[发明专利]一种彩色图像检索和分类方法

摘要

本发明涉及了一种利用Log‑Gabor滤波器实现图像检索和分类方法。该方法主要内容包括以下几点：1)利用copula模型同时捕获了Log‑Gabor小波子带间的相关性和颜色通道的相关性，提高了检索和分类的准确度；2)本发明对将颜色通道上Log‑Gabor小波子带进行了选择(去掉冗余子带提高算法精度，减少计算时间)，而且每个彩色图像只建立一个copula模型，提高了计算效率。与现有方法相比，本发明有本发明抗噪声干扰能力强、具有较好的检索和分类性能、具有较低的计算复杂度。

主权项

1.一种彩色图像检索和分类方法，其特征在于它包括以下步骤：/n步骤1，用二维Log-Gabor滤波器将RGB彩色图像在3个通道上分别进行4尺度和6方向分解，这样一共得到72个Log-Gabor输出图像，称为Log-Gabor子带，二维Log-Gabor滤波器函数的频域响应定义如下：/n /n其中k和θ分别表示频域极坐标上的半径和方向；u∈[1,…,L]是尺度因子，v∈[1,…,S]是方向因子，L和S是分别表示最大分解尺度数和方向数的正整数，σ_k和σ_θ分别决定了尺度和方向带宽；/n步骤2，分别对每一个Log-Gabor子带进行拉直运算，即将二维Log-Gabor子带从上到下、从左到右拼接形成一维向量，称为子带向量；对于M行N列的Log-Gabor子带将产生长度为P的向量，P＝M×N；/n步骤3，用Weibull分布分别拟合72个向量，Weibull分布的密度函数表示为：其中α和β是Weibull分布的形状和尺度参数；Weibull累积分布函数为：拟合是在每个Log-Gabor子带向量上根据Weibull分布计算出参数α和β，以使曲线f(x|α,β)能最吻合的包络该向量的直方图；这里采用最大似然法拟合Gabor子带，即用下面的公式确定：此步骤将得到72个Weibull分布，包括72个不同的密度函数f_i(x_i)和累积分布F_i(x_i)；/n步骤4，建立初步的高斯copula模型：此步骤用高斯copula模型联合这72个Weibull分布，使之成为一个多维统计模型，以获得比独立统计模型更好的检索或分类效果；Copula模型由下面的式子确定：/n /n其中n是边缘分布的个数，这里n取值为72；x_i代表了n个向量；c(F₁(x₁|α₁,β₁),…,F_n(x_n|α_n,β_n))是copula密度函数；F_i(x_i|α_i,β_i)和f_i(x_i|α_i,β_i)是copula模型的边缘分布，这里分别是已经计算出参数的Weibull分布函数和密度函数；Θ是参数集，包括边缘分布参数和copula函数的参数，这里选取高斯copula，其密度函数的表达式为：/n /n其中R是相关矩阵，ξ＝[ξ₁,…,ξ_n]，ξ_i＝Φ^-1(u_i),i＝1,…,n，Φ是标准正态分布，Φ^-1是其逆函数；由上可知Weibull边缘分布和高斯Copula函数确定了copula模型，该模型为多元统计模型；利用已经求得的F_i(x_i|α_i,β_i)和f_i(x_i|α_i,β_i)，并根据最大似然法求得高斯copula模型参数R的估计：其中ξ_i＝Φ^-1(F_W(x_i|α_i,β_i))，P是Log-Gabor子带向量长度；这样参数Θ已全部确定，即copula模型已确定；/n步骤5，Log-Gabor子带选择：上述步骤建立的copula模型联合了Log-Gabor分解的所有72个子带；其中一些子带在检索的时候会产生干扰因素，影响算法精度，而且子带过多也将增大计算量；因而选取一部分效果较好的子带参与最终的检索和分类是有必要的；由于是联合分布模型，主要考察的是子带间组合性能，而不是单独测试某个子带的性能；设所有子带集合为S＝{s₁,…,s₇₂}，s_i是第i个子带，用S-s_i表示除去第i个子带剩下的71个子带；用h(S-s_i)表示去除s_i后的copula模型，其检索或分类正确率用R_i表示，即R_i＝h(S-s_i)，R_i越小，则表示第i个子带重要性越大；按照从小到大进行排序，选择前面m个参加重组最终的copula模型，这里m取值为36；在训练时，应在不同类型的图像数据库中进行训练，以确保选取的子带有广泛的适应性；这里用两个高斯copula模型之间的KLD相似度量来实现检索与分类，具体见步骤7中的公式；/n步骤6，建立最终的copula模型：将选取的m个子带构建出copula模型；表示如下：/n /n步骤7，用最终的copula模型实现检索和分类：这里用两个copula模型之间的KLD进行检索和分类；设需要查询的未知类别图像的高斯copula模型为h₁，来源于图像数据库中的某一已知类别图像的高斯copula模型为h_j，则通过计算h₁和h_j的KLD(h₁||h_j)，选取具有最小的KLD(h₁||h_j)对应的h_j的图像为查询图像h₁的类别；两个模型之间的KLD距离表示为：/n /n其中是两个高斯copula函数之间的KLD；表示两个Weibull边缘分布之间的KLD，其表达如下其中Γ是Gamma函数。/n