[发明专利]基于自适应空间信息有向图的图像分类方法

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只是对图像硬分块，而忽视了各分块之间的相互联系以及不同视觉单词的空间分布的差异性，例如，金字塔空间匹配算法。 

因此，鉴于对图像空间统一硬分块的方法存在着各种局限性，我们提出了一种基于有向图的自适应的方法来处理图像中的全局空间信息。 

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自适应空间信息有向图的图像分类方法， 

一种基于自适应空间信息有向图的图像分类方法，包括步骤： 

a.从所有图像中提取局部特征； 

b.根据每个局部特征对应的视觉单词，从测试图像中随机抽取局部特征分组； 

c.利用聚类算法对各组局部特征的空间坐标聚类，以聚类中心为定点并连接各相邻顶点得到空间信息的有向图； 

d.根据局部特征的空间位置，对所有图像进行类聚操作，将聚集结果串联得到图像的最终表达。 

本发明能够自适应地考虑不同视觉单词在空间分布上的差异性，从而能够更好地对全局空间信息进行建模，因而，能够有效地提升图像分 类精度。 

附图说明

图1是基于空间信息有向图的图像分类方法流程图。 

图2是传统的基于金字塔空间匹配的图像表达(左)与基于空间信息有向图的图像表达(右)的对比图。 

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。 

基于自适应的空间信息有向图，本发明实现了一个图像分类系统。本系统包括提取局部特征，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。 

如图1所示，首先，在提取每个局部特征的同时，记录其空间坐标。由于图像的长度和宽度各不相同，需要将这些坐标归一化到区间[0，1]之内。 

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局部特征分组。 

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)，对各组局部特征的空间坐标聚类，以聚类中心为顶点并连接各相邻顶点得到空间信息有向图。如图2左所示，对图像进行2×2的分块，在每个分块中分别提取一个BoF表达，串联起来从而形成多层金字塔中第一层的表达。相对应的，如图2右所示，基于自适应空间信息有向图的图像分类方法需要针对每一个视觉单词(c₁～c_n)建立一个特有的有向图。有向图的每一个顶点与每一个分块相对应，此外，相邻顶点之间的有向边表达了各分块之间的联系。因此在本方法中，我们考虑了不同视觉单词空间分布的特异性，图像表达中不仅包括了顶点上的表达(即分块中的表达)，还有边上的表达。 

第四，对于所有图像，根据局部特征的空间位置，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：