[发明专利]基于Haar特征和AdaBoost算法的纹理图像质量估计方法

说明书

本发明基于Haar特征和AdaBoost算法的纹理图像质量估计方法，包括以下步骤：步骤1：样本采集：采集正样本和负样本；步骤2：样本标注：分别将正、负样本使用不同的数字进行标注；步骤3：特征选择：Haar特征包含多种模式，根据纹理的不同特征选择相应的特征模式；步骤4：AdaBoost级联分类器搭建和参数设置：AdaBoost算法是将多个弱分类器组合成强分类器的方法，需要指定每一层弱分类器的识别率、误识率以及弱分类器的个数；步骤5：利用样本训练得到正、负二分类的分类器；步骤6：纹理图像的质量估计。本发明方法将纹理图像分割为有交叠的图像子块，利用机器学习方法分类各图像子块，最后通过组合图像子块的分类结果得到质量估计。

技术领域

本发明涉及利用机器学习、图像识别进行纹理图像质量估计领域，特别涉及一种基于Haar特征和AdaBoost算法的纹理图像质量估计方法。

背景技术

图像的纹理是物体表面颜色或灰度的变化的表征，物体本身各局部区域的结构或色彩、光照的变化以及物体与物体之间的邻接、过度通常会在视觉上形成纹理效果。纹理是图像最为重要的属性之一，是区分物体、分割不同物体、识别物体的重要依据。所以图像中纹理的缺失、伪影、模糊、噪声和干扰等都会给图像的分析和识别带来困难，甚至影响最后的分析结果和识别准确性，这在某些领域常常这会导致严重后果。纹理图像的质量估计目的在于将纹理清晰的局部图像赋予高质量值，而被模糊、噪声污染、丢失信息的局部图像赋予低的质量值，这样可以指导机器将分析和识别的重点专注于高质量部分，而低质量部分要慎重对待或避免分析和处理，因为低质量部分常常带有大量的误导性信息，如果按常规处理往往会得到错误的结论。所以在进行后续处理之前，对纹理图像进行质量估计是非常有必要的。

目前，纹理图像质量估计方法主要有以下两类：1）基于传统图像处理方法。具体包括：通过分析纹理图像局部梯度和方向场强度进行质量估计；基于局部图像频谱分析进行质量估计；以及基于局部图像均值、方差、一致性、能量集中度等参数的质量估计方法。该类方法从纹理图像的形状、尺寸、方向等特征出发，根据其具体特点以窗口为单位来总结和计算其特征参数作为其质量的度量，具有明确的物理、几何意义，计算速度相对较快，取得了较好的效果，但这类算法的缺点是针对某一种纹理图像设计的算法难以推广到其他纹理图像，即使是同一种图像的不同分辨率，涉及的可调参数也很多，适应性不够。2）基于模式识别的质量估计方法。如基于纹理图像方向、频率、能量等特征，使用SVM或神经网络进行分类预测的质量估计方法。这类方法的特征总结往往依赖于人为理解，特征参数的计算过程通常涉及较多的与具体图像特点相关的先验参数设置，总体计算度也偏复杂，不利于实时处理。

随着机器学习理论和应用研究的不断发展创新，图像分类和识别的精度取得了质的提高，一些具有尺度不变、旋转不变等性质的特征也相继提出，如方向梯度直方图（Histogram of Oriented Gradient, HOG）特征、Haar特征、尺度不变特征变换（ScaleInvariant Feature Transform, SIFT）特征等，在一定程度上克服了尺寸变化或角度变化对图像识别和分类带来的不利影响。其中的Haar特征具有对纹理的多尺度表达，且可以利用积分图像实现快速计算，是人脸识别、目标检测的常用特征。AdaBoost算法可对数量庞大的特征进行有效性筛选，提取出分辨度高的特征，组合得到高效率的分类器，最后再将分类器进行级联，可以进一步得到级联分类器以提高分类性能。

发明内容

本发明的目的是针对上述现有技术存在的问题，提供一种基于Haar特征和AdaBoost算法的纹理图像质量估计方法，该方法将纹理图像分割为有交叠的图像子块，利用机器学习方法分类各图像子块，最后通过组合图像子块的分类结果得到质量估计。

本发明为实现上述目的采用的技术方案是：一种基于Haar特征和AdaBoost算法的纹理图像质量估计方法，包括以下步骤：

步骤1：样本采集：采集具有正常、清晰纹理区域的图像子块作为正样本，并将其大小归一化为m×m像素，采集非纹理区域或纹理被破坏区域的图像子块作为负样本, 其中m为取样窗口的像素尺寸；