一种基于BoF和多特征融合的纹理图像分类方法
【技术领域】
[0001] 本发明涉及一种纹理图像的分类方法，具体涉及一种基于BoF和多特征融合的纹 理图像分类方法。
【背景技术】
[0002] 纹理反映了物体的表面结构，是图像中某种特质局部重复模式的宏观表现，能够 体现物体的一些重要特征和性质；纹理分析是提取纹理特征参数从而获得纹理定量或定性 描述的图像处理过程，纹理分类是纹理分析研究的重要研究方向之一，在场影识别、生物特 征识别、遥感图像分析、医学图像分析、图像检索、运动目标检测等领域都有重要的应用。
[0003] 纹理图像可以表示为统计纹理基元出现的频率，这符合词袋描述方法的思想。目 前纹理图像的分类主要是基于统计分析、几何特征、信号处理、关键点四种方法，其中统计 分析和信号处理方法应用广泛，影响深远。
[0004] 虽然上述方法在纹理识别上均有较好的表现，但这些方法均忽略了纹理的空间分 布信息。在文献图像纹理分析及分类方法研究一文中（李伯宇，图像纹理分析及分类方法 研究[D]，博士，复旦大学，2007)，即阐述了这些方法关注寻找纹理基元，忽略了基元间的 空间排列关系，指出提取基元间的排列关系是个非常值得继续研究的问题。文献基于多特 征提取和SVM分类器的纹理图像分类（唐银凤，黄志明，黄荣娟，姜佳欣，卢昕.基于多特征 提取和SVM分类器的纹理图像分类[J].计算机应用与软件，2014, 28(6):22-25.) -文中， 利用Gabor滤波器、GMRF (高斯马尔可夫随机场）及GLCM (灰度共生矩阵）提取纹理图像的 三种纹理特征，融合多特征进行纹理分类，构造了纹理查找表。文献中实验验证了受方向、 尺度等影响会降低该方法的分类精度，单一特征在一定条件下对光学纹理图像分类也能有 比多特征组合更好的分类效果。该方法有纹理图像的区域内灰度空间信息表示，但仍忽略 了区域间的空间分布信息，算法性能的稳定性仍有较大研究空间。
[0005] BoF (Bag of Feature)模型最先是由Joachims在1997年用来描述文本内容从而 进行文本分类，2003年Sivic and Zisserman首次将其用于在视频序列中检索特定用户 场景和物体，后来Csurka等将其运用到视觉表示与分类中，目前将BoF模型运用于图像处 理已有突出成果，是一种新的、有效的图像内容表征方法，已成为图像处理领域新的研究热 点。BoF模型在图像处理领域中也称之为BOVW(Bag of Visual Word)模型。
[0006] BoF是通过统计区域特征的全局相似出现情况来表示图像，简化了宠大的区域特 征信息同时又具备区域不变性和全局鲁棒性的特点，但BoF词汇直方图的无序表达形式没 有体现特征单词之间的空间关系，亦丢失了特征的尺度、方向和位置信息，然而图像特征的 空间分布信息对于图像的内容及语义是不容忽略的。
[0007] 尺度不变特征转换SIFT为已有专利保护，发明人是DAVID G. L0WE，详细内 容参考文献【DAVID G. LOWE. Distinctive Image Features from Scale-Invariant Keypoints[J]. International Journal of Computer Vision, 2004,60(2):91-100】。
[0008] 灰度梯度共生矩阵GGCM由洪继光于1984年在GLCM的基础上提出，详 细内容参考文献【洪继光.灰度-梯度共生矩阵纹理分析方法[J].自动化学 报，1984, 10(01) :22-25.】。
[0009] 传统BoF的底层特征描述使用SIFT特征，其基于区域的特征表示也忽略了区域之 间的空间关系信息。目前存在很多纹理特征描述与分类方法，每种方法都有其自身的特点、 优势但也存在不足。典型的二阶统计法灰度共生矩阵能刻画纹理模式中邻域灰度空间的关 系，是一种有效的纹理描述方法，但它更适合微纹理（microtextures)描述，对于纹理基元 较大的纹理则描述效果欠佳。
【发明内容】
[0010] 发明目的：为了克服现有技术中存在的不足，本发明提供一种基于BoF和多特征 融合的纹理图像分类方法，通过对应特征单词的纹理基元构建，将多特征融合表示作为BoF 模型的底层纹理特征描述，以提高纹理图像分类精度及稳定性，解决了现有技术的问题。 [0011] 技术方案：为实现上述目的，本发明采用的技术方案为：
[0012] 基于BoF和多特征融合的纹理图像分类方法，其特征在于，该方法包括以下步骤：
[0013] I. 1)对所有纹理图像进行局部图像选取，获得每幅图像的碎片集；
[0014] 1. 2)提取每幅纹理图像所有碎片的灰度梯度共生矩阵GGCM特征向量和尺度不变 特征转换SIFT局部特征向量，并对不同特征进行重要性加权融合，获得多种特征的融合特 征；
[0015] 1. 3)利用步骤1. 2)得到的纹理图像训练集融合特征向量作为BoF模型的底层特 征描述，聚类产生特征单词，并进行基于鉴别能量分析的优选加权生成新的特征单词，构造 特征字典；
[0016] 1. 4)对纹理图像训练集融合特征向量用特征单词进行指派，构建纹理图像训练集 的融合特征词袋模型；
[0017] 1. 5)采用同样的方法计算待测试纹理图像的融合特征向量，并获得对应的融合特 征词袋；
[0018] 1. 6)利用支持向量机训练特征词袋模型得到SVM分类器，实现对测试图像的预测 分类。
[0019] 进一步的，步骤I. 1)中所述的局部图像选取采用兴趣点检测法或区域划分法。
[0020] 进一步的，碎片为纹理图像中固定大小的区域图像，大小为16X16像素。
[0021] 进一步的，步骤1. 2)中所述重要性加权融合，指采用基于特征重要性算法FIW的 加权，具体步骤如下：
[0022] 1. 2. 1)分别计算纹理图像的灰度梯度共生矩阵GGCM特征和尺度不变特征转换 SIFT特征，将灰度梯度共生矩阵GGCM和尺度不变特征转换SIFT联合特征输入到Kmeans中 进行聚类，得到聚类中心；
[0023] 1. 2. 2)采用ReliefF算法对获得不同特征的特征权值向量，将权值为负（W〈0)不 利于分类的特征去除；
[0024] 1. 2. 3)采用相关性度量方法，运用相关系数描述两个变量之间的相关性，去除相 关系数大于〇. 6的强相关或极强相关冗余特征；
[0025] 1. 2. 4)对步骤1. 2. 3)结果使用均方根进行特征归一化处理。
[0026] 其中，当灰度梯度共生矩阵GGCM特征和尺度不变特征转换SIFT特征的联合分布 为特征重要性加权融合时，，先对待分类的纹理图像用联合特征分布预分类，可再使用基于 特征重要性算法FIW加权的融合特征再分类。
[0027] 进一步的，步骤1. 3)中所述的聚类，采用Kmeans聚类方法，聚类中心个数为特征 字典容量，特征字典容量选取自动生成法。
[0028] 进一步的，步骤1.3)中所述的鉴别能量分析，具体为动态加权鉴别能量分析 DWDPA ;通过计算类间间距与类内间距的比值，获得鉴别能量系数，并将鉴别能量系数线性 归一化作为各特征的权值。
[0029] 进一步的，步骤1. 4)中所述的指派，具体为计算融合特征向量与特征单词的欧氏 距离，用距离最小的单词表征特征向量。
[0030] 进一步的，步骤1. 4)中所述的构建纹理图像训练集的融合特征词袋模型，具体为 统计每幅纹理图像各个单词的词频，采用特征单词直方图表征每幅纹理图像，获得特征词 袋。
[0031] 进一步的，步骤1. 6)中所述的利用支持向量机训练特征词袋模型时，采用直方图 交叉核或径向基核。
[0032] 进一步的，所述特征字典容量自动生成法，具体为字典容量K由图像种类数C、每 类训练集图像数N ini，每幅图像碎片数Nd自动生成，生成公式如下所示：
[0033]
[0034] 其中ε为特殊控制系数，默认值为1。
[0035] 有益效果：本发明相比现有技术具有以下改进效果：
[0036] 1)具有更高的纹理图像分类精度，且鲁棒性好；
[0037] 2)本发明依据不同特征存在的优势互补，采用多特征融合算法进行纹理图像特征 提取，获得纹理图像的多特征融合表示，在BoF模型中嵌入了空间信息、几何信息，增强了 图像特征的空间信息描述能力，较大程度上弥补了 BoF特征空间信息丢失的弱点。
[0038] 3)本发明能有效描述微观纹理结构，并提升了对较大基元的纹理描述效果，克服 了 GGCM对于较大纹理分类正确率低的不足。
[0039] 4)本发明对平缓纹理、较杂乱纹理图像的分类效果亦表现优秀，对不同视角及变 形的纹理有较稳定的分类性能。
【附图说明】
[0040] 图1为是个发明基于BoF和多特征融合的纹理图像分类方法流程图；
[0041] 图2为本发明一个实施例使用的纹理图像示例；
[0042] 图3为基于FIW的特征重要性加权流程图；
[0043] 图4为DWDPA优选加权流程图；
[0044] 图5为结合BoF模型各种特征分类正确率比较。
【具体实施方式】
[0045] 下面结合附图对本发明作更进一步的说明。
[0046] 纹理图像可以表示为统计纹理基元出现的频率，符合词袋模型思想，其最关键步 骤之一即是对应原语（特征单词）的纹理基元构建。在纹理图像特征提取过程中融合含有 空间信息的纹理特征与局部特征的多特征表示方法，以期找到并验证更合适的纹理基元及 纹理空间结构表示方式；纹理特征描述更加着重空间信息的表示，以弥补BoF模型空间信 息表示不足的问题。基于BoF模型的全局统计特征及其在大量图像处理领域研究结果中的 良好表现，将多特征融合表示作为BoF模型的底层特征，以达到更好保留纹理图像区域特 征空间信息、更稳定描述不同大小纹理基元图像及描述平缓图像、较杂乱图像等，从而提高 纹理图像分类精度及稳定性的目的。
[0047] 基于BoF和多特征融合的纹理图像分类方法，其特征在于，该方法包括以下步骤：
[0048] I. 1)对所有纹理图像进行局部图像选取，获得每幅图像的碎片集，所述碎片为纹 理图像中固定大小的区域图像，大小为16X16像素。局部图像选取采用兴趣点检测法或区 域划分法，优选使用兴趣点检测法。
[0049] 1. 2)提取每幅纹理图像所有碎片的灰度梯度共生矩阵GGCM特征向量和尺度不变 特征转换SIFT局部特征向量，并对不同特征进行重要性加权融合，获得多种特征的融合特 征；
[0050] 所述重要性加权融合，指采用基于特征重要性算法