[发明专利]基于局部图像块描述子和费舍尔向量的图像分类方法

权利要求书

1.基于局部图像块描述子和费舍尔向量的图像分类方法，其特征在于，包括以下步骤：

(1)选定训练数据集和测试数据集，分别构建两个数据集的基于局部图像块的特征描述子；

(2)利用高斯混合模型对训练数据集的特征描述子进行聚类，获取高斯混合模型参数；

(3)生成训练数据集和测试数据集中每幅图像的费舍尔向量；

(4)对训练数据集和测试数据集中每幅图像构建高斯空间金字塔；

(5)计算数据训练集和测试数据集中每幅图像的高斯空间金字塔中每幅图像的费舍尔向量，从而构成数据训练集和测试数据集的特征集合；

(6)采用互信息方法对训练数据集、测试数据集的特征集合进行特征选择；

(7)采用选择后的训练数据集的特征值来训练分类器，将测试数据集的特征值输入训练好的分类器中，实现图像分类。

2.根据权利要求1所述基于局部图像块描述子和费舍尔向量的图像分类方法，其特征在于，步骤(1)的具体步骤如下：

(11)选定训练数据集和测试数据集；

(12)通过随机采样的方法分别在训练数据集和测试数据集中的每幅图像中提取T个图像块；

(13)对提取的图像块进行亮度、对比度归一化和白化预处理操作，将其转换为基于像素值的列向量特征描述子，分别构成训练数据集的特征描述子和测试数据集的特征描述子；

(14)对训练数据集的特征描述子和测试数据集的特征描述子进行PCA降维处理。

3.根据权利要求1所述基于局部图像块描述子和费舍尔向量的图像分类方法，其特征在于，步骤(2)的具体步骤如下：

(21)将K个高斯单元的高斯混合模型记为其中，p_i(x)代表第i个高斯单元，D表示特征描述子x的维数，π_i,μ_i,∑_i分别表示第i个高斯单元的权重、均值和协方差矩阵；

(22)通过训练数据集特征描述子组成的集合C来估计高斯混合模型的所有参数θ＝{π_i,μ_i,∑_i,i＝1,...K}，构造集合C的概率公式：

L(C|θ)=Σs=1SlogΣi=1Kπipi(xs|μi,Σi),]]>

其中，S为集合C的特征描述子个数；

(23)采用期望值最大算法，根据步骤(22)中的概率公式，对高斯混合模型进行参数估计。

4.根据权利要求3所述基于局部图像块描述子和费舍尔向量的图像分类方法，其特征在于，步骤(3)的具体步骤如下：

(31)利用高斯混合模型参数，计算训练数据集和测试数据集中每个特征描述子在第i个高斯单元上的梯度向量；

(32)计算第i个高斯单元的概率密度函数p_i的费舍尔信息矩阵；

(33)对信息矩阵F_i进行柯列斯基分解，得到柯列斯基分量，将此分量与步骤(31)中得到的梯度向量相乘，得到数据集中每幅图像的费舍尔向量F₀，从而构成训练数据集和测试数据集的费舍尔向量集。