[發明專利]一種適用于協同學習分布式圖像特征提取算法

無效

• 申請號: 201110216720.8
• 申請日: 2011-07-29
• 公開（公告）號: CN102298701A
• 公開（公告）日: 2011-12-28
• 發明（設計）人: 王曉華
• 申請（專利權）人: 王曉華
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06T5/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明涉及一種圖像特征提取算法，特別涉及一種適用于協同學習分布式圖像特征提取算法。

背景技術

現代遠程教育是基于互聯網和終端實現教學活動，教學中實時的異地的虛擬環境主要有遠程課堂教學、輔導答疑、小組學習討論等，必須通過互動的形式實現教師與學生無障礙的，流暢的教導和學習，并且協同學習是提高遠程學習效能感的重要方式。但是制約協同學習發展與應用的主要因素是配套的協同學習系統(CSCL)在協同學習模型、協同學習感知、個性化副本一致性、基于協同學習語義的并發控制等關鍵技術還沒有深入的研究，以達到足夠高效的、自然的互動化、個性化學習。還具有如下缺點：1、適用于目前大部分圖像檢索算法協同圖像設計領域，不適用于遠程教育協同學習中領域。2、虛擬實時協同學習復雜對象的檢索方案沒有提出。3、基于知識點的復雜對象從表現形式分類，包括文本、圖形、圖像、視頻、音頻、嵌入的各類對象，故在分布式虛擬實時協同學習中需建立新的數據檢索算法，以適應后續的協同學習處理。

基于形狀的圖像特征提取方法主要有幾何參數法，不變矩法以及基于變換域的方法。其中，基于變換域的小波模極大值法是描述形狀特征的一種有效方法，該方法有效的提取了圖像的形狀特征，具有平移、旋轉和尺度不變性。但該方法采用了HU不變矩來刻畫圖像的形狀特征，對噪聲具有一定的敏感性，因為在使用小波模極大值提取邊緣時由于閾值的選取不同，邊緣附近仍然存在一定程度的噪聲信息。Teh對幾種矩的綜合分析表明，Zernike矩具有較小的噪聲敏感性，但仍然不能滿足實際形狀特征提取的需求。由于Radon變換具有較強的抗噪能力，已被用在圖像識別中，但目前有文獻構造了一種Radon不變量采用了循環平移獲得旋轉不變性，具有一定的復雜度，并且尺度不變性構造較為繁瑣。

發明內容

為了克服上述現有技術存在的缺陷，本發明提供一種適用于協同學習分布式圖像特征提取算法，該算法具有提高圖像特征提取算法的抗噪聲能力，具備平移、旋轉和尺度不變形。

為實現上述目的，本發明的具體方案為：

本發明所述一種適用于協同學習分布式圖像特征提取算法，該算法基于Radon變換與奇異值分解，根據Radon變換的幾何特性，構造了新的基于Radon變換和小波變換的不變性紋理特征提取方法。

所述Radon變換為：一個函數f(x，y)的Radon變換是該函數沿包含該函數的平面的一族直線的線積分，如下式所示：

R{f(x，y)}＝∫∫f(x，y)δ(t-xcosθ-ysinθ)dxdy＝g_θ(t)

Equation?Section(Next)????(1)

其中，t代表沿直線上的距離，為t＝xcosθ+ysinθ沿著一系列平行線的積分就組成了投影g_θ(t)，所有的投影組成的集合{g_θ(t)，θ∈[0，π]}就是Radon變換；由Radon變換具有如下性質：

平移：設X和Y方向的平移量為t_x和t_y，則

R(f(x-t_x，y-t_y))＝g_θ(t-t_xcosθ-t_ysinθ)????(2)

可見原圖像的平移就等于t的平移；

尺度：上標s表示尺度變換量，λ表示比例因子；