[發明專利]基于多尺度集成特征編碼的紋理識別模型建立方法及應用

在審

• 申請號: 202110047823.X
• 申請日: 2021-01-14
• 公開（公告）號: CN112819039A
• 公開（公告）日: 2021-05-18
• 發明（設計）人: 楊華;宋開友;尹周平;侯岳
• 申請（專利權）人: 華中科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06T7/40
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 李智

本發明公開了一種基于多尺度集成特征編碼的紋理識別模型建立方法及應用，屬于圖像處理領域，模型建立方法包括：建立先驗引導特征提取網絡、特征融合網絡、多尺度編碼網絡和多尺度集成學習網絡，依次連接各網絡后進行訓練，得到紋理識別模型；模型中各網絡依次用于：首先，利用紋理先驗信息提取對紋理結構表達能力較強的卷積特征；其次，將深層特征與淺層特征融合，得到多尺度強語義信息特征；接著，對各尺度的特征進行編碼，得到對異常點魯棒的全局紋理特征；最后，利用得到的多尺度全局紋理特征進行集成學習，實現多尺度紋理的魯棒識別。本發明能夠有效提高在復雜背景干擾及大尺度變化情況下的紋理識別結果魯棒性和準確性。

技術領域

本發明屬于圖像處理領域，更具體地，涉及一種基于多尺度集成特征編碼的紋理識別模型建立方法及應用。

背景技術

紋理是圖像的基本微結構，是進行圖像理解、場景理解的重要的中層特征。因此，紋理識別，即提取紋理特征并進行準確分類，是計算機視覺領域一個重要的視覺任務。紋理識別在許多視覺任務中都有應用，如圖像檢索、工業視覺檢測、人臉分析、地形識別等。

由于眾多因素的影響，如光照變化、視角變化、旋轉、尺度、圖像退化(模糊、噪聲、背景干擾等)，導致紋理識別依然是一個極具挑戰的視覺任務。目前，已有大量算法被提出來解決紋理識別難題。現有紋理識別算法將圖像的局部紋理特征映射到可學習的詞袋模型，并將編碼后的局部特征集成為全局紋理特征進行紋理識別。

然而，現有方法在編碼過程中均將局部區域的特征視為紋理特征。多數場景中紋理圖像受復雜背景區域干擾。因此，圖像的局部特征中往往包含了來自于背景區域的局部特征。在編碼過程中若不對異常特征進行額外的處理將影響編碼后的全局特征的判別性能，進而制約此類方法對具有背景異常干擾的識別精度與魯棒性。同時，現有方法均僅利用單尺度的卷積特征進行紋理編碼，難以編碼多尺度紋理信息。因此，現有紋理識別方法無法解決存在復雜背景干擾及大尺度變化情況下的紋理識別問題。

發明內容

針對現有技術的缺陷和改進需求，本發明提供了一種基于多尺度集成特征編碼的紋理識別模型建立方法及應用，其目的在于，提高在復雜背景干擾及大尺度變化情況下的紋理識別結果魯棒性和準確性。

為實現上述目的，按照本發明的一個方面，提供了一種基于多尺度集成特征編碼的紋理識別模型建立方法，包括：

建立先驗引導特征提取網絡，用于獲得輸入圖像的N_s個尺度的卷積特征和先驗紋理特征，并將對應尺度的卷積特征和先驗紋理特征融合，得到N_s個尺度的融合卷積特征；

建立特征融合網絡，用于將N_s個尺度的融合卷積特征中，最深層的融合卷積特征分別與其余各尺度的融合卷積特征融合，由N_s-1個融合結果連同最深層的融合卷積特征一起構成N_s個尺度的強語義信息特征；

建立多尺度編碼網絡，用于對N_s個尺度的強語義信息特征進行編碼，使得每一個強語義信息特征中，屬于紋理區域的局部特征被映射到超球體內部，而屬于背景區域的局部特征被映射到超球體外部，得到N_s個全局紋理特征；超球體有K個，分別以K個可學習的紋理基元為中心；

建立多尺度集成學習網絡，用于利用N_s個全局紋理特征進行集成學習，得到輸入圖像的紋理識別結果；

依次連接先驗引導特征提取網絡、特征融合網絡、多尺度編碼網絡和多尺度集成學習網絡，并利用紋理類別已知的圖像數據集對連接所得的模型進行訓練，在訓練結束后，得到用于對圖像進行紋理識別的紋理識別模型；

其中，N_s和K均為預設的正整數。