[发明专利]基于视觉词典的图像分类方法

权利要求书

1.一种基于视觉词典的图像分类方法，其特征在于，包括以下步骤：

S1：抽取训练图像数据集的联合局部特征；

S2：通过基于移动均值和区域哈希法的聚类算法对所述联合局部特征进行向量矢量化，从而选择聚类中心个数，以形成视觉词典；

S3：根据所述视觉词典生成图像的特征表示，以建立图像分类器；

S4：根据所述图像分类器分类所述训练图像数据集中的图像。

2.如权利要求1所述的基于视觉词典的图像分类方法，其特征在于，所述步骤S1具体包括：

S1.1：利用Harris-Affine算子或提取训练图像数据集的局部区域集合H＝{h}；

S1.2：利用MSER算子提取训练图像数据集的局部区域集合E＝{e}；

S1.3：利用SIFT算子提取训练图像数据集的特征点集合为Q＝{q}；

S1.4：根据S1.1～S1.3得到所述联合局部特征为：U={u|u∈Qand(u⋐Horu⋐E)}.]]>

3.如权利要求2所述的基于视觉词典的图像分类方法，其特征在于，所述步骤S1.1具体包括：

Harris-Affine利用公式(1)所示的图像二阶自相关矩阵的特征值度量判断角点：

M=μ(s,σI,σD)=σD2g(σI)⊗Lx2(s,σD)LxLy(s,σD)LxLy(s,σD)Ly2(s,σD)---(1)]]>

其中，s是图像矩阵，g()是高斯核函数，σ_I是协同尺度，σ_D是差分尺度，P_x(s)表示图像矩阵s在x方向的偏导数，即L_x(s，σ_D)是图像矩阵s在x方向上的偏导数与差分尺度σ_D的高斯卷积，同理L_y(s，σ_D)是图像s在y方向上的偏导数与差分尺度σ_D的高斯卷积，和L_xL_y是对应方向上的二阶导数的高斯卷积；

其特征值度量如公式(2)所示：

cornerness＝det(μ(s，σ_I，σ_D))-κtrace²(μ(s，σ_I，σ_D))    (2)

其中，κ为常数；det表示矩阵的行列式值和trace表示矩阵的迹；

利用高斯-拉普拉斯LoG度量以自动选择特征尺度，LoG如公式(3)所示：

det(LoG(s，σ))＝σ²det(L_xx(s，σ)+L_yy(s，σ))    (3)

其中L_xx和L_yy是对应方向上的二阶导数的高斯卷积，其中特征尺度σ为协同尺度σ_I或差分尺度σ_D；

用所述特征尺度的协方差矩阵对仿射变换进行规范化，转化公式(1)的M到LoG能够处理的范围，如式(4)所示：

M=μ(s,ΣI,ΣD)=det(ΣD)g(ΣI)×(▿L(s,ΣD)▿L(s,ΣD)T)---(4)]]>

其中∑_I，∑_D分别是协同尺度σ_I和差分尺度σ_D的协方差矩阵，表示求解图像矩阵s的二阶差分矩阵；

通过以上步骤，确定角点位置，并计算规范化仿射变换之后的特征尺度，Harris-Affine算子得到局部区域集合H＝{h}。