[发明专利]一种对互联网大麻图像进行的过滤方法

权利要求书

1.一种对互联网大麻图像进行的过滤方法，其特征在于，包括步骤：

步骤1：利用尺度不变特征变换算法提取图像的局部特征；

步骤2：对每一个大麻训练图像的每一个局部特征构造一个自相似性 弱分类器；自相似性弱分类器考察任意一幅测试图像的两方面性质：一 是这幅测试图像是否与此自相似性弱分类器的局部特征所在的大麻图像 相似，二是这幅测试图像的自相似程度是否足够；如果一幅测试图像既 与此自相似性弱分类器的局部特征所在的大麻图像相似，又有足够的自 相似性，自相似性弱分类器输出1，否则输出-1；

步骤3：基于Adaboost算法将自相似性弱分类器整合到一起，构造 一个强分类器，此强分类器根据一幅图像的所有局部特征判断此图像是 否为大麻图像；

所述自相似性弱分类器通过计算一幅测试图像中有多少个局部特征 与此自相似性弱分类器的局部特征相似来度量测试图像内的自相似性； 所述自相似性弱分类器通过计算一幅图像中是否存在局部特征与此自相 似性弱分类器的局部特征相似来度量这两个局部特征所在图像的相似 性；具体定义如下：定义d(·，·)为两个局部特征SIFT的欧式距离；定义 集合{F_i，j，j＝1，...，n_i}是第I_i个测试图像的所有局部特征；自相似性弱分类器 包含一个局部特征f_k，一个距离阈值θ_d和一个数量阈值θ_n；如果一个特 征F_i，j满足方程d(F_i，j，f_k)＜θ_d，就说这个特征和此自相似性弱分类器相似；

所述自相似性弱分类器定义如下：

h(fk,θd,θn)=]]>

1,Card({Fi,j|d(Fi,j,fk)<θd,j=1,...,ni})≥θn-1,otherwise]]>

其中Card({·})表示一个集合的势，即集合中元素的个数； Card({F_i，j|d(F_i，j，f_k)＜θ_d，j＝1，...，n_i})表示集合{F_i，j，j＝1，...，n_i}中满足方程 d(F_i，j，f_k)＜θ_d的特征数目；这种设计表明不仅关心是否存在特征和自相似 性弱分类器相似，还关心满足这样条件的特征数目；一个图像被自相似 性弱分类器接受是这幅图像中有足够多的特征和这个自相似性弱分类器 相似，因此，计算图像中有多少个特征与自相似性弱分类器相似表达了 测试图像内部局部特征之间的相似性。

2.按权利要求1所述的方法，其特征在于：所述的基于Adaboost 算法的强分类器设计包括步骤：

步骤31：首先设定自相似性弱分类器集合为H＝{h_f}，其中h_f是自 相似性弱分类器；利用给定带标记的训练样本集为：(x₁，y₁)，…，(x_n，y_n)， 初始化训练样本权值为：ω⁽¹⁾(i)＝1/n(i＝1，…，n)，循环步骤32到步骤35；

步骤32：从自相似性弱分类器集合H＝{h_f}中选择一个自相似性弱 分类器h^(t)，使得给定带标记的训练样本上的加权分类错误率ε最小，即：

h(t)=argminhj∈Hϵj=Σi=1nω(t)(i)I[yi≠hj(xi)],]]>循环次数t＝1，…，T，I(·)为 示性函数，即判断函数I(·)括号中的逻辑式是否为真，如果为真，I(·)＝1， 否则I(·)＝0；

步骤33：如果则令T＝t-1，终止循环；

步骤34：根据贪婪策略计算α(t)=12log(1-ϵ(t)ϵ(t));]]>

步骤35：根据加权分类错误率重新计算训练样本权值，即：

ω(t+1)=ω(t)exp(-α(t)yih(t)(xi))Z(t)]]>

其中Z^(t)是一个归一化因子，标记信息为y_i∈{+1，-1}；

当循环结束后，得到一个强分类器：H(x)=sign(Σt=1Tα(t)h(t)(x)),]]>其 中sign是符号函数。