[發(fā)明專利]圖像分類方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 201410177159.0
• 申請(qǐng)日: 2014-04-29
• 公開(kāi)（公告）號(hào): CN103942570A
• 公開(kāi)（公告）日: 2014-07-23
• 發(fā)明（設(shè)計(jì)）人: 雷柏英;陳思平;汪天富;倪東
• 申請(qǐng)（專利權(quán)）人: 深圳大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62
• 代理公司: 深圳市科進(jìn)知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44316
• 代理人: 宋鷹武;沈祖鋒

技術(shù)領(lǐng)域

本發(fā)明涉及一種圖像分類方法及系統(tǒng)。

背景技術(shù)

圖像分類即是，根據(jù)各自在圖像信息中所反映的不同特征，把不同類別的目標(biāo)區(qū)分開(kāi)來(lái)的圖像處理方法。它利用計(jì)算機(jī)對(duì)圖像進(jìn)行定量分析，把圖像或圖像中的每個(gè)像元或區(qū)域劃歸為若干個(gè)類別中的某一種，以代替人的視覺(jué)判讀。

在最近的十年中，圖像分類是計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)研究熱點(diǎn)。BOW(字典袋)技術(shù)已被證明是最有效的圖像分類的方法之一。

然而，在BOW方法中，空間的上下文信息，如字共生和成對(duì)的信息被忽略，產(chǎn)生的視覺(jué)單詞仍然不夠說(shuō)明問(wèn)題，限制了圖像的整體分類性能。此外，基于局部特征是相互獨(dú)立的假設(shè)，如樸素貝葉斯，并不是總能成立。

發(fā)明內(nèi)容

有鑒于此，有必要提供一種圖像分類方法及系統(tǒng)。

本發(fā)明提供一種圖像分類方法，該方法包括如下步驟：a.對(duì)要分類的圖像進(jìn)行多尺度分割；b.對(duì)多尺度分割后的圖像進(jìn)行顯著圖提取；c.對(duì)顯著圖提取后的圖像進(jìn)行直方圖挖掘；d.對(duì)直方圖挖掘后的圖像進(jìn)行歸一化；e.采用支持向量機(jī)對(duì)上述歸一化的圖像進(jìn)行分類。

其中，所述的多尺度分割包括將所述圖像劃分成多塊，修改所述劃分后圖像的結(jié)構(gòu)信息表示。

所述的步驟b采用基于圖形的視覺(jué)顯著性的自下而上的顯著性模型提取圖像的顯著圖。

所述的步驟c中直方圖挖掘基于：R(m)＝d(m)×v(m),其中，d(m)(0≤d(m≤)和1)v(m)分別是差異性分?jǐn)?shù)和代表性分?jǐn)?shù)。

所述步驟d中的歸一化包括：平方根歸一化、L1歸一化、類內(nèi)和類間l₁歸一化、l₂歸一化、類內(nèi)和類間l₂歸一化。

本發(fā)明還提供一種圖像分類系統(tǒng)，包括相互電性連接的分割模塊、提取模塊、挖掘模塊、歸一化模塊及分類模塊。其中，所述分割模塊用于對(duì)要分類的圖像進(jìn)行多尺度分割；所述提取模塊用于對(duì)多尺度分割后的圖像進(jìn)行顯著圖提取；所述挖掘模塊用于對(duì)顯著圖提取后的圖像進(jìn)行直方圖挖掘；所述歸一化模塊用于對(duì)直方圖挖掘后的圖像進(jìn)行歸一化；所述分類模塊用于采用支持向量機(jī)對(duì)上述歸一化的圖像進(jìn)行分類。

其中，所述的多尺度分割包括將所述圖像劃分成多塊，修改所述劃分后圖像的結(jié)構(gòu)信息表示。

所述的提取模塊采用基于圖形的視覺(jué)顯著性的自下而上的顯著性模型提取圖像的顯著圖。

所述的直方圖挖掘基于：R(m)＝d(m)×v(m),其中，d(m)(0≤d(m)≤1)和v(m)分別是差異性分?jǐn)?shù)和代表性分?jǐn)?shù)。

所述的歸一化包括：平方根歸一化、L1歸一化、類內(nèi)和類間l₁歸一化、l₂歸一化、類內(nèi)和類間l₂歸一化。

本發(fā)明圖像分類方法及系統(tǒng)，利用顯著區(qū)域定位、直方圖挖掘、圖像評(píng)分、差異性學(xué)習(xí)等進(jìn)行圖像分類。主要貢獻(xiàn)如下：首先，結(jié)合直方圖挖掘的多尺度空間進(jìn)行金字塔的圖像表示，基于邊緣的密集描述符提高分類性能和減少計(jì)算時(shí)間；其次，顯著圖提取構(gòu)建BoP模型，增加區(qū)分判斷能力；第三，從視覺(jué)顯著性獲得的圖像得分被集成到SVM分類器的分離超平面，所述圖像得分被視為潛在的信息，以提高區(qū)分能力；最后，提出了考慮類間和類內(nèi)變化，也考慮直方圖的統(tǒng)計(jì)信息的直方圖歸一化方法。

附圖說(shuō)明

圖1為本發(fā)明圖像分類方法的流程圖；

圖2為本發(fā)明較佳實(shí)施例圖像多尺度分割示意圖；

圖3為本發(fā)明較佳實(shí)施例圖像、顯著圖、顯著圖的灰度形式示意圖；

圖4為本發(fā)明較佳實(shí)施例事件數(shù)據(jù)集的直方圖PDF示意圖；

圖5為本發(fā)明較佳實(shí)施例足球數(shù)據(jù)集的直方圖PDF示意圖；

圖6為本發(fā)明圖像分類系統(tǒng)的硬件架構(gòu)圖。

具體實(shí)施方式

下面結(jié)合附圖及具體實(shí)施例對(duì)本發(fā)明作進(jìn)一步詳細(xì)的說(shuō)明。

參閱圖1所示，是本發(fā)明圖像分類方法較佳實(shí)施例的作業(yè)流程圖。

步驟S401，對(duì)要分類的圖像進(jìn)行多尺度分割。具體而言，將每個(gè)所述圖像劃分成多塊，修改所述劃分后圖像的結(jié)構(gòu)信息表示。圖2示出了多尺度分割后的圖像空間金字塔。圖2中1×1(原始圖像)、2×2、4×4的區(qū)域(總共21個(gè)區(qū)域)均由SPM技術(shù)生成。本實(shí)施例中，所述圖像的縱橫比保持SPM的多尺度技術(shù)。從多尺度分割和密集采樣中得到特征矢量，一般是高維數(shù)，通過(guò)主成分分析(PCA)和線性判別分析(LDA)進(jìn)行降維運(yùn)算，從而產(chǎn)生良好的結(jié)果，且不顯著損失。