[發明專利]一種針對小樣本以及高維圖像的分類方法

無效

• 申請號: 201210498607.8
• 申請日: 2012-11-29
• 公開（公告）號: CN103034868A
• 公開（公告）日: 2013-04-10
• 發明（設計）人: 甘勝豐;王典洪;孫林;丁兆一;雷維新
• 申請（專利權）人: 中國地質大學（武漢）
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 武漢華旭知識產權事務所 42214
• 代理人: 劉榮

技術領域

本發明涉及一種圖像的分類方法，特別是一種針對小樣本以及高維圖像的分類方法。?

背景技術

圖像分類方法是根據各自在圖像信息中所反映的不同特征，把不同類別的目標區分開來的圖像處理方法。它利用計算機對圖像進行定量分析,把圖像或圖像中的每個像元或區域劃歸為若干個類別中的某一種,以代替人的視覺判讀。圖像分類方法經過多年的發展，已經被應用到各個領域當中，例如地理信息分類、鋼鐵表面缺陷識別、織物表面缺陷識別、木材表面缺陷識別、農產品分類識別等領域，但在工業圖像分類領域，例如帶鋼表面缺陷圖像識別，已有的方法卻存在如下缺陷：（1）針對高維圖像分類效果不理想；（2）訓練樣本相對于待分類圖像為小樣本時分類率不高；（3）輸入參量復雜，不同的參數嚴重影響識別效果，同時引起調試和維護的困難。因此，有效提高圖像分類的效果，這將產生十分積極的市場效應和巨大的應用價值。?

發明內容

為了解決現有技術的不足，本發明提供了一種輸入參量少，針對小樣本以及高維圖像的分類方法。?

本發明解決其技術問題所采用的技術方案是：?

一種針對小樣本以及高維圖像的分類方法，包括以下步驟：?

（1）獲得第一分類規則：選取圖像作為訓練集，對訓練集進行圖像特征提取處理，圖像特征包括形狀特征、顏色特征、位置特征和質心特征，然后使處理后的訓練集進入一級分類器，得出第一分類規則，所述一級分類器采用特征描述方法來設計，第一分類規則采用專家經驗決策對圖像類型的理解，通過特征描述決策來表達圖像類型；?

（2）對圖像一級分類：選取圖像作為測試集，對測試集進行圖像特征提取處理，圖像特征包括形狀特征、顏色特征、位置特征和質心特征，然后將處理后的測試集通過第一分類規則，得出可分類圖像和不可分類圖像兩種類型圖像；?

（3）獲得第二分類規則：對訓練集進行圖像歸一化處理，然后采用流形降維方法ISOMAP進行圖像降維，根據ISOMAP算法的抗噪聲、處理稀疏數據和參數敏感度低的特性，將處理后的訓練集降維至30維以下的特征向量，使處理后的訓練集進入二級分類器，所述二級分類器為支持向量機分類器，將訓練集產生的特征向量輸入支持向量機中進行分類，獲得第二分類規則；?

（4）對圖像二級分類：對不可分類圖像進行圖像降維以及圖像歸一化，然后使處理后的不可分類圖像通過第二分類規則，獲得每幅圖像類型。?

（5）獲得第三分類規則：對訓練集進行圖像特征提取，圖像特征?包括位置特征和質心特征，然后使處理后的訓練集進入三級分類器，將位置特征和質心特征輸入至三級分類器內的決策樹算法進行學習，獲得樹狀拓撲結構的句法分類規則，即為第三分類規則；?

（6）對圖像三級分類，得出分類結果：將步驟（2）中的可分類圖像和經步驟（3）處理后的不可分類圖像通過第三分類規則，得出分類結果。?

作為上述方案的優選方案，所述圖像歸一化處理采用的圖像像素為50×50~300×300，圖像歸一化后的維度為2500維~90000維。?

所述一級分類器與二級分類器之間采用雙數據流方式銜接，二級分類器與三級分類器之間的圖像傳輸采用標記方式進行傳輸，只輸出圖像的圖號和類型號，降低數據處理時間。?

所述質心特征主要有橫向質心特征和縱向質心特征，質心特征的主要屬性包括有：橫向或縱向盒偏移、橫向或縱向盒偏移比率、亮度橫向或縱向偏移、亮度橫向或縱向偏移比率和亮度橫向或縱向盒偏移比率；其中邊界盒（box）是指可完全包圍圖像中所有閾值限定像素的最小矩形。?

橫向或縱向盒偏移即圖像橫向或縱向質心到圖像的邊界盒橫向或縱向中心的距離。?

橫向或縱向盒偏移比率用于度量獨立于圖像尺寸的橫向或縱向盒偏移，該值的范圍為?-1.0?到?+1.0。?

亮度橫向或縱向偏移即是圖像的亮像素的橫向或縱向質心到所?有圖像像素的橫向或縱向質心的距離。?

亮度橫向或縱向偏移比率，此比率用于度量獨立于圖像尺寸的亮度橫向或縱向偏移。此值的范圍為?-1.0?到?+1.0。?

亮度橫向或縱向盒偏移比率，此比率用于度量獨立于圖像尺寸的亮度橫向或縱向盒偏移。此值的范圍為?-1.0?到?+1.0。?

其中：亮度橫向或縱向盒偏移比率=亮度橫向或縱向盒偏移/（邊界盒寬度/2）。?

本發明相比于現有技術具有的有益效果是：?

（1）結合工業生產的特點，該方法中的一級圖像分類具有較強的人工可控性。?