[发明专利]基于上下文的局部空间信息建模方法

说明书

技术领域

本发明涉及模式识别，特别涉及基于BoF(bag-of-features)模型的图像分类

背景技术

目前，传统分类算法缺乏有效地表达图像空间信息的能力。这也是计算机视觉系统与人眼视觉系统相比在识别精度上仍存在着巨大差距的重要原因之一。常用的图像空间建模方法往往都只能处理绝对空间信息，例如，金字塔空间匹配算法。这类算法常常要依赖于数据集的偏向性才能发挥作用，只对经过对齐处理的图像有效，而对存在较大偏移的图像甚至完全失效。

因此，鉴于只考虑绝对空间信息的算法已无法满足实际需要，我们提出了一种基于局部特征的上下文的方法来处理图像中的局部空间信息。

发明内容

为了解决现有技术存在的问题，本发明的目的是提供一种基于上下文的局部空间信息建模方法。

一种基于上下文的局部空间信息建模方法，包括步骤：

a在提取每个图像的局部特征后，提取相应的上下文特征；

b根据每个局部特征对应的视觉单词，从测试图像中随机提取局部特征分组；

c利用聚类算法，在各组局部特征对应的上下文特征集合上训练得到多组上下文模式；

d根据局部特征对应的不同上下文模式进行聚集操作，将聚集结果串联得到图像的最终表达。

本发明对于未经过对齐处理的图像，依然能够有效地处理其空间信息。在实际应用中，将该方法与现有的考虑绝对空间关系的方法相结合，还能够进一步提升图像分类精度。

附图说明

图1是基于局部特征上下文的图像分类方法流程图。

具体实施方式

以下结合附图详细说明本发明技术方案中所涉及的各个细节问题。应当指出的是，所描述的实施例仅旨在便于理解，对本发明不起任何限定作用。

基于局部特征的上下文信息，本发明实现了一个图像分类系统。传统的图像分类系统可以分为提取局部特征，训练视觉词典，表达图像，训练分类器以及执行图像分类五个部分。在此基础之上，本发明加入了提取上下文特征、训练上下文词典以及基于上下文的多次聚集这三个主要步骤，其流程图所如图1示。以下详细说明本发明的方法涉及的关键步骤。

首先，在提取每个图像的局部特征(S1)之后，提取相应的上下文特征(S3)。即提取局部特征的周围区域并将其看作一张图像，用其中的局部特征在预先训练好的视觉词典上投票，从而得到统一形式的上下文表达：

c_i＝φ(l_i，B_C)    (1)

其中，B_C表示视觉词典；φ表示位于l_i的局部特征的上下文区域的表达。

其次，根据每个局部特征所对应的视觉单词(即按照欧式距离计算最近的视觉单词)，将从测试图像中随机提取的局部特征分组(S4)。

第三，利用聚类算法(如：k近邻聚类算法、混合高斯模型聚类算法等)，在各组局部特征对应的上下文特征集合上训练得到多组上下文模式(S5)。

第四，对于所有图像，根据局部特征对应的上下文模式的不同，进行聚集操作(或多次聚集操作)并将聚集结果串联从而得到图像的最终表达(S7)：

v=[v1T,v2T,...,vNT]T---(2)]]>