[發明專利]基于圖像分塊的自適應特征提取方法

有效

• 申請號: 201410010605.9
• 申請日: 2014-01-09
• 公開（公告）號: CN103714340B
• 公開（公告）日: 2017-01-25
• 發明（設計）人: 劉靳;靳洋;姬紅兵;張文博;王海鷹;劉艷麗;葛倩倩;孫寬宏
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/46
• 分類號: G06K9/46
• 代理公司: 陜西電子工業專利中心61205
• 代理人: 張問芬,王品華

1.基于圖像分塊的自適應特征提取方法，具體步驟如下：

(1)輸入圖像集，并隨機劃分為訓練圖像集和測試圖像集

設輸入圖像集有K張圖像，K=Class×Pic，Class為輸入圖像集中的圖像類別數，Pic為每一類圖像的張數，將輸入圖像集圖像的像素點灰度值按矩陣形式讀取，根據隨機劃分方法，將輸入圖像集的M張圖像作為訓練圖像集，表示為subset_all，M＝Class×Pictrain，Pictrain為輸入圖像集每一類圖像用做訓練圖像集圖像的張數，剩余的K-M張圖像作為測試圖像集；

(2)對訓練圖像集進行分塊，構成訓練子塊圖像集

訓練圖像集中圖像的大小為m×n，m為圖像矩陣的行數，n為圖像矩陣的列數，將訓練圖像集的每張圖像等分成N個長方形子塊圖像，N＝R×Q，其中R為行劃分塊數，Q為列劃分塊數，每張圖像的N個子塊圖像中的第i個子塊圖像組成第i個訓練子塊圖像集，表示為subset_i，其中i＝1,2,…,N，則訓練子塊圖像集的圖像數為M，訓練子塊圖像集中圖像的大小為訓練子塊圖像集中圖像的像素點個數為以下將N個訓練子塊圖像集統稱為訓練子塊圖像集；

(3)分別計算訓練圖像集的像素點灰度值方差和與訓練子塊圖像集的像素點灰度值方差和

計算subset_all中所有圖像屬于同一位置的像素點灰度值的方差，得到m×n個位置處像素點灰度值的方差，并對其進行求和，表示為訓練圖像集的像素點灰度值方差和σ_all；計算第i個訓練子塊圖像集subset_i中所有圖像屬于同一位置的像素點灰度值的方差，得到個像素點灰度值的方差，并對其進行求和，表示為訓練子塊圖像集的像素點灰度值方差和σ_i；

(4)比較訓練圖像集的像素點灰度值方差和σ_all與訓練子塊圖像集的像素點灰度值方差和σ_i，求取訓練子塊圖像集的特征最佳投影矩陣:

(4.1)若σ_i＜σ_all，對第i個訓練子塊圖像集subset_i中的圖像用WaveletPCA求取特征最佳投影矩陣W_i，步驟如下：

(4.1.1)對第i個訓練子塊圖像集subset_i中圖像進行二維離散小波變換；

(4.1.2)對二維離散小波變換后圖像進行PCA變換，求取特征最佳投影矩陣W_i；

(4.2)若σ_i≥σ_all，對第i個訓練子塊圖像集subset_i中的圖像用2DPCA求取特征最佳投影矩陣W_i；

(5)提取圖像特征

(5.1)對于訓練圖像集，將第j張圖像中的第i個子塊圖像的像素點灰度值矩陣在subset_i的特征最佳投影矩陣W_i上進行投影，以投影后的矩陣作為此子塊圖像的特征I_ij，其中j＝1,2,…,M，完成訓練圖像集的特征提取；

(5.2)對于測試圖像集，首先對測試圖像集的每一張圖像按照步驟(2)進行分塊，等分成N個長方形子塊圖像，然后將每一張圖像的第i個子塊圖像的像素點灰度值矩陣，根據步驟(4)中求出的subset_i的特征最佳投影矩陣進行投影，以投影后的矩陣作為該圖像的第i個子塊圖像的特征V_i，完成測試圖像集的特征提取；

(6)通過識別過程驗證特征提取效果

(6.1)計算測試圖像集每張圖像的每個子塊圖像的特征與訓練圖像集所有圖像的相對應子塊圖像的特征之間的歐氏距離，并進行歸一化；

(6.2)計算測試圖像集每張圖像的N個子塊圖像的特征與訓練圖像集所有圖像的相對應子塊圖像的特征的歐氏距離歸一化后之和作為相似性度量S_j；

(6.3)用最近鄰法對相似性度量進行判決，完成對圖像的識別；

(6.4)依照步驟(6.3)對測試圖像集的每張圖像進行識別，將測試圖像集中正確識別的圖像張數與測試圖像集所有圖像的張數的比值作為識別結果，輸出識別結果。