波器对一幅图像进行滤波处理；由于非高斯二维 G油or滤波器是一个多尺度多方向的二维滤波器，则在不同尺度和不同方向下对图像进行 滤波处理；
[0068] 首先假定图像为IW(X，y)，非高斯二维G油or滤波器为NGu,Y,Y(X，y)，那么具 有参数V、y和r的非高斯二维Gabor滤波器对图像I(X，y)进行滤波的计算式为；
[0069] 其中，x，y表示图像的坐标，*表示卷积操作，i^^<,^，>l^(x,；i?；)表示坐标x，y处滤波后的 图像，是一个复数，整个滤波后的图像变成一个复数矩阵，表示为巧,的大小与原 图像相同；
[0070]St巧3、求复数矩阵巧;心的模，记为姑4巧心），Gkv(巧心)是一个实数矩阵，即幅 度矩阵，然后对矩阵进行分块：把均匀分成4X4的无重叠方块，一共 16块，表示为聲）（i=0, 1，2,…，15);
[0071]St巧4、提取各分块/,W(i= 0, 1，2,…，15)的直方图特征向量，表示为 ^,u>v(;,,,,y(i'' =n，i，2,…，15)，然后依次连接所有各块的直方图特征向量，得到原始图像的多 直方图特征向量为
[0072]steps、把原始图像的多直方图特征向量送入基于卡方统计量的最近邻分类器进 行分类，来识别原始人脸图像的身份。
[0073] 所述步骤steps中，基于卡方统计量的最近邻分类器进行分类时，先 计算卡方统计量距离；设定两幅人脸图像I?和IW的直方图特征向量分别为；
'则此两 个向量之间的距离，即卡方统计量距离采用如下公式计算：
[0074]
[0075]其中卢^VG,w价和w(0分别表示纹理特征向量卢和戸勺第 i个元素，K'表示纹理向量的长度，eps为一固定值，为Matl油中最小的正数。
[0076] 具体实施时，在MTLAB软件环境中，选取不同的参数r，r一般取大于等于1，尺度 参数V取值分别为；V= 0,...，4,方向参数y分别取值为；y= 0,...，3,利用MTLAB软 件环境再根据所述非高斯二维Gabor滤波器图像纹理提取及识别方法的具体步骤来实现 所取图像的识别；
[0077] 由实施例2知道，当参数r〉l时，采用非高斯二维G油or滤波器进行人脸图像纹理 特征提取将取得比传统二维G油or滤波器更高的识别率。下面在固定参数r情况下（r= 1和r= 1. 3)，进一步统计本方法在化leB人脸数据库中的识别率与训练样本数的关系，给 出相应的识别率。本实施例中所用人脸图片为theextendedYaleB人脸数据库的光照子 集，该子集共有38个人，每个人在不同光照情况下拍摄64张照片，一共2432张照片，照片 大小为64x64。图3是该数据库中一个人的64张样本图片。该数据库可W在该数据库网站 化ttp://vision.ucsd.edu/ ~leekc/ExtYaleDatabase/ExtYaleB.html)上下载戶片有裁切 好的人脸图片。在本实施例中，在计算识别率时，训练样本集由每个人分别任选2、6,、10、 14和18张样本构成，其余图像用作测试。将实验重复5次，计算不同r参数和不同训练样 本情况下本方法的平均正确识别率和标准偏差，将结果填在表1中，表1是本实施例中不同 训练样本数目情况下本方法与传统二维G油or滤波器的平均识别率（％ )与标准偏差（r= 1.3)，从表1中可W看出，本方法的正确识别率要大大高于传统二维G油or滤波器（也就是 r= 1的时候的滤波器）。
[007引表1平均识别率（％ )与标准偏差
[0079]
[0080] 上面结合附图对本发明的【具体实施方式】作了详细说明，但是本发明并不限于上述 实施方式，在本领域普通技术人员所具备的知识范围内，还可W在不脱离本发明宗旨的前 提下作出各种变化。
【主权项】
1. 非高斯二维Gabor滤波器图像纹理提取及识别方法，其特征在于：首先构造出非高 斯二维Gabor滤波器，然后采用非高斯二维Gabor滤波器对图像进行滤波处理，计算滤波后 的图像的幅度矩阵，接着将此幅度矩阵进行分块，计算各块的直方图特征向量，然后连接各 块的直方图特征向量，得到原始图像的直方图特征向量。最后把该特征向量送入基于卡方 统计量的最近邻分类器进行分类识别。2. 根据权利要求1所述的非高斯二维Gabor滤波器图像纹理提取及识别方法，其特征 在于：所述非高斯二维Gabor滤波器图像纹理提取及识别方法的具体步骤如下： Stepl、首先构造非高斯二维Gabor滤波器；非高斯二维Gabor滤波器构造为：其中人# V =，kv= k max/fv，φ# =π///4，kmax是最大频率，一般 k max= Ji /2， / = 7^，尺度参数￥取值为￥ = 〇，...，4，方向参数4取值为4=0，...，3,2=(叉，7)和 I I ζ I I = (x2+y2)，X，y表示传统二维Gabor滤波器的坐标，i表示虚单位，r是一个引进的参 数，r>l，用于控制非高斯二维Gabor滤波器的形状； Step2、采用非高斯二维Gabor滤波器对一幅图像进行滤波处理；由于非高斯二维 Gabor滤波器是一个多尺度多方向的二维滤波器，则在不同尺度和不同方向下对图像进行 滤波处理； 首先假定图像为1(1) (X，y)，非高斯二维Gabor滤波器为NGU，V，γ (X，y)，那么具 有参数v、μ和！·的非高斯二维Gabor滤波器对图像I (x，y)进行滤波的计算式为： ^!,v,r(x5 v) ^ (x, V)*/(/)(x,y)； 其中，x，y表示图像的坐标，*表示卷积操作，表示坐标x，y处滤波后的图 像，是一个复数，整个滤波后的图像变成一个复数矩阵，表示为?ι，的大小与原图 像相同； St印3、求复数矩阵的模，记为是一个实数矩阵，即幅度 矩阵，然后对矩阵进行分块：把均匀分成4X4的无重叠方块，一共16 ±夬，表示为/);)(/ = 〇,1,2,···,15); 5七印4、提取各分块/)/)(/_ = 0，1,2，~,15)的直方图特征向量，表示为 = 〇，12，···，15)，然后依次连接所有各块的直方图特征向量，得到原始图像的多 直方图特征向量为：= ，Η? (/)Μ^ν，…，] ·， Step5、把原始图像的多直方图特征向量送入基于卡方统计量的最近邻分类器进行分 类，来识别原始人脸图像的身份。3.根据权利要求1所述的非高斯二维Gabor滤波器图像纹理提取及识别方 法，其特征在于：所述步骤Step5中，基于卡方统计量的最近邻分类器进行分类时， 先计算卡方统计量距离；设定两幅人脸图像I?和I (1)的直方图特征向量分别为： /(〇 Wv'厂[吨 .厂丑. ^ ^ 个向量之间的距离，即卡方统计量距离采用如下公式计算：其中和⑴分别表示纹理特征向量和的第i 个元素，K'表示纹理向量的长度，eps为一固定值，为Matlab中最小的正数。
【专利摘要】本发明涉及一种非高斯二维Gabor滤波器图像纹理提取及识别方法，属于模式识别技术领域。本发明首先构造出非高斯二维Gabor滤波器，然后采用非高斯二维Gabor滤波器对图像进行滤波处理，计算滤波后的图像的幅度矩阵，接着将此幅度矩阵进行分块，计算各块的直方图特征向量，然后连接各块的直方图特征向量，得到原始图像的直方图特征向量。最后把该特征向量送入基于卡方统计量的最近邻分类器进行分类识别。本发明是一种基于非高斯二维Gabor滤波器的纹理描述方法，是传统二维Gabor滤波器的一种推广，能提取图像非高斯纹理特征及识别。
【IPC分类】G06K9/46, G06K9/62, G06K9/00
【公开号】CN104881635
【申请号】CN201510223362
【发明人】陈熙, 李闻
【申请人】昆明理工大学
【公开日】2015年9月2日
【申请日】2015年5月5日