[发明专利]一种基于邻域尺度变化的图像特征提取方法

说明书

技术领域

本发明属于图像处理技术领域，具体涉及一种基于邻域尺度变化的图像特征提取方法。

背景技术

图像特征提取是图像处理中非常重要的基础运算之一。计算机通过对数字图像进行分析和处理来提取图像的不变特征，即通过运算来检查图像的每一个像素，最后确定像素所属的特征，进而利用提取出来的特征解决实际问题。由于实际问题的类型各不相同，图像的特征可归纳为灰度特征、纹理特征等特征，如何从原始图像中提取具有较强表示能力的图像特征是图像处理研究的一个热点。

 近年来随着各种特征提取方法的涌现，提取结果的特征向量维数也变得越来越高。维数过高的缺点一方面体现在特征之间的相关性非常复杂，难以得到真正有用的信息；另一方面则是带来了“维度灾难”问题，使得分类器要消耗大量的时间来进行分类处理。

特征选择是降低特征向量维数的一个常用方法。通过特征选择算法设置不同的搜索策略和评价准则以从特征向量中挑选出最有效的特征以降低特征空间的维数。但这种降低特征向量维数的方法过于依赖所选用的特征选择算法，而在实际应用中往往需要根据具体环境来设置计算量与性能之间的最佳平衡点，使得特征选择算法的通用性差。除此之外，如果原始的图像特征不足以判别不同的种类，即使采用最好的特征选择算法也不能得到良好的分类结果。

根据Rousseau等人的研究，图像中一个像素点的特征可有效地运用其邻域信息来表达，基于块状邻域的特征提取算法已被广泛用于图像处理中。然而，直接使用块状邻域的图像信息会得到较高的特征维数。如，仅仅采用以目标像素点为中心的9×9×9领域内的像素点灰度值信息就可得到高达729维的图像特征，而传统的基于块状邻域的特征提取算法也不具备鲁棒性。

针对传统的基于块状邻域的特征提取算法维数高、鲁棒性不强的缺点以及特征选择算法通用性差的缺陷，提供一种能够降低特征维数、增强鲁棒特征的基于邻域尺度变化的图像特征提取方法以克服现有技术不足甚为必要。

发明内容

本发明的目的在于针对现有技术不足，提供一种基于邻域尺度变化的图像特征提取方法，该方法获得的图像特征维数低、区分度高、鲁棒性强，有助于后续分类器的处理。

本发明的上述目的通过如下技术方案实现。

一种基于邻域尺度变化的图像特征提取方法，依次包括如下步骤，

（1）在经典图像网格模板上取一点                                                作为中心点，设置所述中心点的邻域范围大小，所述中心点邻域内的点为采样点；

（2）计算每个采样点的邻域尺度，其中，为采样点的个数，采样点的邻域尺度为以该采样点为圆心的圆的直径；

（3）根据步骤（2）计算得到的每个采样点的邻域尺度，对邻域内的每个采样点一一实施坐标变换； 

（4）对变换后的采样点进行裁剪，舍去坐标变换后超出邻域范围的采样点；

（5）对保留下来的采样点，利用变换后的新坐标计算每个采样点新的邻域尺度，其中，为经过裁剪后的采样点的个数， 

将每个以采样点为圆心邻域尺度为直径的圆作为邻域的子区域，将保留下来的每个采样点对应的子区域组合起来得到最终的变尺度邻域模板；

（6）将变尺度邻域模板对应到待处理的图像上，得到其邻域的子区域划分，通过计算每个子区域的特征就得到了对应的每个采样点的特征，将邻域内的采样点的特征组合起来构成中心点的特征。  

上述步骤（2）和步骤（5）中采样点的邻域尺度的计算方法具体为：，其中，值为邻域尺度增大的程度参数， ，为采样点的邻域尺度，为采样点与中心点之间的距离。

上述值的范围为2-4。

上述步骤（3）中采样点的坐标变换方法具体为：

其中，为采样点的原始坐标，为采样点变换后的坐标，为采样点距离中心点的距离。

优选的，上述步骤（6）中子区域特征的计算方法具体为：

针对步骤（5）得到的邻域内的每一个圆形子区域，统计子区域内所有像素的特征信息。

上述统计方法为取平均值或者求直方图法。

另一优选的，上述步骤（6）中子区域特征的计算方法具体为：

针对步骤（5）得到的邻域内的每一个圆形子区域，计算子区域内所有像素的特征信息。

计算子区域内所有像素的特征信息具体采用提取像素点灰度值法、伽伯变换法、灰度共生矩阵法或者角点检测法进行计算。