[发明专利]一种基于多尺度反馈度量学习的纹理图像分类方法

摘要

一种基于多尺度反馈度量学习的纹理图像分类方法，涉及模式识别与图像处理技术领域，包括以下步骤：使用轮廓波变换对训练纹理图像和测试纹理图像进行处理，得到训练纹理图像和测试纹理图像的轮廓波子带；由轮廓波子带中提取相异增量生成直方图特征；通过建立模型学习求出纹理图像类距离定义中子带距离的权重W并通过循环不断修正W，利用W计算剩余测试纹理图像与每个类别训练样本的距离从而实现分类。本发明有益效果：解决了目前图像纹理表示和分类中轮廓波子带的不平衡导致的纹理分类正确率较低的问题，具有分类精确性高、稳健性强等特点，具有很高的实际应用价值。

主权项

一种基于多尺度反馈度量学习的纹理图像分类方法，其特征在于：包括以下步骤：步骤一、给定C类纹理图像，将每一类纹理图像都分为两组，一组用于训练，称为训练纹理图像，另一组用于测试，称为测试纹理图像，然后使用轮廓波变换对训练纹理图像和测试纹理图像进行处理，得到训练纹理图像和测试纹理图像的轮廓波子带；步骤二、由步骤一得到的训练纹理图像和测试纹理图像的轮廓波子带中提取相异增量生成直方图特征；步骤三、通过整数剖分的方法，对测试纹理图像个数做剖分，并构建反馈步长向量V，V＝(v1,v2,…,vτ)，其中τ为对测试纹理图像个数进行剖分的组数；步骤四、令m＝1到τ‑1，依次对反馈步长向量V进行遍历，进行如下循环，直到m≥τ‑1：(1)对于训练纹理图像轮廓波子带的相异增量生成的直方图特征，求解如下线性规划模型，以获得纹理图像类距离定义中子带距离的权重W：minWΣcΣSx,SyTD(Sx,Sy)]]>使得TD(Sx,Sy)=Σi=1LΣj=1M2iωi,jdi,j]]>其中，W＝{ωi,j}，i＝1,2,…,L，j＝1,2,…,M，ωi,j表示第i尺度、第j个方向轮廓波子带的权重系数，L是轮廓波分解的最大尺度，M是每个轮廓波分解尺度下，方向子带的个数；di,j表示第i尺度，第j个方向轮廓波子带相异增量生成直方图特征间的距离，c表示第c个纹理类，c＝1,2,…C；Sx和Sy分别表示属于第c类的两个纹理图像；μ是控制参数，用于约束类内距离；(2)利用步骤(1)得到的权重W通过公式计算剩余测试纹理图像与第c个纹理类别中每个训练纹理图像之间的距离，并将这些距离的最小值作为该测试纹理图像到纹理类c的距离；(3)按照测试纹理图像到第c个纹理类别距离从小到大的原则，检索前vm个测试纹理图像，将所检索到的测试纹理图像，当作与第c类训练纹理图像属于同一个类别的纹理图像，并把这些测试纹理图像加入第c类的训练纹理图像，用于后继的度量学习之中，进行下一次的循环；步骤五、利用步骤四学习得到的子带距离权重W，计算剩余v(τ)个测试纹理图像与每个类别训练样本的距离；步骤六、将测试纹理图像与每个类别训练样本的距离中的最小距离对应的训练样本所属的类别标签赋予测试纹理图像实现分类。