[发明专利]Gabor小波域copula模型图像分类方法

说明书

本发明提出一种在Gabor小波的幅度子带和相角子带上分别建立copula模型的方法来表示图像，并应用于图像的分类。用高斯copula模型建模Gabor小波子带时，只利用高斯copula函数而丢弃其众多的边缘函数，以减少计算量。本发明用黎曼距离(Riemannian Distance，RD)来衡量两个高斯copula函数之间的相似程度。在图像分类阶段，计算Gabor小波幅度子带的高斯copula模型和相角子带的高斯copula模型的加权黎曼距离来实现图像分类。本发明把幅度和相角上的copula模型结合起来进一步提高了Gabor小波图像表示能力，尤其是相角子带copula模型的加入使分类算法更能够适应于对不同分辨率图片的分类。

技术领域

本发明涉及图像分类领域，尤其是涉及在Gabor小波的幅度和相角上建立copula模型的图像分类方法。

背景技术

图像分类是计算机视觉中的重要研究内容。分类的关键任务是如何提取图像特征以及利用特征来识别图像。Gabor小波的幅度和相角都是有效的图像特征并被广泛应用。然而Gabor小波特征系数庞大，还需要进一步对这些Gabor 小波系进行提取。Gabor小波由若干不同方向和频率的Gabor滤波器组成，用其分解一幅图像I(x，y)可以表示为：g_l，d(z)＝I(x，y)*ψ_l，d(x，y)，其中ψ_l，d(x，y)是在l尺度和d方向上的Gabor滤波器。g_l，d(z)是分解后得到的 Gabor子带，共有l×d个子带。g_l，d(z)是复数，它的幅度M_l，d(z)和相角 A_l，d(z)分别表示为：

A_l，d(z)＝arctan(Re_l，d(z)/Im_l，d(z))

其中Re_l，d(z)和Im_l，d(z)分别是Gabor小波的实部和虚部系数。

在Gabor小波变换域，多维统计模型比单变量模型有根好的表达能力。 Copula模型就是一种优秀的多维统计模型，已经有报道在Gabor小波幅度子带上建立copula的方法，并且获得了很好的效果。高斯copula是常用的copula，它的优点在于综合性能较好，且计算方便。高斯copula的密度函数表示如下：

其中ξ＝[ξ₁，…，ξ_d]，ξ_i＝Φ^-1(u_i)，Φ^-1(·)是正态分布逆函数，R是高斯 copula的参数成为相关矩阵，R决定随机变量之间的相关特性。在边缘累积分布CDF序列u_i给定情况下，用最大似然估计可以计算出R，表示如下：

其中N是列向量ξ_i的长度,ξ＝[ξ₁,…,ξ_d]。

发明内容