一种彩色图像重构与识别方法及系统的制作方法
【专利摘要】本发明公开了一种彩色图像重构与识别方法及系统，利用无标签的彩色图像训练样本进行彩色散度矩阵构造，对彩色图像进行二维主成分学习，通过一个特征分解问题得到投影矩阵，完成特征降维，将降维后的数据输入最近邻分类器，再将测试样本嵌入到投影空间进行特征提取，输入至最近邻分类器进行相似性度量，输出测试样本的类别，得到最准确的彩色图像识别结果。通过优化一个无监督的特征问题实现彩色图像特征的直接降维，降低了时间复杂性，使基于彩色图像特征提取的识别过程快速，同时可有效保持图像像素中包含的重要彩色信息和拓扑结构。此外，投影方向可有效用于彩色图像重构，通过选取一定数量的投影向量，可得到清晰的彩色图像重构结果。
【专利说明】一种彩色图像重构与识别方法及系统
【技术领域】
[0001] 本发明涉及计算机视觉和图像识别【技术领域】，更具体的说，是涉及一种彩色图像 的重构和识别方法和系统。
【背景技术】
[0002] 随着信息时代和互联网的到来，需要处理的数据和信息日益增加，而在日常的交 际和网上冲浪过程中，彩色的图像非常常见，但是种类繁多、类别难以准确进行标定，使得 彩色图像识别技术发展成为计算机视觉与模式识别领域中一个难题之一。彩色图像识别技 术通过计算机，实现图像数字化，再进行数据分析，获取彩色特征，对彩色图像进行自动的 类别判定，在机器视觉系统等领域具有重大的意义，一旦研究成功并投入应用，将产生巨大 的社会和经济效益。然而彩色图像尽管能比灰度图像反映出更多的信息，但本身也包含很 多冗余信息（如颜色和结构冗余）和不利特征，这增加了特征提取的难度。到目前为止，彩 色图像重构和识别技术还有很大的发展空间。由于其巨大的研究价值和商业价值，越来越 多的研究者投身于此。
[0003] 近年来，为了实现彩色图像的彩色特征提取，一些彩色的图像处理和识别方法相 继被提出。其中，PCA彩色子空间法是最为代表性的方法之一。为了表示和识别彩色图像， PCA彩色子空间法使用三阶彩色张量来构造一个新的子空间，通过三阶张量的模式-3型水 平或垂直展开，把彩色图像转化为灰色图像后再进行处理，在一定程度上解决了彩色特征 提取的问题。尽管PCA彩色子空间可实现彩色图像的特征提取，但通过空间展开的方式在 本质上不是一个真正意义上的彩色图像特征提取方法，且用模式-3型垂直展开的PCA彩色 子空间法会面临计算成本高的问题，特别是当彩色图像的尺寸很大。
[0004] 因此，提供一种简单有效的彩色图像重构和识别方法，通过优化一个无监督的特 征问题实现彩色图像特征的直接提取，降低了复杂性，提高了彩色图像的重构能力和识别 能力，是本领域技术人员亟待解决的问题。
【发明内容】
[0005] 有鉴于此，本发明提供了一种彩色图像重构与识别方法及系统，以克服现有技术 中由于样本复杂度较高，导致计算复杂度增加的问题，实现真正意义上的彩色图像特征提 取方案。
[0006] 为实现上述目的，本发明提供如下技术方案：
[0007] -种彩色图像重构与识别方法，包括：
[0008] 对无任何监督型先验知识的彩色图像训练样本进行彩色散度矩阵构造，利用构造 的彩色散度矩阵，直接对彩色图像进行二维主成分学习，通过特征分解计算得到投影矩阵， 完成特征降维；
[0009] 通过所述投影矩阵对彩色图像训练样本和彩色图像测试样本进行彩色二维主成 分特征提取，将彩色图像训练样本降维得到的彩色二维主成分特征数据输入分类器，进行 k-近邻分类器建模；
[0010] 将彩色图像测试样本降维得到的彩色二维主成分特征数据输入k-近邻分类器进 行相似性评估，输出彩色图像测试样本的类别标签，得到的彩色图像测试样本识别结果。
[0011] 优选的，对无任何监督型先验知识的彩色图像训练样本进行彩色散度矩阵构造， 具体为：
[0012] 在提取彩色图像特征时，所述目的在于有效利用彩色图像每层结构中包含的重要 信息，令L= 1，2,3分别表示彩色空间中的R(红色）成分、G(绿色）成分和B(蓝色）成 分。对于给定的一组彩色图像i= 1，2,…，N，令S(t)为构造的彩色图像协方差 (散度）矩阵，所述定义如下特征问题：
【权利要求】
1. 一种彩色图像重构与识别方法，其特征在于，包括： 对无任何监督型先验知识的彩色图像训练样本进行彩色散度矩阵构造，利用构造的彩 色散度矩阵，直接对彩色图像进行二维主成分学习，通过特征分解计算得到投影矩阵，完成 特征降维； 通过所述投影矩阵对彩色图像训练样本和彩色图像测试样本进行彩色二维主成分特 征提取，将彩色图像训练样本降维得到的彩色二维主成分特征数据输入分类器，进行k-近 邻分类器建模； 将彩色图像测试样本降维得到的彩色二维主成分特征数据输入k-近邻分类器进行相 似性评估，输出彩色图像测试样本的类别标签，得到的彩色图像测试样本识别结果。
2. 根据权利要求1所述的方法，其特征在于，对无任何监督型先验知识的彩色图像训 练样本进行彩色散度矩阵构造，具体为： 在提取彩色图像特征时，所述目的在于有效利用彩色图像每层结构中包含的重要信 息，令L= 1，2, 3分别表示彩色空间中的R(红色）成分、G(绿色）成分和B(蓝色）成分， 对于给定的一组彩色图像i= 1，2,…，N，令S(t)为构造的彩色图像协方差（散 度）矩阵，所述定义如下特征问题：
其中，
>WTW=Idxd为正交的约束，符号T表示矩阵 的转置，N表示彩色训练样本的个数，#为彩色图像P#K_xi的投影（或嵌入）图像，m、n为图像的长和宽； 根据上述特征问题，选取彩色图像协方差矩阵S(t)的前d个最大的特征值对应的特征 向量，组成投影矩阵『={%丨^，进而完成彩色图像的彩色二维主成分特征提取。
3. 根据权利要求2所述的方法，其特征在于，通过所述投影矩阵对彩色图像训练样本 和彩色图像测试样本进行彩色二维主成分特征提取，包括： 针对彩色图像训练样本或彩色图像测试的彩色图像，利用投影矩阵对彩色 图像进行特征提取，对彩色图像Pi，令#为第L层中的If的嵌入图像的集合，可到：
其中，攻是用Wk表示的第k个特征向量，基于彩色空间每层计算得到的矩阵
，（mXd)又被称为彩色空间中的第L层的图像#的特征矩阵 (mXd)，因此，从彩色空间的三层结构中提取出的特征矩阵形成彩色图像匕最终特征矩阵
使用训练样本的彩色二维主成分特征组成训练集，用来进行k-近邻分类器建模，利用 测试样本的彩色二维主成分特征组成测试集，用于评估分类器模型的识别性能。
4. 根据权利要求3所述的方法，其特征在于，将彩色图像测试样本降维得到的彩色二 维主成分特征数据输入分类器进行相似性评估包括： 对任意一幅彩色样本图像，可用所述投影矩阵完成彩色主成分特征提取，得到一个特 征矩阵F，对任意两幅彩色样本图像的特征矩阵，表示为Fu= [Zu^Zy，…，Zu,3d]和匕= [Zv，i，Zv，2，…，Zv，3d]，则矩阵Fu和Fv之间的欧几里德距离为
规定一个未知类别标签的彩色图像测试样本Ptost，其特征矩阵表示为Ftest，如果 =mind(Ftest，FT)，t= {1，2，...，c}，其中，c为彩色图像训练样本的类别总数 量，则将该彩色图像测试样本Ptest归为第1类，完成分类。
5. 根据权利要求1所述的方法，其特征在于，k-近邻分类器中k= 1。
6. 根据权利要求1所述的方法，其特征在于，还包括： 对所述彩色图像训练样本和所述彩色图像测试样本进行预处理。
7. -种彩色图像重构与识别系统，其特征在于，包括： 训练模块，用于对无任何监督型先验知识的彩色图像训练样本进行彩色散度矩阵构 造，利用构造的彩色散度矩阵，直接对彩色图像进行二维主成分学习，通过特征分解计算得 到投影矩阵，完成特征降维； 投影模块，用于通过所述投影矩阵对彩色图像训练样本和彩色图像测试样本进行彩色 二维主成分特征提取，将彩色图像训练样本降维得到的彩色二维主成分特征数据输入分类 器，进行k-近邻分类器建模； 测试模块，用于将彩色图像测试样本降维得到的彩色二维主成分特征数据输入k-近 邻分类器进行相似性评估，输出彩色图像测试样本的类别标签，得到的彩色图像测试样本 识别结果。
8. 根据权利要求7所述的系统，其特征在于，还包括： 训练预处理模块，用于测试前对所述彩色图像训练样本和所述彩色图像测试样本进行 预处理。
9. 根据权利要求7所述的系统，其特征在于，k-近邻分类器中k= 1。
10. 根据权利要求7所述的系统，其特征在于，所述彩色图像测试样本和所述彩色图像 训练样本均为RGB三层彩色结构。
【文档编号】G06T5/00GK104408693SQ201410698813
【公开日】2015年3月11日 申请日期:2014年11月27日 优先权日:2014年11月27日
【发明者】张召, 汤煜, 李凡长, 张莉 申请人:苏州大学