[发明专利]基于Haar特征和AdaBoost算法的纹理图像质量估计方法

摘要

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。

主权项

1.一种基于Haar特征和AdaBoost算法的纹理图像质量估计方法，其特征在于，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；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：步骤6.1：初始化质量图为全0；步骤6.2：从纹理图像左上角开始，平移m×m像素的取样窗口，遍历整张图像，依次取样，取样窗每次平移m/a像素；为了能够进行多尺度搜索，实际每次取样的子图像尺寸为(m+d)×(m+d)像素，作为分类器输入，其中m为取样窗口的像素尺寸， a是平移系数，控制取样窗口每次移动的像素大小，d是为了进行放大搜索额外增加的像素；步骤6.3：处理识别结果：若某 (m+d)×(m+d)图像块识别为包含纹理前景，则对应的质量图m×m区域均加1，若识别为非纹理背景区域，则相应区域加0；步骤6.4：最终叠加得到质量图，质量图中的最大值为a²，其中a为平移系数，用于控制取样窗口每次平移m/a像素。