[发明专利]一种非线性颜色空间分类的模板选择与加速匹配方法

说明书

本发明提出一种非线性颜色空间分类的模板选择与加速匹配方法，包括：包括模型训练与图像匹配过程，模型训练包括：收集训练图像样本，提取训练图像样本的CIE色度图，人工标注其所属颜色类别号；获取五层前馈神经网络模型；图像匹配过程包括：输入彩色一对图像，设定采样率；进行隔点降采样处理；获得分类结果集合；计算相似概率的度量值；选择分值最高的前k个值所对应的i即为首选颜色类别号，根据首选颜色类别号即对应出模板图像中的模板区域及待匹配图像中的待匹配区域；到模板图像中的模板区域及待匹配图像中的待匹配区域匹配关系。实验结果表明，本发明具备更高的配准率与执行速度，解决了现有匹配方法存在的线性模型度量彩色空间颜色距离与人眼视觉判定不一致问题。

技术领域

本发明属于图像处理领域，具体涉及一种非线性颜色空间分类的模板选择与加速匹配方法。

背景技术

模板匹配算法通常考虑所有可能的变换，包括旋转、尺度及仿射变换。Alexe等人提供了一种高效的计算方式处理两幅图像匹配窗口中的高维矢量，该方法提取两个窗口重叠部分的边界，并使用它去限制与匹配多窗口。Tsai等人提出使用波分解与环形投影提高匹配准确率，并重点考虑了旋转变换。Kim等人给出一种灰度模板匹配方法，该具备较好地抗旋转与尺度变换。Yao等人提出一种搜索颜色纹理的方法，该方法同样考虑了旋转与尺度变换。在宽基线条件下，后三种方法存在匹配质量不高的问题。另一项相关研究为Tian等人的工作，该方法对密度形变场进行参数估计，是一种从目标变换参数空间中获得最小变换距离的方法。FAST-Match由Korman等人于2013年提出，该方法通过抽样计算匹配区域像素间最小化SAD判定匹配结果，并使用全局模板匹配实现加速搜索，但对彩色图像匹配前需要预先转化为灰度图像。某文献以该方法为基础，实现了一种由粗到精的区域选择与匹配。CFAST-Match由Jia等人提出，通过计算模板区域中不同颜色所占比例提高彩色图像模板匹配的准确性，但该方法需要对部分参数依据经验进行设置，此外该方法使用了DBSCAN密度聚类，在处理大尺寸图像时执行时间长，降低了该方法的实用性。

发明内容

基于以上技术不足，本发明拟采用神经网络的非线性计算能力计算这种复杂的关系表述，提出以CIE色度图为基础构造神经网络的训练集进行图像颜色分类，并利用训练好的网络实现图像分割。本发明提出一种非线性颜色空间分类的模板选择与加速匹配方法，包括模型训练与图像匹配过程，具体步骤如下：

模型训练过程：

步骤1：收集训练图像样本，提取训练图像样本的CIE色度图，并获取每个Macadam椭圆图，记为颜色区域，提取每个颜色区域对应的RGB值，人工标注其所属颜色类别号；

步骤2：基于收集的训练图像样本，采用五层前馈神经网络模型进行训练，得到五层前馈神经网络模型，五层前馈神经网络模型包括：输入层、第一隐含层、第二隐含层、第三隐含层、输出层；

所述输入层的神经元有3个分别代表训练图像样本提取出的每个颜色区域对应的R、G、B值；所述输出层表示颜色类别号；

图像匹配过程：

步骤4：输入彩色一对图像I₁和I₂，记作像对I₁和I₂，其中，I₁为模板图像，I₂为待匹配图像，设定采样率α；

步骤5：使用设定的采样率α，将像对I₁和I₂进行隔点降采样处理，得到和

步骤6：用得到五层前馈神经网络模型，对和进行处理，获得分类结果集合与及类别数与其中，与分别为与集合中元素的个数；

其中，分类结果集合与采用如下公式计算：

其中，Cluster为采用五层前馈神经网络模型进行分类处理，Desend为隔点降采样处理，即