专利名称：一种基于分层矢量化的图像信息表达体系的制作方法
技术领域：
本发明型涉及图像信息表达领域，具体是能够用于图像识别任务的一种基于分层 矢量化的图像信息表达体系。
背景技术：
图像信息表达是图像识别的核心步骤。目前，最著名的图像信息表达方式是采用 基于直方图的表达方式。这种方式首先量化图像小模块并将其分配到对应的直方图筒上。 然而，这种图像信息表达方式具有一些内在的缺陷，例如首先，直方图表达方式带来很大 的量化误差；其次，直方图方式没有考虑图像模块之间的空间布局信息。这些问题阻碍了它 的信息表达能力，影响了图像识别的效果。
发明内容
本发明的目的在于提供一种基于分层矢量化的图像信息表达体系，它结合了外观 特征和空间布局，在物理空间、特征空间和超级矢量空间采用分层递进的方式进行信息的 提取和分析，大大减少了量化误差，提高了图像信息表达能力和识别效果。本发明为实现上述目的，通过以下技术手段实现一种基于分层矢量化的图像信 息表达体系，包括以下步骤(1)、局部信息提取，该步骤包括首先将图像分割为多个矩形块，所述多个矩形块 之间有重叠，然后在每个矩形块上，提取图像的局部特征信息，每个矩形块上的局部特征信 息构成一个特征矢量；(2)、外观特征分布描述，该步骤包括首先将来自所有图像的所有矩形块的特征 矢量合在一起，采用最大期望算法训练出一个全局的高斯混合模型，然后对于每张图像，利 用属于这张图的所有特征矢量，采用最大后验概率算法对于全局的高斯混合模型进行自适 应，获得属于这张图像自己的高斯混合模型，通过上述步骤，对每张图，都获得了一个高斯 混合模型用于精细描述它的特征矢量的分布情况；(3)空间布局信息描述，该步骤包括利用在步骤(2)中获得的高斯混合模型对空 间布局信息进行分析和整合，首先将每个特征矢量根据其在全局高斯混合模型的每个高斯 分布上的后验概率的大小将其分配到对应的高斯分布上。然后通过计算分配到每个高斯分 布的特征的统计信息，得到这个高斯分布对应形状在空间中的布局情况，综合所有高斯分 布的空间布局，获得整个图像的空间布局信息描述。(4)、监督学习算法提取子空间，该步骤包括将通过步骤(2)和步骤(3)获得的图 像的外观特征分布描述和空间布局信息描述分别整理为一个维数很高的超级矢量，在超级 矢量空间中分析和调整不同特征组合的重要系数，利用实际应用的标注信息，计算属于同 一种类的超级矢量的方差矩阵，并且进行方差矩阵的特征分析，抛弃超级矢量中差别较大 的特征方向，保留超级矢量中差别较小的特征方向，然后获得每张图像针对特定应用的超 级矢量，成为最终的图像信息描述。
所述步骤(2)中使用包含100到2000个高斯分布的高斯混合模型。所述步骤(1)中所述局部特征信息，包括图像灰度值信息、灰度梯度信息、梯度直 方图信息、颜色信息和纹理信息。本发明的有益效果在于能够解决公知技术中存在的不足，综合高效考虑图像的 外观特征和空间布局信息，实现图像信息的精确有效整合，从而进一步在各种图像识别应 用(比如人脸识别，车牌识别，图像检索)中取得突出的效果。本发明在物理空间、特征空 间和超级矢量空间采用分层递进的方式进行信息的提取和分析，减少了量化误差，提高了 图像信息表达能力和识别效果等。
附图1是本发明的流程图。
具体实施例方式下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明 而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人 员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定 的范围。本发明所述一种基于分层矢量化的图像信息表达体系，主体结构包括以下步骤(1)、局部信息提取，该步骤包括首先将图像自动快速的分割为多个矩形块，所述 多个矩形块之间有重叠，该重叠可以保证信息全部被覆盖，不会出现遗漏，减少量化误差。 然后在每个矩形块上，提取图像的局部特征信息，所述局部特征信息，包括图像灰度值信 息、灰度梯度信息、梯度直方图信息、颜色信息和纹理信息，每个矩形块上的局部特征信息 构成一个特征矢量，所述特征矢量的维数一般不超过200维。(2)、外观特征分布描述，本步骤利用多层次递进的方式，采用高斯混合模型对已 在步骤(1)中提取的大量局部特征矢量分布进行精细描述。该步骤具体包括首先将来自 所有图像的所有矩形块的特征矢量合在一起，采用最大期望算法训练出一个全局的高斯混 合模型，然后对于每张图像，利用属于这张图的所有特征矢量，采用最大后验概率算法对于 全局的高斯混合模型进行自适应，获得属于这张图像自己的高斯混合模型，从而对每张图， 都获得了一个高斯混合模型，该模型能够用于精细描述它的特征矢量的分布情况。(3)空间布局信息描述，在本发明中，图片中不同矩形块的空间布局是重要的。一 旦空间布局出现混乱，就不能呈现完整、准确的图像，因此在利用在步骤(2)中获得的高斯 混合模型对空间布局信息进行分析和整合中，高斯混合模型中的每个高斯分布就隐式的对 应了特征中的某种形状。因此，可以通过分析各个高斯分布在空间中的位置信息，最终获得 实际图像的空间布局信息。根据上述解释，步骤(3)在利用在步骤(2)中获得的高斯混合 模型对空间布局信息进行分析和整合时，首先将每个特征矢量根据其在全局高斯混合模型 每个高斯分布上的后验概率的大小，将其分配到对应的高斯分布上。然后通过计算分配到 每个高斯分布的特征的统计信息(例如密度，平均值和方差)，得到这个高斯分布对应形状 在空间中的布局情况，综合所有高斯分布的空间布局，获得整个图像的空间布局信息描述。(4)、监督学习算法提取子空间，该步骤包括将通过步骤(2)和步骤(3)，获得的图像的外观特征分布描述和空间布局信息描述分别整理为一个维数很高的超级矢量，在本 步骤中，本体系对实际应用中不同信息的重要性进行分析判断，决定哪些信息应该舍弃，哪 些应该保留。对于不同的实际应用，需要关注的特征是不一样的。例如同样一张人脸，当 应用为判断性别时，主要关注头发的长短，眼睛、鼻子的形状等；当应用为分析年龄时，主要 关注皮肤的光滑与否，是不是有很多皱纹等等。因此，在超级矢量空间中分析和调整不同特 征组合的重要系数，利用实际应用的标注信息，计算属于同一种类的超级矢量的方差矩阵， 并且进行方差矩阵的特征分析，抛弃超级矢量中差别较大的特征方向，保留超级矢量中差 别较小的特征方向，从而就获得每张图像针对特定应用的超级矢量，成为最终的图像信息 描述。 在步骤(2)中，为了实现精确的描述，根据图像的大小，内容的复杂程度，优选使 用包含100到2000个高斯分布的高斯混合模型。
权利要求
一种基于分层矢量化的图像信息表达体系，其特征在于包括以下步骤(1)、局部信息提取，该步骤包括首先将图像分割为多个矩形块，所述多个矩形块之间有重叠，然后在每个矩形块上，提取图像的局部特征信息，每个矩形块上的局部特征信息构成一个特征矢量；(2)、外观特征分布描述，该步骤包括首先将来自所有图像的所有矩形块的特征矢量合在一起，采用最大期望算法训练出一个全局的高斯混合模型，然后对于每张图像，利用属于这张图的所有特征矢量，采用最大后验概率算法对于全局的高斯混合模型进行自适应，获得属于这张图像自己的高斯混合模型，通过上述步骤，对每张图，都获得了一个高斯混合模型用于精细描述它的特征矢量的分布情况；(3)空间布局信息描述，该步骤包括利用在步骤(2)中获得的高斯混合模型对空间布局信息进行分析和整合，首先将每个特征矢量根据其在全局高斯混合模型的每个高斯分布上的后验概率的大小将其分配到对应的高斯分布上。然后通过计算分配到每个高斯分布的特征的统计信息，得到这个高斯分布对应形状在空间中的布局情况，综合所有高斯分布的空间布局，获得整个图像的空间布局信息描(4)、监督学习算法提取子空间，该步骤包括将通过步骤(2)和步骤(3)获得的图像的外观特征分布描述和空间布局信息描述分别整理为一个维数很高的超级矢量，在超级矢量空间中分析和调整不同特征组合的重要系数，利用实际应用的标注信息，计算属于同一种类的超级矢量的方差矩阵，并且进行方差矩阵的特征分析，抛弃超级矢量中差别较大的特征方向，保留超级矢量中差别较小的特征方向，然后获得每张图像针对特定应用的超级矢量，成为最终的图像信息描述。FSA00000176266400011.tif
2.根据权利要求1所述一种基于分层矢量化的图像信息表达体系，其特征在于步骤 (2)中使用包含100到2000个高斯分布的高斯混合模型。
3.根据权利要求1或2所述一种基于分层矢量化的图像信息表达体系，其特征在于 步骤(1)中所述局部特征信息，包括图像灰度值信息、灰度梯度信息、梯度直方图信息、颜 色信息和纹理信息。
全文摘要
本发明公开了一种基于分层矢量化的图像信息表达体系，包括以下步骤(1)局部信息提取；(2)外观特征分布描述；(3)空间布局信息描述；(4)监督学习算法提取子空间。本发明的有益效果在于能够解决公知技术中存在的不足，综合高效考虑图像的外观特征和空间布局信息，实现图像信息的精确有效整合，从而进一步在各种图像识别应用(比如人脸识别，车牌识别，图像检索)中取得突出的效果。本发明在物理空间、特征空间和超级矢量空间采用分层递进的方式进行信息的提取和分析，减少了量化误差，提高了图像信息表达能力和识别效果等。
文档编号G06K9/46GK101923646SQ20101022016
公开日2010年12月22日 申请日期2010年7月7日 优先权日2010年7月7日
发明者周曦 申请人:周曦