[发明专利]用于纹理图像特征分析的图像识别方法

说明书

本发明涉及一种用于纹理图像特征分析的图像识别方法。该方法包括以下步骤：（1）对输入的像素值为M×N的图像，利用Gabor核函数的实部进行4方向滤波，生成图像的纹理特征；（2）对于每个像素点的四维度信息，取其值最大的一个方向代表该像素点的方向；（3）形成一个n×n的邻域矩阵，让这个矩阵窗口漂移遍历图像中每个像素点；（4）对于任意一个像素点P₁和它的邻域内任一像素点P₂，P₁P₂的方向组合有16种；当邻域矩阵漂移遍历整幅图像时，便可以统计出每种组合出现的次数；（5）根据每种组合出现次数的不同，统计出一个(n²‑1)×16的特征矩阵，对形成的特征矩阵进行聚类分析。本发明处理精度高，运算代价低。

技术领域

本发明涉及图像的快速识别处理技术，具体是一种用于纹理图像特征分析的图像识别方法。

背景技术

在各种图像检测识别的应用场合，例如对飞机铆接加工缺陷的图像检测处理、对指纹等生理特征图像进行识别处理等。在利用电子信息处理技术进行图像聚类分析时，往往需要进行降维以减少运算代价，同时又不影响原始图像中的特征信息，即不影响图像识别精度。将高维数据变换到低维空间的方法大概可以分为：特征选择和特征变换两种，特征选择算法往往会随着图像维度升高，子空间数目增长，计算复杂度较高，而特征变换就不会有这方面的问题。

现有的特征变换方法可以被分为两类：(1)直接压缩或裁减，这类方法通常会造成信息损失和形变，进而对识别精度造成影响；(2)另一类是线性变换，例如标准正交变换、白化变换、线性判别分析法(LDA)、主成分分析法(PCA)等。其中，标准正交变换和白化变换不能实现降维的目标，它们都属于等维度变换，因而不能实现不同维度特征信息化为相同维度的目的；LDA是一个可以实现降维的算法，但它是一个有监督的变换方法，在运算过程中，它用每个类的均值点代表这个类，同时其能提取的特征数受类别数的限制，这是它的不足之处；PCA考查的统计量是所有样本的协方差矩阵，虽然起到了降维的效果，但它只是对输入的数据集进行的处理，对于图像处理来说，并不能直观的看到变换后的结果和变换前的数据关系，和LDA一样，它们都不能明确给出特征从高维空间到低维空间中的映射关系。

发明内容

本发明所要解决的技术问题是，针对传统特征变换算法的不足之处，提供一种在保证较高处理精度的同时，能够提高运算效率、减少运算代价的用于纹理图像特征分析的图像识别方法。

本发明的用于纹理图像特征分析的图像识别方法包括以下步骤：

(1)对输入的像素值为M×N的图像，利用Gabor核函数的实部进行4方向(0°、45°、90°、135°)滤波，生成图像的纹理特征，即每个像素点都有四维的特征(M×N×4)；

(2)对于每个像素点的四维度信息，取其值最大的一个方向代表该像素点的方向；(3)针对每个像素点P1(座标为(x,y))，形成一个n×n的邻域矩阵(n为正整数)，让这个矩阵窗口漂移遍历图像中每个像素点；

(4)对于任意一个像素P₁和它的邻域内任一点P₂(座标为(x+a,y+b),a∈[-2,2]，b∈[-2,2])，每个像素点都可能有4个方向，因此P₁P₂的组合就有16种；由于任意一个像素点周围的邻域都包含了(n²-1)个位置不同的像素点，当n×n的邻域矩阵漂移遍历整幅图像时，便可以统计出每种组合出现的次数；

(5)根据每种组合出现次数的不同，统计出一个(n²-1)×16的矩阵，即为原图像的特征矩阵，对形成的特征矩阵进行聚类分析。

进一步的，步骤(2)中给每个像素点按照方向的不同贴上标签，以四个标签分别对应不同颜色的方式来可视化表示。

进一步的，步骤(3)中所述的邻域矩阵为5×5的矩阵。