图像分类方法及系统的制作方法
【专利摘要】本发明涉及一种图像分类方法，包括如下步骤：对要分类的图像进行多尺度分割；对多尺度分割后的图像进行显著图提取；对显著图提取后的图像进行直方图挖掘；对直方图挖掘后的图像进行归一化；采用支持向量机对上述归一化的图像进行分类。本发明还涉及一种图像分类系统。本发明能够提高图像的分类性能，减少计算时间，增加图像的区分能力。
【专利说明】图像分类方法及系统
【技术领域】
[0001]本发明涉及一种图像分类方法及系统。
【背景技术】
[0002]图像分类即是，根据各自在图像信息中所反映的不同特征，把不同类别的目标区分开来的图像处理方法。它利用计算机对图像进行定量分析，把图像或图像中的每个像元或区域划归为若干个类别中的某一种，以代替人的视觉判读。
[0003]在最近的十年中，图像分类是计算机视觉领域的一个研究热点。B0W(字典袋)技术已被证明是最有效的图像分类的方法之一。
[0004]然而，在BOW方法中，空间的上下文信息，如字共生和成对的信息被忽略，产生的视觉单词仍然不够说明问题，限制了图像的整体分类性能。此外，基于局部特征是相互独立的假设，如朴素贝叶斯，并不是总能成立。
【发明内容】
[0005]有鉴于此，有必要提供一种图像分类方法及系统。
[0006]本发明提供一种图像分类方法，该方法包括如下步骤:a.对要分类的图像进行多尺度分割；b.对多尺度分割后的图像进行显著图提取；c.对显著图提取后的图像进行直方图挖掘；d.对直方图挖掘后的图像进行归一化；e.采用支持向量机对上述归一化的图像进行分类。
[0007]其中，所述的多尺度分割包括将所述图像划分成多块，修改所述划分后图像的结构信息表不。
[0008]所述的步骤b采用基于图形的视觉显著性的自下而上的显著性模型提取图像的显著图。
[0009]所述的步骤c中直方图挖掘基于:R(m) = d(m) X v (m),其中，d (m) (O < d (m < )和l)v(m)分别是差异性分数和代表性分数。
[0010]所述步骤d中的归一化包括:平方根归一化、LI归一化、类内和类间I1归一化、I2归一化、类内和类间I2归一化。
[0011]本发明还提供一种图像分类系统，包括相互电性连接的分割模块、提取模块、挖掘模块、归一化模块及分类模块。其中，所述分割模块用于对要分类的图像进行多尺度分割；所述提取模块用于对多尺度分割后的图像进行显著图提取；所述挖掘模块用于对显著图提取后的图像进行直方图挖掘；所述归一化模块用于对直方图挖掘后的图像进行归一化；所述分类模块用于采用支持向量机对上述归一化的图像进行分类。
[0012]其中，所述的多尺度分割包括将所述图像划分成多块，修改所述划分后图像的结构信息表不。
[0013]所述的提取模块采用基于图形的视觉显著性的自下而上的显著性模型提取图像的显著图。[0014]所述的直方图挖掘基于:R(m)= d(m) X v (m),其中，d(m) (O ( d(m) ( I)和 v(m)分别是差异性分数和代表性分数。
[0015]所述的归一化包括:平方根归一化、LI归一化、类内和类间I1归一化、I2归一化、类内和类间I2归一化。
[0016]本发明图像分类方法及系统，利用显著区域定位、直方图挖掘、图像评分、差异性学习等进行图像分类。主要贡献如下:首先，结合直方图挖掘的多尺度空间进行金字塔的图像表示，基于边缘的密集描述符提高分类性能和减少计算时间；其次，显著图提取构建BoP模型，增加区分判断能力；第三，从视觉显著性获得的图像得分被集成到SVM分类器的分离超平面，所述图像得分被视为潜在的信息，以提高区分能力；最后，提出了考虑类间和类内变化，也考虑直方图的统计信息的直方图归一化方法。
【专利附图】
【附图说明】
[0017]图1为本发明图像分类方法的流程图；
[0018]图2为本发明较佳实施例图像多尺度分割示意图；
[0019]图3为本发 明较佳实施例图像、显著图、显著图的灰度形式示意图；
[0020]图4为本发明较佳实施例事件数据集的直方图PDF示意图；
[0021]图5为本发明较佳实施例足球数据集的直方图PDF示意图；
[0022]图6为本发明图像分类系统的硬件架构图。
【具体实施方式】
[0023]下面结合附图及具体实施例对本发明作进一步详细的说明。
[0024]参阅图1所示，是本发明图像分类方法较佳实施例的作业流程图。
[0025]步骤S401，对要分类的图像进行多尺度分割。具体而言，将每个所述图像划分成多块，修改所述划分后图像的结构信息表示。图2示出了多尺度分割后的图像空间金字塔。图2中1X1(原始图像)、2X2、4X4的区域(总共21个区域)均由SPM技术生成。本实施例中，所述图像的纵横比保持SPM的多尺度技术。从多尺度分割和密集采样中得到特征矢量，一般是高维数，通过主成分分析(PCA)和线性判别分析(LDA)进行降维运算，从而产生良好的结果，且不显著损失。
[0026]步骤S402，对多尺度分割后的图像进行显著图提取。视觉显著性或点分布通常用于获得通用的显著性和强调不同的局部区域，如轮廓、边缘和颜色。本实施例中，采用基于图形的视觉显著性(GBVS)的自下而上的显著性模型来提取图像的显著图。图3显示了图像、显著图、显著图的灰度形式，由此看出有意义鉴别的区域，可以可靠地从显著图中获得。
[0027]每个视觉词之间码字的共同出现结合在特征向量也融合进BoP(bag of phrase)直方图中，η个局部描述符s = {sj, t = 1，...，η的每个码字V由原始的BoW方法生成,显著性驱动的方法由下式获得:
η
[0028]S=Xa IiV-Sji2
? 二I
[0029]其中，加权系数Pt在位置(x，y)定义为:A=exp(-丨丨'〈丨丨2), σ是加权参数。
La[0030]假设Si。代表1-th图像在c-th类的显著性，hic代表1-th图像在c-th类的近似归一化的BoP直方图。该图像由连接在一起的特征直方图和显著特征图可以表示为:
[0031 ] X — [..slchlc...sichic...sNMhNW]，
[0032]对于图像评分的权重，图像中心的计算通过选择其中各个细胞的最小化各个距离:
【权利要求】
1.一种图像分类方法，其特征在于，该方法包括如下步骤: a.对要分类的图像进行多尺度分割； b.对多尺度分割后的图像进行显著图提取； c.对显著图提取后的图像进行直方图挖掘； d.对直方图挖掘后的图像进行归一化； e.采用支持向量机对上述归一化的图像进行分类。
2.如权利要求1所述的方法，其特征在于，所述的多尺度分割包括将所述图像划分成多块，修改所述划分后图像的结构信息表示。
3.如权利要求1或2所述的方法，其特征在于，所述的步骤b采用基于图形的视觉显著性的自下而上的显著性模型提取图像的显著图。
4.如权利要求3所述的方法，其特征在于，所述的步骤c中直方图挖掘基于:
R (m) = d (m) X v (m), 其中，I1(Km) (O ^d(m) ^ I)和v(m)分别是差异性分数和代表性分数。
5.如权利要求1所述的方法，其特征在于，所述步骤d中的归一化包括:平方根归一化、LI归一化、类内和类间归一化、I2归一化、类内和类间I2归一化。
6.一种图像分类系统，其特征在于，该系统包括相互电性连接的分割模块、提取模块、挖掘模块、归一化模块及分类模块，其中: 所述分割模块用于对要分类的图像进行多尺度分割； 所述提取模块用于对多尺度分割后的图像进行显著图提取； 所述挖掘模块用于对显著图提取后的图像进行直方图挖掘； 所述归一化模块用于对直方图挖掘后的图像进行归一化； 所述分类模块用于采用支持向量机对上述归一化的图像进行分类。
7.如权利要求6所述的系统，其特征在于，所述的多尺度分割包括将所述图像划分成多块，修改所述划分后图像的结构信息表示。
8.如权利要求6或7所述的系统，其特征在于，所述的提取模块采用基于图形的视觉显著性的自下而上的显著性模型提取图像的显著图。
9.如权利要求 8所述的系统，其特征在于，所述的直方图挖掘基于:
R (m) = d (m) X v (m), 其中，d(m) (O ^d(m) ^ I)和v(m)分别是差异性分数和代表性分数。
10.如权利要求6所述的系统，其特征在于，所述的归一化包括:平方根归一化、LI归一化、类内和类间I1归一化、I2归一化、类内和类间I2归一化。
【文档编号】G06K9/62GK103942570SQ201410177159
【公开日】2014年7月23日 申请日期:2014年4月29日 优先权日:2014年4月29日
【发明者】雷柏英, 陈思平, 汪天富, 倪东 申请人:深圳大学