[发明专利]一种基于局部PCA白化的图像表示方法和处理装置

说明书

一种基于局部PCA白化的图像表示方法和处理装置，其中，第一映射模块将单词和特征映射到一个高维度空间；主成分分析模块在对应的每个单词空间中进行主成分分析，得到投影矩阵；VLAD计算模块计算VLAD图像表示向量；第二映射模块将所述VLAD图像表示向量映射到所述高维度空间中；投影变换模块将投影得到的VLAD图像表示向量进行投影变换；归一化处理模块将投影变换得到的特征进行归一化，得到最后的图像表示向量。对于得到的图像表示向量，首先将其投影到一个高维度空间中，然后对提前计算好的投影矩阵，对每个单词对应向量进行投影变换，得到一个低维度的向量，这样使得每个单词对应的向量是一致的。该方法和处理装置具有更好的鲁棒性和更高的性能。

技术领域

本申请涉及图像处理领域，具体涉及一种基于局部PCA(Principal ComponentAnalysis，主成分分析)白化的图像表示方法和处理装置。

背景技术

在计算机视觉研究中，图像表示是一个非常基本的内容。无论是对于图像分类、图像检索或是物体识别，都需要对图像做一个抽象的表示。目前，VLAD(vector of locallyaggregated descriptors，局部特征聚合描述符)图像表示方法在很多研究中得到了运用。

对于原始的VLAD方法，首先在一个数据集上用K-means算法构建词典：

C＝{c₁，c₂，...，c_k}

其中，c_k为词典中的单词。对于每张图片，首先采取局部特征，通常采用SIFT(Scale-invariant feature transform，尺度不变特征变换)特征，得到该图片对应的一个特征集合：

I＝{x₁，x₂，...，x_m}

其中，x_m为特征集合中的特征。然后计算每个特征到词典中单词的距离，并将该特征赋给最近的单词。最后，对于每个单词对应的所有特征，做如下计算：

其中q(x)＝c_i表示特征x最近的单词是c_i，v_i则是第i个单词对应的向量，将所有单词对应向量连接起来就得到了最后的VLAD表示。

然而，对于VLAD图像表示方法，对于每个单词对应的特征冗余以及噪声消除问题一直尚未解决，其性能有待提高。

发明内容

根据本申请的第一方面，本申请提供了一种基于局部PCA白化的图像表示方法，包括：

构造词典，将每个特征赋给相应的单词，将单词和特征映射到一个高维度空间，所述高维度空间的维度高于单词和特征的当前空间的维度；

在对应的每个单词空间中进行主成分分析，得到投影矩阵；

根据所述词典计算VLAD图像表示向量；

将所述VLAD图像表示向量映射到所述高维度空间中；

根据所述投影矩阵将投影得到的VLAD图像表示向量进行投影变换；

将投影变换得到的特征进行归一化，得到最后的图像表示向量。

根据本申请的第二方面，本申请提供了一种基于局部PCA白化的图像表示处理装置，包括：

第一映射模块，用于构造词典，将每个特征赋给相应的单词，将单词和特征映射到一个高维度空间，所述高维度空间的维度高于单词和特征的当前空间的维度；

主成分分析模块，用于在对应的每个单词空间中进行主成分分析，得到投影矩阵；