CN107862335A - 一种基于多尺度反馈度量学习的纹理图像分类方法 - Google Patents
一种基于多尺度反馈度量学习的纹理图像分类方法 Download PDFInfo
- Publication number
- CN107862335A CN107862335A CN201711084549.3A CN201711084549A CN107862335A CN 107862335 A CN107862335 A CN 107862335A CN 201711084549 A CN201711084549 A CN 201711084549A CN 107862335 A CN107862335 A CN 107862335A
- Authority
- CN
- China
- Prior art keywords
- texture image
- texture
- mrow
- msub
- image
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
一种基于多尺度反馈度量学***衡导致的纹理分类正确率较低的问题,具有分类精确性高、稳健性强等特点,具有很高的实际应用价值。
Description
技术领域
本发明涉及模式识别与图像处理技术领域,具体地说是一种基于多尺度反馈度量学习的纹理图像分类方法。
背景技术
轮廓波变换是一种非常有效的图像方向多尺度变换。轮廓波子带的有效建模和特征提取是构建图像纹理表示的一个重要步骤。自从轮廓波变换被提出之后,基于轮廓波的图像处理和识别方法逐渐涌现出来。轮廓波变换被广泛地应用在图像处理和识别的各个分支问题中,为当前的图像处理和识别水平提高做出了重大贡献,也为人类科技发展水平的提高起到了较大的促进作用。因此,在过去的十多年里,关于轮廓波和的研究一直受到人们的高度重视。
图像纹理表示和分类是模式识别和图像处理中的一个重要研究课题。图像纹理分类指通过给定标签的图像纹理块训练分类器,然后对待分类的图像纹理块进行分类的问题,也是一种图像识别问题。不过,纹理分类重点关注的是纹理图像的分类,尤其关注图像的纹理信息。在人们生活工作中,图像纹理分析技术可以广泛地应用到图像识别,纹理修补等领域,因此,图像纹理表示和分类一直是图像处理和识别技术研究的热点方向之一。最近数十年,研究人员提出了大量图像纹理表示和分类方法,目前图像纹理分类方法大致可以分为两大类:基于空间域的纹理分类方法和基于变换域的纹理分类方法。近些年基于多尺度变换域的纹理方法受到了广泛的关注,但是,这些基于多尺度变换域的纹理分类方法往往忽略多尺度子带的不平衡问题,从而导致所构建的纹理分类方法的正确率不够理想。
发明内容
本发明所要解决的技术问题是提供一种基于多尺度反馈度量学***衡导致的纹理分类正确率较低的问题。
本发明为解决上述技术问题所采用的技术方案是:一种基于多尺度反
馈度量学习的纹理图像分类方法,包括以下步骤:
步骤一、给定C类纹理图像,将每一类纹理图像都分为两组,一组用于训练,称为训练纹理图像,另一组用于测试,称为测试纹理图像,然后使用轮廓波变换对训练纹理图像和测试纹理图像进行处理,得到训练纹理图像和测试纹理图像的轮廓波子带;
步骤二、由步骤一得到的训练纹理图像和测试纹理图像的轮廓波子带中提取相异增量生成直方图特征;
步骤三、通过整数剖分的方法,对测试纹理图像个数做剖分,并构建反馈步长向量V,V=(v1,v2,…,vτ),其中τ为对测试纹理图像个数进行剖分的组数;
步骤四、令m=1到τ-1,依次对反馈步长向量V进行遍历,进行如下循环,直到m≥τ-1:
(1)对于训练纹理图像轮廓波子带的相异增量生成的直方图特征,求解如下线性规划问题,以获得纹理图像类距离定义中子带距离的权重W:
使得
其中,W={ωi,j},i=1,2,…,L,j=1,2,…,M,ωi,j表示第i尺度、第j个方向轮廓波子带的权重系数,L是轮廓波分解的最大尺度,M是每个轮廓波分解尺度下,方向子带的个数;di,j表示第i尺度,第j个方向轮廓波子带相异增量生成直方图特征间的距离,c表示第c个纹理类,c=1,2,…C;Sx和Sy分别表示属于第c类的两个纹理图像;μ是控制参数,用于约束类内距离;
(2)利用步骤(1)得到的权重W通过公式计算剩余测试纹理图像与第c个纹理类别中每个训练纹理图像之间的距离,并将这些距离的最小值作为该测试纹理图像到纹理类c的距离;
(3)按照测试纹理图像到第c个纹理类别距离从小到大的原则,检索前vm个测试纹理图像,将所检索到的测试纹理图像,当作与第c类训练纹理图像属于同一个类别的纹理图像,并把这些测试纹理图像加入第c类的训练纹理图像,用于后继的度量学习之中,进行下一次的循环;
步骤五、利用步骤四学习得到的子带距离权重W,计算剩余v(τ)个测试纹理图像与每个类别训练样本的距离;
步骤六、将测试纹理图像与每个类别训练样本的距离中的最小距离对应的训练样本所属的类别标签赋予测试纹理图像实现分类。
本发明所述步骤四中步骤(1)计算轮廓波子带间相异增量生成直方图特征的欧式距离di,j的公式为:其中hk和gk分别表示第 i尺度,第j个方向轮廓波子带相异增量生成的直方图特征,D表示直方图特征的维数。
本发明的有益效果是:
(1)本发明提供的轮廓波子带的相异增量生成直方图特征的相关性分析,较好地解决了轮廓波子带的建模和依赖性分析问题;
(2)本发明针对图像纹理轮廓波子带的不平衡问题,所建立的度量学习方法,可以广泛应用到图像纹理识别和检索等领域,识别和检索更精确;
(3)定量比较实验证明本发明所提供的基于多尺度反馈度量学***衡导致的纹理分类正确率较低的问题,具有分类精确性高、稳健性强等特点,具有很高的实际应用价值。
附图说明
图1为本发明基于多尺度反馈度量学习的纹理图像分类方法流程图;
图2为本发明在Set-1数据集上分类正确率与训练样本个数的关系图。
具体实施方式
一种基于多尺度反馈度量学习的纹理图像分类方法,包括以下步骤:
步骤一、给定C类纹理图像,将每一类纹理图像都分为两组,一组用于训练,称为训练纹理图像,另一组用于测试,称为测试纹理图像,然后使用轮廓波变换对训练纹理图像和测试纹理图像进行处理,得到训练纹理图像和测试纹理图像的轮廓波子带;
步骤二、由步骤一得到的训练纹理图像和测试纹理图像的轮廓波子带中提取相异增量生成直方图特征;
步骤三、通过整数剖分的方法,对测试纹理图像个数做剖分,并构建反馈步长向量V,V=(v1,v2,…,vτ),其中τ为对测试纹理图像个数进行剖分的组数;
步骤四、令m=1到τ-1,依次对反馈步长向量V进行遍历,进行如下循环,直到m≥τ-1:
(1)对于训练纹理图像轮廓波子带的相异增量生成的直方图特征,求解如下线性规划问题,以获得纹理图像类距离定义中子带距离的权重W:
使得
其中,W={ωi,j},i=1,2,…,L,j=1,2,…,M,ωi,j表示第i尺度、第j个方向轮廓波子带的权重系数,L是轮廓波分解的最大尺度,M是每个轮廓波分解尺度下,方向子带的个数;di,j表示第i尺度,第j个方向轮廓波子带相异增量生成直方图特征间的距离,其中hk和gk分别表示第i尺度,第j个方向轮廓波子带相异增量生成的直方图特征,D表示直方图特征的维数; c表示第c个纹理类,c=1,2,…C;Sx和Sy分别表示属于第c类的两个纹理图像;μ是控制参数,用于约束类内距离;
(2)利用步骤(1)得到的权重W通过公式计算剩余测试纹理图像与第c个纹理类别中每个训练纹理图像之间的距离,并将这些距离的最小值作为该测试纹理图像到纹理类c的距离;
(3)按照测试纹理图像到第c个纹理类别距离从小到大的原则,检索前vm个测试纹理图像,将所检索到的测试纹理图像,当作与第c类训练纹理图像属于同一个类别的纹理图像,并把这些测试纹理图像加入第c类的训练纹理图像,用于后继的度量学习之中,进行下一次的循环;
步骤五、利用步骤四学习得到的子带距离权重W,计算剩余v(τ)个测试纹理图像与每个类别训练样本的距离;
步骤六、将测试纹理图像与每个类别训练样本的距离中的最小距离对应的训练样本所属的类别标签赋予测试纹理图像实现分类。
通过以下仿真实验对本发明的效果做进一步说明:
1)仿真条件
本发明所有的实验都是在中央处理器为Intel(R)Xeon(R)CPU E5-1650 [email protected]、内存16GB、WINDOWS 10操作***上,运用Matlab程序仿真。实验中使用的实验数据是公开的数据库61CUReT320,VisTex,与Brodatz。对于后面的两个数据库,我们分类选择了两个数据集,从而,我们有五个纹理图像数据集,分别记为Set-1,Set-2,Set-3,Set-4与Set-5。对这五个数据集中的每个纹理图像,都分割成16个纹理块,其中8块用于训练样本,其余8块用于测试样本。在我们的实验中,我们使用评价指标是平均分类正确率(the averageclassificationaccuracyrate(ACAR))。
2)仿真内容
为了验证提出的基于多尺度反馈度量学***面概率模型的BP方法,基于局部能量直方图的LEH方法,基于泊松混合模型贝叶斯分类的PMM方法,基于轮廓波子带聚类的CSC方法,以及基于线性回归模型的SLR方法。这五种纹理分类方法都是最近比较典型的方法。我们将对比结果显示在表1和表2中。
表1为五种典型的纹理分类方法与本发明方法在五个数据集上的分类正确率比较表;表2为五种典型的纹理分类方法与本发明方法在含有80纹理图像的纹理数据集上的分类正确率比较表,从表1、表2可见,本发明所提出的方法(简称MFML)在五个数据集上的分类效果都是比较有优势的。图2显示了在Set-1数据集上所提出的方法的分类正确率与训练样本个数的关系。由表1 和表2可以看出本发明所提出的方法具有较高分类正确率和稳健性等特点。
表1.在五个数据集上的分类正确率比较
表2.在含有80纹理图像的纹理数据集上的分类正确率比较
。
Claims (2)
1.一种基于多尺度反馈度量学习的纹理图像分类方法,其特征在于:包括以下步骤:
步骤一、给定C类纹理图像,将每一类纹理图像都分为两组,一组用于训练,称为训练纹理图像,另一组用于测试,称为测试纹理图像,然后使用轮廓波变换对训练纹理图像和测试纹理图像进行处理,得到训练纹理图像和测试纹理图像的轮廓波子带;
步骤二、由步骤一得到的训练纹理图像和测试纹理图像的轮廓波子带中提取相异增量生成直方图特征;
步骤三、通过整数剖分的方法,对测试纹理图像个数做剖分,并构建反馈步长向量V,V=(v1,v2,…,vτ),其中τ为对测试纹理图像个数进行剖分的组数;
步骤四、令m=1到τ-1,依次对反馈步长向量V进行遍历,进行如下循环,直到m≥τ-1:
(1)对于训练纹理图像轮廓波子带的相异增量生成的直方图特征,求解如下线性规划模型,以获得纹理图像类距离定义中子带距离的权重W:
<mrow>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mi>W</mi>
</munder>
<munder>
<mo>&Sigma;</mo>
<mi>c</mi>
</munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>S</mi>
<mi>x</mi>
</msub>
<mo>,</mo>
<msub>
<mi>S</mi>
<mi>y</mi>
</msub>
</mrow>
</munder>
<mi>T</mi>
<mi>D</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mi>x</mi>
</msub>
<mo>,</mo>
<msub>
<mi>S</mi>
<mi>y</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
使得
<mrow>
<mi>T</mi>
<mi>D</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mi>x</mi>
</msub>
<mo>,</mo>
<msub>
<mi>S</mi>
<mi>y</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>L</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msup>
<mn>2</mn>
<mi>i</mi>
</msup>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>d</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
</mrow>
其中,W={ωi,j},i=1,2,…,L,j=1,2,…,M,ωi,j表示第i尺度、第j个方向轮廓波子带的权重系数,L是轮廓波分解的最大尺度,M是每个轮廓波分解尺度下,方向子带的个数;di,j表示第i尺度,第j个方向轮廓波子带相异增量生成直方图特征间的距离,c表示第c个纹理类,c=1,2,…C;Sx和Sy分别表示属于第c类的两个纹理图像;μ是控制参数,用于约束类内距离;
(2)利用步骤(1)得到的权重W通过公式计算剩余测试纹理图像与第c个纹理类别中每个训练纹理图像之间的距离,并将这些距离的最小值作为该测试纹理图像到纹理类c的距离;
(3)按照测试纹理图像到第c个纹理类别距离从小到大的原则,检索前vm个测试纹理图像,将所检索到的测试纹理图像,当作与第c类训练纹理图像属于同一个类别的纹理图像,并把这些测试纹理图像加入第c类的训练纹理图像,用于后继的度量学习之中,进行下一次的循环;
步骤五、利用步骤四学习得到的子带距离权重W,计算剩余v(τ)个测试纹理图像与每个类别训练样本的距离;
步骤六、将测试纹理图像与每个类别训练样本的距离中的最小距离对应的训练样本所属的类别标签赋予测试纹理图像实现分类。
2.根据权利要求1所述的一种基于多尺度反馈度量学习的纹理图像分类方法,其特征在于:所述步骤四中步骤(1)计算轮廓波子带间相异增量生成直方图特征间的距离di,j的公式为:其中hk和gk分别表示第i尺度,第j个方向轮廓波子带相异增量生成的直方图特征,D表示直方图特征的维数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711084549.3A CN107862335B (zh) | 2017-11-07 | 2017-11-07 | 一种基于多尺度反馈度量学习的纹理图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711084549.3A CN107862335B (zh) | 2017-11-07 | 2017-11-07 | 一种基于多尺度反馈度量学习的纹理图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107862335A true CN107862335A (zh) | 2018-03-30 |
CN107862335B CN107862335B (zh) | 2021-06-01 |
Family
ID=61701118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711084549.3A Active CN107862335B (zh) | 2017-11-07 | 2017-11-07 | 一种基于多尺度反馈度量学习的纹理图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107862335B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100849691B1 (ko) * | 2007-01-16 | 2008-07-31 | 광주과학기술원 | 영상 텍스쳐 분석 방법과 장치, 및 이를 이용한 영상 분류방법과 장치 |
US8064694B2 (en) * | 2006-06-21 | 2011-11-22 | Hewlett-Packard Development Company, L.P. | Nonhuman animal integument pixel classification |
CN103530647A (zh) * | 2013-10-10 | 2014-01-22 | 哈尔滨工程大学 | 基于分数傅里叶变换的纹理分类方法 |
WO2015142923A1 (en) * | 2014-03-17 | 2015-09-24 | Carnegie Mellon University | Methods and systems for disease classification |
CN105224960A (zh) * | 2015-11-04 | 2016-01-06 | 江南大学 | 基于聚类算法的玉米种子高光谱图像分类识别模型更新方法 |
CN105320962A (zh) * | 2015-10-21 | 2016-02-10 | 东南大学 | 一种基于分类器集成的路面破损类型识别方法 |
CN106408029A (zh) * | 2016-09-28 | 2017-02-15 | 河南科技大学 | 一种基于结构差分直方图的图像纹理分类方法 |
CN106803093A (zh) * | 2016-12-06 | 2017-06-06 | 同济大学 | 一种基于叶片纹理特征和iOS平台的植物物种识别方法 |
-
2017
- 2017-11-07 CN CN201711084549.3A patent/CN107862335B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8064694B2 (en) * | 2006-06-21 | 2011-11-22 | Hewlett-Packard Development Company, L.P. | Nonhuman animal integument pixel classification |
KR100849691B1 (ko) * | 2007-01-16 | 2008-07-31 | 광주과학기술원 | 영상 텍스쳐 분석 방법과 장치, 및 이를 이용한 영상 분류방법과 장치 |
CN103530647A (zh) * | 2013-10-10 | 2014-01-22 | 哈尔滨工程大学 | 基于分数傅里叶变换的纹理分类方法 |
WO2015142923A1 (en) * | 2014-03-17 | 2015-09-24 | Carnegie Mellon University | Methods and systems for disease classification |
CN105320962A (zh) * | 2015-10-21 | 2016-02-10 | 东南大学 | 一种基于分类器集成的路面破损类型识别方法 |
CN105224960A (zh) * | 2015-11-04 | 2016-01-06 | 江南大学 | 基于聚类算法的玉米种子高光谱图像分类识别模型更新方法 |
CN106408029A (zh) * | 2016-09-28 | 2017-02-15 | 河南科技大学 | 一种基于结构差分直方图的图像纹理分类方法 |
CN106803093A (zh) * | 2016-12-06 | 2017-06-06 | 同济大学 | 一种基于叶片纹理特征和iOS平台的植物物种识别方法 |
Non-Patent Citations (2)
Title |
---|
YONGSHENGDONG等: "Feature extraction through contourlet subband clustering for texture classification", 《NEUROCOMPUTING》 * |
杨晓鸣: "基于多尺度几何分析的图像特征提取与分类", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN107862335B (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564129B (zh) | 一种基于生成对抗网络的轨迹数据分类方法 | |
Zhang et al. | MCnet: Multiple context information segmentation network of no-service rail surface defects | |
CN109190524B (zh) | 一种基于生成对抗网络的人体动作识别方法 | |
CN105809672B (zh) | 一种基于超像素和结构化约束的图像多目标协同分割方法 | |
CN104537647A (zh) | 一种目标检测方法及装置 | |
CN110991532B (zh) | 基于关系视觉注意机制的场景图产生方法 | |
CN105389583A (zh) | 图像分类器的生成方法、图像分类方法和装置 | |
CN105261004A (zh) | 基于均值漂移和邻域信息的模糊c均值图像分割方法 | |
CN109508740B (zh) | 基于高斯混合噪声生成式对抗网络的物体硬度识别方法 | |
CN105740404A (zh) | 标签关联方法及装置 | |
CN106709528A (zh) | 基于多目标函数深度学习的车辆重识别方法及装置 | |
CN105930846A (zh) | 基于邻域信息和svgdl的极化sar图像分类方法 | |
CN103295032B (zh) | 基于空间Fisher向量的图像分类方法 | |
CN107133640A (zh) | 基于局部图像块描述子和费舍尔向量的图像分类方法 | |
CN107944428A (zh) | 一种基于超像素集的室内场景语义标注方法 | |
CN104966075B (zh) | 一种基于二维判别特征的人脸识别方法与*** | |
CN105046714A (zh) | 一种非监督的基于超像素和目标发现机制的图像分割方法 | |
CN114692741A (zh) | 基于域不变特征的泛化人脸伪造检测方法 | |
CN103955709A (zh) | 基于加权合成核与tmf的极化sar图像分类方法 | |
CN111144462A (zh) | 一种雷达信号的未知个体识别方法及装置 | |
Wang et al. | Learning latent semantic attributes for zero-shot object detection | |
CN105184285A (zh) | 直推式迁移组稀疏判别分析的跨姿态彩色图像表情识别 | |
Ding et al. | DHT: dynamic vision transformer using hybrid window attention for industrial defect images classification | |
CN106095811A (zh) | 一种基于最优编码的监督离散哈希的图像检索方法 | |
CN116433909A (zh) | 基于相似度加权多教师网络模型的半监督图像语义分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |