿真内容：

用本发明方法和现有的基于PCA的特征提取方法分别对ORL人脸库、COIL-20哥伦比亚图像数据库和红外图像数据库进行了仿真，并比较应用两种方法之后的识别结果。

3.仿真实验结果：

3.1.ORL人脸库的仿真结果

用本发明方法和现有的基于PCA的特征提取算法分别对ORL人脸库进行特征提取和识别。ORL人脸库，是由英国剑桥Olivetti实验室从1992年4月到1994年4月期间拍摄的一系列人脸图像组成，共有40个不同年龄、不同性别和不同种族的对象。每个对象10幅图像共计400幅灰度图像组成，图像背景为黑色。其中人脸部分表情和细节均有变化，这里选用的图像大小为64×64。将图像分成16块，行和列均划分为4块，每个子块图像大小为16×16。每次实验均独立运行10次，并对实验识别结果求平均值。

3.1.1ORL人脸库第一种划分的仿真结果

将ORL人脸库作为输入图像集，将属于同一个人脸的10张图像作为一类，随机抽取其中5张图像作为训练图像集图像，剩余的5张图像作为测试图像集图像，则训练图像集有200张图像，测试图像集有200张图像。

图2所示为ORL人脸库中一个人的人脸图像，其中图2(a)为10次运行中第一次此人用于训练图像集的所有图像，图2(b)为此人该次用于测试图像集的所有图像，从图中可以看出，数据库中人脸图像有表情，脸部方位以及光照等变化。图3为本发明方法和基于PCA的特征提取方法的识别效果对比图，识别效果的好坏表征了特征提取方法的好坏，其中，横轴为特征提取过程中所用特征最佳投影矩阵的列数占训练图像集图像总数的百分比，简称为特征百分比，纵轴为识别结果，即正确检测出测试图像集的人脸数与测试图像集所有人脸数的比值。由图3可见，本发明方法的识别结果明显优于基于PCA的特征提取方法的识别结果，因此，本发明的特征提取方法要优于基于PCA的特征提取方法。

3.1.2ORL人脸库第二种划分的仿真结果

将ORL人脸库作为输入图像集，将属于同一个人脸的10张图像作为一类，随机抽取其中3张图像作为训练图像集图像，剩余的7张图像作为测试图像集图像，则训练图像集有120张图像，测试图像集有280张图像。

图4所示为ORL人脸库的中一个人的人脸图像，其中图4(a)为10次运行中第一次此人用于训练图像集的所有图像，图4(b)为此人该次用于测试图像集的所有图像，图5为本发明方法和基于PCA的特征提取方法的识别效果对比图。其中，横轴为特征提取过程中所用特征最佳投影矩阵的列数占训练图像集图像总数的百分比，简称为特征百分比，纵轴为识别结果。由图5可以看出，当训练图像集训练样本数较少时本发明方法的识别结果也要优于基于PCA的特征提取方法的识别结果，因此，当训练图像集训练样本数较少时本发明方法的特征提取效果也要优于基于PCA的特征提取方法的特征提取效果。

由3.1对ORL人脸库的两种不同划分下的识别结果可以得出，采用本发明方法可以有效地提取特征，并且适应于ORL人脸数据库中的人脸识别，并在训练集样本较少时同样取得了很好地识别效果。

3.2.COIL-20哥伦比亚图像数据库的仿真结果

用本发明方法和现有的基于PCA的特征提取算法分别对COIL-20哥伦比亚图像数据库进行特征提取和识别。COIL-20哥伦比亚图像数据库为Columbia University ImageLibrary(COIL-20)哥伦比亚图像实验室数据库，它包含20种物体，每种物体水平上旋转360度，每隔5度拍摄一张照片，因此每种物体有72幅图像，这里选择每种物体15°旋转下的24幅图像，大小为64×64。将图像分成16块，行和列均为4块，每个子块图像大小为16×16。每次实验均独立运行10次，并对识别结果求平均。

3.2.1COIL-20哥伦比亚图像数据库第一种划分的仿真结果

将COIL-20哥伦比亚图像数据库作为输入图像集，将属于同一个物体的24张图像作为一类，随机抽取其中12张图像作为训练图像集图像，剩余的12张图像作为测试图像集图像，则训练图像集有240张图像，测试图像集有240张图像。

图6所示为COIL-20哥伦比亚图像数据库中一个物体的图像，其中图6(a)为10次运行中第一次此物体用于训练图像集的所有图像，图6(b)为此物体该次用于测试图像集的所有图像，从图中可以看出，图像中光线的变化不大，但是由于物体均旋转360度拍摄，因此物体的形状大小都有明显的变化。图7为本发明方法和基于PCA的特征提取方法的识别效果对比图，识别效果的好坏表征了特征提取方法的好坏。其中，横轴为特征提取过程中所用特征最佳投影矩阵的列数占训练图像集图像总数的百分比，简称为特征百分比，纵轴为识别结果。由图7可见，本发明方法的识别结果在特征百分比取值的大多数情况下优于基于PCA的特征提取方法的识别结果，因此，本发明的特征提取方法要优于基于PCA的特征提取方法。

3.2.2COIL-20哥伦比亚图像数据库第二种划分的仿真结果

将COIL-20哥伦比亚图像数据库作为输入图像集，将属于同一个物体的24张图像作为一类，随机抽取其中3张图像作为训练图像集图像，剩余21张图像作为测试图像集图像，则训练图像集有60张图像，测试图像集有420张图像。

图8所示为COIL-20哥伦比亚图像数据库中一个物体的图像，其中图8(a)为10次运行中第一次此物体用于训练图像集的所有图像，图8(b)为此物体该次用于测试图像集的所有图像，图9为本发明方法和基于PCA的特征提取方法的结果对比图，识别效果的好坏表征了特征提取方法的好坏。其中，横轴为特征提取过程中所用特征最佳投影矩阵的列数占训练图像集图像总数的百分比，简称为特征百分比，纵轴为识别结果。从图9可以看出，本发明方法在训练图像集样本较少情况下的识别结果明显高于同等情况下基于PCA的特征提取方法的识别结果，因此，当训练图像集训练样本数较少时本发明方法的特征提取效果在特征百分比取值的大多数情况下也要优于基于PCA的特征提取方法的特征提取效果。

由3.2的两种对COIL-20哥伦比亚图像数据库不同划分下的识别结果可以得出，采用本发明方法可以有效地用于COIL-20哥伦比亚图像数据库中物体的特征提取，且特征提取结果用于识别时在训练样本与测试样本相当，以及训练样本较少的小样本情况下都取得了很好的识别效果。

3.3.红外图像数据库的仿真结果

用本发明方法和现有的基于PCA的特征提取算法分别对红外图像数据库进行特征提取和识别。红外图像数据库包含9种物体，每种物体水平上旋转360度，这里选择每种物体的36幅图像，大小为100×200。将图像分成8块，行为2块，列为4块，每个子块图像大小为50×50。每次实验均独立运行10次，并对识别结果求平均。

3.3.1红外图像数据库第一种划分的仿真结果

将红外图像数据库作为输入图像集，将属于同一个物体的36张图像作为一类，随机抽取其中18张图像作为训练图像集图像，剩余18张图像作为测试图像集图像，则训练图像集有162张图像，测试图像集有162张图像。

图10所示为红外图像数据库中一个物体的图像，其中图10(a)为10次运行中第一次此物体用于训练图像集的所有图像，图10(b)为此物体该次用于测试图像集的所有图像，从图中可以看出，红外图像库中图像有以下特点，图像中目标与背景的对比度不大，图像旋转过程中有明显的形状和大小变化。图11为本发明方法和基于PCA的特征提取方法的识别效果对比图，识别效果的好坏表征了特征提取方法的好坏。其中，横轴为特征提取过程中所用特征最佳投影矩阵的列数占训练图像集图像总数的百分比，简称为特征百分比，纵轴为识别结果。由图11可见，本发明方法的识别结果优于基于PCA的特征提取方法的识别结果，因此，本发明的特征提取方法要优于基于PCA的特征提取方法。

3.3.2红外图像数据库第二种划分的仿真结果

将红外图像数据库作为输入图像集，将属于同一个物体的36张图像作为一类，随机抽取其中12张图像作为训练图像集图像，剩余24张图像作为测试图像集图像，则训练图像集有108张图像，测试图像集有216张图像。

图12所示为红外图像数据库中一个物体的图像，其中图12(a)为10次运行中第一次此物体用于训练图像集的所有图像，图12(b)为此物体该次用于测试图像集的所有图像，图13为本发明方法和基于PCA的特征提取方法的结果，对比图识别效果的好坏表征了特征提取方法的好坏。其中，横轴为特征提取过程中所用特征最佳投影矩阵的列数占训练图像集图像总数的百分比，简称为特征百分比，纵轴为识别结果。由图13可以看出，本发明方法的红外图像数据库样本较少时识别结果高于相同情况下的基于PCA的特征提取方法的识别结果，因此，本发明的特征提取方法要优于基于PCA的特征提取方法。

由3.3的两种对红外图像数据库不同划分下的识别结果可以得出，采用本发明方法可以有效地适应于红外图像数据库的红外目标的特征提取，且特征提取结果用于识别时在训练样本与测试样本相当，以及训练样本较少的小样本情况下都取得了很好的识别效果。

由以上仿真结果可以得出，采用本发明的方法，能很好地对人脸图像，物体图像，红外图像进行特征提取，有效地提高了图像的识别效果，且具有良好的适用性。

Claims (10)

1.基于图像分块的自适应特征提取方法，具体步骤如下：

(1)输入图像集，并随机划分为训练图像集和测试图像集：

设输入图像集有K张图像，K＝Class×Pic，Class为输入图像集中的图像类别数，Pic为每一类图像的张数，将输入图像集图像的像素点灰度值按矩阵形式读取，根据随机划分方法，将输入图像集的M张图像作为训练图像集，表示为subset_all，M＝Class×Pictrain，Pictrain为输入图像集每一类图像用做训练图像集图像的张数，剩余的K-M张图像作为测试图像集；

(2)对训练图像集进行分块，构成训练子块图像集：

训练图像集中图像的大小为m×n，m为图像矩阵的行数，n为图像矩阵的列数，将训练图像集的每张图像等分成N个长方形子块图像，N＝R×Q，其中R为行划分块数，Q为列划分块数，每张图像的N个子块图像中的第i个子块图像组成第i个训练子块图像集，表示为subset_i，其中i＝1,2,…,N，则训练子块图像集的图像数为M，训练子块图像集中图像的大小为训练子块图像集中图像的像素点个数为以下将N个训练子块图像集统称为训练子块图像集；

(3)分别计算训练图像集的像素点灰度值方差和与训练子块图像集的像素点灰度值方差和：

计算subset_all中所有图像属于同一位置的像素点灰度值的方差，得到m×n个位置处像素点灰度值的方差，并对其进行求和，表示为训练图像集的像素点灰度值方差和σ_all；计算第i个训练子块图像集subset_i中所有图像属于同一位置的像素点灰度值的方差，得到个像素点灰度值的方差，并对其进行求和，表示为训练子块图像集的像素点灰度值方差和σ_i；

(4)比较训练图像集的像素点灰度值方差和σ_all与训练子块图像集的像素点灰度值方差和σ_i，求取训练子块图像集的特征最佳投影矩阵；

(4.1)若σ_i<σ_all，对第i个训练子块图像集subset_i中的图像用Wavelet PCA求取特征最佳投影矩阵W_i，步骤如下：

(4.1.1)对第i个训练子块图像集subset_i中图像进行二维离散小波变换；

(4.1.2)对二维离散小波变换后图像进行PCA变换，求取特征最佳投影矩阵W_i；

(4.2)若σ_i≥σ_all，对第i个训练子块图像集subset_i中的图像用2DPCA求取特征最佳投影矩阵W_i；

(5)提取图像特征；

(5.1)对于训练图像集，将第j张图像中的第i个子块图像的像素点灰度值矩阵在subset_i的特征最佳投影矩阵W_i上进行投影，以投影后的矩阵作为此子块图像的特征I_ij，其中j＝1,2,…,M，完成训练图像集的特征提取；

(5.2)对于测试图像集，首先对测试图像集的每一张图像按照步骤(2)进行分块，等分成N个长方形子块图像，然后将每一张图像的第i个子块图像的像素点灰度值矩阵，根据步骤(4)中求出的subset_i的特征最佳投影矩阵进行投影，以投影后的矩阵作为该图像的第i个子块图像的特征V_i，完成测试图像集的特征提取；

(6)通过识别过程验证特征提取效果；

(6.1)计算测试图像集每张图像的每个子块图像的特征与训练图像集所有图像的相对应子块图像的特征之间的欧氏距离，并进行归一化；

(6.2)计算测试图像集每张图像的N个子块图像的特征与训练图像集所有图像的相对应子块图像的特征的欧氏距离归一化后之和作为相似性度量S_j；

(6.3)用最近邻法对相似性度量进行判决，完成对图像的识别；

(6.4)依照步骤(6.3)对测试图像集的每张图像进行识别，将测试图像集中正确识别的图像张数与测试图像集所有图像的张数的比值作为识别结果，输出识别结果。

2.根据权利要求1所述的基于图像分块的自适应特征提取方法，其特征在于，所述步骤(1)中的输入图像集随机划分方法的计算过程如下：

首先产生Pic个0到1之间均匀分布的随机数，对随机数进行序号标记，然后将随机数按升序排列，则排序后随机数的原始序号为Pic个无重复的整数随机数，将前Pictrain个整数随机数所对应的输入图像集每一类的图像作为训练图像集图像，将剩余Pic-Pictrain个整数随机数所对应的输入图像集每一类的图像作为测试图像集图像。

3.根据权利要求1所述的基于图像分块的自适应特征提取方法，其特征在于，所述步骤(3)中的训练图像集subset_all与第i个训练子块图像集subset_i的像素点灰度值方差和的计算如下：

${\mathrm{\&sigma;}}_{all}=\underset{c_{all}=1}{\overset{m\&times;n}{\&Sigma;}}\underset{j=1}{\overset{M}{\&Sigma;}}{(p_{c_{all}j}-{\stackrel{\&OverBar;}{p}}_{c_{all}})}^2$

其中，p_callj是第j张图像的第c_all个像素点的灰度值，1≤c_all≤m×n，是第c_all个像素点灰度值的均值，即：

${\mathrm{\&sigma;}}_i=\underset{c_i=1}{\overset{\frac{m\&times;n}{N}}{\&Sigma;}}\underset{j=1}{\overset{M}{\&Sigma;}}{(p_{c_{i}j}-{\stackrel{\&OverBar;}{p}}_{c_i})}^2$

其中，p_cij是第j张图像的第c_i个像素点的灰度值， 是第c_i个像素点灰度值的均值，即：

4.根据权利要求1所述的基于图像分块的自适应特征提取方法，其特征在于，步骤(4.1.1)所述的对第i个训练子块图像集的图像进行二维离散小波变换的计算如下：

第i个训练子块图像集的图像是二维矩阵，大小为采用二维离散小波对图像进行变换后，图像被分解成4个频带部分，低频部分包含图像的主要数据，因此对图像进行二维离散小波变换后只保留低频部分，计算公式如下：

$f(x,y)=\underset{k,l}{\&Sigma;}{c}_{k,l}{\mathrm{\&phi;}}_{k,l}(x,y)$

其中，f(x,y)为第i个训练子块图像集的图像经过二维离散小波变换后的图像，φ_k,l(x,y)是二维离散小波变换中的尺度函数，k与l分别是尺度函数水平和垂直的位移标识，c_k,l为低频系数。

5.根据权利要求1所述的基于图像分块的自适应特征提取方法，其特征在于，步骤(4.1.2)所述的对二维离散小波变换后的图像进行PCA变换，求取特征最佳投影矩阵的计算过程如下：

5.1对第i个训练子块图像集的所有图像像素点灰度值矩阵进行向量化，将像素点灰度值矩阵按列向量依次相接排成向量ε_ij，并将作为第i个训练子块图像集经向量化后矩阵P_i的第j列；

5.2计算第i个训练子块图像集经向量化后矩阵P_i的协方差矩阵并对协方差矩阵C_i进行特征值分解：

C_iC_i ^Tη_i＝λ_iη_i

其中，λ_i和η_i分别表示C_i经过特征值分解后的特征值和单位特征向量，T为矩阵转置符号，将η_i作为第i个训练子块图像集的特征最佳投影矩阵W_i的列，构成特征最佳投影矩阵。

6.根据权利要求1所述的基于图像分块的自适应特征提取方法，其特征在于，步骤(4.2)所述的对训练子块图像集中的图像运用2DPCA求取特征最佳投影矩阵的计算过程如下：

6.1计算第i个训练子块图像集的协方差矩阵：

$C_i=\frac{1}{M}\underset{j=1}{\overset{M}{\&Sigma;}}{(A_{ij}-{\stackrel{\&OverBar;}{A}}_i)}^T(A_{ij}-{\stackrel{\&OverBar;}{A}}_i)$

其中，A_ij为第i个训练子块图像集中第j张图像的像素点灰度值矩阵，为第i个训练子块图像集所有图像的平均像素点灰度值矩阵，即

6.2对协方差矩阵C_i进行特征值分解：

C_iC_i ^Tη_i＝λ_iη_i

其中，λ_i和η_i分别表示C_i经过特征值分解后的特征值和单位特征向量，将η_i作为第i个训练子块图像集的特征最佳投影矩阵W_i的列，构成特征最佳投影矩阵。

7.根据权利要求1所述的基于图像分块的自适应特征提取方法，其特征在于，步骤(5)所述的提取图像特征中，子块图像在特征最佳投影矩阵W_i上进行投影的计算如下：

分别以训练子块图像集的图像数M的10％到100％，步长为10％，作为特征最佳投影矩阵W_i的列数，对训练图像集的子块图像和测试图像集的子块图像在特征最佳投影矩阵W_i上进行投影提取特征，当第i个训练子块图像集的特征最佳投影矩阵是使用Wavelet PCA进行求取时，将训练图像集图像的第i个子块图像矩阵和测试图像集图像的第i个子块图像矩阵分别进行向量化后与W_i进行矩阵乘法提取特征，当第i个训练子块图像集的特征最佳投影矩阵是使用2DPCA进行求取时，将训练图像集图像的第i个子块图像矩阵和测试图像集图像的第i个子块图像矩阵分别与W_i进行矩阵乘法提取特征。

8.根据权利要求1所述的基于图像分块的自适应特征提取方法，其特征在于，步骤(6.1)所述的测试图像集每一张图像的每个子块图像的特征与训练图像集所有图像的相对应子块图像的特征之间的归一化欧氏距离计算过程如下：

$d_{ij}=\sqrt{{(I_{ij}-V_i)}^2}$

其中，d_ij表示测试图像集每一张图像的第i个子块图像的特征与训练图像集的第j张图像的第i个子块图像的特征之间的欧氏距离，I_ij表示训练图像集的第j张图像的第i个子块图像的特征，V_i表示测试图像集每一张图像的第i个子块图像的特征；

s_ij表示归一化后的d_ij，即：

$s_{ij}=\frac{d_{ij}}{\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{d}_{ij}}.$

9.根据权利要求1所述的基于图像分块的自适应特征提取方法，其特征在于，步骤(6.2)所述的相似性度量S_j的计算如下：

$S_j=\underset{i=1}{\overset{N}{\&Sigma;}}{s}_{ij}.$

10.根据权利要求1所述的基于图像分块的自适应特征提取方法，其特征在于，步骤(6.3)所述的最近邻法对相似性度量进行判决的计算如下：

对测试图像集的每一张图像与训练图像集M张图像的M个相似性度量S_j，j＝1,2,…,M进行排序，当前的测试图像与当S_j为最小值时所对应的训练图像集的第j张图像属于同一类。