[发明专利]圆对称Gabor小波深度分解图像分类方法

权利要求书

1.圆对称Gabor小波深度分解图像分类方法，包括：

步骤1，用圆对称Gabor小波CSGW将图像进行深度分解，即进行DD-CSGW分解：

步骤1.1，第一层分解，用CSGW分解输入图像I(x,y)，将图像分解成J尺度的子带并取其幅值，分别用S[i],i＝1,2,…,J，J表示分解尺度，这里取J＝5，用公式表示为：

S[i]＝|h_m(x，y)*I(x，y)|

其中，h_m(x,y)是CSGW；

步骤1.2，第二层分解，继续用CSGW分别将子带S[i]进行J尺度分解，并计算分解子带的幅值S[i,j]：

S[i，j]＝|hm(x，y)*s[i]|

步骤1.3，第L层分解，继续用CSGW分别将子带S[i,j,…,k]进行J尺度分解，并计算分解子带的幅值S[i,j,…,k,l]，这里取L＝3，即进行3层次的分解；

S[i，j，…，k，l]＝|hm(x，y)*s[i，j，…，k]|步骤2，计算图像特征：

步骤2.1，构建Copula模型，首先用Copula模型刻画每一层的分解子带，模型中的Copula密度函数用Gaussian Copula，边缘密度函数用Weibull分布的密度函数，这样L层分解将会参数L个Copula模型，对一副图像，深度分解将产生3个Copula模型，Copula模型的参数包括Copula密度函数参数和边缘密度函数参数，用两阶段最大似然估计Copula模型的参数：第一阶段估计边缘密度的参数；第二阶段估计Copula函数的参数，由于估计出的参数R是对称矩阵，需要拉直成向量，表示如下：

由此Copula模型参数X_CP可以表示为：

其中L表示分解层数，和分别表示为第l层分解的边缘分布的参数；表示第l层分解的Copula密度函数参数R中的元素；

步骤2.2，计算DD-CSGW分解子带的均值和标准差，分别计算每层分解的每个子带系数的均值和标准差，模型的均值和标准差特征X_en表示如下：

步骤3，特征组合，将Copula模型的参数特征X_CP，以及模型的均值和标准差特征X_en进行合并得到图像的特征X，表示如下：

X＝[X_CP,X_en]

步骤4，用SVM分类，用步骤1-3的方法提取训练集合中的图像特征，并用以训练SVM分类器，训练完成好SVM分类器后，将当前图像提取的特征输入SVM进行分类判别，在进行SVM训练与判别时，将特征归一化到[0，1]。

2.如权利要求1所述的一种圆对称Gabor小波深度分解图像分类方法，其特征在于：利用圆对称Gabor小波深度分解方法，称为DD-CSGW，提取图像特征，且DD-CSGW具有旋转不变特性。

3.如权利要求1所述的一种圆对称Gabor小波深度分解图像分类方法，其特征在于：同时利用了DD-CSGW分解子带的Copula模型的参数特征，以及均值和标准差特征来表示图像。