[發(fā)明專利]基于D-S證據理論的視覺詞典構建方法

有效

• 申請?zhí)枺?/td>: 201310014988.2
• 申請日: 2013-01-15
• 公開（公告）號: CN103093238A
• 公開（公告）日: 2013-05-08
• 發(fā)明（設計）人: 沈項軍;高海迪;朱倩;曾蘭玲
• 申請（專利權）人: 江蘇大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 江蘇致邦律師事務所 32230
• 代理人: 樊文紅

技術領域

本發(fā)明涉及圖像特征提取，視覺聚類以及圖像分類技術領域，尤其涉及一種基于D-S證據理論的視覺詞典構建方法。

背景技術

圖像分類是計算機視覺領域內的一個重點研究的問題，它能夠將不同類別的目標區(qū)分開來，在衛(wèi)星遙感，航空航天，生物醫(yī)學等方面具有廣泛的應用。近年來，使用詞袋（bag-of-words）模型表示圖像并實現圖像對象分類的方法，由于其實現了基于多個圖像特征的圖像表示模型，因此在圖像分類中受到較大的關注。而在詞袋模型中需要首先構建圖像類的視覺詞典。視覺詞典構建的好壞直接影響了圖像分類的效果。目前傳統(tǒng)的視覺字典的構造方法是在提取圖像特征例如顏色，紋理等的基礎上，將提取的圖像特征使用聚類方法，例如K均值（K-Means）聚類，來構造視覺詞典。如Jayech等人將圖像分成塊，分別使用高斯混合模型Gaussian?Mixture?Model）和灰度共生矩陣Gray?Level?Co-occurrence?Matrix）提取分塊的顏色特征和紋理特征，經過K均值聚類后形成視覺詞典，進而利用貝葉斯網絡實現圖像的分類。Willamowski等人使用樸素貝葉斯和支持向量機實現圖像的分類識別則是在提取圖像的SIFT(scale?invariant?feature?transform)特征后，經過K均值聚類構建詞匯表。Xu等人經過SIFT特征提取和DENCLUE聚類后獲得視覺字典，然后計算點間互信息獲得重要的特征，使用支持向量機實現圖像分類識別。上面所提到的構建視覺字典方法一般是將提取的多個特征形成統(tǒng)一的特征向量，然后使用聚類方法。這種方法在視覺聚類的過程中只考慮了特征的視覺相似性而導致忽略了不同特征對構建視覺字典的影響。因此如何考察不同特征的視覺相似性，區(qū)分出對聚類影響度不同的特征，從而構造更加精確地視覺字典就顯得非常重要。

D-S證據理論是由Dempster提出并有Shafer進一步發(fā)展而來的，是一種信息融合技術。這個理論是經典概率論的一種擴充形式，是對傳統(tǒng)Bayes理論的推廣。它是一種建立在置信函數和似然函數上的數學證據理論，將證據的信任函數與概率論的上下值相聯系，用信任函數和似然度來解釋多值映射，并在此基礎上形成了處理不確定信息的證據理論。它可以結合一個事件的不同證據信息來計算這個事件發(fā)生的概率，能夠處理被忽略或者丟失的信息，提供不同信息源之間信息的不精確性和沖突估計。在D-S證據理論中，基本概率賦值函數用來描述每個傳感器或同一傳感器的某一特征對假設命題的影響，置信函數和似然函數表示某個假設命題的可信度，各個特征的共同作用則可用組合公式來計算，而命題的最后判斷則用決策規(guī)則來實現。由于D-S證據理論在處理不確定信息方面的作用，它可以應用在圖像分類，對象識別等多個方面。

有鑒于此，有必要提供一種基于D-S證據理論的視覺詞典構建方法以解決上述問題。

發(fā)明內容

本發(fā)明提供了一種基于D-S證據理論的視覺詞典構建方法，通過使用D-S證據理論考察不同特征的視覺相似性并進行特征融合，從而對初始視覺字典進行更進一步的細分，構造出更加更加有效的視覺詞典，提高圖像的分類準確率。

為了實現上述目的，本發(fā)明實施例提供的技術方案如下：

一種基于D-S證據理論的視覺詞典構建方法，所述方法包括：

S1、提取所有訓練圖像的SIFT特征，應用K均值實現初步的視覺字典分類得到K個子類；

S2、設定分類閾值t和熵閾值s，其中分類閾值t表示設定的最大聚類個數即最大視覺單詞個數，閾值s表示允許應用D-S證據理論進行子類分解的信息熵閾值；

S3、判斷當前的分類數是否小于t，若是，執(zhí)行步驟S4，若否，執(zhí)行步驟S7；

S4、對已有分類計算每個子類的信息熵；

S5、選擇信息熵最大的一個子類作為當前要分解的類，判斷該子類的信息熵是否大于s，若是，執(zhí)行步驟S6，若否，執(zhí)行步驟S7；

S6、將當前信息熵最大的子類h運用D-S證據理論進一步分類；

S7、計算新形成的子類的聚類中心，形成視覺詞典。

作為本發(fā)明的進一步改進，所述步驟S4中信息熵的計算公式為：