[发明专利]一种基于邻域粗糙集特征选择的图像分类方法

说明书

一种基于邻域粗糙集特征选择的图像分类方法。在空间金字塔模型上，首先，通过SURF和HOG提取图像特征，既有尺度不变特性又能描述图像局部目标的表象和形状，并采用基于邻域粗糙集的图像特征选择算法剔除SURF和HOG特征中的冗余特征；其次，对约简后的图像特征集用k‑means聚类算法生成视觉词典；然后，统计空间金字塔模型每个尺度图像各视觉特征词的个数，将获得的直方图都串联起来，并且给不同尺度的特征赋相应的权重；最后，将得到加权直方图放入线性SVM分类器中训练和预测。本发明克服了现有图像分类方法中单一特征提取容易造成图像信息的缺失，而多特征融合则会生成大量的冗余特征造成图像分类的准确率不高的缺陷。

技术领域

本发明属于计算机视觉领域的图像分类方法。

背景技术

图像分类是计算机视觉领域的一个重要研究课题。图像分类的目的是让计算机可以和人一样有快速准确识别复杂视觉图像的能力。随着人工智能及模式识别的迅速发展，图像分类广泛应用于图像理解、目标识别和图像检索等方面。

空间金字塔模型(Spatial Pyramid Matching,SPM)是目前主要的图像分类方法之一，在视觉词袋模型(bag of words,BOW)的基础上，通过对图像进行多层次划分增加图像的空间位置以及形状信息。基于空间金字塔模型的图像分类方法主要包括四部分：特征提取、生成视觉词典、构建空间金字塔以及用统计合并直方图的方法生成图像视觉描述。特征提取和特征选择是图像分类的关键前提，传统的空间金字塔匹配模型(SPM)虽然在图像分类问题上取得了很大突破，但由于其提取的特征不能有效表达图像的信息，分类性能仍然不高。目前基于局部描述子的特征提取方法在构造视觉词典中的应用较为广泛。SIFT特征描述子在平移，旋转，光照不均等图像上有较好的稳定性。HOG描述子可以很好的表示图像中目标的形状。SURF与SIFT特征类似具有尺度、旋转不变的特性，计算量和计算时间却比SIFT大大减少，同时具有加速的鲁棒性。

图像特征提取方法中，单一特征提取对图像的描述较片面，不能很好的表达图像中的内容。多特征可以取能更全面描述图像信息，目前已有大量通过结合多个特征描述子来表达图像内容。多特征在全面描述图像的同时也带来大量的冗余信息，如何在众多的特征中把不重要甚至冗余的特征去掉而不影响图像内容的表达，在图像分类中是至关重要的。邻域粗糙集特征选择在剔除连续型知识表达系统的冗余特征方面有很好的效果。特征提取后通过特征选择形成更有效的特征子集，图像信息得到简化，而图像所表达的基本信息也没有丢失。

目前图像分类在特征提取上仍然存在单一特征不能完全描述图像，但是多特征提取描述图像会有大量的冗余信息，聚类时需要生成大量的视觉词典，这样不仅会导致图像分类的准确率不高而且图像分类的耗时也很大。因此，图像分类中，图像特征提取后的特征选择也是至关重要的。

发明内容

本发明要解决的技术问题：提供一种基于邻域粗糙集特征选择的图像分类方法，利用HOG和SURF之间的优势互补特性提取图像特征，并利用邻域粗糙集特征选择算法剔除图像中的冗余特征，克服了现有图像分类技术中多特征提取描述图像会有大量的冗余信息，导致图像分类的准确率不高而且图像分类的耗时较大的缺陷。

为解决上述技术问题，本发明提供了一种邻域粗糙集特征选择的图像分类方法，它包括以下步骤：

(1)分别提取训练样本和测试集样本图像的特征；

(2)构建图像特征表达系统；

(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)聚类生成视觉特征词典；

(5)构建空间金字塔模型，根据生成的视觉特征词典，统计合并训练集和测试集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。