[发明专利]圆对称Gabor小波深度分解图像分类方法

摘要

本发明提出一种图像分类方法，该方法使用基于圆对称Gabor小波(CSGW)的深度分解方案，称为DD‑CSGW。由于CSGW有旋转不变特性，因而DD‑CSGW也是一种旋转不变的分解方法。深度分解是指通过使用CSGW的迭代和分层分解，这意味着较粗糙的子带可以通过CSGW连续分解成若干更精细的子带。由于DD‑CSGW变换域存在较强的依赖关系，因此我们使用Copula模型来捕获这些比例依赖，即用Copula模型刻画每一层的分解子带。同时使用了Copula模型参数和DD‑CSGW子带的均值和方差用来表示图像，并且使用SVM进行图像分类。本发明的深度分解方法效果在图像分类方面具有良好的性能，分类阶段速度较快，而且具有选择不变特性。

主权项

圆对称Gabor小波深度分解图像分类方法，包括：步骤1，用CSGW将图像进行深度分解，即进行DD‑CSGW分解。步骤1.1，第一层分解。用CSGW分解输入图像I(x,y)，将图像分解成J尺度的子带并取其幅值，分别用S[i],i＝1,2,…,J表示分解尺度。本发明取J＝5。用公式表示为：S[i]＝|hm(x，y)*I(x，y)步骤1.2，第二层分解。继续用CSGW分别将子带S[i]进行J尺度分解，并计算分解子带的幅值S[i,j]。S[i，j]＝|hm(x，y)*s[i]|步骤1.3，第L层分解。继续用CSGW分别将子带S[i,j,…,k]进行J尺度分解，并计算分解子带的幅值S[i,j,…,k,l]。本发明取L＝3，即进行3层次的分解。S[i，j，…，k，l]＝|hm(x，y)*s[i，j，…，k]|步骤2，计算图像特征。步骤2.1，构建Copula模型。首先用Copula模型刻画每一层的分解子带。模型中的Copula密度函数用Gaussian Copula，边缘密度函数用Weibull分布的密度函数。这样L层分解将会参数L个Copula模型。对一副图像，本发明的深度分解将产生3个Copula模型。Copula模型的参数包括Copula密度函数参数和边缘密度函数参数。用两阶段最大似然估计Copula模型的参数：第一阶段估计边缘密度的参数；第二阶段估计Copula函数的参数。由于估计出的参数R是矩阵(对称矩阵)，需要拉直成向量，表示如下：R=1r1,2...r1,dr2,11...r2,d............rd,1rd,2...1→r1,2...rd-1,d]]>由此Copula模型参数XCP可以表示为：XCP=[...,αkl,βkl,...,ri,jl,...]l=1L]]>其中L表示分解层数，和分别表示为第l层分解的边缘分布的参数；表示第l层分解的Copula密度函数参数R中的元素。步骤2.2，计算DD‑CSGW分解子带的均值和标准差。分别计算每层分解的每个子带系数的均值和标准差。模型的均值和标准差特征Xen表示如下：Xen=[...,mkl,ekl,skl...]l=1L]]>步骤3，特征组合。将Copula模型的参数特征XCP，以及模型的均值和标准差特征Xen进行合并得到图像的特征X，表示如下：X＝[XCP，Xes]步骤4，用SVM分类。用步骤1‑3的方法提取训练集合中的图像特征，并用以训练SVM分类器。训练完成好SVM分类器后，将当前图像提取的特征输入SVM进行分类判别。在进行SVM训练与判别时，将特征归一化到[0，1]。