[发明专利]基于图像分块的自适应特征提取方法

摘要

本发明提出了一种基于图像分块的自适应特征提取方法，主要解决现有基于PCA的特征提取方法需要将图像进行向量化从而导致特征提取后识别结果不理想的问题。其实现步骤是(1)输入图像集，并随机划分为训练图像集和测试图像集；(2)对训练图像集中的图像进行分块，构成训练子块图像集；(3)分别计算训练图像集与训练子块图像集的像素点灰度值方差和；(4)比较训练图像集与训练子块图像集的像素点灰度值方差和，求取特征最佳投影矩阵；(5)提取训练图像集和测试图像集的图像特征；(6)对测试图像集的图像进行识别，验证特征提取效果。本发明与现有技术对比具有识别率高，适应性广等优点，有效地对图像进行特征提取，可用于目标识别。

主权项

基于图像分块的自适应特征提取方法，具体步骤如下：(1)输入图像集，并随机划分为训练图像集和测试图像集：设输入图像集有K张图像，K＝Class×Pic，Class为输入图像集中的图像类别数，Pic为每一类图像的张数，将输入图像集图像的像素点灰度值按矩阵形式读取，根据随机划分方法，将输入图像集的M张图像作为训练图像集，表示为subsetall，M＝Class×Pictrain，Pictrain为输入图像集每一类图像用做训练图像集图像的张数，剩余的K‑M张图像作为测试图像集；(2)对训练图像集进行分块，构成训练子块图像集：训练图像集中图像的大小为m×n，m为图像矩阵的行数，n为图像矩阵的列数，将训练图像集的每张图像等分成N个长方形子块图像，N＝R×Q，其中R为行划分块数，Q为列划分块数，每张图像的N个子块图像中的第i个子块图像组成第i个训练子块图像集，表示为subseti，其中i＝1,2,…,N，则训练子块图像集的图像数为M，训练子块图像集中图像的大小为训练子块图像集中图像的像素点个数为以下将N个训练子块图像集统称为训练子块图像集；(3)分别计算训练图像集的像素点灰度值方差和与训练子块图像集的像素点灰度值方差和：计算subsetall中所有图像属于同一位置的像素点灰度值的方差，得到m×n个位置处像素点灰度值的方差，并对其进行求和，表示为训练图像集的像素点灰度值方差和σall；计算第i个训练子块图像集subseti中所有图像属于同一位置的像素点灰度值的方差，得到个像素点灰度值的方差，并对其进行求和，表示为训练子块图像集的像素点灰度值方差和σi；(4)比较训练图像集的像素点灰度值方差和σall与训练子块图像集的像素点灰度值方差和σi，求取训练子块图像集的特征最佳投影矩阵；(4.1)若σi<σall，对第i个训练子块图像集subseti中的图像用Wavelet PCA求取特征最佳投影矩阵Wi，步骤如下：(4.1.1)对第i个训练子块图像集subseti中图像进行二维离散小波变换；(4.1.2)对二维离散小波变换后图像进行PCA变换，求取特征最佳投影矩阵Wi；(4.2)若σi≥σall，对第i个训练子块图像集subseti中的图像用2DPCA求取特征最佳投影矩阵Wi；(5)提取图像特征；(5.1)对于训练图像集，将第j张图像中的第i个子块图像的像素点灰度值矩阵在subseti的特征最佳投影矩阵Wi上进行投影，以投影后的矩阵作为此子块图像的特征Iij，其中j＝1,2,…,M，完成训练图像集的特征提取；(5.2)对于测试图像集，首先对测试图像集的每一张图像按照步骤(2)进行分块，等分成N个长方形子块图像，然后将每一张图像的第i个子块图像的像素点灰度值矩阵，根据步骤(4)中求出的subseti的特征最佳投影矩阵进行投影，以投影后的矩阵作为该图像的第i个子块图像的特征Vi，完成测试图像集的特征提取；(6)通过识别过程验证特征提取效果；(6.1)计算测试图像集每张图像的每个子块图像的特征与训练图像集所有图像的相对应子块图像的特征之间的欧氏距离，并进行归一化；(6.2)计算测试图像集每张图像的N个子块图像的特征与训练图像集所有图像的相对应子块图像的特征的欧氏距离归一化后之和作为相似性度量Sj；(6.3)用最近邻法对相似性度量进行判决，完成对图像的识别；(6.4)依照步骤(6.3)对测试图像集的每张图像进行识别，将测试图像集中正确识别的图像张数与测试图像集所有图像的张数的比值作为识别结果，输出识别结果。