專利名稱：：基于頻域方向特征相關(guān)性的圖像分類方法
技術(shù)領(lǐng)域：
：本發(fā)明屬于圖像處理
技術(shù)領(lǐng)域：
，特別是涉及一種圖像分類方法，可用于對(duì)紋理圖像和合成孔徑雷達(dá)(SAR)圖像的分類。
背景技術(shù)：
：圖像分類是模式識(shí)別的一個(gè)重要分支，是根據(jù)不同類別的目標(biāo)在圖像信息中所反映的不同特征，把它們區(qū)分開來(lái)的圖像處理方法。圖像分類的主要研究?jī)?nèi)容是如何對(duì)圖像進(jìn)行適當(dāng)?shù)拿枋?，提取能夠有效表示圖像屬性的特征，提出有效的分類識(shí)別方法，并在此基礎(chǔ)上對(duì)圖像進(jìn)行準(zhǔn)確高效的分類。圖像分類的應(yīng)用領(lǐng)域主要有以下幾個(gè)方面圖像紋理分析、圖像內(nèi)容檢索、目標(biāo)檢測(cè)和識(shí)別等。其中圖像的紋理分析和分類問題是圖像處理和模式識(shí)別中的一個(gè)重要研究方向，在圖像分類、分割、計(jì)算機(jī)圖形學(xué)和圖像編碼等領(lǐng)域都起著至關(guān)重要的作用。20世紀(jì)80年代產(chǎn)生了很多傳統(tǒng)的分類方法，如灰度共生矩陣，二階統(tǒng)計(jì)方法，高斯-馬爾可夫隨機(jī)場(chǎng)，局部線性變換等。隨著對(duì)人類視覺系統(tǒng)研究的深入，許多多分辨紋理分析模型開始發(fā)展起來(lái)，如小波變換，Gabor變換，Brushlet，輪廓波(Contouriet)等。研究者們結(jié)合多通道Gabor濾波、小波變換等方法，對(duì)紋理分析提出了大量創(chuàng)新和改進(jìn)，很大程度上提高了紋理分析的精度。如Jasperetal采用適合紋理分析的小波基對(duì)紡織品紋理進(jìn)行缺損檢測(cè)，AjayKumar和GranthanK.HPang等人將Gabor濾波用于有紋理現(xiàn)象的物體結(jié)構(gòu)缺損檢測(cè)，K.N.BhanuPrakash等人利用灰度共生矩陣對(duì)母體內(nèi)胎兒的肺部超生圖像檢測(cè)其是否己到成熟期。大量實(shí)驗(yàn)證明這種多分辨分析的方法能得到較好的分類效果，因此在圖像分析和分類研究中得到了廣泛的應(yīng)用。傳統(tǒng)的圖像分類方法一般是利用紋理特征的向量距離或統(tǒng)計(jì)差別來(lái)判斷類別屬性，而基于特征相關(guān)性的圖像分類則是基于這一事實(shí)圖像是由特定頻帶和方向的紋理信息組合而成，這在視覺上反映為不同類別的圖像在不同的特征通道上具有明顯不同的相關(guān)性。因此，該相關(guān)性是區(qū)分不同類別紋理的一個(gè)顯著特征。Zhi-ZhongWang和Jun-HaiYong等人對(duì)小波包各子帶間的相關(guān)性進(jìn)行了分析并提出相應(yīng)的圖像檢索方法。該方法首先得到各子帶的能量特征，然后分析各特征通道間的相關(guān)性求得到分類參數(shù)。測(cè)試時(shí)通過比較測(cè)試樣本與訓(xùn)練樣本相關(guān)性模型的擬合程度，依次排除直至獲得正確的類標(biāo)。與這一思路類似的方法包括利用小波、輪廓波等變換進(jìn)行特征提取及相關(guān)性分析，但是這一類變換的共同缺點(diǎn)是框架固定而且變換后的子帶在頻率、方向等方面劃分不夠細(xì)致。這些缺點(diǎn)導(dǎo)致特征相關(guān)性不夠明顯，分類性能有限而且對(duì)圖像的大小變化表現(xiàn)不夠魯棒，計(jì)算復(fù)雜度較高。
發(fā)明內(nèi)容本發(fā)明的目的在于克服上述已有技術(shù)的不足，提出一種不受限于小波、小波包等變換以及多尺度幾何分析工具框架的基于頻域方向特征相關(guān)性的圖像分類方法，以提高對(duì)圖像尺寸變化的魯棒性和分類的正確率，降低計(jì)算復(fù)雜度。本發(fā)明的技術(shù)方案是，對(duì)訓(xùn)練樣本集合中的子圖分別進(jìn)行2維快速傅立葉變換，然后根據(jù)頻率和方向?qū)⒏盗⑷~平面劃分為不同頻域方向子帶，計(jì)算各子帶能量特征，分析特征間的相關(guān)性，并利用一元線性回歸獲得分類參數(shù)，最后通過比較測(cè)試子圖的特征與各類圖像的分類參數(shù)模型的擬合程度，得到分類結(jié)果。具體實(shí)現(xiàn)過程如下(1)選取各類紋理的樣本圖像，并將這些樣本圖像分為訓(xùn)練樣本圖像和測(cè)試樣本圖像兩個(gè)數(shù)據(jù)集；(2)對(duì)訓(xùn)練樣本圖像數(shù)據(jù)集分別進(jìn)行2維快速傅立葉變換，根據(jù)傅立葉平面的頻率和方向?qū)⒏盗⑷~平面劃分為不同的頻域方向子帶；(3)計(jì)算各子帶的能量特征，得到圖像的頻域方向特征矩陣M;(4)計(jì)算頻域方向特征矩陣M各子帶特征間的相關(guān)系數(shù)，根據(jù)各子帶對(duì)的相關(guān)系數(shù)進(jìn)行降序排列，得到相關(guān)對(duì)序列；(5)應(yīng)用一元線性回歸模型求得相關(guān)對(duì)序列中各特征相關(guān)對(duì)的分類特征參數(shù)，構(gòu)成分類器；(6)將測(cè)試樣本圖像的頻域方向特征與分類器中所有參數(shù)的擬合程度進(jìn)行比較，計(jì)算該測(cè)試樣本屬于每一類圖像的概率，取概率最大值對(duì)應(yīng)的類標(biāo)作為該樣本的類標(biāo)；(7)重復(fù)步驟(6)，得到測(cè)試樣本圖像數(shù)據(jù)集中所有樣本圖像的類標(biāo)。本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點(diǎn)1.由于本發(fā)明對(duì)傅立葉平面的直接操作和扇區(qū)調(diào)整，克服了小波、小波包等變換的框架限制，使得特征在多頻帶、多方向等方面劃分更細(xì)致，基于相關(guān)性的分類性能得到顯著提高；2.由于本發(fā)明的頻域方向特征提取方法子帶參數(shù)可調(diào)，使得該發(fā)明對(duì)圖像的最小尺寸沒有限制，而且對(duì)不同大小的圖像具有更好的魯棒性；53.由于本發(fā)明采用快速傅立葉變換，使得計(jì)算復(fù)雜度大大降低，特征提取時(shí)間明顯低于其他幾種變換。圖1是本發(fā)明的實(shí)現(xiàn)流程示意圖2是本發(fā)明中頻域方向子帶劃分示意圖3是本發(fā)明中當(dāng)"取不同值時(shí)，對(duì)應(yīng)的子帶中心位置K")的示意圖；圖4是Brodatz紋理圖像D6的子帶相關(guān)對(duì)28和29的特征分布示意圖；圖5是仿真實(shí)驗(yàn)所使用的SAR紋理數(shù)據(jù)圖。具體實(shí)施例方式參照?qǐng)Dl，本發(fā)明的具體實(shí)施過程如下-步驟l，選取各類紋理的樣本圖像，并將這些樣本圖像分為訓(xùn)練樣本圖像和測(cè)試樣本圖像兩個(gè)數(shù)據(jù)集。本發(fā)明應(yīng)用兩個(gè)圖像數(shù)據(jù)集進(jìn)行性能測(cè)試Brodatz紋理圖像和SAR紋理圖像。la)Brodatz紋理圖像樣本數(shù)據(jù)集的選取方法說明如下選取標(biāo)準(zhǔn)Brodatz紋理庫(kù)中的77類均勻紋理圖像作為測(cè)試數(shù)據(jù)，這77類紋理是:D1,D3，D4，D5，D6,D8,D9，D11，D14,D16,D17,D18，D19，D20，D21,D22,D23，D24,D25，D26,D27,D28,D29,D32,D33，D34,D35,D36,D37，D38，D46，D47，D48，D49，D50，D51,D52,D53,D54,D55，D56,D57,D64,D65，D66，D68，D74,D75,D76,D77，D78，D79，D80,D81,D82,D83,D84，D85，D87，D88,D92，D93，D94,D95,D96,D98,D100，D101,D102,D103,D104,D105,D106,D109,D110,D111,D112。上述每幅紋理圖像大小為640x640，根據(jù)以下兩種子圖選取方式，將77類均勻紋理圖像分別建立兩個(gè)數(shù)據(jù)庫(kù)，如表l所示表lBrodatz紋理數(shù)據(jù)集設(shè)置<table>tableseeoriginaldocumentpage6</column></row><table>表1中，紋理庫(kù)128是將所述77類圖像均勻的切分為不重疊的25幅子圖，每幅子圖的大小為128x128，其子圖總數(shù)為1925幅，25幅子圖中，IO幅作為訓(xùn)練樣本，15幅作為測(cè)試樣本，即訓(xùn)練樣本圖像數(shù)據(jù)集內(nèi)子圖總數(shù)為770幅，測(cè)試樣本圖像數(shù)據(jù)集內(nèi)子圖總數(shù)為1155幅；紋理庫(kù)64是將所述77類圖像均勻的切分為不重疊的100幅子圖，每幅子圖的大小為64x64，其子圖總數(shù)為7700幅，IOO幅子圖中，40幅作為訓(xùn)練樣本，60幅作為測(cè)試樣本，即訓(xùn)練樣本圖像數(shù)據(jù)集包含子圖3080幅，測(cè)試樣本圖像數(shù)據(jù)集包含子圖4620幅。lb)SAR圖像樣本數(shù)據(jù)集的選取方法說明如下SAR圖像分類數(shù)據(jù)庫(kù)取自3幅真實(shí)SAR圖像的不同紋理區(qū)域，其中包括5類紋理，圖5顯示了實(shí)驗(yàn)中所用的這5類SAR紋理數(shù)據(jù)圖，從上到下從左到右分別是山脈、水域、農(nóng)田以及高、低分辨率下的城區(qū)。分別在這5類均勻的SAR紋理區(qū)域中隨機(jī)的取2000個(gè)點(diǎn)，進(jìn)行滑窗提取子圖的操作，子圖大小為128xl28的數(shù)據(jù)庫(kù)記為SAR128，子圖大小為64x64的數(shù)據(jù)庫(kù)記為SAR64，每類紋理都包含2000個(gè)子圖，500幅作為訓(xùn)練樣本，1500幅作為測(cè)試樣本，因此SAR128和SAR64中子圖總數(shù)均為10000幅，其中訓(xùn)練樣本圖像數(shù)據(jù)集包含2500幅子圖，測(cè)試樣本圖像數(shù)據(jù)集包含7500幅子圖，如表2所示表2SAR圖像數(shù)據(jù)集設(shè)置<formula>formulaseeoriginaldocumentpage7</formula>步驟2，對(duì)給定訓(xùn)練樣本圖像進(jìn)行2維快速傅立葉變換，并根據(jù)傅立葉平面的頻率和方向?qū)Ω盗⑷~平面進(jìn)行頻域方向子帶劃分。將圖像進(jìn)行2維快速傅立葉變換后，得到傅立葉平面，以傅立葉平面的直流分量為中心，將傅立葉上半平面按照頻域方向子帶劃分的方法得到X個(gè)頻域方向子帶，其具體實(shí)現(xiàn)過程如下2a)將傅立葉平面上半部分按極坐標(biāo)劃分為iV個(gè)頻帶，"個(gè)方向，得到K二iVxD+2個(gè)扇區(qū)，每個(gè)扇區(qū)表示從低頻到高頻的不同頻帶和方向信息，構(gòu)成不同的子帶，如圖2所示。圖2中/)=8，圖2中扇區(qū)13和26所在的位置，由于包含的信息不多，作為一個(gè)子帶進(jìn)行處理，D—般取16，7V—般取6;2b)按照下式計(jì)算每個(gè)子帶中心點(diǎn)(^&)的位置<formula>formulaseeoriginaldocumentpage7</formula>其中w表示頻帶，W為頻帶的總個(gè)數(shù)，c/表示傅立葉上半平面的極坐標(biāo)方向，"為總的方向數(shù)，及表示傅立葉平面的最大半徑，a為可調(diào)的參數(shù)。圖3表示a取不同值時(shí)，對(duì)應(yīng)的半徑、值，當(dāng)《=1時(shí)，"為線性函數(shù)，表示在半徑上均勻取點(diǎn)，當(dāng)"增大時(shí)，轉(zhuǎn)為非線性函數(shù)，使得低頻位置取點(diǎn)更為密集，而高頻部分取點(diǎn)稀疏，符合多尺度幾何分析中的子帶劃分的思想。多次實(shí)驗(yàn)結(jié)果表明，取"=1.5,￡>=16，^=6時(shí)結(jié)果較為穩(wěn)??；2c)根據(jù)下式計(jì)算每個(gè)子帶的大小A;-其中，同一頻帶不同方向上的子帶大小相同。步驟3，按照下式計(jì)算〖個(gè)子帶的能量特征，得到特征向量r-bj-l，...，A:IAI_/s々其中l(wèi)sl表示子帶系數(shù)的絕對(duì)值，4為第A個(gè)子帶的系數(shù)坐標(biāo)集合，1*1表示集合大小。步驟4，重復(fù)步驟23，對(duì)每一類紋理，計(jì)算所有訓(xùn)練樣本的特征向量，以特征向量為列向量構(gòu)成特征矩陣M。步驟5，計(jì)算每一類圖像的相關(guān)對(duì)序列。5a)計(jì)算某類特征矩陣M的協(xié)方差矩陣C，矩陣C中的系數(shù)s為子帶f和子帶y的相關(guān)系數(shù)，子帶/、y構(gòu)成子帶對(duì)；5b)將各子帶對(duì)按相關(guān)系數(shù)p進(jìn)行降序排列，選擇其中/7>7;即相關(guān)性顯著的相關(guān)對(duì)放入相關(guān)對(duì)序列中，輸出相關(guān)對(duì)序列，這里，考慮到速度和精度的要求，一般取ra=o.4;5c)重復(fù)步驟5a)5b)，計(jì)算每一類圖像的相關(guān)對(duì)序列。步驟6，求分類參數(shù)矩陣X，構(gòu)成分類器。6a)應(yīng)用一元線性回歸模型，計(jì)算每一類紋理的相關(guān)對(duì)序列中各相關(guān)對(duì)的分類模型參數(shù)，設(shè)第z'個(gè)相關(guān)對(duì)的參數(shù)為",A，A，A，計(jì)算公式如下7—附！11>'^_￡1>'>^1>說"a々y'—"~2~~^~"0'一"勸一丄論mVw—2其中，^,;^分別代表某類圖像第/j個(gè)樣本的第f個(gè)相關(guān)對(duì)兩個(gè)子帶能量，夂是由線性回歸方程j,=",.x;c,.+^得到的該相關(guān)對(duì)對(duì)應(yīng)子帶能量&的估計(jì)值，W為樣本大小，當(dāng)兩個(gè)子帶相關(guān)性較高時(shí)，線性回歸方程可以很好的擬合兩個(gè)子帶間的關(guān)系，圖4是紋理圖像D6的相關(guān)對(duì)28和29的能量分布圖，其相關(guān)系數(shù)為0.9952，圖4中直線是線性回歸方程得到的，可以看到，該直線可以很好的擬合子帶相關(guān)對(duì)間的關(guān)系；6b)按照相關(guān)系數(shù)的降序，將每一類紋理各相關(guān)對(duì)的參數(shù)a力,/z,o"，相關(guān)對(duì)標(biāo)號(hào)及相關(guān)系數(shù)p這些參數(shù)放入分類參數(shù)矩陣X中，作為各類紋理的分類特征參數(shù)，構(gòu)成分類器。步驟7，對(duì)給定測(cè)試樣本圖像進(jìn)行2維快速傅立葉變換，然后按前述步驟23所述的頻域方向特征提取的方法，計(jì)算其頻域方向特征向量K;步驟8，將給定測(cè)試樣本的特征向量r與分類器中所有參數(shù)的擬合程度進(jìn)行比較，得到該測(cè)試樣本的類標(biāo)。8a)取出第/類圖像第/個(gè)相關(guān)對(duì)的一元線性回歸模型分類參數(shù)fl,^，/z,.，q及測(cè)試樣本特征中該相關(guān)對(duì)對(duì)應(yīng)的子帶特征(x,,X);8b)按照一元線性回歸方程:P="x;c+6求得子帶特征x的估計(jì)值jP,.，計(jì)算誤8c)按照卞式得到測(cè)試樣本符合第y類圖像每一個(gè)相關(guān)對(duì)分類參數(shù)模型的概率<formula>formulaseeoriginaldocumentpage9</formula>其中￡是第/類圖像相關(guān)對(duì)序列中相關(guān)對(duì)的總個(gè)數(shù);8d)計(jì)算測(cè)試樣本屬于第j'類圖像的概率i^<formula>formulaseeoriginaldocumentpage9</formula>8e)重復(fù)步驟8a)8d)，計(jì)算出該測(cè)試樣本屬于每一類圖像的概率，得到概率集P={《，；=1，...，S}，其中S為圖像集的總類別數(shù)；8f)將步驟8e)得到的概率集P按降序排列，若最大概率值i^唯一，則將測(cè)試樣本歸為最大概率對(duì)應(yīng)的類；若P^不唯一，則將該測(cè)試樣本歸入拒絕域，表明該樣本的類標(biāo)不確定。步驟9，重復(fù)步驟8，求測(cè)試樣本圖像數(shù)據(jù)集中所有測(cè)試樣本圖像的類標(biāo)并輸出。本發(fā)明的效果可通過以下仿真實(shí)驗(yàn)進(jìn)一步說明。1.仿真內(nèi)容本發(fā)明以及小波、小波包、輪廓波的Brodatz紋理圖像及SAR圖像分類實(shí)驗(yàn)。2.仿真條件Intel(R)Pentium(R)4CPU,3.00GHz，WindowsXP系統(tǒng)，Matlab7.4.0運(yùn)行平臺(tái)。3.仿真實(shí)驗(yàn)結(jié)果實(shí)驗(yàn)中分別對(duì)紋理圖像和SAR圖像進(jìn)行分類。A.Brodatz紋理圖像分類實(shí)驗(yàn)參數(shù)設(shè)置如表3所示?？紤]到小波、小波包變換的魯棒性，其子帶最小尺寸為16x16，因此數(shù)據(jù)庫(kù)128和數(shù)據(jù)庫(kù)64的分解層數(shù)不同，分別取3層和2層變換。輪廓波分解的方向數(shù)和層數(shù)根據(jù)實(shí)驗(yàn)結(jié)果，取的是最優(yōu)參數(shù)。對(duì)于本發(fā)明的頻域方向分解，多個(gè)數(shù)據(jù)庫(kù)的多次實(shí)驗(yàn)表明，取參數(shù)"=1.5,"=16，7￥=6時(shí)分類結(jié)果比較穩(wěn)健。表3Brodatz紋理分類實(shí)驗(yàn)參數(shù)設(shè)置<table>tableseeoriginaldocumentpage10</column></row><table>隨機(jī)選取10組訓(xùn)練、測(cè)試樣本進(jìn)行實(shí)驗(yàn)，求10次分類的平均結(jié)果，有如下實(shí)驗(yàn)結(jié)果1)應(yīng)用相關(guān)性分類的方法對(duì)Brodatz紋理庫(kù)128和紋理庫(kù)64進(jìn)行分類，得到如下表4、5所示的實(shí)驗(yàn)結(jié)果。表4Brodatz紋理庫(kù)128的相關(guān)性分類結(jié)果<table>tableseeoriginaldocumentpage10</column></row><table>表5Brodatz紋理庫(kù)64的相關(guān)性分類結(jié)果<table>tableseeoriginaldocumentpage10</column></row><table>從表4、表5可知，將本發(fā)明的頻域方向特征應(yīng)用到相關(guān)性分類方法中，能得到很好的分類效果。同應(yīng)用廣泛的基于小波變換的分類方法及多尺度幾何分析方法輪廓波比較，本發(fā)明得到的分類正確率提高顯著，對(duì)于紋理庫(kù)128,本發(fā)明的分類正確率至少提高近9個(gè)百分點(diǎn)，對(duì)于紋理庫(kù)64，優(yōu)勢(shì)更加明顯，正確率至少提高24%，這一結(jié)果充分驗(yàn)證了本發(fā)明的特征在頻率和方向上劃分更細(xì)致，分類性能好的優(yōu)點(diǎn)。通過比較紋理庫(kù)128和紋理庫(kù)64的分類結(jié)果，我們發(fā)現(xiàn)，隨著子圖尺寸的減小，本發(fā)明的分類性能下降遠(yuǎn)遠(yuǎn)低于其他幾種變換。究其原因，是由于頻域方向特征提取方法在頻域直接操作，且參數(shù)可調(diào)，子帶大小可變，因此圖像尺寸的變化對(duì)該方法影響不大，而其他幾種變換受到變換框架的影響，考慮到魯棒性，一般對(duì)子帶尺寸要求較高，因此對(duì)圖像的最小尺寸有限制。實(shí)驗(yàn)結(jié)果充分說明了本發(fā)明的分類性能優(yōu)于其他幾種方法，而且對(duì)圖像尺寸具有較好的穩(wěn)健性。2)特征提取時(shí)間，本發(fā)明的頻域方向特征提取的時(shí)間明顯低于其他幾種變換，其計(jì)算復(fù)雜度低。下表是對(duì)一幅1024x1024大小的紋理圖像進(jìn)行變換，提取其能量特征所用的時(shí)間。表6各種變換的特征提取時(shí)間，圖像大小為1024*1024<table>tableseeoriginaldocumentpage11</column></row><table>表5所示是幾種變換的特征提取時(shí)間，實(shí)驗(yàn)結(jié)果充分說明，由于本發(fā)明應(yīng)用快速傅立葉變換來(lái)實(shí)現(xiàn)，因此特征提取時(shí)間明顯低于其他幾種變換，計(jì)算復(fù)雜度大大的降低。B.SAR圖像分類實(shí)驗(yàn)參數(shù)設(shè)置如表7所示。SAR圖像分類實(shí)驗(yàn)的參數(shù)設(shè)置和Brodatz紋理圖像類似。表7SAR分類實(shí)驗(yàn)參數(shù)設(shè)置<table>tableseeoriginaldocumentpage11</column></row><table>對(duì)SAR圖像的兩個(gè)數(shù)據(jù)庫(kù)SAR128和SAR64進(jìn)行分類，得到如表8、表9所示為IO次平均的分類結(jié)果。表8數(shù)據(jù)庫(kù)SAR128的相關(guān)性分類結(jié)果<table>tableseeoriginaldocumentpage12</column></row><table>表9數(shù)據(jù)庫(kù)SAR64的相關(guān)性分類結(jié)果<table>tableseeoriginaldocumentpage12</column></row><table>表8、表9所示的結(jié)果表明，本發(fā)明的頻域方向分解的分類效果是最好的。對(duì)于數(shù)據(jù)庫(kù)SAR128，本發(fā)明的分類正確率比小波變換高1.13%，比輪廓波變換高12.43%，比小波包變換高17.25%;數(shù)據(jù)庫(kù)SAR64，本發(fā)明分類結(jié)果優(yōu)勢(shì)更顯著，比其他三種變換高出30多個(gè)百分點(diǎn)，充分驗(yàn)證了本發(fā)明的有效性。此外，由于64x64大小的子圖包含的紋理信息不如128x128子圖豐富，相對(duì)更難于區(qū)分紋理的類別，因此分類正確率將下降。但本發(fā)明僅下降了4%，而其他方法下降顯著，至少降低24%。這一實(shí)驗(yàn)結(jié)果進(jìn)一步驗(yàn)證了，本發(fā)明對(duì)于圖像尺寸的變化有較好的魯棒性。權(quán)利要求1、基于頻域方向特征相關(guān)性的圖像分類方法，具體實(shí)現(xiàn)過程如下(1)選取各類紋理的樣本圖像，并將這些樣本圖像分為訓(xùn)練樣本圖像和測(cè)試樣本圖像兩個(gè)數(shù)據(jù)集；(2)對(duì)訓(xùn)練樣本圖像數(shù)據(jù)集分別進(jìn)行2維快速傅立葉變換，根據(jù)傅立葉平面的頻率和方向?qū)⒏盗⑷~平面劃分為不同的頻域方向子帶；(3)計(jì)算各子帶的能量特征，得到圖像的頻域方向特征矩陣M；(4)計(jì)算頻域方向特征矩陣M各子帶特征間的相關(guān)系數(shù)，根據(jù)各子帶對(duì)的相關(guān)系數(shù)進(jìn)行降序排列，得到相關(guān)對(duì)序列；(5)應(yīng)用一元線性回歸模型求得相關(guān)對(duì)序列中各特征相關(guān)對(duì)的分類特征參數(shù)，構(gòu)成分類器；(6)將測(cè)試樣本圖像的頻域方向特征與分類器中所有參數(shù)的擬合程度進(jìn)行比較，計(jì)算該測(cè)試樣本屬于每一類圖像的概率，取概率最大值對(duì)應(yīng)的類標(biāo)作為該樣本的類標(biāo)；(7)重復(fù)步驟(6)，得到測(cè)試樣本圖像數(shù)據(jù)集中所有樣本圖像的類標(biāo)。2、根據(jù)權(quán)利要求1所述的圖像分類方法，其中步驟(2)所述的根據(jù)傅立葉平面的頻率和方向?qū)⒏盗⑷~平面劃分為不同的頻域方向子帶，按如下步驟進(jìn)行2a)以傅立葉平面的直流分量為中心，將傅立葉上半平面按極坐標(biāo)的半徑和方向劃分為iV個(gè)頻帶和"個(gè)方向，得到《-Wx"+2個(gè)扇區(qū)，每個(gè)扇區(qū)表示從低頻到高頻的不同頻帶和方向信息，構(gòu)成不同的子帶；2b)利用下式計(jì)算每個(gè)子帶中心點(diǎn)(,&)的位置<formula>formulaseeoriginaldocumentpage2</formula>其中w表示頻帶，iV為頻帶的總個(gè)數(shù)，c/表示傅立葉上半平面的極坐標(biāo)方向，D為總的方向數(shù)，i表示傅立葉平面的最大半徑，"為可調(diào)的參數(shù)，"一般取16，W—般取6，a—般取1.5;2c)根據(jù)下式計(jì)算每個(gè)頻帶上的子帶大小A、&"=r"—Vl，M=l，'"，iV，其中，同一頻帶不同方向上的子帶大小相同；2d)以(&，A)為子帶中心，A^為子帶大小進(jìn)行劃窗，得到K個(gè)頻域方向子帶。3、根據(jù)權(quán)利要求l所述的圖像分類方法，其中的步驟(6)所述的計(jì)算該測(cè)試樣本屬于每一類圖像的概率，按如下過程進(jìn)行3a)取出某類圖像第i個(gè)相關(guān)對(duì)的一元線性回歸模型分類參數(shù)",^,A，(7,及測(cè)試樣本特征中該相關(guān)對(duì)對(duì)應(yīng)的子帶特征(《,X);3b)按照一元線性回歸方程:P="xx+6求得子帶特征乂.的估計(jì)值A(chǔ)，計(jì)算誤差X-夕,；3c)按照下式得到測(cè)試樣本符合該類每一個(gè)相關(guān)對(duì)分類參數(shù)模型的概率f:3e)重復(fù)步驟3a)3d)，計(jì)算出該測(cè)試樣本屬于每一類圖像的概率。4、根據(jù)權(quán)利要求1所述的圖像分類方法，其中步驟(6)所述的取概率最大值對(duì)應(yīng)的類標(biāo)作為樣本的類標(biāo)，是將所有得到的概率按降序排列，若最大概率值P^唯一，則將測(cè)試樣本歸為戶_對(duì)應(yīng)的類；若/L^不唯一，則將該測(cè)試樣本歸入拒絕域。其中￡是第^類圖像相關(guān)對(duì)序列中相關(guān)對(duì)的總個(gè)數(shù);3d)計(jì)算測(cè)試樣本屬于該類圖像的概率尸:全文摘要本發(fā)明公開了一種基于頻域方向特征相關(guān)性的圖像分類方法，主要解決現(xiàn)有方法計(jì)算復(fù)雜度高，分類精度低，對(duì)圖像尺寸變化魯棒性差的缺點(diǎn)。其實(shí)現(xiàn)過程包括(1)選取紋理樣本圖像，并分為訓(xùn)練樣本和測(cè)試樣本兩個(gè)圖像數(shù)據(jù)集；(2)對(duì)訓(xùn)練樣本圖像進(jìn)行2維快速傅立葉變換，并根據(jù)傅立葉平面的頻率和方向劃分頻域方向子帶，得到頻域方向特征矩陣；(3)根據(jù)頻域方向特征矩陣子帶特征間的相關(guān)性，求得相關(guān)對(duì)序列；(4)應(yīng)用一元線性回歸模型計(jì)算各相關(guān)對(duì)的分類特征參數(shù)，構(gòu)成分類器；(5)將測(cè)試樣本圖像的頻域方向特征與分類器參數(shù)進(jìn)行擬合，得到測(cè)試樣本的類標(biāo)；(6)重復(fù)步驟(5)，得到所有測(cè)試樣本圖像的類標(biāo)。本發(fā)明可用于對(duì)Brodatz紋理圖像和SAR圖像的分類。文檔編號(hào)G06K9/62GK101551864SQ20091002250公開日2009年10月7日申請(qǐng)日期2009年5月13日優(yōu)先權(quán)日2009年5月13日發(fā)明者公茂果,楊曉鳴,焦李成,爽王,王桂婷,緱水平,樺鐘,馬文萍申請(qǐng)人:西安電子科技大學(xué)