[发明专利]非高斯二维Gabor滤波器图像纹理提取及识别方法

权利要求书

1.非高斯二维Gabor滤波器图像纹理提取及识别方法，其特征在于：首先构造出非高斯二维Gabor滤波器，然后采用非高斯二维Gabor滤波器对图像进行滤波处理，计算滤波后的图像的幅度矩阵，接着将此幅度矩阵进行分块，计算各块的直方图特征向量，然后连接各块的直方图特征向量，得到原始图像的直方图特征向量；最后把该特征向量送入基于卡方统计量的最近邻分类器进行分类识别；

所述非高斯二维Gabor滤波器图像纹理提取及识别方法的具体步骤如下：

Step1、首先构造非高斯二维Gabor滤波器；非高斯二维Gabor滤波器构造为：

NGu,v,γ(z)=||kμ,v||σ2exp(-||kμ,v||2||z||r2σ2)×[eikμ,vz-e-σ22]]]>

其中k_v＝k_max/f^v，k_max是最大频率，k_max＝π/2，尺度参数v取值为v＝0,...,4，方向参数μ取值为μ＝0,...,3，z＝(x,y)和||z||＝(x²+y²)，x,y表示传统二维Gabor滤波器的坐标，i表示虚单位，r是一个引进的参数，r＞1，用于控制非高斯二维Gabor滤波器的形状；

Step2、采用非高斯二维Gabor滤波器对一幅图像进行滤波处理；由于非高斯二维Gabor滤波器是一个多尺度多方向的二维滤波器，则在不同尺度和不同方向下对图像进行滤波处理；

首先假定图像为I^(l)(x,y)，非高斯二维Gabor滤波器为NG_u,v,γ(x,y)，那么具有参数v、μ和r的非高斯二维Gabor滤波器对图像I(x,y)进行滤波的计算式为：

其中，x,y表示图像的坐标，*表示卷积操作，表示坐标x,y处滤波后的图像，是一个复数，整个滤波后的图像变成一个复数矩阵，表示为的大小与原图像相同；

Step3、求复数矩阵的模，记为是一个实数矩阵，即幅度矩阵，然后对矩阵进行分块：把均匀分成4×4的无重叠方块，一共16块，表示为

Step4、提取各分块的直方图特征向量，表示为然后依次连接所有各块的直方图特征向量，得到原始图像的多直方图特征向量为：

Step5、把原始图像的多直方图特征向量送入基于卡方统计量的最近邻分类器进行分类，来识别原始人脸图像的身份。

2.根据权利要求1所述的非高斯二维Gabor滤波器图像纹理提取及识别方法，其特征在于：所述步骤Step5中，基于卡方统计量的最近邻分类器进行分类时，先计算卡方统计量距离；设定两幅人脸图像I⁽⁰⁾和I⁽¹⁾的直方图特征向量分别为：和则此两个向量之间的距离，即卡方统计量距离采用如下公式计算：

χ2(I(0)NGu,v,γ,I(1)NGu,v,γ)=Σi=1K′(I(0)NGu,v,γ(i)-I(1)NGu,v,γ(i))2(I(0)NGu,v,γ(i)+I(1)NGu,v,γ(i)+eps)]]>

其中和分别表示纹理特征向量和的第i个元素，K'表示纹理向量的长度，eps为一固定值，为Matlab中最小的正数。