一种基于素描线段信息和空间金字塔匹配的图像分类方法
【专利摘要】本发明属于图像处理【技术领域】，具体为一种基于素描线段信息和空间金字塔匹配的图像分类方法，其实现方案是：1）利用初始素描模型得到图像的初始素描图，每个素描点以其所在素描线段的方向为其方向，以每个素描点为中心设计方向窗口，则所有素描点的方向窗口叠加出来的区域为结构区域，剩余的为非结构区域；2）结构区域提取多尺度的SIFT特征，非结构区域提取单尺度SIFT特征；3）将这些SIFT特征通过聚类、投影和统计获得特征F1；4）获取素描线段的角度和长度的统计特征F2；5）将F1和F2级联并进行分类。主要解决空间金字塔匹配方法中单尺度SIFT特征不能很好地表示图像的细节信息从而导致分类准确率不够高的问题。
【专利说明】一种基于素描线段信息和空间金字塔匹配的图像分类方法
【技术领域】
[0001]本发明属于图像处理【技术领域】，涉及图像分类方法，可用于影像智能化分类管理及相关应用。具体涉及一种基于素描线段信息和空间金字塔匹配的图像分类方法。
【背景技术】
[0002]图像分类是计算机视觉领域中的经典问题，应用十分广泛，如视频监控、医学诊断、图像检索等都需要用到图像分类方法。随着多媒体数据的海量增长，图像分类的重要性越来越突出。图像分类通常根据图像的语义内容，比如特定的场景、特定的包含物等，给图像加上不同的类别标签，实现图像分类。图像经常受到视角、光照、遮挡等因素的影响，给图像分类带来了很大的挑战。
[0003]空间金字塔匹配方法，即Spatial Pyramid Matching(SPM),是一种经典的图像分类方法。SPM是经典方法“特征袋模型”即Bag of Features (BOF)的一种扩展，其在BOF方法基础上通过引入金字塔划分向BOF中加入了空间信息，其用于图像分类包括以下五步:
1.局部特征提取与描述；2.构建视觉词典；3.根据视觉词典进行特征向量量化；4.将图像进行金字塔划分得到子区域并计算每个子区域的视觉词典直方图，级联形成最后的空间金字塔特征；5.训练分类器进行分类。该方法是一种基于局部特征的方法，由于其简单性和高效性而备受推崇，在图像分类和检索方面使用十分广泛。
[0004]SPM分类方法具有较高的分类准确率，但是，SPM在局部特征提取阶段通过密集采点方法将图像划分为固定大小的图像块，并在图像块上对梯度方向进行统计，得到单尺度的SIFT (Scale Invariant Feature Transform)特征，但图像中不同的局部区域对分类来说重要性不一样，适用的局部特征也不同，只使用密集采点的单尺度SIFT特征并不能全面地表示图像的细节信息，不利于分类。
[0005]为了解决空间金字塔匹配方法中单尺度SIFT特征不能很好地表示图像的细节信息从而导致分类准确率不够高的问题，本发明提出了一种基于素描线段信息和空间金字塔匹配的图像分类方法，先用初始素描模型将图像划分成结构区域和非结构区域，然后在不同的区域按不同的方法提取SIFT特征，然后通过聚类、投影和统计获取对整个图像的更有效的描述，再与基于素描线段的统计特征联合，以更好地表示图像，进行图像分类。
【发明内容】
[0006]为了解决现有技术存在的问题，本发明的目的是提供一种基于素描线段信息和空间金字塔匹配的图像分类方法，以提高图像分类准确率。
[0007]实现本发明的技术思路是:利用primal sketch模型即初始素描模型得到图像的初始素描图，根据初始素描图的线段信息，将图像划分为结构区域和非结构区域；在结构区域提取不同尺度图像块的单尺度SIFT特征，在非结构区域按传统空间金字塔匹配方法划分图像块并提取单尺度SIFT特征，通过聚类、直方图投影、金字塔划分等处理获取一个基于初始素描线段和空间金字塔的特征；从图像的素描线段中获取一个表示图像的基于素描线段的统计特征；采用有效的方法将每幅图像的基于初始素描线段和空间金字塔的特征以及基于素描线段的统计特征进行级联然后用于分类。该方法包括以下步骤:
[0008]步骤1，给定训练图像集合和测试图像集合两个图像集合，两者共同组成图像分类数据库；
[0009]步骤2，根据primal sketch模型即初始素描模型提取图像分类数据库中所有图像的primal sketch map,即初始素描图,在初始素描图基础上进行进一步的处理,将图像划分为结构区域和非结构区域两部分；
[0010]步骤3，对图像分类数据库中的每一幅图像，在结构区域提取多种尺度图像块的单尺度 SIFT (Scale Invariant Feature Transform)特征；
[0011]步骤4，对图像分类数据库中的每一幅图像，在非结构区域按照空间金字塔匹配方法划分图像块并在图像块上提取单尺度SIFT特征；
[0012]步骤5，对图像分类数据库中的每一幅图像，将每一幅图像的结构区域的多种尺度图像块的单尺度SIFT特征与非结构区域的单尺度SIFT特征放在一起，按空间金字塔匹配方法进行聚类、空间金字塔划分、直方图投影，得到表示每一幅图像的基于初始素描线段和空间金字塔的特征，记为F_PSSPM ；
[0013]步骤6，对图像分类数据库中的每一幅图像，从其初始素描图的线段中提取表示该图像的基于初始素描线段的统计特征，记为F_PS ；
[0014]步骤7，对图像分类数据库中的每一幅图像，将按一定的权重进行级联，得到表示这幅图像的特征F_WH0LE ；
[0015]步骤8，用空间金字塔匹配核函数，将训练集中每一幅图像的特征F_WH0LE作为训练样本，训练并得到分类器；
[0016]步骤9，将测试集中每一幅图像的特征F_WH0LE输入步骤8所述分类器中进行分类，从而得到分类结果；
[0017]上述步骤2中所述的将图像划分为结构区域和非结构区域两部分，是在提取了图像的初始素描图后，找到初始素描图中的每条线段，在每条素描线段的每个素描点上设计与其所在素描线段同方向的方向窗口，方向窗口的一边平行于素描线段，另一边垂直于素描线段，方向窗口的大小为(2n+l)X (2n+l),n为大于8的自然数,将每条素描线段上所有素描点的方向窗口叠加得到区域图，原图像中与区域图对应位置的区域为结构区域，原图像中除结构区域之外的区域为非结构区域。
[0018]上述步骤3中所述的在结构区域提取多种尺度图像块的单尺度SIFT特征，其提取的SIFT特征与传统空间金字塔中有所不同，具体为:
[0019]原始的SIFT特征提取过程包括五步，即构建尺度空间、检测极值点、精确定位极值点、关键点主方向分配以及关键点特征描述，其中关键点特征描述这一步是以关键点为中心取16 X 16的小块再分成4X4个小块，在每个小块上进行梯度方向的统计并级联，得到128维的SIFT特征；
[0020]对结构区域进行多种尺度的划分，获得多种尺度的图像块(16 X 16、3 2 X 3 2、64X64)，并将这些图像块再分成4X4个小块，在对结构区域进行划分时采用密集采点方式，块间步长8个像素，如16 X 16的块的步长为8个像素，64X 64的块的步长也为8个像素，在每个小块上进行梯度方向的统计并级联，得到表示这些图像块的128维的单尺度SIFT特征。
[0021]上述步骤5中所述的得到表示每一幅图像的基于初始素描线段和空间金字塔的特征，具体为:
[0022]5a)将训练集图像的结构区域的多种尺度图像块的SIFT特征与非结构区域的单尺度SIFT特征放在一起，并从中随机抽取出m个SIFT特征，m为给定参数，一般取值为50000 到 200000 之间；
[0023]5b)利用k-means聚类算法进行聚类,得到视觉词典D=Iid1, d2,..., dK],其中，K表示视觉词典的大小，即k-means聚类算法中的聚类中心的个数，(Ii (i=l, 2，…，K)为一个列向量，表示一个视觉单词，即聚类中心，K的取值一般为200到几千之间；
[0024]5c)对图像分类数据库中的每一幅图像的所有SIFT特征，将其向视觉词典进行映射，将每个SIFT特征映射到一个聚类中心；
[0025]5d)将每一幅图像进行3层金字塔划分，三层金字塔划分分别获得1X1、2X2、4X4共21个子块，在这些子块上将子块内的图像块对应的SIFT特征所属聚类类别进行直方图统计，在每个子块上得到一个直方图，将得到的21个直方图按一定的顺序级联，即得到基于初始素描模型和空间金字塔的特征F_PSSPM ；
[0026]上述步骤6中所述的从其初始素描图线段中提取表示该图像的基于初始素描线段的统计特征，具体为:
[0027]每条素描线段都有一个角度和长度，角度为素描线段与图像坐标系中的X轴正半轴的夹角，即X轴正半轴按顺时针方向绕坐标原点旋转到与该素描线段平行过程中所旋转的角度，长度即素描线段上的素描点个数；
[0028]量化素描图中各素描线段的角度得到角度特征，即将每条素描线段的角度均匀量化到20个尺度，即每9度一个尺度，将I~9度量化为1，将10~18度量化为2，……，将172~180度量化为20，其中素描线段的角度范围为O到180度，如果某条素描线段的角度为180度，则其对应量化后的值为20，将图像分类数据库中每一幅图像进行金字塔划分，在得到的每个图像区域上统计落在这20个尺度上的线段个数，每个图像区域对应一个直方图，将所有直方图按照给定的顺序级联，得到表示图像的基于素描线段角度的统计特征F_PS_1 ；
[0029]同样，量化素描图中各线段长度得到素描线段长度特征，即将每条素描线段的长度量化到20个尺度，即将包含I到5个素描点的素描线段量化为1，将包含6到10个素描点的线段量化为2，…，将大于100个素描点的线段量化为20，其中素描线段的长度范围为O到上百素描点，然后将图像分类数据库中每一幅图像进行金字塔划分，在每个图像区域上统计落在这20个尺度上的线段个数，每个图像区域对应一个直方图，将所有直方图按照给定的顺序级联，得到表示图像的基于素描线段长度的统计特征F_PS_2 ；
[0030]最后从F_PS_1、F_PS_2中进行选择和结合来组成统计特征F_PS。
[0031]与现有技术相比，本发明具有以下优点:
[0032]1、本发明在提取底层局部特征之前引入初始素描模型以将图像划分成结构区域和非结构区域，在不同区域提取不同尺度的局部特征以更好地表示图像的细节信息，并由此计算基于初始素描线段和空间金字塔的特征，能更好地表示图像，让分类更加准确；
[0033]2、根据初始素描图中的线段信息提取了一个可用于表示图像的基于素描线段的统计特征，将其与基于初始素描线段和空间金字塔的特征级联，能更好地描述图像，有利于分类。
【专利附图】
【附图说明】
[0034]图1是本发明的实现流程图；
[0035]图2是区域划分的示例；
[0036]图3是本发明方法和传统金字塔匹配方法在SCenel5数据集各类上的混淆矩阵可视化图；
【具体实施方式】
[0037]为使本发明的目的、技术方案和优点更加清楚明白，以下参照附图，对本发明进一步详细说明。
[0038]图1是本发明一种基于素描线段信息的空间金字塔匹配的图像分类方法的流程图，如图1所示，该方法包括以下步骤:
[0039]步骤1，给定训练图像集合和测试图像集合两个图像集合，两者共同组成图像分类数据库；
[0040]步骤2，根据primal sketch模型即初始素描模型提取图像分类数据库中所有图像的primal sketch map,即初始素描图,在初始素描图基础上进行进一步的处理,将图像划分为结构区域和非结构区域两部分；
[0041]具体做法是，在提取了图像的初始素描图后，找到初始素描图中的每条线段，在每条素描线段的每个素描点上设计与其所在素描线段同方向的方向窗口，方向窗口的一边平行于素描线段，另一边垂直于素描线段，方向窗口的大小为(2n+l)X (2n+l),n为大于8的自然数，所有素描点的方向窗口叠加得到区域图，原图像中与区域图对应位置的区域为结构区域，原图像中除结构区域之外的区域为非结构区域；
[0042]图2中给出了将图像划分为结构区域和非结构区域两部分的示例，图2 Ca)为公用数据集scenel5中“MITstreet”类别中的一幅图像的原图，图2 (b)为图2 (a)所示原图的初始素描图，图2 (c)中的正方形为以图中的小圆所包含的素描点为中心，沿该素描点所在素描线段方向取的方向窗口，该窗口一边与素描线段平行，一边与素描线段垂直，取n=16，窗口大小为33X33，图2 (d)中的黑色部分为得到的区域图，原图像中与图2 (d)中的黑色部分对应位置的区域为结构区域，原图像中除结构区域之外的区域为非结构区域；
[0043]步骤3，对图像分类数据库中的每一幅图像，在结构区域提取多种尺度图像块的单尺度SIFT特征；
[0044]原始的SIFT特征提取过程包括五步，即构建尺度空间、检测极值点、精确定位极值点、关键点主方向分配以及关键点特征描述，其中关键点特征描述这一步是以关键点为中心取16 X 16的小块再分成4X4个小块，在每个小块上进行梯度方向的统计并级联，得到128维的SIFT特征；
[0045]而传统空间金字塔匹配方法中用到的SIFT省略了前面四步而用密集采样获得关键点，即将图像密集地划分成重叠的步长为8像素，大小16X 16的图像小块，并将图像小块的中心作为关键点，直接进行特征描述，严格说来其已不具备尺度不变性，我们称其为单尺度 SIFT ；
[0046]我们对结构区域进行多种尺度的划分，获得多种尺度的图像块(16X16、32X 32、64X64)，并将这图像块再分成4X4个小块，在对结构区域进行划分时采用密集采点方式，块间步长为8个像素,如16X16的块的步长为8个像素,64 X 64的块的步长也为8个像素，在每个小块上进行梯度方向的统计并级联，得到表示这个图像块的128维的单尺度SIFT特征；
[0047]步骤4，对图像分类数据库中的每一幅图像，在非结构区域按照传统空间金字塔匹配方法划分图像块并在图像块上提取单尺度SIFT特征；
[0048]具体为:按照传统空间金字塔匹配方法在非结构区域以密集采点的方式将图像划分成步长为8个像素、重叠的大小为16X16的小块，在这些小块上计算的单尺度SIFT特征；
[0049]步骤5，对图像分类数据库中的每一幅图像，将每一幅图像的结构区域的多种尺度图像块的单尺度SIFT特征与非结构区域的单尺度SIFT特征放在一起，按传统空间金字塔匹配方法进行聚类、空间金字塔划分、直方图投影，得到表示每一幅图像的基于初始素描线段和空间金字塔的特征，记为F_PSSPM ；[0050]具体做法为:
[0051]5a)将训练集图像的结构区域的多种尺度图像块的SIFT特征与非结构区域的单尺度SIFT特征放在一起，并从中随机抽取出m个SIFT特征，m为给定参数，一般取值为50000 到 200000 之间；
[0052]5b)利用k-means聚类算法进行聚类,得到视觉词典D=Iid1, d2,..., dK],其中，K表示视觉词典的大小，即k-means聚类算法中的聚类中心的个数，(Ii (i=l, 2，…，K)为一个列向量，表示一个视觉单词，即聚类中心，K的取值一般为200到几千之间；
[0053]5c)对图像分类数据库中的每一幅图像的所有SIFT特征，将其向视觉词典进行映射，将每个SIFT特征映射到一个聚类中心；
[0054]5d)将每一幅图像进行3层金字塔划分，三层金字塔划分分别获得1X1、2X2、4X4共21个子块，在这些子块上将子块内的图像块对应的SIFT特征所属聚类类别进行直方图统计，在每个子块上得到一个直方图，将得到的21个直方图按一定的顺序级联，即得到基于初始素描模型和空间金字塔的特征F_PSSPM ；
[0055]步骤6，对图像分类数据库中的每一幅图像，从其初始素描图的线段中提取表示该图像的基于初始素描线段的统计特征，记为F_PS ；
[0056]每条素描线段都有一个角度和长度，角度为素描线段与图像坐标系中的X轴正半轴的夹角，即X轴正半轴按顺时针方向绕坐标原点旋转到与该素描线段平行过程中所旋转的角度，长度即素描线段上的素描点个数；
[0057]量化素描图中各素描线段的角度得到角度特征，即将每条素描线段的角度(其范围为O到180度)均匀量化到20个尺度，即每9度一个尺度，将I~9度量化为1，将10~18度量化为2，……，将172~180度量化为20，如果某条素描线段的角度为180度，则其对应量化后的值为20，将图像分类数据库中每一幅图像进行金字塔划分，在得到的每个图像区域上统计落在这20个尺度上的线段个数，在每个图像区域获得一个统计直方图，将所有直方图按照给定的顺序级联，得到表示图像的基于素描线段角度的统计特征F_PS_1 ；[0058]同样，可以量化素描图中各线段长度得到素描线段长度特征，即将每条素描线段的长度(其范围为O到上百素描点)量化到20个尺度，即将包含I到5个素描点的素描线段量化为1，将包含6到10个素描点的线段量化为2，…，将大于100个素描点的线段量化为20，然后将图像分类数据库中每一幅图像进行金字塔划分，在每个图像区域上统计落在这20个尺度上的线段个数，在每个图像区域获得一个统计直方图，将所有直方图按照给定的顺序级联，得到表示图像的基于素描线段长度的统计特征F_PS_2 ；
[0059]最后从F_PS_1、F_PS_2中进行选择和结合来组成统计特征F_PS ；
[0060]步骤7，对图像分类数据库中的每一幅图像，将F_PSSPM与F_PS按一定的权重进行级联，得到表示这幅图像的特征F_WH0LE ；
[0061]具体做法为:采用交叉验证的思想，抽取图像分类数据库的一部分新建立验证数据集，在验证数据集上按各种权重将每一幅图像的F_PSSPM与F_PS进行级联并分类，根据分类准确率确定最后的级联权重；
[0062]步骤8，用空间金字塔匹配核函数，将训练集中每一幅图像的特征F_WH0LE作为训练样本，训练并得到分类器；[0063]具体做法是:使用空间金字塔匹配核函数，训练一个支持向量机(Support VectorMachine)作为最终的分类器；
[0064]步骤9，将测试集中每一幅图像的特征F_WH0LE输入步骤8所述分类器中进行分类，从而得到分类结果。
[0065]本发明的效果可通过以下仿真实验进一步说明:
[0066]为了具体说明本发明的优势和特点，下面将该发明应用到自然图像分类中去，得到分类结果。
[0067](I)实验环境
[0068]本实验的硬件测试平台是:PC (Intel双核3.00GHz,4G内存)；
[0069]本实验的软件测试平台是:Windows764位操作系统，vs2010, matlab2011b。
[0070](2)实验内容
[0071]对公用数据集SCenel5中的15类自然场景图像进行分类。这15类图像的类另1J 分别为 “CALsuburb，，、“MITcoast，，、“MITforest，，、“MIThighway，，、“MITinsidecity，，、“MITmountaiη”、“MITopencountry”、“MITstreet”、“MITtallbuilding”、“PARoffice”、“bedroom”、“industrial”、“kitchen”、“Iivingroom”、“store”,其对应的图像数目为:241、360、328、260、308、374、410、292、356、215、216、311、210、289、315。
[0072]实验中各参数设置为:
[0073]从每个类别中随机选取100张图像构成训练图像集合，剩下的图像构成测试图像
集合；
[0074]用primal sketch模型对每一幅图像进行区域划分时的方向窗口对应参数η设置为16，即方向窗口大小为33X33 ；
[0075]用k-means聚类获取视觉词典前需要从将训练图像集合的所有SIFT特征中随机提取m个SIFT特征，m取值100000 ；
[0076]k-means聚类时的聚类中心个数K取值为200 ；
[0077]通过用primal sketch模型进行区域划分，提取特征并训练分类器，对测试图像集合中的图像进行分类，得到结果如表1所示，
[0078]表1本发明与传统空间金字塔匹配(SPM)方法在scene-15上的分类准确率
[0079]
【权利要求】
1.一种基于素描线段信息和空间金字塔匹配的图像分类方法，其特征在于:该方法包括以下步骤: 步骤1，给定训练图像集合和测试图像集合两个图像集合，两者共同组成图像分类数据库； 步骤2，根据primal sketch模型即初始素描模型提取图像分类数据库中所有图像的primal sketch map,即初始素描图,在初始素描图基础上进行进一步的处理,将图像划分为结构区域和非结构区域两部分； 步骤3，对图像分类数据库中的每一幅图像，在结构区域提取多种尺度图像块的单尺度SIFT特征； 步骤4，对图像分类数据库中的每一幅图像，在非结构区域按照空间金字塔匹配方法划分图像块并在图像块上提取单尺度SIFT特征； 步骤5，对图像分类数据库中的每一幅图像，将每一幅图像的结构区域的多种尺度图像块的单尺度SIFT特征与非结构区域的单尺度SIFT特征放在一起，按空间金字塔匹配方法进行聚类、空间金字塔划分、直方图投影，得到表示每一幅图像的基于初始素描线段和空间金字塔的特征，记为F_PSSPM ； 步骤6，对图像分类数据库中的每一幅图像，从其初始素描图的线段中提取表示该图像的基于初始素描线段的统计特征，记为F_PS ； 步骤7，对图像分类数 据库中的每一幅图像，将F_PSSPM与F_PS按一定的权重进行级联，得到表示这幅图像的特征F_WHOLE ； 步骤8，用空间金字塔匹配核函数，将训练集中每一幅图像的特征F_WHOLE作为训练样本，训练并得到分类器； 步骤9，将测试集中每一幅图像的特征F_WHOLE输入步骤8所述分类器中进行分类，从而得到分类结果。
2.如权利要求1所述的一种基于素描线段信息和空间金字塔匹配的图像分类方法，其特征在于:步骤2中所述的将图像划分为结构区域和非结构区域两部分，是在提取了图像的初始素描图后，找到初始素描图中的每条线段，在每条素描线段的每个素描点上设计与其所在素描线段同方向的方向窗口，方向窗口的一边平行于素描线段，另一边垂直于素描线段，方向窗口的大小为(2n+l)X (2n+l)，n为大于8的自然数，将每条素描线段上所有素描点的方向窗口叠加得到区域图，原图像中与区域图对应位置的区域为结构区域，原图像中除结构区域之外的区域为非结构区域。
3.如权利要求1所述的一种基于素描线段信息和空间金字塔匹配的图像分类方法，其特征在于:步骤3中所述的在结构区域提取多种尺度图像块的单尺度SIFT特征，其提取的SIFT特征与传统空间金字塔中有所不同，具体为: 原始的SIFT特征提取过程包括五步，即构建尺度空间、检测极值点、精确定位极值点、关键点主方向分配以及关键点特征描述，其中关键点特征描述这一步是以关键点为中心取16X16的小块再分成4X4个小块，在每个小块上进行梯度方向的统计并级联，得到128维的SIFT特征； 对结构区域进行多种尺度的划分，获得多种尺度的图像块(16X16、32X32、64X64)，并将这些图像块再分成4X4个小块，在对结构区域进行划分时采用密集采点方式，块间步长8个像素,如16X16的块的步长为8个像素,64 X 64的块的步长也为8个像素,在每个小块上进行梯度方向的统计并级联，得到表示这些图像块的128维的单尺度SIFT特征。
4.如权利要求1所述的一种基于素描线段信息和空间金字塔匹配的图像分类方法，其特征在于:步骤5中所述的得到表示每一幅图像的基于初始素描线段和空间金字塔的特征，具体为: 5a)将训练集图像的结构区域的多种尺度图像块的SIFT特征与非结构区域的单尺度SIFT特征放在一起，并从中随机抽取出m个SIFT特征，m为给定参数，取值为50000到200000 之间； 5b)利用k-means聚类算法进行聚类,得到视觉词典D=Iid1, d2,..., dK],其中，K表示视觉词典的大小，即k-means聚类算法中的聚类中心的个数，CliQ=I, 2，- ,K)为一个列向量，表示一个视觉单词，即聚类中心，K的取值一般为200到几千之间； 5c)对图像分类数据库中的每一幅图像的所有SIFT特征，将其向视觉词典进行映射，将每个SIFT特征映射到一个聚类中心； 5d)将每一幅图像进行3层金字塔划分，三层金字塔划分分别获得IX 1、2X2、4X4共21个子块，在这些子块上将子块内的图像块对应的SIFT特征所属聚类类别进行直方图统计，在每个子块上得到一个直方图，将得到的21个直方图按一定的顺序级联，即得到基于初始素描模型和空间金字塔的特征F_PSSPM。
5.如权利要求1所述的一种基于素描线段信息和空间金字塔匹配的图像分类方法，其特征在于:步骤6中所述的从其初始素描图线段中提取表示该图像的基于初始素描线段的统计特征，具体为: 每条素描线段都有一个角度和长度，角度为素描线段与图像坐标系中的X轴正半轴的夹角，即X轴正半轴按顺时针方向绕坐标原点旋转到与该素描线段平行过程中所旋转的角度，长度即素描线段上的素描点个数； 量化素描图中各素描线段的角度得到角度特征，即将每条素描线段的角度均匀量化到20个尺度，即每9度一个尺度，将I~9度量化为1，将10~18度量化为2，……，将172~180度量化为20，其中素描线段的角度范围为O到180度，如果某条素描线段的角度为180度，则其对应量化后的值为20，将图像分类数据库中每一幅图像进行金字塔划分，在得到的每个图像区域上统计落在这20个尺度上的线段个数，每个图像区域对应一个直方图，将所有直方图按照给定的顺序级联，得到表示图像的基于素描线段角度的统计特征F_PS_1 ；同样，量化素描图中各线段长度得到素描线段长度特征，即将每条素描线段的长度量化到20个尺度，即将包含I到5个素描点的素描线段量化为1，将包含6到10个素描点的线段量化为2，…，将大于100个素描点的线段量化为20，其中素描线段的长度范围为O到上百素描点，然后将图像分类数据库中每一幅图像进行金字塔划分，在每个图像区域上统计落在这20个尺度上的线段个数，每个图像区域对应一个直方图，将所有直方图按照给定的顺序级联，得到表示图像的基于素描线段长度的统计特征F_PS_2 ； 最后从F_PS_1、F_PS_2中进行选择和结合来组成统计特征F_PS。
【文档编号】G06K9/46GK103839074SQ201410062436
【公开日】2014年6月4日 申请日期:2014年2月24日 优先权日:2014年2月24日
【发明者】刘芳, 李玲玲, 李梦雄, 焦李成, 郝红侠, 戚玉涛, 孙涛, 武杰, 马晶晶, 尚荣华, 于昕 申请人:西安电子科技大学