专利名称：用于确定图像区域和对图像进行分类的方法和设备的制作方法
技术领域：
本发明 一般地涉及用于确定图像区域和图像种类并且将图像分 成多个种类的方法和设备。
背景技术：
将图像分类成具有语义意义的种类是基于内容的图像检索的重 要问题和计算机视觉最具挑战的 一 项。通过图像的特征对其进行分 类是可应用的并且进一 步的处理将取决于分类的结果。图像检索十 分接近分类。在图像检索系统中，从图像提取的特征将连同图像存 储在数据库中，并且稍后具有类似特征的图像将根据输入特征进行 提取。在这点上，4全索系统可用作分类方法的应用。当前，在该领 域已经做出了很多工作并且在近年的文献中提出了各种系统。然而， 从整个图像中所提取的许多特征在当前的算法(例如颜色直方图方 法)中将直接用于图像分类，但低的查全率的缺陷依然存在。
因此，需要一种能够对图像进行分类并且获得比现有方法更好 的分类结果的方法。
发明内容
本发明的目的是提供一种用于确定图像区域并且将图像分类成 多个种类，从而获得比现有技术更好的分类结果的方法和设备。
为了获得上述的目的，根据本发明的一个方面，提供一种用于确
定图像的图像区域的方法，包括步骤计算图像中像素的置信值， 通过置信值确定像素的种类，确定相同种类的像素的图像区域。
根据本发明的另一方面，提供一种用于将图像分类成多个种类的 方法，包括步骤计算图像中像素的置信值，通过像素的置信值和 位置信息来确定图像特征，通过所述图像特征将图像分类成多个种 类。
仍根据本发明的一个方面，提供一种用于确定图像的种类的方
法，包括步骤计算图像中像素的置信值，基于图像中像素的置信 值确定图像的种类。
仍根据本发明的 一个方面，提供一种用于确定图像的图像区域的 设备，包括用于计算图像中像素的置信值的计算模块，用于通过置 信值确定像素的种类和相同种类的像素的图像区域的确定模块。
根据本发明的另一方面，提供一种用于将图像分类成多个种类的 设备，包括用于计算图像中像素的置信值的计算模块，用于通过像 素的置信值和位置信息来确定图像特征的确定模块，以及用于通过 所述图像特征将图像分类成多个种类的分类模块。
仍根据本发明的一个方面，提供一种用于确定图像的种类的设 备，包括用于计算图像中像素的置信值的计算模块，用于基于图像 中像素的置信值确定图像的种类的确定模块。
相比较于现有技术，本发明的使用可显著地提高图像的查全率并 且获得比现有方法更好的分类结果。
另外，通过本发明得到的分类图像及其区域还可用于图像改进处 理中以获得更好的视觉效果。
根据下面结合附图阅读的示例性的实施方式的详细描述，本发 明的上述和其他目的、特征和优势将变得明显。
图1是根据本发明的一个实施方式的用于将图像分类成多个种 类的方法的流程图2示出根据本发明的一个实施方式的如何在图像中选择一些 像素；
图3示出根据本发明的一个实施方式的在图2中选择的每个像 素的剪切图像块；
图4示意性地示出根据本发明的一个实施方式的小波变换以得 到小波特征的过程；
图5是在本发明的一个实施方式中所使用的Adaboost算法的流 程图6是图5的Adaboost算法中的Weaklearn(弱学习)的流程图7是根据本发明的一个实施方式的用于将图像分类成多个种 类的设备的示意性框图8根据本发明的一个实施方式的用于确定图像的图像区域的 设备的示意性框图9是根据本发明的一个实施方式的用于确定图像的种类的示 意性框图；以及，
图IO表示根据本发明的一个实施方式的示意性应用。
具体实施例方式
现在参考附图对本发明进行详细地描述。
图1示出了根据本发明的一个实施方式的用于将图像分类成多 个种类的方法的流程图。在步骤100，输入将要被分类的图像。在步 骤110，图像被缩小到预定的大小，例如19200。如果图像的区域大 于19200,则将其缩小到19200。缩放的结果可能不准确但这不太重 要。缩小算法可以是一种线性变换。在缩小操作后，图像宽度和高 度的比值不变。如果该图像的面积不大于19200,则其将由随后的处 理直接使用。在步骤120，计算像素的置信值(也可分别由图7和图 8中的计算模块400和500计算)，将在下文中对其细节进行描述。
为了计算置信值，首先选择缩小的图像的一些像素。对于选择 的像素，根据像素的相邻块区域计算颜色特征和小波特征。这两种 类型的特征将构成一种特征，通过该特征可得到像素的置信值。如 图2中所示，在9个相邻的像素中仅选择一个像素(由灰色表示)。 然而，应该注意到选择方法不限于这里所述的方法。如图3中所示， 针对由黑色指示的选择的像素中的 一 个来剪切宽度和高度为8个像
素的图像块。另外，应该注意到剪切方法不限于这里所述的方法。 对于靠近图像边界并且对于剪切块图像不存在足够的空间的选择的 像素，它们将被忽略。接着执行颜色特征的计算，该颜色特征包括
执行块像素的r、 g和b分量的均值、方差值和协方差值。可通过下 面的方程来进行表达
1. 块像素的均值
JV W
|>(0
/(1) = ^^， /(2) = ^^， /(3) = ^^
iV jV 7V
2. 块像素的方差值
i (KO - /(1))2 S (洲-/(2))2 f , - /(3))2
W iV ;v
3.块像素的协方差值
i>(0-/d))x(g(0-/(2))
/(8) = ^
|>(0-/(1))x/(3)) i>('H(2))x,-/(3》
其中/(1)""，/(9)表示特征，N表示块的像素数目，其在本发明中优 选的是64，块的像素可以被记录为像素i和r(i), g(i)和b(i),分别地 表示像素r、 g和b分量。
现在参考图4，其示意性示出根据本发明的一个实施方式的小波 变换以得到特征的过程。该方法使用2级小波(现有使用Haar小波) 变换以得到特征。下文将对该变换的过程进行简短的描述。首先， 将块颜色图像转换为灰块图像。其次，通过对灰块图像施加l级小 波变换来获得1级小波结果。接着将1级小波变换再次施加到小波 结果的上方区域，组合两次小波变换结果将得到由图4中的数字所
指示的6个区域。在此之后，将考虑区域l、 2.....6的小波结果来
计算小波特征及其方差值。根据下面的方程从区域l、 2、…6提取
12维小波特征。
<formula>complex formula see original document page 13</formula>
其中i=l，...，6，g(j)是区域i中的像素j的灰度值(j = l，...，N), N是区域i的像素数目，则M(i)是区域i的平均灰度值，V(i)是区域 i的方差灰度值。
由上述步骤得到的颜色特征和小波特征构成像素的特征。由于颜 色特征是9维的而小波特征是12维的，所以像素的特征是21维的 并且它们可以表示为f(l),…，f(21)。通过施加判别式H(x)(下面将 解释)所得到的H (x)的结果值被称为权重值。接着通过根据下面 的步骤对范围
的权重值进行归 一化来得到置信值
1 )令权重值=纟又重值/10;
2) 如果权重值O,令权重值=0;如果纟又重值>1,令权重值=1;
3) 这样权重值处于范围[O, 1],并因此置信值是权重值。
通过Adaboost得到判别式H (x)及其参数。现在参考图5,该 图表示在本发明的实施方式所使用的Adaboost算法的流程图。尽管 Adaboost算法对于本领域技术人员来说是熟知的，对其简短地描述
将有助于更好的理解本方法。
在步骤200,输入m个训练样本，即，^(",乂),"，A)，…，(&,L)〉，
其中标示乂￡1^{0，1}，其中Xi是从某个空间X提取并且以某种方式表示 (通常为属性值的d维矢量)的实例。在针对像素的置信值的训练中， Xi是值素的特征f (1),…，f (21)(通过计算置信值所引入)，yi 是与Xi关联的类标记并且仅可以是代表否定(例如，非蓝天像素)样本 的O或代表肯定(例如，蓝天像素)样本的l。然而，应该注意到》的 值不限于这里所述的值，本领域技术人员还可根据实际需要来设置yi 的值。在步骤210，初始变量t被设置成等于1，在步骤220，根据下式 来执行Dt(i)的初始化
A(')"/附 i=l,2，.."m, t=l,2，.."T (3)
其中D!是第一轮的训练样本^^"少')，"，h)，…，(、，:0)的分布并且
利用均匀分布来初始化。在每次迭代中基于先前Dw来计算随后的Dt。 接着流程图前进到迭代部分，通过由数字所指示的下面步骤来示出。 l)调用弱学习(稍后描述)，向其提供误标记分布Dt并且得到假设 /UJO->[-U], ht输出从-l到1的实数，值越大，则样本越可能是肯定的 样本。另一方面，值越小，则样本越可能是否定的样本(步骤230) 。 2) 计算ht的伪损失<formula>complex formula see original document page 14</formula>5是估计假设ht好坏程度的值。如果^是零，则ht的结果很好。另一方 面，如果￡'越大，则s'的结果越坏。应该注意到该误差是针对分布 来测量的。
3) 将A设置成等于WG、)，其中A仅是为方便起见的临时变量并且没 有实质性的含意。
4) 更新分布A砂
其中z'是归一化常量(这样选择使得"w将是分布)。示例的权重与某个
数相乘，使得可基于A来计算Dw。接着可通过除以归一化常量来重新 归一化权重。有效地，由许多先前弱假设所分类的"容易"样本将得到 更低的权重，而往往被误分类的"难"样本将得到更高的权重。因此， 本方法将把最大的权重着重于在对弱学习来说是最难的样本(步骤 240)。
本算法将持续T轮，并且最后算法将弱假设、、…A合并到单个最 终假设
<formula>complex formula see original document page 14</formula>x 冥巡
图6是图5的Adaboost算法的弱学习的流程图，通过由数字所指示的 下面步骤来示出。
1 )输入
使用的弱学习算法接收m个训练集sH"，W，"，h)，…，&，;a以及其 在Adaboost算法的t轮的分布D-^(D，"(2)，…，"(w》(步骤300)。 2)迭代
执行k-l、 2、 3，...d的迭代(d是样式空间X的维数)
1. 获得第k个样式，A^P"，P""哉J
=勺，其中x' "'—',2，…，^ (这意味着xi是W"…，^的平均值)
(步骤320)。
2. 通过Pk对训练样本进行排序，使得对于任意的KJ, pk，i<pkj (步 骤330)。
3. 获得符号权重^={气'，气2"'气"}, =0^2_l)*D(/)，从而对于肯
定的(否定的)样本，'是正的(负的)。
卯* = Z -气,
4. 获得负权重的和 i'<° (正数)。
5. 获得符号权重^ =".,"，…"J的累积和
6.找到索引il和i2，使得 '^ax","，…^-J和
2 =min{C",C*,2，""C*,m-l}
7. ^!口果c"1 > _C*''2,贝寸令Sk=l， " = A'"Z2 + Pw+'/2 , 否则令& = -l心=-Pi,,rf2 /2 - &,,d2+l /2 ，<formula>complex formula see original document page 15</formula>
8. 获得<formula>complex formula see original document page 15</formula>
9. 获得损失函数
2 ，其中g(x)H
<formula>complex formula see original document page 15</formula>
一l， X<_1 X 其他
3 )迭代后
argmin(&)
在迭代后，选择最佳的k，即，W= "'，".J (步骤370)
4)输出
弱学习最终输出假设是
<formula>complex formula see original document page 16</formula>，其中g<formula>complex formula see original document page 16</formula>其他
假定在第t轮得到弱学习假设，则h取迭代步骤中使用的ht。
现在返回到图1,在步骤130中由像素的置信值确定像素的种类。 以确定蓝天像素和非蓝天像素为例，如果像素的置信值大于O.OOOOl(在 这里仅是示例性的)，则像素被认为是蓝天像素，否则被认为是非蓝天 像素。因此，在步骤160基于先前确定的蓝天像素确定蓝天区域。应该
是限制性的，并且其可以被用于确定如期望的任何区域种类。在步骤 140,由选择的像素的置信值来计算图像的特征。在步骤140，可由所选 择的像素置信值来计算图像的特征。图像特征是6维的特征，下文示出 计算的过程
令 <formula>complex formula see original document page 16</formula>
如果(s,w<e;w ^
令<formula>complex formula see original document page 16</formula>。在j亥条j牛
下，-1仅是用于特征的标记并且其可以是其他的值。在下一步骤中，该
算法将判断标记并做些判定。
否则令
<formula>complex formula see original document page 16</formula>
2 一〕 * 40 * W)《,*柳* (I] w(/) * w))
//Wg(6) = (Jd---a-^-) /(—g(4) + e戸)* (,'mg(5) + ，》
对于选择的像素i，其置信值被表示为w(i),其坐标被分别地表示 为x(i)和y(i)。N是选择的像素的数目。上述的/wg(1)…,'附g(6)是图像特征。
在步骤150,利用图像特征对图像进行分类，通过下面的过程示出
1) ^口果('附g("〈0)或('.附g(l)二—1并且''附《(2) = _1并且/"^(3) = _1并且 'wg(4) = _1并且'wg(5) = -1并且/wg(6) = -1)，令res =陽io;否则对特征^g(1)，...， ^g问施加判别式"W (下面将解释)，令res- "W的结果值。
2) 如果(res〉0),则图像被分类为蓝天，否则被分类为非蓝天。 类似地，应该注意到使用本发明来将图像分类成蓝天图像和非蓝天图像 仅是示例性的而不是限制，并且其可被用于将图像分类成如期望的任何 种类。
其中g(x)〕
r 广 // (x) = Z log
,'=1
1 x上l
_1 X<_1 X 其他
1
g ((/m g (、) * 一 。)/ [)
通过Adaboost获得判别式H(X)和它的参数。训练过程与前面的相同， 仅有如下的一些不同
1. 在训练集中，在该部分训练样本是图像而不是像素；蓝天图像被 采用作为肯定的样本而非蓝天图像被采用作为否定的样本。
2. 在训练样本中，对于集合S,xi表示图像特征'^g(1)，..,， ^"6)(由 上述部分引入)，对于yi， O代表非蓝天图像样本而1代表蓝天图像样 本。
图7、图8和图9分别示出了根据本发明的一个实施方式的用于对 图像及其相应区域进行分类的示意性框图。在图7中，计算模块400、 确定模块410和分类模块420能够完成图1的步骤120、 140和150中 的相应过程。在图8中，计算模块500和确定模块510能够完成图1的 步骤120、 130和160的相应过程。在图9中，计算模块600计算图像 中的每个像素的置信值而确定模块610基于图像中的像素的置信值来
确定图像的种类。
图IO示出可根据本发明一个实施方式的示意性应用。在步骤700 输入图像。在步骤710，由如根据本发明的图1中的方法或图7、 8和9 中的设备对图像或其区域进行分类和确定。在步骤720,图像改进处理 基于分类结果施加到图像或其区域。最后获得改进的图像。例如，假设 目标种类是蓝天并且输入的彩色图像将被处理，首先，图像由图l的方 法110缩放。由图1的方法120计算图像的像素的置信值(该值例如是 0.1 ),由图1的130确定像素的种类，接着一些像素被分类为蓝天像素 而其他被分类为非蓝天像素。在图1的步骤160,由蓝天像素构成的区 域被分类为蓝天区域，而由非蓝天区域构成的区域被分类为非蓝天区 域。在图1的步骤140,得到图像特征，假设特征值是vl…v6。在图1 的步骤150,根据图像特征值vl... v6确定图像的种类。例如，图像的 种类被确定为蓝天图像。接着在图10的步骤720，图像改进处理被施加 以改进作为蓝天图像的输入图像(例如，改进的方法可使得图像中的蓝 天更深)。
尽管已经公开了本发明的特定实施方式，但本领域技术人员将 理解可针对特定的实施方式做出改变而不会偏离本发明的精神和范 围。因此，本发明的范围不限于特定的实施方式，并且意图在于所 附权利要求书涵盖本发明范围内的任何和所有这样的应用、修改和 实施方式。
权利要求
1.一种用于确定图像的图像区域的方法，包括步骤计算所述图像中像素的置信值；通过所述置信值确定所述像素的种类；确定相同种类的像素的图像区域。
2. 根据权利要求1所述的方法，其中在所述计算步骤中，使用 图像中的所述像素的相邻区域中的像素来计算所述图像中像素的所 述置信值。
3. 根据权利要求2所述的方法，其中图像中的所述像素是所述 图像中的每个像素或从所述图像中选择的像素。
4. 根据权利要求2或3所述的方法，其中计算置信值的所述步 骤另外包括如下的步骤计算图像中所述像素的颜色特征； 计算所述相邻区域的紋理特征；以及基于所述颜色和紋理特征计算所述图像中所述像素的所述置信值。
5. 根据权利要求4所述的方法，其中计算颜色特征的所述步骤 另外包括计算所述相邻区域内的所述像素的颜色特征。
6. 根据权利要求4所述的方法，其中所述紋理特征是小波特征。
7. 根据权利要求4所述的方法，其中所述颜色特征包括每个颜 色分量的均值、标准方差值和协方差值中的至少一项。
8. 根据权利要求6所述的方法，其中所述小波特征包括由所述 图像的小波变换所获得的多个区域中的每个的灰度值的均值和标准 方差值的至少一个。
9. 根据权利要求1所述的方法，其中在所述计算步骤中，通过 对所述颜色和紋理特征施加判定函数来计算所述图像中所述像素的 所述置信值。
10. 根据权利要求9所述的方法，其中所述判定函数由Adaboost算法来确定。
11. 一种用于将图像分类成多个种类的方法，包括步骤 计算所述图像中像素的置信值；通过所述图像中像素的置信值和位置信息来确定图像特征； 通过所述图像特征将图像分类成多个种类。
12. 根据权利要求11所述的方法，其中在所述计算步骤中，使用 图像中所述像素的相邻区域中的像素来计算所述图像中像素的所述 置信值。
13. 根据权利要求12所述的方法，其中图像中的所述像素是所 述图像中的每个像素或从所述图像中选择的像素。
14. 根据权利要求12或13所述的方法，其中计算置信值的所述 步骤另外包括如下的步骤计算图像中所述像素的颜色特征； 计算所述相邻区域的紋理特征；以及基于所述颜色和紋理特征计算所述图像中所述像素的所述置信值。
15. 根据权利要求14所述的方法，其中计算颜色特征的所述步 骤另外包括计算所述相邻区域内的所述像素的颜色特征。
16. 根据权利要求14所述的方法，其中所述紋理特征是小波特征。
17. 根据权利要求14所述的方法，其中所述颜色特征包括每个 颜色分量的均值、标准方差值和协方差值中的至少一项。
18. 根据权利要求16所述的方法，其中所述小波特征包括由所 述图像的小波变换所获得的多个区域中的每个的灰度值的均值和标 准方差值的至少一个。
19. 根据权利要求11所述的方法，其中在所述计算步骤中，通 过对所述颜色和紋理特征施加判定函数来计算所述图像中所述像素 的置信值。
20. 根据权利要求19所述的方法，其中所述判定函数由Adaboost算法来确定。
21. 根据权利要求11所述的方法，其中通过所述图像特征对图 像的种类进行分类的所述步骤另外包括对所述图像特征施加判定函数。
22. 根据权利要求21所述的方法，其中所述判定函数由Adaboost 算法所确定。
23. —种用于确定图像的种类的方法，包括步骤 计算所述图像中像素的置信值；基于所述图像中像素的所述置信值确定所述图像的种类。
24. 根据权利要求23所述的方法，其中在所述计算步骤中，使 用图像中所述像素的相邻区域中的像素来计算所述图像的置信值。
25. 根据权利要求24所述的方法，其中图像中所述像素是所述 图像中的每个像素或从所述图像中选择的像素。
26. 根据权利要求24或25所述的方法，其中计算所述置信值的 所述步骤另外包括如下的步骤计算所述图像中所述像素的颜色特征； 计算所述相邻区域的紋理特征；以及基于所述颜色和紋理特征计算图像中所述像素的所述置信值。
27. 根据权利要求26所述的方法，其中计算颜色特征的所述步 骤另外包括计算所述相邻区域内所述像素的颜色特征。
28. 根据权利要求26所述的方法，其中所述紋理特征是小波特征。
29. 根据权利要求26所述的方法，其中所述颜色特征包括每个 颜色分量的均值、标准方差值和协方差值中的至少 一 项。
30. 根据权利要求28所述的方法，其中所述小波特征包括由所 述图像的小波变换所获得的多个区域中的每个的灰度值的均值和标 准方差值的至少一个。
31. 根据权利要求23所述的方法，其中在所述计算步骤中，通 过对所述颜色和紋理特征施加判定函数来计算所述图像中所述像素的置信值。
32. 根据权利要求31所述的方法，其中所述判定函数由Adaboost 算法来确定。
33. —种用于确定图像的图像区域的设备，包括 计算模块，其用于计算所述图像中像素的置信值；确定模块，其用于通过所述置信值确定像素的种类以及相同种类 的像素的图像区域。
34. 根据权利要求33所述的设备，其中所述计算模块使用图像 中的所述像素的相邻区域中的像素来计算所述图像中所述像素的所 述置信值。
35. 根据权利要求34所述的设备，其中图像中的所述像素是所 述图像中的每个像素或从所述图像中选择的像素。
36. 根据权利要求34或35所述的设备，其中由所述计算模块计 算置信值另外包括如下的步骤计算图像中所述像素的颜色特征； 计算所述相邻区域的紋理特征；以及基于所述颜色和紋理特征计算所述图像中所述像素的所述置信值。
37. 根据权利要求36所述的设备，其中计算颜色特征的步骤另 外包括计算所述相邻区域内的所述像素的颜色特征。
38. 根据权利要求36所述的设备，其中所述紋理特征是小波特征。
39. 根据权利要求36所述的设备，其中所述颜色特征包括每个 颜色分量的均值、标准方差值和协方差值中的至少一项。
40. 根据权利要求38所述的设备，其中所述小波特征包括由所 述图像的小波变换所获得的多个区域中的每个的灰度值的均值和标 准方差值的至少一个。
41. 根据权利要求33所述的设备，其中所述计算模块通过对所 述颜色和紋理特征施加判定函数来计算所述图像中所述像素的所述置信值。
42. 根据权利要求41所述的设备，其中所述判定函数由Adaboost 算法来确定。
43. —种用于将图像分类成多个种类的设备，包括 计算模块，其用于计算所述图像中像素的置信值；确定模块，其用于通过所述图像中像素的置信值和位置信息来确 定图像特征；分类模块，其用于通过所述图像特征将图像分类成多个种类。
44. 根据权利要求43所述的设备，其中计算模块使用图像中的 所述像素的相邻区域中的像素来计算所述图像中像素的置信值。
45. 根据权利要求44所述的设备，其中图像中的所述像素是所 述图像中的每个像素或从所述图像中选择的像素。
46. 根据权利要求44或45所述的设备，其中由所述计算模块计 算置信值另外包括如下的步骤计算图像中所述像素的颜色特征； 计算所述相邻区域的紋理特征；以及基于所述颜色和紋理特征计算所述图像中所述像素的所述置信值。
47. 根据权利要求46所述的设备，其中计算颜色特征的步骤另 外包括计算所述相邻区域内的所述像素的颜色特征。
48. 根据权利要求46所述的设备，其中所述紋理特征是小波特征。
49. 根据权利要求46所述的设备，其中所述颜色特征包括每个 颜色分量的均值、标准方差值和协方差值中的至少一项。
50. 根据权利要求48所述的设备，其中所述小波特征包括由所 述图像的小波变换所获得的多个区域中的每个的灰度值的均值和标 准方差值的至少一个。
51. 根据权利要求43所述的设备，其中所述计算模块通过对所 述颜色和紋理特征施加判定函数来计算所述图像中所述像素的所述置信值。
52. 根据权利要求51所述的设备，其中所述判定函数由Adaboost 算法来确定。
53. 根据权利要求43所述的设备，其中所述分类模块对所述图 像特征施加判定函数以通过所述图像特征对图像的种类进行分类。
54. 根据权利要求53所述的设备，其中所述判定函数由Adaboost 算法所确定。
55. —种用于确定图像的种类的设备，包括 计算模块，其用于计算所述图像中像素的置信值；确定模块，其用于基于所述图像中像素的所述置信值确定所述图 像的种类。
56. 根据权利要求55所述的设备，其中所述计算模块使用图像 中的所述像素的相邻区域中的像素来计算所述图像中像素的所述置信值。
57. 根据权利要求56所述的设备，其中图像中的所迷像素是所 述图像中的每个像素或从所述图像中选择的像素。
58. 根据权利要求56或57所述的设备，其中由所述计算模块计 算置信值另外包括如下的步骤计算图像中所述像素的颜色特征； 计算所述相邻区域的紋理特征；以及基于所述颜色和紋理特征计算所述图像中所述像素的所述置信值。
59. 根据权利要求58所述的设备，其中计算颜色特征的所述步 骤另外包括计算所述相邻区域内的所述像素的颜色特征。
60. 根据权利要求58所述的设备，其中所述紋理特征是小波特征。
61. 根据权利要求58所述的设备，其中所述颜色特征包括每个 颜色分量的均值、标准方差值和协方差值中的至少 一 项。
62. 根据权利要求60所述的设备，其中所述小波特征包括由所 述图像的小波变换所获得的多个区域中的每个的灰度值的均值和标 准方差值的至少一个。
63. 根据权利要求55所述的设备，其中所述计算模块通过对所 述颜色和紋理特征施加判定函数来计算所述图像中所述像素的所述 置信值。
64. 根据权利要求63所述的设备，其中所述判定函数由Adaboost 算法来确定。
全文摘要
本公开涉及一种用于确定图像的图像区域的方法，包括步骤计算图像中像素的置信值，通过该置信值确定像素的种类以及确定相同种类的像素的图像区域。本方法可显著地提高图像的查全率并且获得比现有方法更好的分类结果。
文档编号G06K9/62GK101344928SQ20071013625
公开日2009年1月14日 申请日期2007年7月12日 优先权日2007年7月12日
发明者王健民, 陈新武 申请人:佳能株式会社