[發明專利]一種基于多變量對數高斯混合模型的圖像紋理特征提取及識別方法

有效

• 申請號: 201811575477.7
• 申請日: 2018-12-22
• 公開（公告）號: CN109657690B
• 公開（公告）日: 2022-10-21
• 發明（設計）人: 陳熙
• 申請（專利權）人: 貴州師范大學
• 主分類號: G06V10/46
• 分類號: G06V10/46;G06V10/764;G06V10/762
• 代理公司: 昆明隆合知識產權代理事務所(普通合伙) 53220
• 代理人: 何嬌

本發明涉及一種基于多變量對數高斯混合模型的圖像紋理特征提取及識別方法，屬于模式識別技術領域。本發明首先對一幅紋理圖像采用高斯二維Gabor濾波器進行濾波處理，并構建對數高斯隨機向量；采用一個多變量對數高斯概率模型對對數高斯隨機向量進行參數建模；再采用多個多變量對數高斯概率模型對對數高斯隨機向量進行參數建模；對參數建模得到的多變量對數高斯概率混合模型中所涉及的參數Θ采用期望最大進行估計，得到多變量對數高斯概率混合模型；最后計算待分類紋理圖像屬于各類圖像的多變量對數高斯混合模型的概率，此概率即為分類的依據。本發明能對具有非高斯，厚拖尾統計特點的紋理圖像進行有效識別。

技術領域

本發明涉及一種基于多變量對數高斯混合模型的圖像紋理特征提取及識別方法，屬于模式識別技術領域。

背景技術

紋理是圖像的一種重要特征，廣泛應用于模式識別與計算機視覺領域。紋理統計是紋理識別的一種重要方法，當前紋理統計模型可以分成高斯統計模型和非高斯統計模型。二維Gabor濾波器是一種有效的圖像紋理特征提取方法。二維Gabor濾波器的研究主要集中在二維Gabor濾波器參數選擇，快速計算和各種各樣應用方面。目前也存在極少量的工作研究圖像Gabor濾波后結果的統計特征，主要采用高斯概率模型進行研究，包括均值、協方差和概率密度等。

通過對紋理圖像Gabor濾波后結果進行統計分析，可以發現其分布并不服從高斯分布，而是具有厚拖尾的非高斯特征，故應采用非高斯模型，即對數高斯模型對紋理圖像Gabor濾波后的結果進行統計建模。

發明內容

本發明提供了一種基于多變量對數高斯混合模型的圖像紋理特征提取及識別方法，以用于解決紋理統計分布中具有厚拖尾特征的紋理圖像特征提取及識別問題。針對傳統高斯混合模型無法建模厚拖尾統計分布的缺陷，本發明提出的基于多變量對數高斯混合模型的圖像紋理特征提取及識別方法能建模厚拖尾統計分布，且本發明的紋理圖像識別率高。

本發明的技術方案是：一種基于多變量對數高斯混合模型的圖像紋理特征提取及識別方法，所述方法的具體步驟如下：

Step1、首先對一幅紋理圖像采用高斯二維Gabor濾波器進行濾波處理，并構建對數高斯隨機向量；

Step1.1、高斯二維Gabor濾波器的定義如下：

其中k_v＝k_max/f^v，k_max是最大頻率，一般k_max＝π/2，尺度參數v取值為v＝0,...,4，方向參數μ取值為μ＝0,1,2,3，z＝(h,s)和||z||＝(h²+s²)，h,s表示高斯二維Gabor濾波器的坐標，此處i表示虛單位；參數σ決定了高斯二維Gabor濾波器的帶寬，取值為2π；

Step1.2、假設紋理圖像表示為I(h,s)，h,s同樣也表示圖像的坐標，則采用高斯二維Gabor濾波器濾波后得到的結果為復矩陣表示為：R_u,v(h,s)＝ψ_μ,v(h,s)*I(h,s)；步驟Step1.1提到z＝(h,s)，所以ψ_μ,v(h,s)就是ψ_μ,v(z)，I(h,s)表示一幅圖像，I(h,s)和ψ_μ,v(h,s)中h,s分別表示橫坐標和縱坐標；

Step1.3、構造對數高斯隨機向量X；