[发明专利]基于改进词袋模型的不良图像检测方法

摘要

本发明公开了一种基于改进词袋模型的不良图像检测方法，主要解决传统词袋模型在检测不良图像过程中颜色描述不准确、关键特征点提取不全面、特征描述复杂、局部区域描述不精确的问题。其实现步骤为(1)提取关键特征点；(2)对关键特征点提取颜色特征和梯度特征；(3)根据颜色特征和梯度特征分别建立颜色词典和梯度词典；(4)根据先验知识计算每个特征点颜色单词的类条件概率；(5)根据类条件概率对相应的梯度单词加权，并统计加权后的梯度单词直方图，(6)利用直方图训练分类器；(7)用训练好的分类器检测不良图像。本发明提高了颜色描述信息的丰富性，避免了关键特征点的丢失，能更加精确描述图像局部区域，可用于过滤色情图像。

主权项

一种基于改进词袋模型的不良图像检测方法，包括如下步骤：A.收集正常图像与不良图像作为训练集，并标记每幅图像的类别；用高斯差分算子对训练集中的所有图像进行关键特征点检测，将这些关键特征点组成特征点集合T；B.对集合T中的关键特征点分别利用尺度不变变换特征SIFT方法和颜色属性CA方法计算关键特征点的梯度特征向量f和颜色特征向量f'，对梯度特征向量和颜色特征向量分别进行欧式距离测度下的K‑均值聚类；并用梯度特征向量的聚类中心组成图像的梯度词典，用颜色特征向量的聚类中心组成图像的颜色词典；C.将训练集中所有图像特征点的梯度特征向量量化为梯度词典中的单词，将训练集中所有图像特征点的颜色特征向量量化为颜色词典中的单词；D.通过贝叶斯模型计算每个特征点的颜色单词的类条件概率，并与所对应特征点的梯度单词相乘，统计得到颜色先验加权后的梯度单词直方图；按如下步骤进行：D1.在训练集中统计每个颜色单词wc在不良图像中出现的频次m1和每个颜色单词在正常图像中出现的频次m2，根据训练集类别标记将训练图像分为不良类和正常类，定义class为训练图像的类别，训练图像为不良图像时class＝1，训练图像为正常图像时class＝2，计算wc在不良类和正常类出现的概率为：p(wc|class=k)=mk/Σj=12mj,k∈{1,2}]]>D2.根据类别先验概率和相似度概率，通过贝叶斯准则计算颜色单词wc的类条件概率p(class＝k|wc)，贝叶斯公式如下：p(class=k|wc)=p(wc|class=k)×p(class=k)Σk=12p(wc|class=k)×p(class=k)]]>其中，p(class＝k)表示类别先验概率；D3.将图像中每个关键特征点的梯度单词wg乘上该关键特征点所对应的颜色单词wc的类条件概率p(class＝k|wc)，得到颜色先验加权后的梯度单词；D4.将上述加权后的梯度单词与词典中单词进行对比，统计词典中每个单词在图像所有关键特征点中出现的次数，得到每幅图像颜色先验加权后的梯度单词的直方图；E.将训练图像的加权直方图及其类别标记输入支持向量机SVM，训练不良图像分类器；F.对待测图像，根据步骤A‑C得到其关键特征点的梯度特征向量和颜色特征向量，并将这些特征向量分别量化为梯度单词和颜色单词，将步骤D得到的颜色单词的类条件概率与梯度单词相乘，统计出待测图像的颜色先验加权后的梯度单词直方图；G.将待测图像的加权直方图输入到步骤E所训练出的分类器中，根据分类器的分类结果判断待测图像是否属于不良类。