[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

说明书

技术领域

本发明属于机器学习、计算机视觉技术领域，涉及了一种图像分类方法。

背景技术

随着多媒体技术的发展，图像分类已成为计算机视觉领域研究的重点，图像分类是依据图像具有的某种属性而将其划分到预先设定的不同类别中，如何将图像进行有效的表达是提高图像分类准确率的关键，特征的选择与提取问题是图像分类目前存在的难点问题。随着移动互联网的迅速发展，人类社会已进入大数据时代。SIFT、HOG等这些传统的特征学习虽能提取图像的某些特征，在图像分类中也取得了较好的效果，但这种人工设计特征方法存在一定的缺陷。近年来，深度学习模型尤其是卷积神经网络(CNN)在特征提取中取得突破性进展，但是CNN需要调整大量的参数和耗费巨大的计算成本。目前计算成本已经成为对象检测/图像分类的一个核心问题。

聚合局部特征已被广泛应用于2D图像的分类或检索任务中。许多特征聚合算法已被提出，视觉词袋模型(Bag-of-Visual-Words,BOW)是广泛使用的模型之一。简而言之，该模型从每幅图像提出一组局部特征，然后将这些局部特征量化为离散的视觉单词，最后用一个紧凑的直方图表示图像。虽然BOW模型具有较好的性能，但是该模型受限于以下两点：1、没有考虑位置因素；2、基于特征的0阶统计。

发明内容

为了解决上述背景技术提出的技术问题，本发明旨在提供基于局部图像块描述子和费舍尔向量的图像分类方法，克服现有图像分类方法存在的缺陷，减少计算成本，提高分类精度。

为了实现上述技术目的，本发明的技术方案为：

基于局部图像块描述子和费舍尔向量的图像分类方法，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。

进一步地，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。

进一步地，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：

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。

进一步地，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。

进一步地，步骤(4)的具体步骤如下：