[发明专利]一种基于邻域粗糙集特征选择的图像分类方法

权利要求书

1.一种基于邻域粗糙集特征选择的图像分类方法，其特征在于，包括以下步骤：

(1)提取训练样本和测试样本图像的特征；

(2)构建训练样本图像特征表达系统；

(3)用基于邻域粗糙集的特征选择算法对图像知识表达系统中的冗余特征进行剔除，得到新的图像特征集；

(4)聚类生成视觉词典；

(5)构建空间金字塔模型，根据生成的视觉词典，统计合并每幅图像空间金字塔的加权视觉特征直方图；

(6)训练线性SVM分类器对测试图像进行分类。

2.如权利要求1所述的基于邻域粗糙集特征选择的图像分类方法，其特征在于，提取训练样本和测试样本图像的是指分别提取图像的SURF特征和HOG特征；

所述SURF特征提取步骤为：

步骤1.利用盒子滤波器构造金字塔尺度空间；

步骤2.通过Hessian矩阵建立快速特征点检测器获取极值稳定点；

SURF算法的检测器基于Hessian矩阵，对于图像I中的某点X＝(x，y)，则该点在尺度σ下的Hessian矩阵为H(p,σ)：

其中L_xx(P,σ)表示与图像I在点P处的卷积，L_xy(P,σ)表示与图像I在点P处的卷积，L_yx(P,σ)表示与图像I在点P处的卷积，L_yy(P,σ)表示与图像I在点P处的卷积；

计算H矩阵的行列式：det(H_approx)＝D_xxD_yy-(ωD_xy)²

D_xx，D_yy，D_xy分别是使用了滤波器后对L_xx，L_yy，L_xy的近似，ω为权重，ω取值为0.9；

步骤3.描述特征点主方向；

即以特征点为中心，计算半径为6s的区域，s为特征点所在图层尺度值，选择60°的扇形区域，计算扇形区域在x和y方向上的Harr小波响应区域内小波响应矢量叠加，遍历整个圆，最大矢量方向即特征点的主方向；

步骤4.在构造特征向量时，在特征点周围取边长为20s的正方形框，正方形框的方向为特征点主方向；将正方形框分为4×4个子区域，统计每个子区域25个采样点的x方向和y方向的Harr小波响应，得到一个64维的特征描述向量；

所述HOG特征提取步骤:

步骤1.归一化彩色图像，消除光照的影响；

步骤2.将图像分成相同大小的像素块，计算每个像素块中各像素点(x,y)的水平方向和垂直方向的梯度分别为：

G_x(x,y)＝G(x+1,y)-G(x-1,y)

G_y(x,y)＝G(x,y+1)-G(x,y-1)

则得到该像素点的梯度的大小和方向分别为：

步骤3.将整幅图像的所有特征串联得到图像的HOG特征。

3.如权利要求1所述的基于邻域粗糙集特征选择的图像分类方法，其特征在于，构建训练样本图像特征表达系统即：

构建图像特征表达系统NTD＝<U,C,D>，U＝{u₁,u₂…,u_m},u_i＝[X₁,X₂,…,X_n]表示第i张图像的特征向量的集合，C＝{c₁,c₂,…,c_n}是图像知识表达系统的条件属性，c_l表示图像的第l个特征向量，维数为图像特征描述子的长度。