br>[0158] 朴素贝叶斯分类算法具有简单，高效等优势，在对待具有不同数据特点的数据集 合时，分类性能的差别不大，所W稳定性较强。该算法的分类效果比较精确。
[0159] 在本说明书的描述中，参考术语"一个实施例"、"一些实施例"、"示例"、"具体示 例"、或"一些示例"等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特 点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不 一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可W在任何 的一个或多个实施例或示例中W合适的方式结合。
[0160] 尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可W理解；在不 脱离本发明的原理和宗旨的情况下可W对该些实施例进行多种变化、修改、替换和变型，本 发明的范围由权利要求及其等同物限定。
【主权项】
1. 一种通过提取HSI特征对WCE视频分段提取显著特征信息的方法，其特征在于，包括 如下步骤： 步骤1，获取待提取特征信息的图片数据，将待提取特征信息的图片数据的RGB颜色特 征转换为HSI颜色特征，将转换为HSI颜色特征后的图片数据进行量化降维； 步骤2,将量化降维处理的图片数据通过朴素贝叶斯分类器算法进行分类后，获取带有 显著特征信息的WCE视频图像分段模型。2. 根据权利要求1所述的通过提取HSI特征对WCE视频分段提取显著特征信息的方 法，其特征在于，步骤1包括： 步骤1-1，输入图像的R、G、B值，其对应的HSI模型中的H、S、I分量由公式计算得到，其中，R、G、B为图片像素的红、绿、蓝刺激值。3. 根据权利要求2所述的通过提取HSI特征对WCE视频分段提取显著特征信息的方 法，其特征在于，步骤1还包括： 步骤1-2,色度量化成8个空间，把饱和度量化成3个空间，把亮度分别量化成3个空 间，即颜色空间被分层了 8X3X3的区间，具体量化值为， 设变量h、s、i，分别表示量化中H、S、I的取值范围，计算如下，则通过上式分别对H、S、I进行量化，具体量化值如下：4.根据权利要求1所述的通过提取HSI特征对WCE视频分段提取显著特征信息的方 法，其特征在于，步骤2包括： 步骤2-1，设D是训练元组和其相关联的类标号的集合，每个元组用一个η维属性向量 X = (X1, X2, ...，χη}表示，分别描述元组在η个属性集A1, A2,........八"对元组的η个度量， 且各属性之间相互独立； 步骤2-2,假设有m个类C1, C2, C3,.....Cm，给定元组X，分类法将预测X属于最高 后验概率的类，也就是说朴素贝叶斯法预测X属于类Ci,当且仅当P(CiIX) > P(CjIX) 1彡j彡m，j乒i，其中i、j为正整数， 这样，最大化P (Ci IX)，P (Ci IX)最大的类Ci称为最大后验假设，根据贝叶斯定理，步骤2-3,由于P(X)对所有类为常数，所以P(XlCi)P(Ci)最大即可，若类是先验概率未 知，则通常假定这些类是等概率的，即P (C1) =P(C2) =... =P (Cm)，并据此对P (XlCi)最 大化；否则，最大化P (XlCi) P (Ci); 步骤2-4,给定元组的类标号，且属性值有条件地相互独立，因此，xk表示元组X在属性A k的值，由于A k是分类属性，则P (X k I Ci)是D中属性Ak的值为X k 的(；类的元组数|Ci，D| ; 步骤2-5，为了预测X的类标号，对每个类Ci，计算P (XI Ci) P (Ci)，该分类法预测输入元 组X的类为Ci,当且仅当， P(Xlci)P(Ci) > P(XlCj)P(Cj), I ^ j j ^ i, 被预测的类标号是使P(XlCi)P(Ci)最大的Q。5. -种通过提取LBP特征对WCE视频分段提取显著特征信息的方法，其特征在于，包括 如下步骤： 步骤Γ，获取待提取特征信息的图片数据，提取基于RGB信息的图片数据的LBP纹理特 征，将转换为LBP纹理特征后的图片数据进行量化降维； 步骤2'，将量化降维处理的图片数据通过朴素贝叶斯分类器算法进行分类后，获取带 有显著特征信息的WCE视频图像分段模型。6. 根据权利要求5所述的通过提取LBP特征对WCE视频分段提取显著特征信息的方 法，其特征在于，所述步骤Γ包括： 步骤Γ-1，对于图像中每一个像素，将其相邻的8个点进行顺时针或逆时针的比较，如 果中心像素值比该邻点大，则将邻点赋值为1，否则赋值为〇,通过该过程每个点都会获得 一个8位二进制数，即得到该窗口中心像素点的LBP值，并用该LBP值来反映该区域的纹理 信息； 步骤Γ -2,将提取LBP特征的图片数据进行降维处理。7. 根据权利要求6所述的通过提取LBP特征对WCE视频分段提取显著特征信息的方 法，其特征在于，步骤Γ -2包括： 步骤A，找到有两次跳变的LBP二进制模式； 步骤B，从已经找到的二进制模式中，将最长的连续的1或0的长度作为该二进制模式 的LBP值。8. 根据权利要求5所述的通过提取LBP特征对WCE视频分段提取显著特征信息的方 法，其特征在于，步骤2'包括： 步骤2' -1，设D是训练元组和其相关联的类标号的集合，每个元组用一个η维属性向 量X = (X1, X2, ...，χη}表示，分别描述元组在η个属性集A1, A2,........八"对元组的η个度 量，且各属性之间相互独立； 步骤2' -2,假设有m个类C1, C2, C3,..... Cm，给定元组X，分类法将预测X属于最高 后验概率的类，也就是说朴素贝叶斯法预测X属于类Ci,当且仅当P(CiIX) > P(CjIX) 1彡j彡m，j乒i，其中i、j为正整数， 这样，最大化P (Ci IX)，P (Ci IX)最大的类Ci称为最大后验假设，根据贝叶斯定理，步骤;T -3,田卞PUU別Τ/Γ令突艿芾数，所以P (XI Ci) P (Ci)最大即可，若类是先验概率 未知，则通常假定这些类是等概率的，即P(C1) =P(C2) =... =P(Cm)，并据此对P(XlCi)最 大化；否则，最大化P (Xlci) P (Ci); 步骤2' -4,给定元组的类标号，且属性值有条件地相互独立，因此，xk表示元组X在属性A k的值，由于A k是分类属性，则P (X k I Ci)是D中属性Ak的值为X k 的(；类的元组数|Ci，D| ; 步骤2' -5,为了预测X的类标号，对每个类Ci,计算P (XI Ci) P (Ci)，该分类法预测输入 元组X的类为Ci,当且仅当， P(Xlci)P(Ci) > P(XlCj)P(Cj), I ^ j j ^ i, 被预测的类标号是使P(Xlci)P(Ci)最大的Ci。
【专利摘要】本发明公开了一种WCE视频分段提取显著特征信息的方法，包括如下步骤：步骤1，获取待提取特征信息的图片数据，将待提取特征信息的RGB图片数据的颜色特征转换为HSI颜色特征或者LBP纹理特征，将转换为HSI颜色特征后的图片数据或者转换为LBP纹理特征后的图片数据进行量化降维；步骤2，对量化降维处理的图片数据通过朴素贝叶斯分类器算法进行分类后，获取带有显著特征信息的WCE视频图像分段模型。本发明在对待具有不同数据特点的数据集合时，稳定性较强。该算法的分类效果精确。
【IPC分类】G06K9/62, G06K9/46, G06K9/00
【公开号】CN104881646
【申请号】CN201510274883
【发明人】万里, 张志良, 刘小琪, 严莎莎, 白家莲
【申请人】重庆金山科技（集团）有限公司
【公开日】2015年9月2日
【申请日】2015年5月26日