[发明专利]基于Radon变换和极谐波变换的不变矩目标识别方法

说明书

技术领域

本发明属于图像处理技术领域，更进一步涉及遥感应用和医学诊断领域中基于Radon变换和极谐波变换的不变矩目标识别方法。本发明应用于遥感应用中可以提高遥感图像中目标的识别率，在医学诊断领域中可以更准确地识别医学图像中的病变部位，尤其是对于肿瘤的定位和识别效果显著，而且对于含噪图像的目标识别本发明也具有较高的识别率。

背景技术

在遥感应用和医学诊断领域中，为了提高图像目标的识别率，采用基于图像的形状特征的目标识别方法。目前图像目标识别方法主要是基于几何不变矩作为基本特征来实现图像目标识别。

北京航空航天大学的专利申请：“一种基于关键点的仿射不变矩的目标识别方法”(公开号：CN101464948A，申请日：2009.1.14)中公开了一种基于关键点的仿射不变矩的目标识别方法。这种目标识别方法的具体步骤包括：(1)图像预处理：对原始采集图像进行处理，减少噪声等无效信息对后续处理的影响，增强有用信息，提高图像对比度；(2)主轮廓提取：对目标边缘图像进行主轮廓的提取，得到外轮廓的边缘图像，过滤掉内部的轮廓，和无用的轮廓分支；(3)关键帧提取：以分割出来的目标灰度图像为基础，首先计算目标的质心，然后以质心为扩展点向周围引伸出多条射线，寻找每条射线方向上最近灰度极值点，将所有灰度极值点当作关键点集合；(4)仿射不变特征提取：提取出目标主轮廓的仿射不变特征，计算多阶仿射不变矩向量；(5)目标识别：通过步骤(4)中提出的特征来识别目标，输出识别结果。虽然这种目标识别方法在抗噪能力和计算复杂度方面有一定的改善效果，但是由于关键帧提取的过程难以克服高斯白噪声的干扰，这会影响到目标识别过程的适应性。同时，在步骤(5)目标识别部分所使用的隐马尔科夫模型会增加计算的复杂度。综上所述，这些不足会影响到目标识别的稳定性、准确性以及识别效率。

发明内容

本发明针对现有的图像目标识别技术的不足，提出一种基于Radon变换和极谐波变换的不变矩目标识别方法，通过构造Radon复指数不变矩、Radon正余弦不变矩和极地复指数实虚不变矩三个新的不变矩来实现图像的目标识别，以解决现有目标识别技术中所采用的不变矩抗噪能力差、计算复杂度高和数据不稳定等缺点，提高图像目标的识别率。

本发明实现的具体步骤如下：

(1)输入待识别图像：在计算机中应用matlab软件读取待识别的彩色图像；

(2)图像预处理

2a)用图像颜色空间转换方法将待识别的彩色图像转换为灰度图像；

2b)用Sobel边缘检测方法提取灰度图像的目标区域，将图像目标区域的像素灰度值设为1，非目标区域的像素灰度值设为0，得到预处理后的图像；

(3)Radon变换：对预处理后的图像进行Radon变换，得到变换后图像P(r，θ)；

(4)仿射变换

4a)使用matlab软件将图像P(r，θ)进行平移、尺度归一化，得到处理后的图像P′(r，θ)；

4b)使用图像旋转方法对图像P′(r，θ)进行Φ角度的旋转，得到图像P′(r，θ+Φ)；

(5)构造不变矩

5a)对图像P′(r，θ+Φ)进行极地复指数变换，得到变换后图像，根据变换前图像P′(r，θ+Φ)和变换后图像之间的旋转角度差，通过等价关系转换的方法得到旋转的相位因子，将变换后图像和相位因子相乘得到构造后的Radon复指数不变矩；

5b)对图像P′(r，θ+Φ)进行极地正余弦变换，得到变换后图像，根据变换前图像P′(r，θ+Φ)和变换后图像之间的旋转角度差，通过等价关系转换的方法得到旋转的相位因子，结合变换后图像和相位因子得到构造后的Radon正余弦不变矩；

5c)对图像P′(r，θ+Φ)进行极地复指数变换，得到变换后图像，根据变换后图像并应用连乘的方法得到构造后的极地复指数实虚不变矩；

(6)提取不变特征：对在步骤4b)中得到的图像P′(r，θ+Φ)分别提取Radon复指数不变矩、Radon正余弦不变矩和极地复指数实虚不变矩；将这三个不变矩的实部和虚部作为图像P′(r，θ+Φ)的不变特征；

(7)获得特征模型

7a)将与待识别图像内容相接近的图像样本集中的图像依次输入支持向量机工具构建初始特征模型；

7b)使用支持向量机工具对样本集图像进行训练学习得到特征模型的最优参数；