[发明专利]圆对称Gabor小波深度分解图像分类方法

说明书

本发明提出一种图像分类方法，该方法使用基于圆对称Gabor小波(CSGW)的深度分解方案，称为DD‑CSGW。由于CSGW有旋转不变特性，因而DD‑CSGW也是一种旋转不变的分解方法。深度分解是指通过使用CSGW的迭代和分层分解，这意味着较粗糙的子带可以通过CSGW连续分解成若干更精细的子带。由于DD‑CSGW变换域存在较强的依赖关系，因此我们使用Copula模型来捕获这些比例依赖，即用Copula模型刻画每一层的分解子带。同时使用了Copula模型参数和DD‑CSGW子带的均值和方差用来表示图像，并且使用SVM进行图像分类。本发明的深度分解方法效果在图像分类方面具有良好的性能，分类阶段速度较快，而且具有选择不变特性。

技术领域

本发明涉及图像分类领域，尤其是涉及利用圆对称Gabor小波深度分解的一种旋转不变的图像分类方法。

背景技术

图像分类是计算机视觉中的重要研究方向。分类的关键任务是如何使用较少的区分性信息，通常将其称为图像的特征，来有效地表示给定的图像。对于大多数特征表示方法，如果在不同方向视角获取图像，则提取的特征将明显不同。因此，设计用于图像表示的旋转不变方法仍然是一个重要且具有挑战性的工作。我们知道，基于小波变换的方法，包括离散小波变换和Gabor小波变换不是旋转不变的，因为在旋转条件下不同子带将产生不同的特征。国内外对基于小波变换研究了一些旋转不变的技术。尽管具有多分辨率特性，但是基于小波的方法(例如离散小波和Gabor小波)性能仍有待提高。

发明内容

鉴于此，本发明设计出基于圆对称Gabor小波(CSGW)的图像分类方法。CSGW是由Porter和Canagarajah设计的基于Gabor滤波器的旋转不变方法。设计CSGW的目的是获得的旋转不变性。然而，没有如Gabor小波的方向选择特性，CSGW在应用于图像分析时将产生较少的识别信息。因此，与Gabor小波相比，CSGW对于非旋转图像表示的效率相对较低。CSGW由下面表达式确定：

h_m(x，y)＝λ^-mh_C(x′，y′)

其中是圆对称Gabor滤波器(CSGF)。x′＝λ^-mx，y′＝λ^-my；λ^-m，(m＝0，…，S-1)是尺度参数；m是尺度参数，J是分解的尺度数量。W是中心频率，σ是方差。

为了获得更多的区分性信息，本发明提出一种基于CSGW的深度分解方法，称为DD-CSGW。深度分解是指通过使用CSGW的迭代和分层分解，这意味着较粗糙的子带可以通过CSGW连续分解成若干更精细的子带。应该注意的是，深度分解不是简单地用CSGW将图像分解成较多的尺度。因为随着分解尺度规模数量的增加，CSGW的性能并不总是提高，实验表明，5尺度段分解将达到最佳性能。但本发明提出的深度分解远远好于5尺度的CSGW分解性能和Gabor小波的性能。

由于CSGW变换域存在较强的依赖关系，因此我们使用Copula模型来捕获这些比例依赖，即用Copula模型刻画每一层的分解子带。Copula模型属于多维统计模型，包括Copula函数和若干边缘分布函数两个部分。Copula模型h(x)表示如下：

其中，f_i(x_i)和F_i(x_i)分别表示模型的边缘分布密度函数和累积分布函数。c(F₁(x₁)，…，F_d(x_d))是Copula密度函数，该函数由F_i(x_i)确定。本发明用Gaussian Copula作为Copula密度函数；用Weibull分布的密度函数作为边缘分布。Gaussian Copula表示如下：