[发明专利]非高斯二维Gabor滤波器图像纹理提取及识别方法

说明书

技术领域

本发明涉及一种非高斯二维Gabor滤波器图像纹理提取及识别方法，属于模式识别技术领域。

背景技术

二维Gabor滤波器是一种有效的图像纹理特征提取方法。关于二维Gabor滤波器的研究主要集中在二维Gabor滤波器参数选择，二维Gabor滤波器的快速计算和二维Gabor滤波器的各种各样应用方面。

传统的二维Gabor滤波器可以看作是在频域由复正弦函数调制高斯核函数而成，故传统的二维Gabor滤波器变换到频域仍为高斯型，采用传统二维Gabor滤波器对图像进行滤波处理后，只能提取图像纹理的高斯频率信息，图像中处于非高斯频带部分的图像纹理信息就被丢失。非高斯二维Gabor滤波器在传统二维高斯滤波器的基础上引入一个新的参数r控制非高斯二维Gabor滤波器的形状。非高斯二维Gabor滤波器可以看作是在频域由复正弦函数调制非高斯核函数而成，是传统二维Gabor滤波器的一种推广，能提取图像纹理的非高斯频率信息。

人脸识别方面的实验表明通过选择适当的参数r，非高斯二维Gabor滤波器在人脸图像纹理特征提取及识别方面要大大优于传统的二维Gabor滤波器。

发明内容

本发明提供了一种非高斯二维Gabor滤波器图像纹理提取及识别方法，以用于解决非高斯图像纹理特征提取及识别问题。针对局部传统二维Gabor滤波器仅能提取图像纹理高斯频率信息的缺陷，本发明提出的基于非高斯二维Gabor滤波器的图像纹理特征提取方法能有效提取图像的非高斯纹理信息。

本发明非高斯二维Gabor滤波器图像纹理提取及识别方法是这样实现的：首先构造出非高斯二维Gabor滤波器，然后采用非高斯二维Gabor滤波器对图像进行滤波处理，计算滤波后的图像的幅度矩阵，接着将此幅度矩阵进行分块，计算各块的直方图特征向量，然后连接各块的直方图特征向量，得到原始图像的直方图特征向量。最后把该特征向量送入基于卡方统计量的最近邻分类器进行分类识别。

所述非高斯二维Gabor滤波器图像纹理提取及识别方法的具体步骤如下：

Step1、首先构造非高斯二维Gabor滤波器；非高斯二维Gabor滤波器构造为：

其中k_v＝k_max/f^v，k_max是最大频率，一般k_max＝π/2，尺度参数v取值为v＝0,...,4，方向参数μ取值为μ＝0,...,3，z＝(x,y)和||z||＝(x²+y²)，x,y表示传统二维Gabor滤波器的坐标，i表示虚单位，r是一个引进的参数，r>1，用于控制非高斯二维Gabor滤波器的形状；图2是本发明中不同参数r下非高斯二维滤波器示意图。对于不同参数下的每一组滤波器，水平方向是方向变化，垂直方向是尺度变化。图2表明，随着r增大，滤波器掩模非零部分缩小，故更能提取更加精细的局部纹理信息。

其中，传统二维Gabor滤波器的定义如下：

Step2、采用非高斯二维Gabor滤波器对一幅图像进行滤波处理；由于非高斯二维Gabor滤波器是一个多尺度多方向的二维滤波器，则在不同尺度和不同方向下对图像进行滤波处理；

首先假定图像为I^(l)(x,y)，非高斯二维Gabor滤波器为NG_u,v,γ(x,y)，那么具有参数v、μ和r的非高斯二维Gabor滤波器对图像I(x,y)进行滤波的计算式为：

其中，x,y表示图像的坐标，*表示卷积操作，表示坐标x,y处滤波后的图像，是一个复数，整个滤波后的图像变成一个复数矩阵，表示为的大小与原图像相同；

Step3、求复数矩阵的模，记为是一个实数矩阵，即幅度矩阵，然后对矩阵进行分块：把均匀分成4×4的无重叠方块，一共16块，表示为(i＝0,1,2,…,15)；

Step4、提取各分块(i＝0,1,2,…,15)的直方图特征向量，表示为(i＝0,1,2,…,15)，然后依次连接所有各块的直方图特征向量，得到原始图像的多直方图特征向量为：

Step5、把原始图像的多直方图特征向量送入基于卡方统计量的最近邻分类器进行分类，来识别原始人脸图像的身份。