FIW的加权，具体步骤如下：
[0051] 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；
[0052] 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；
[0053] 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；
[0054] 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。
[0055] 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。
[0056] 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；
[0057] 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。
[0058] 所述的鉴别能量分析，具体为动态加权鉴别能量分析DWDPA(Dynamic Weighted Discrimination Power Analysis);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。
[0059] 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；
[0060] 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。
[0061] 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。
[0062] 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；
[0063] 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。
[0064] 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。
[0065] 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Np自动生成，生成公式如下所示：
[0066]
[0067] 其中ε为特殊控制系数，默认值为1。
[0068] 实施例：
[0069] 如图1所示，一种基于BoF和多特征融合的纹理图像分类方法的流程图，为了评价 该方法所得的特征词袋的分类鉴别性、稳定性，实施例仿真实验使用UIUC纹理库，库中包 含25类纹理，每类包含40幅640X480像素的灰度JPG格式纹理图片，实验从6类木纹和 树皮纹中分别选择前30张图片为训练图片，剩余的10张图片为测试图片，图2为本实施例 测试图像示例。包括如下步骤：
[0070] 步骤1 :提取训练集中各个纹理图像的Patches的GGCM和SIFT融合特征描述，并 放入一个文件中，形成所有碎片的特征集，获得143维纹理特征描述。
[0071] 步骤I. I :SIFT特征提取，先进行关键点检测并为关键点分配方向值，选取关键点 16 X 16像素的邻域作为采样窗口，选取窗口 4X 4 = 16个采样点，每个采样点有8个方向向 量信息，共产生4X4X8 = 128维局部特征向量。
[0072] 步骤I. 2 :GGCM特征提取，灰度梯度共生矩阵H(i，j)统计图像中灰度为i，梯度为 j的像点数，再进行归一化，由此进一步得到15维灰度与梯度的统计特征向量。
[0073] 步骤2 :对步骤1所得特征向量进行基于FIW的重要性加权融合，生成融合特征向 量。首先将GGCM和SIFT联合特征输入到Kmeans中进行聚类，得到聚类中心；再采用FIW 算法进行特征重要性加权，如图3所示，得到融合特征向量作为BoF模型的底层纹理特征描 述子。
[0074] 步骤3 :利用矢量量化方法对融合特征集进行Kmeans聚类，每个聚类中心表示一 个特征单词，对所有特征单词进行DWDPA动态加权鉴别能量分析，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，从而 获得加权后新的特征单词，如图4所示构造出特征字典；聚类中心数量由公式（1)计算得 到。
[0075] 步骤4 :将各训练图像碎片的融合特征分配给特征字典中与其欧氏距离最近的特 征单词，然后统计特征单词对应的词频，形成各个训练图像视觉单词直方图（BoF)。
[0076] 步骤5 :对特征词袋用libsvm-3. 18进行训练，利用训练集合建立分类模型，核函 数采用直方图交叉核。
[0077] 步骤6 :提取每个测试图像的碎片特征描述，利用步骤5所得分类器进行预测，得 到分类结果，如图5所示。
[0078] 图5为本发明一个实施例结合BOF模型各种特征分类正确率比较；其中GLCM 为灰度共生矩阵，GSCM为灰度平滑矩阵，分类器从上至下依次为径向基核支持向量机 (rbf-svm)、直方图交叉核支持向量机（hik-svm)、空间金字塔匹配径向基核支持向量机 (Prbfsvm)、空间直方图交叉核支持向量机（Phiksvm)。
[0079] 以上所述仅是本发明的一种实施方式，应当指出：对于本技术领域的普通技术人 员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应 视为本发明的保护范围。
【主权项】
1.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W下步骤： 1. 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； 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，并对不同特征进行特征重要性加权融合，获得多种特征的融合特 征； 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模型的底层纹理特 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； 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； 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； 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。2. 如权利要求1所述的基于BoF和多特征融合的纹理图像分类方法，其特征在于：步 骤1. 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。3. 如权利要求1所述的基于BoF和多特征融合的纹理图像分类方法，其特征在于：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。4. 如权利要求1所述的基于BoF和多特征融合的纹理图像分类方法，其特征在于：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： 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，得到聚类中屯、； 1.2.2)采用Relie巧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； 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0. 6的强相关或极强相关冗余特征； 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。 其中，当进行灰度梯度共生矩阵GGCM特征和尺度不变特征转换SIFT特征重要性加权 融合时，先对待分类的纹理图像用联合分布特征预分类，可再使用基于特征重要性算法FIW 加权的融合特征再分类。5. 如权利要求1所述的基于BoF和多特征融合的纹理图像分类方法，其特征在于：步 骤1. 3)中所述的聚类，采用Kmeans聚类方法，聚类中屯、个数为特征字典容量，特征字典容 量选取自动生成法。6. 如权利要求1所述的基于BoF和多特征融合的纹理图像分类方法，其特征在于：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;通过计算类间方差 与类内方差的比值，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。7. 如权利要求1所述的基于BoF和多特征融合的纹理图像分类方法，其特征在于：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。8. 如权利要求1所述的基于BoF和多特征融合的纹理图像分类方法，其特征在于：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。9. 如权利要求1所述的基于BoF和多特征融合的纹理图像分类方法：其特征在于：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。10. 如权利要求5所述的基于BoF和多特征融合的纹理图像分类方法，其特征在于：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Nim，每 幅图像碎片数Np自动生成，生成公式如下所示：其中e为特殊控制系数，默认值为1。
【专利摘要】本发明公开了一种基于BoF和多特征融合的纹理图像分类方法，本方法对纹理图像进行局部图像选取，形成碎片集；提取所有碎片的灰度梯度共生矩阵GGCM特征和尺度不变特征转换SIFT局部特征，并对不同特征进行重要性加权融合；对融合特征聚类产生特征单词，并使用动态加权鉴别能量分析GWDPA对单词进行优选和加权，再对融合特征向量使用优选和加权的特征单词进行指派，形成训练集融合特征词袋模型；采用相同方法计算待测试纹理图像的融合特征向量，并获得对应融合特征词袋；利用支持向量机SVM作为分类器训练特征词袋模型。本发明有效克服了GGCM对于较大纹理分类正确率较低的不足，同时弥补了BoF特征空间信息丢失的弱点，是一种更精准、鲁棒性好的纹理图像分类方法。
【IPC分类】G06K9/62
【公开号】CN105005786
【申请号】CN201510347067
【发明人】汪宇玲, 黎明, 冷璐
【申请人】南京航空航天大学
【公开日】2015年10月28日
【申请日】2015年6月19日