圆对称Gabor小波深度分解图像分类方法与流程

本发明涉及图像分类领域，尤其是涉及利用圆对称gabor小波深度分解的一种旋转不变的图像分类方法。

背景技术：

图像分类是计算机视觉中的重要研究方向。分类的关键任务是如何使用较少的区分性信息，通常将其称为图像的特征，来有效地表示给定的图像。对于大多数特征表示方法，如果在不同方向视角获取图像，则提取的特征将明显不同。因此，设计用于图像表示的旋转不变方法仍然是一个重要且具有挑战性的工作。我们知道，基于小波变换的方法，包括离散小波变换和gabor小波变换不是旋转不变的，因为在旋转条件下不同子带将产生不同的特征。国内外对基于小波变换研究了一些旋转不变的技术。尽管具有多分辨率特性，但是基于小波的方法(例如离散小波和gabor小波)性能仍有待提高。

技术实现要素：

鉴于此，本发明设计出基于圆对称gabor小波(csgw)的图像分类方法。csgw是由porter和canagarajah设计的基于gabor滤波器的旋转不变方法。设计csgw的目的是获得的旋转不变性。然而，没有如gabor小波的方向选择特性，csgw在应用于图像分析时将产生较少的识别信息。因此，与gabor小波相比，csgw对于非旋转图像表示的效率相对较低。csgw由下面表达式确定：

hm(x，y)＝λ^-mhc(x′，y′)

其中是圆对称gabor滤波器(csgf)。x′＝λ^-mx，y′＝λ^-my；λ^-m，(m＝0，…，s-1)是尺度参数；m是尺度参数，j是分解的尺度数量。w是中心频率，σ是方差。

为了获得更多的区分性信息，本发明提出一种基于csgw的深度分解方法，称为dd-csgw。深度分解是指通过使用csgw的迭代和分层分解，这意味着较粗糙的子带可以通过csgw连续分解成若干更精细的子带。应该注意的是，深度分解不是简单地用csgw将图像分解成较多的尺度。因为随着分解尺度规模数量的增加，csgw的性能并不总是提高，实验表明，5尺度段分解将达到最佳性能。但本发明提出的深度分解远远好于5尺度的csgw分解性能和gabor小波的性能。

由于csgw变换域存在较强的依赖关系，因此我们使用copula模型来捕获这些比例依赖，即用copula模型刻画每一层的分解子带。copula模型属于多维统计模型，包括copula函数和若干边缘分布函数两个部分。copula模型h(x)表示如下：

其中，fi(xi)和fi(xi)分别表示模型的边缘分布密度函数和累积分布函数。c(f1(x1),…,fd(xd))是copula密度函数，该函数由fi(xi)确定。本发明用gaussiancopula作为copula密度函数；用weibull分布的密度函数作为边缘分布。gaussiancopula表示如下：

其中，ξ＝[ξ1，…，ξd]，ξi＝φ^-1(ui)，i＝1，…d，φ和φ^-1表示正态分布及其逆函数。r是gaussiancopula的相关矩阵。weibull分布的密度函数和累积分布函数分别如下：

其中，α和β分别是形状参数和尺度参数。

为了进一步提高性能，除了使用copula模型参数，分发明同时利用dd-csgw分解子带系数的均值和标准差当作图像的特征。

对于图像分类阶段，基于dd-csgw的copula模型的参数特征，以及dd-csgw的均值和标准差特征，归一化到[0，1]，svm(支撑向量机)被用作分类器。

附图说明

图1为本发明方法的流程图

图2为本发明方法中的dd-csgw分解示意图

具体实施方式

本发明方法具体实施步骤(见图1)如下：

步骤1，用csgw将图像进行深度分解，即进行dd-csgw分解(见图2，图中给出了两层分解的方案)。

步骤1.1，第一层分解。用csgw分解输入图像i(x,y)，将图像分解成j尺度的子带并取其幅值，分别用s[i],i＝1,2,…,j表示分解尺度。本发明取j＝5。用公式表示为：

s[i]＝|hm(x，y)*i(x，y)|

步骤1.2，第二层分解。继续用csgw分别将子带s[i]进行j尺度分解，并计算该层分解子带的幅值s[i,j]。

s[i，j]＝|hm(x，y)*s[i]|

步骤1.3，第l层分解。继续用csgw分别将子带s[i,j,…,k]进行j尺度分解，并计算分解子带的幅值s[i,j,…,k,l]。本发明取l＝3，即进行3层次的分解。

s[i，j，…，k，l]＝|hm(x，y)*s[i，j，…，k]|

步骤2，计算图像特征。

步骤2.1，构建copula模型。首先用copula模型刻画每一层的分解子带。模型中的copula密度函数用gaussiancopula，边缘密度函数用weibull分布的密度函数。这样l层分解将会参数l个copula模型。对一副图像，本发明的深度分解将产生3个copula模型。copula模型的参数包括copula密度函数参数和边缘密度函数参数。用两阶段(two-step)最大似然方法估计copula模型的参数：第一阶段估计边缘密度的参数；第二阶段估计copula函数的参数。由于估计出的参数r是矩阵(对称矩阵)，需要拉直成向量，表示如下：

由此copula模型参数xcp可以表示为：

其中l表示分解层数，和分别表示为第l层分解的边缘分布的参数；表示第l层分解的copula密度函数参数r中的元素。

步骤2.2，计算dd-csgw分解子带的均值和标准差。分别计算每层分解的每个子带系数的均值和标准差。模型的均值和标准差特征xen表示如下：

步骤3，特征组合。将copula模型参数特征xcp，以及模型的均值和标准差特征xen进行合并得到图像的特征x，表示如下：

x＝[xcp，xes]

步骤4，用svm分类。用步骤1-3的方法提取训练集合中的图像特征，并用以训练svm分类器。训练完成好svm分类器后，将当前图像提取的特征输入svm进行分类判别。在进行svm训练与判别时，将特征归一化到[0，1]。