一种基于slle算法的计算机图像模式识别方法与系统的制作方法
【技术领域】
[0001]本发明涉及计算机图像识别技术领域，特别涉及一种基于SLLE算法的计算机图像模式识别方法。
【背景技术】
[0002]随着信息技术的发展，产生了大量非线性高维数据，特别是图像数据，图像数据对人们日常生活有着至关重要的影响。对图像数据的深入分析使得图像识别技术有了长足的进步，并被广泛应用于各种领域中，它可以是医学图像中的癌细胞识别，可以是机械加工零件的识别、分类，可以从遥感图片中识别建筑设施、湖泊等，可以运用于邮政系统中自动分拣邮件，也可用于支票识别，身份证信息识别等。
[0003]模式识别是图像识别中重要的应用，模式识别的本质就是分类，而处理分类问题即为处理子流程的问题，对每个子流程分类就是计算数据到其他数据的距离，从而可以求得最近的流程，因此，模式识别在图像中就是图像识别问题。
[0004]现有的计算机图像模式识别方法容易受到噪声的影响，从而影响权值矩阵的准确度，使得计算机图像模式识别方法的抗噪性低，同时识别的精确度也不高。
【发明内容】
[0005]为了解决现有技术中现有的计算机图像模式识别方法容易受到噪声的影响，从而影响权值矩阵的准确度，使得计算机图像模式识别方法的抗噪性低，同时识别的精确度也不高的缺点，提出一种基于监督局部线性嵌入(SLLE)算法的计算机图像模式识别方法与系统。
[0006]—种基于SLLE算法的计算机图像模式识别方法，其包括如下步骤:
[0007]S1、获取原始图像，并对原始图像进行预处理；
[0008]S2、根据SLLE算法对经过预处理的图像进行特征提取，并得到分类结果；
[0009]S3、基于分类结果对原始图像进行识别。
[0010]在本发明所述的基于SLLE算法的计算机图像模式识别方法中，
[0011]所述步骤SI中对原始图像进行预处理包括对原始图像进行消除干扰、噪声、差异的处理，将原始图像转为符合特征提取规范的图像形式。
[0012]在本发明所述的基于SLLE算法的计算机图像模式识别方法中，
[0013]所述步骤S2包括:
[0014]将预处理的图像划分为N个大小相等的图块;对每个图块进行直方图二值化变换，并将MATLAB工具中的im2bw函数阈值设置为0.5，对第i张图块的像素值求和，i为小于或等于N的正整数;并用求和的值表示预处理的图像的第i个分量，则预处理的图像的输入值为一个N维的数据；
[0015]将N维的数据作为有监督的局部线性嵌入算法SLLE的输入值进行特征提取，并得到分类结果。
[0016]在本发明所述的基于SLLE算法的计算机图像模式识别方法中，
[0017]所述步骤S3包括:
[0018]获取分类结果并根据分类结果对原始图像进行初次识别；
[0019]获取预处理的图像的自然语义，并根据自然语义对初次识别结果进行筛选。
[0020]在本发明所述的基于SLLE算法的计算机图像模式识别方法中，
[0021 ]获取预处理的图像的自然语义，并根据自然语义对初次识别结果进行筛选包括:
[0022]预先存储自然语言词汇索引表、纹理和色度特征表以及小波轮廓模板表；
[0023]通过多维密度函数对经过预处理的图像进行聚类划分，得到分块图像;通过分块图像提取目标区域的各个组成部分，同时根据区域连通准则将包含目标信息的分块图像划分到目标区域的各个组成部分中，并选取连通面积最大的一个连通域的外接矩形作为最终的目标区域；
[0024]根据小波轮廓模板表对目标区域进行轮廓对象匹配;并根据纹理和色度特征对轮廓对象匹配结果进行进一步匹配，再根据自然语言词汇索引表得到预处理的图像的自然语义；
[0025]判断初次识别结果是否与预处理的图像的自然语义是否匹配;在匹配时，确定并输出识别结果，在不匹配时，提示识别错误。
[0026]本发明还提供一种基于SLLE算法的计算机图像模式识别系统，其包括如下模块:
[0027]预处理模块，用于获取原始图像，并对原始图像进行预处理；
[0028]特征提取分类模块，用于根据SLLE算法对经过预处理的图像进行特征提取，并得到分类结果；
[0029]识别模块，用于基于分类结果对原始图像进行识别。
[0030]在本发明所述的基于SLLE算法的计算机图像模式识别系统中，
[0031]所述预处理模块中对原始图像进行预处理包括对原始图像进行消除干扰、噪声、差异的处理，将原始图像转为符合特征提取规范的图像形式。
[0032]在本发明所述的基于SLLE算法的计算机图像模式识别系统中，
[0033]所述特征提取分类模块包括:
[0034]将预处理的图像划分为N个大小相等的图块;对每个图块进行直方图二值化变换，并将MATLAB工具中的im2bw函数阈值设置为0.5，对第i张图块的像素值求和，i为小于或等于N的正整数;并用求和的值表示预处理的图像的第i个分量，则预处理的图像的输入值为一个N维的数据；
[0035]将N维的数据作为有监督的局部线性嵌入算法SLLE的输入值进行特征提取，并得到分类结果。
[0036]在本发明所述的基于SLLE算法的计算机图像模式识别系统中，
[0037]所述识别模块包括:
[0038]获取分类结果并根据分类结果对原始图像进行初次识别；
[0039]获取预处理的图像的自然语义，并根据自然语义对初次识别结果进行筛选。
[0040]在本发明所述的基于SLLE算法的计算机图像模式识别系统中，
[0041 ]获取预处理的图像的自然语义，并根据自然语义对初次识别结果进行筛选包括:
[0042]预先存储自然语言词汇索引表、纹理和色度特征表以及小波轮廓模板表；
[0043]通过多维密度函数对经过预处理的图像进行聚类划分，得到分块图像;通过分块图像提取目标区域的各个组成部分，同时根据区域连通准则将包含目标信息的分块图像划分到目标区域的各个组成部分中，并选取连通面积最大的一个连通域的外接矩形作为最终的目标区域；
[0044]根据小波轮廓模板表对目标区域进行轮廓对象匹配;并根据纹理和色度特征对轮廓对象匹配结果进行进一步匹配，再根据自然语言词汇索引表得到预处理的图像的自然语义；
[0045]判断初次识别结果是否与预处理的图像的自然语义是否匹配;在匹配时，确定并输出识别结果，在不匹配时，提示识别错误。
[0046]实施本发明提供的一种基于SLLE算法的计算机图像模式识别方法与系统具有以下有益效果:SLLE算法对经过预处理的图像进行特征提取，并得到分类结果，可以改进权值矩阵的计算，从而改变每个像素点的领域值，使得图像识别的抗噪声大大提高，进而提高图像识别的精确度。
【附图说明】
[0047]图1是本发明实施例的基于SLLE算法的计算机图像模式识别方法流程图；
[0048]图2是本发明实施例的基于SLLE算法的计算机图像模式识别结构框图。
【具体实施方式】
[0049]如图1所示，一种基于SLLE算法的计算机图像模式识别方法，其包括如下步骤:
[0050]S1、获取原始图像，并对原始图像进行预处理。
[0051]S2、根据SLLE算法对经过预处理的图像进行特征提取，并得到分类结果；
[0052]S3、基于分类结果对原始图像进行识别。
[0053]可选地，在本发明实施例所述的基于SLLE算法的计算机图像模式识别方法中，
[0054]所述步骤SI中对原始图像进行预处理包括对原始图像进行消除干扰、噪声、差异的处理，将原始图像转为符合特征提取规范的图像形式。
[0055]SLLE算法是有监督的局部线性嵌入算法(Supervi sed Locally LinearEmbedding，SLLE)，其相对于传统算法，增加了样本点的类别信息。在使用SLLE算法处理数据时样本点分布比起LLE算法得到的数据更加均匀化;可以提取出更好的数据特征，达到良好的降维与特征提取效果。
[0056]实施本实施例的一种基于SLLE算法的计算机图像模式识别方法具有以下有益效果:SLLE算法对经过预处理的图像进行特征提取，并得到分类结果，可以改进权值矩阵的计算，从而改变每个像素点的领域值，使得图像识别的抗噪声大大提高。
[0057]可选地，在本发明实施例所述的基于SLLE算法的计算机图像模式识别方法中，
[0058]所述步骤S2包括:
[0059]将预处理的图像划分为N(N为大于或等于2的正整数)个大小相等的图块;对每个图块进行直方图二值化变换，并将MATLAB工具中的im2bw函数(MATLAB工具中DIP工具箱函数im2bw使用阈值变换法把灰度图像转换成二值图像)阈值设置为0.5，对第i张图块的像素值求和，i为小于或等于N的正整数;并用求和的值表示预处理的图像的第i个分量，则预处理的图像的输入值为一个N维的数据。本步骤可以将预处理的图像的输入值为一个N维的数据，能够很方便的映射到二维空间上，减少了 SLLE算法的运算量。
[0060]将N维的数据作为有监督的局部线性嵌入算法SLLE的输入值进行特征提取，并得到分类结果。分类结果为二维空间上的数据几何拓扑结构。
[0061 ]可选地，在本发明实施例所述的基于SLLE算法的计算机图像模式识别方法中，
[0062]所述步骤S3包括:
[0063]获取分类结果并根据分类结果对原始图像进行初次识别。
[0064]获取预处理的图像的自然语义，并根据自然语义对初次识别结果进行筛选。
[0065]可选地，在本发明实施例所述的基于SLLE算法的计算机图像模式识别方法中，
[0066