[发明专利]基于有监督共享组件主题模型的图像分类方法

说明书

技术领域

本发明属于图像处理技术领域，更进一步涉及图像分类技术领域中的一种基于有监督共享组件主题模型的图像分类方法。本发明可用于目标识别检测、车辆导航、医学疾病的诊断。

背景技术

目前，自然图像分类已经成为图像处理技术领域里一个很重要的研究主体。自然图像分类有很广泛的应用，如目标识别与检测、车辆导航、医学疾病的诊断等领域。由于照明情况、拍摄角度等条件的不同，自然图像类内会有一定的差异性，又由于图像特征提取方法的不足，自然图像类间会有一定的一致性，这些都导致自然图像分类具有很大的挑战性。

近期自然图像分类方法中应用比较广泛的是基于中层语义的图像分类方法。中层语义是从低层语义中推导出的语义信息，能够弥补图像中高层语义和低层语义之间的鸿沟，更有效的表示图像，提高图像的分类正确率。

中国人民解放军国防科学技术大学提出的专利申请“一种基于区域潜在语义特征的自然场景图像分类方法”（专利申请号200810031577.3，公开号CN101315663A）公开了一种应用区域信息和中层语义进行图像分类的方法。该方法实现的具体步骤是，首先，建立自然图像分类代表集，将图像库中的每一幅图像都分配一个图像类别；其次，对自然图像分类代表集中的图像提取SIFT特征即尺度不变特征，并生成视觉词汇表；然后，对自然图像分类代表集中的图像进行词典表示，应用概率潜在语义分析方法生成词汇的后验概率，得到图像的潜在语义特征；最后，将图像的潜在语义特征和图像对应的类别标号运用支持矢量机生成自然图像分类模型，对图像进行分类。该专利申请所公开的方法，虽然利用了图像的区域语义信息和区域语义信息在图像上的空间分布情况，提高了分类的准确性，但是，仍然存在的不足是，需要的参数数量较多，对于新的图像，只使用后验概率求得的潜在语义特征对图像表示效果较差，导致图像分类正确率不高。

西安电子科技大学提出的专利申请“潜在狄利克雷模型的多尺度字典自然场景图像分类方法”（专利申请号2013103069752，公开号CN103390046A）公开了一种应用多个尺度字典稀疏表示图像的分类方法。该方法实现的具体步骤是，首先，建立自然图像分类训练集和测试集；其次，提取训练集中每幅图像采样点的尺度不变特征集合，生成多尺度字典，用该字典对训练集和测试集中的每幅图像进行词典描述；然后，运用潜在狄利克雷模型得到训练集和测试集中每一幅图像的潜在语义主题分布向量；最后，将训练集中每一幅图像的潜在语义主题分布和图像对应的类别标号运用支持矢量机生成自然图像分类模型，并对测试集中的每一幅图像进行分类。该专利申请所公开的方法，虽然增加了字典的个数，提高字典表示图像的能力，提高了分类的准确性，但是仍然存在的不足是，由于多尺度字典增加了分类方法的时间复杂度，而且忽略了主题之间的相关性。

发明内容

本发明针对上述专利申请所公开的方法的不足，提出基于有监督共享组件主题模型的图像分类方法，实现较高的图像分类正确率。

为实现上述目的，本发明的技术方案包括如下步骤：

(1)建立自然图像训练集和自然图像测试集：

(1a)从待分类的图像库中的每个图像类别中，随机选取50～100幅图像，将所选取的图像组成自然图像训练集；

(1b)将图像库中选取自然图像训练集后剩余的图像，组成自然图像测试集。

(2)生成视觉字典：

(2a)用均匀的网格分别对自然图像训练集和自然图像测试集中的每幅图像进行网格划分，将每幅图像划分后的所有网格作为该幅图像的采样点；

(2b)用尺度不变特征提取方法，对每幅图像的每个采样点提取尺度不变特征，将每幅图像提取的所有尺度不变特征作为该幅图像的尺度不变特征集合；

(2c)计算自然图像训练集上所有图像的尺度不变特征之间的欧式距离，按照欧式距离对尺度不变特征进行聚类，每个聚类中心对应一个视觉词汇；

(2d)将所有聚类中心构成视觉字典。

(3)生成图像稀疏表示向量：

(3a)计算自然图像训练集和自然图像测试集中每幅图像的尺度不变特征集合中的每个尺度不变特征与视觉字典中的每个词汇所对应尺度不特征之间的欧式距离，找出并保存欧氏距离最小的词汇，每幅图像保存的所有欧氏距离最小的词汇构成该幅图像的词汇集合；

(3b)统计视觉字典中每个词汇在自然图像训练集和自然图像测试集中每幅图像的词汇集合中出现的频次，将所统计的频次构成每幅图像的稀疏表示向量。

(4)生成主题分布向量：