论文部分内容阅读
随着图像采集设备的快速发展,通过互联网共享的图像日益增多,图像数据动辄以TB计。需要有效地管理在线和离线的图像资料库。所以区分不同类别的图像是一项重要的工作。在计算机视觉领域图像分类是一个研究热点。从过去二十年里,有大量的关于图像分类的研究工作。图像分类包括两个主要部分组成:特征提取和分类。根据图像的属性正确区分不同类别的图像是一个值得研究的问题。 图像特征在图像检索,匹配和识别等计算机视觉应用领域起着重要作用。不同类型的图像中包含不同类型的特征,不同的特征提取方法专注于特定特征的提取,例如显著区域特点,兴趣点或局部纹理特征。存在多种特征提取方法,几乎所有的方法都针对特定的图像而设计。其中一些从整个图像中提取特征,一些提取局部特征,一些是基于兴趣点,一些专注于感兴趣区域。在这篇论文中,我们主要关注特征提取方法,特别是局部纹理特征提取方法。 受韦伯定律的启发,一个简单而强大的韦伯局部描述符(Weber Local Descriptor,WID)局部纹理特征提取方法。它有两个主要部分组成:差分激励和方向。我们知道人类的视觉系统对图像的对比度敏感。然而WLD没有考虑对比度信息。 在统计学上,最大似然法(Maximum likelihood Estimation,MLE)经常被用来估计图像的方差,而概率加权矩(Probability Weighted Moment,PWM)很少被用来估计图像的方差。对于小样本大小,相比使用MLE估计的方差PWM能得到更好的估计。据我们所知,PWM从未被用于图像分类,它在本论文中首次用于图像分类。 在这篇论文中,我们提出了一种结合WLD与对比度信息的混合方法,用来改进纹理分类。它利用两个互补的特征的直方图计算,WLD和使用概率加权矩(PWM)计算的图像方差。我们使用支持向量机(Support vector machine,SVM)进行分类,并得到了满意的结果。 该方法与经典的纹理特征提取方法进行对比,如局部二元模式(local Binary Pattern,LBP),局部相量化(Local Phase Quantization,LPQ),Gabor滤波器,WLD和基于兴趣点的特征提取方法的尺度不变特征变换(Scale-Invariant Feature Transform,SIFT)。为检验我们提出方法的有效性,我们在两个公开的纹理图像数据集上进行实验,Brodatz和KTH.TIPS2.a,还在一个自然场景分类数据集上进行实验,15场景分类数据集(15 sceneclassification dataset)。结果表明,我们所提出的方法优于经典的纹理和自然的场景分类方。