专利名称：一种照片分类方法
技术领域：
本发明涉及人工智能技术领域，特别涉及照片分类方法。
背景技术：
目前已有很多的对照片进行自动管理和归档以及图像质量评价的技术和专利发明，如申请号为CN200910130984. 4在照片拍摄时利用分析图片构成以获得所述照片的构成的特征，并且计算理想特征值、真实特征值及所述理想特征与所述真实特征值之间的差值，以及根据所述差值产生等级以显示与所述照片的构成相关的质量，以此来对拍摄照片进行指导。申请号为CN200810305013. 4的发明提供了一种照片管理方法，用于电子装置的图片管理，首先系统侦测是否与电脑建立了连接通信；如果建立了连接，则搜索存储单元中第一种类型的图片；将该搜索到的第一种类型的图片备份到电脑并将该已备份的图片从存 储单元中删除；搜索电脑中第二种类型的图片；并将该搜索到的电脑中的第二种类型的图片下载到存储单元中。通过发明的电子装置及图片管理方法，可自动将其中长期未浏览的图片备份到电脑中后从该电子装置中删除，并自动下载电脑中最近浏览次数超过一个预定值的照片到电子装置中。此方法可以非常方便的管理在电子装置中的照片，但是他们并没有涉及照片的美学特点的特征对照片进行选择。
发明内容
为了克服现有技术的上述缺点与不足，本发明的目的在于提供一种照片分类方法，自动保留质量高的照片并且剔除质量低劣的照片，准确率高。本发明的目的通过以下技术方案实现一种照片分类方法，包括以下步骤SI训练过程SI. I采集用于训练的样本照片，由用户将样本照片分成正样本和负样本；SI. 2对样本照片进行主题区域提取；所述主题区域提取具体包括以下步骤SI. 2. I将照片从RGB色彩空间转换成灰度色彩空间；SI. 2. 2对转换后的照片进行分块处理后，对每一个块计算功率谱斜度S1(X)；SI. 2. 3使用阈值T1对S1 (X)进行二值化处理将S1 (x)与阈值T1比较，S1 (x)彡T1的区域为清楚区域A1(X)CT1的区域为模糊区域；其中T1由用户根据需要确定；SI. 2. 4对步骤SI. 2. 3得到的清楚区域进行最大联通区域检测，确定照片的主题区域，除主题区域外的图像区域定义为背景区域；SI. 3对样本照片的主题区域，背景区域以及全局区域的特征进行提取，得到主题区域特征、背景区域特征和全局区域特征；SI. 4采用支持向量机对正样本的特征和负样本的特征进行训练，建立支持向量机分类器的正样本和负样本特征空间上的分界面模型；S2自动分类过程
S2. I对待识别照片进行主题区域提取S2. 2对待识别照片的主题区域，背景区域以及全局区域的进行特征提取；S2. 3使用步骤SI. 4得到的分界面模型对步骤S2. 2得到的特征进行分类，保留分类器分类为正类的分类图像结果，删除分类器分类为负类的分类图像结果。所述主题区域特征包括主题区域HSV直方图和主题区域的大小。所述背景区域特征为背景区域HSV直方图。所述全局区域特征包括中心区域内功率谱斜度图的直方图、中心区域内的功率谱斜度图的平均值、中心区域内清晰像素点个数、非中心区域的功率谱斜度图平均值、非中心区域内清晰像素点个数、整张照片的功率谱斜度图的平均值、整张照片的HSV直方图、整张 照片的对比度；所述中心区域及非中心区域的定义为将照片在水平和垂直方向上都等分成三份，得到九个区域，其中位于照片中心的区域为中心区域，其余八个区域为非中心区域。步骤S2. 3所述使用步骤SI. 4得到的分界面模型对步骤S2. 2得到的特征进行分类，具体为使用C-SVC类型的支持向量机对步骤S2. 2得到的特征进行分类，损失函数cost为I. 0，允许的终止判据印S为O. 001，使用的RBF核函数表达式如下exp (-gamma X | u_v |2)其中比例系数gamma = O. 5, u, V为支持向量机的两个特征矢量。所述对每一个块计算功率谱斜度S1 (X)，具体为首先计算块内像素的对比度I (X) = (b+kx) '其中b = O. 7656，k = O. 0364, Y = 2. 2, x表示当前像素的亮度值；如果当前块内的所有像素对比度的最大值与最小值之差小于阈值T2，且当前块内像素对比度I(X)的均值U1(X)小于阈值T3，则设定当前块的对比度为0，否则设定块的对比度为I ;对于已设定对比度为I的块，计算其二维傅里叶变换yx(f，Θ )，其中f表示频率，而Θ表示方向，计算公式如下f= [ (u/ (m/2))2+ (v/ (m/2))2]0.5Θ =arctan(v/u)u e [-m/2, m/2]V e [-m/2, m/2]其中m=32表示块的大小，u、v分别表示当前像素点的横纵坐标值；然后，对相同的频率不同方向上的yx(f，Θ )进行求和，计算公式如下
权利要求
1.一种照片分类方法，其特征在于，包括以下步骤 SI训练过程 SI. I采集用于训练的样本照片，由用户将样本照片分成正样本和负样本； SI. 2对样本照片进行主题区域提取； 所述主题区域提取具体包括以下步骤 SI. 2. I将照片从RGB色彩空间转换成灰度色彩空间； SI. 2. 2对转换后的照片进行分块处理后，对每一个块计算功率谱斜度S1(X)； SI. 2. 3使用阈值T1对S1 (X)进行二值化处理将S1 (X)与阈值T1比较，S1 (X)彡T1的区域为清楚区域A1(X)CT1的区域为模糊区域；其中T1由用户根据需要确定； SI. 2. 4对步骤SI. 2. 3得到的清楚区域进行最大联通区域检测，确定照片的主题区域，除主题区域外的图像区域定义为背景区域； SI. 3对样本照片的主题区域，背景区域以及全局区域的特征进行提取，得到主题区域特征、背景区域特征和全局区域特征； 51.4采用支持向量机对正样本的特征和负样本的特征进行训练，建立支持向量机分类器的正样本和负样本特征空间上的分界面模型； S2自动分类过程 52.I对待识别照片进行主题区域提取 S2. 2对待识别照片的主题区域，背景区域以及全局区域的进行特征提取； S2. 3使用步骤SI. 4得到的分界面模型对步骤S2. 2得到的特征进行分类，保留分类器分类为正类的分类图像结果，删除分类器分类为负类的分类图像结果。
2.根据权利要求I所述的照片分类方法，其特征在于，所述主题区域特征包括主题区域HSV直方图和主题区域的大小。
3.根据权利要求I所述的照片分类方法，其特征在于，所述背景区域特征为背景区域HSV直方图。
4.根据权利要求I所述的照片分类方法，其特征在于，所述全局区域特征包括中心区域内功率谱斜度图的直方图、中心区域内的功率谱斜度图的平均值、中心区域内清晰像素点个数、非中心区域的功率谱斜度图平均值、非中心区域内清晰像素点个数、整张照片的功率谱斜度图的平均值、整张照片的HSV直方图、整张照片的对比度； 所述中心区域及非中心区域的定义为将照片在水平和垂直方向上都等分成三份，得到九个区域，其中位于照片中心的区域为中心区域，其余八个区域为非中心区域。
5.根据权利要求I所述的照片分类方法，其特征在于，步骤S2.3所述使用步骤SI. 4得到的分界面模型对步骤S2. 2得到的特征进行分类，具体为 使用C-SVC类型的支持向量机对步骤S2. 2得到的特征进行分类，损失函数cost为I. 0，允许的终止判据eps为O. 001，使用的RBF核函数表达式如下exp (-gamma X | u_v |2) 其中比例系数gamma=0. 5, u, v为支持向量机的两个特征矢量。
6.根据权利要求I所述的照片分类方法，其特征在于，所述对每一个块计算功率谱斜度S1 (x)，具体为 首先计算块内像素的对比度I (X) = (b+kx) γ其中b = 0· 7656，k = O. 0364, y = 2. 2, x表示当前像素的亮度值； 如果当前块内的所有像素对比度的最大值与最小值之差小于阈值T2，且当前块内像素对比度100的均值U1(X)小于阈值T3，则设定当前块的对比度为0，否则设定块的对比度为I ; 对于已设定对比度为I的块，计算其二维傅里叶变换yx(f，Θ)，其中f表示频率，而Θ表示方向，计算公式如下f=[(u/(m/2))2+(v/(m/2))2]0·5Θ=arctan(v/u)u e [-m/2, m/2]V e [-m/2, m/2] 其中m=32表示块的大小，u、V分别表示当前像素点的横纵坐标值； 然后，对相同的频率不同方向上的yx(f，Θ )进行求和，计算公式如下 Θ 其中zx(f)表示频率为f、所有方向上的二维傅里叶变换的和； 最后，log(zx(f))和log(f)进行线性拟合，得到拟合直线的斜率αχ;利用拟合直线的斜率计算功率谱斜度，计算公式如下 (Λ ) - I I _j_ βτι(αχ-τι)其中 τ i=-3、τ 2=2 ； 对于对比度为O的情况，设定S1(X)=Oq
全文摘要
本发明公开了一种照片分类方法，包括训练过程和自动分类过程，训练过程先采用基于功率谱斜度的方法提取样本照片的主题区域，然后提取样本照片的特征，最终利用支持矢量机分类器进行照片美学质量的训练，得到分界面模型；自动分类过程对待识别照片进行先采用基于功率谱斜度的方法提取的主题区域，然后提取的特征，最后使用分界面模型进行识别。本发明实现了以美学作为照片的自动分类的标准，准确率高。
文档编号G06K9/62GK102915449SQ20121035952
公开日2013年2月6日 申请日期2012年9月24日 优先权日2012年9月24日
发明者郭礼华, 熊杨超 申请人:华南理工大学