[发明专利]一种基于区域双三次插值技术的图像分类识别方法

说明书

一种基于区域双三次插值技术的图像分类识别方法，属于图像处理领域。现有的图像处理方法存在因尺度变换造成图像失真使图像分类识别率降低的问题。一种基于区域双三次插值技术的图像分类识别方法，利用训练样本经过SIFT提取特征、K‑means聚类统计词频、分类的步骤得到训练数据后，训练分类器模型；将测试样本图像通过区域双三次插值来对图像进行相同的放大与缩小的改变，再经过BOF算法进行检索与分类。本发明能够提高经缩放引起的失真图像的分类识别准确率。

技术领域

本发明涉及一种基于区域双三次插值技术的图像分类识别方法。

背景技术

计算机视觉针对计算机获取到的图像或视频进行处理，使其具有自主识别、理解和适应环境的能力。特征提取和分类技术作为图像处理和机器视觉的重要组成部分，可以对视觉信息进行高效的处理，获得人们需要的信息，给生活和工业生产带来便利。常用的处理图像的方法有：深度卷积神经网络(Deep Convolutional Neural Network,DCNN)、词袋模型(Bag of Features,BOF)、K-均值聚类(K-Means)和支持向量机(Support VectorMachine,SVM)耦合算法(KM-SVM)等相关改进算法。目前，提出了如下方法：通过BOF算法和空间金字塔匹配对图像的天气状态进行了识别与分类；通过对计算过程更直观的分析，将卷积网络中部分隐含层特征可视化，使得图像识别过程更加优化；提出一种基于K-Means和SVM的耦合算法根据茶叶的不同颜色对优劣茶叶进行识别与分类。但存在因尺度变换造成图像失真使图像分类识别率降低的问题，从而本发明将BOF算法与区域双三次插值相融合，解决上述问题。

发明内容

本发明的目的是为了解决现有的图像处理方法存在因尺度变换造成图像失真使图像分类识别率降低的问题，而提出一种基于区域双三次插值技术的图像分类识别方法。

一种基于区域双三次插值技术的图像分类识别方法，所述方法通过以下步骤实现：

步骤一、利用训练样本经过SIFT提取特征、K-means聚类统计词频、分类的步骤得到训练数据后，训练分类器模型；

步骤二、将测试样本图像通过区域双三次插值来对图像进行相同的放大与缩小的改变，再经过BOF算法进行检索与分类；

步骤三、将经过步骤二处理的测试样本送入步骤一中训练好的分类器模型里，进行分类识别。

本发明的有益效果为：

本发明采用区域双三次插值与BOF算法相融合的新方法对缩放图像的失真情况进行了有效的抑制，并可以有效提取缩放图像的特征描述子。通过测试表明本发明提出的融合方法比传统BOF方法、融合最近邻方法、融合双线性插值方法以及融合梯度优化算法的BOF方法等在高缩放倍数的情况下有较好的分类识别效果，可以明显提高经缩放引起的失真图像的分类识别准确率。

附图说明

图1为本发明方法流程图；

图2为2BOF算法缩小4倍结果；

图3本发明方法缩小4倍后，融合算法和BOF算法分类的结果。

具体实施方式

具体实施方式一：

本实施方式的一种基于区域双三次插值技术的图像分类识别方法，如图1所示，所述方法通过以下步骤实现：

步骤一、利用训练样本经过SIFT提取特征、K-means聚类统计词频、分类的步骤得到训练数据后，训练分类器模型；

步骤二、将测试样本图像通过区域双三次插值来对图像进行相同的放大与缩小的改变，再经过BOF算法进行检索与分类；

步骤三、将经过步骤二处理的测试样本送入步骤一中训练好的分类器模型里，进行分类识别。