[发明专利]基于显著性无监督部件划分的弱结构物体细粒度分类方法

说明书

本发明公开了基于显著性无监督部件划分的弱结构物体细粒度分类方法，步骤为：获取数据集训练样本D；对数据集训练样本D进行前景分割处理，得到处理后数据集D1；基于显著性无监督部件划分方法对数据集D1使用显著性信息对花朵图像前景进行无监督的部件结构的划分，并对局部特征提取和编码池化，产生特征数据集D2；将数据集D2结合多种特征SIFT、dense SIFT和Lab color计算融合多特征的中层特征表示，使用全局提取并池化的特征对图像数据集进行分类，得到物体细粒度的分类结果。该方法模拟人类观察物体的过程，有效提高特征编码的判别能力，在弱结构物体分类中，不用引入新类型的特征，即可与全局类的方法形成互补，方便扩展到应用了任何全局特征的分类方法中。

技术领域

本发明涉及医学图像处理技术领域，具体是基于显著性无监督部件划分的弱结构物体细粒度分类方法。

背景技术

同一基本类别的物体一般都具有相似的身体部件，使得精细化的部件检测和局部特征提取成为可能。但是，也有一部分细粒度分类中的对象物体,因为其不同类别样本的对应部件具有显著的形状差异，导致无法训练统一的部件检测子，极大地增加了部件检测和局部特征提取的困难，我们称这类物体为弱结构物体，比如花朵。一般的弱结构物体分类方法都是通过提取全局的视觉特征进行分类，这难免会忽略一些重要的局部特征，降低特征的判别能力。因此使用基于显著性的无监督部件划分策略来提升特征的判别能力，提出一种弱结构物体细粒度分类方法。

得益于对部件的分析，一般的细粒度分类方法在分类鸟类，狗类，车辆等物体上取得了不错的效果。这些方法的成功依赖于这些物体的部件所具有相似的外观，使得这些部件能够被对齐到一个同一的特征空间。然而也是由于这个原因，这类方法在分类植物等一些弱结构物体方面的性能并不是非常理想。具体来说，除了细粒度分类领域面临的传统困难，比如光照、姿态变化以及高度局部化的特征，弱结构物体极大的形状变化更进一步加重了图像分析的困难。比如一些花朵的花蕊非常细小，还会因为姿态变化表现出极大的类内变化，还有一些花朵具有5片较宽大的花瓣，而一些花朵具有成簇的细碎花瓣，要将对齐这些部件是极其困难的。由于这些原因，一些非常先进的细粒度分类方法也无法直接应用在弱结构物体的分类上。

大多数的弱结构物体类方法遵循一个相同的分类流程：首先对前景进行分割，然后提取前景的底层视觉特征，接着使用视觉词袋编码技术(BOW)对提取的全局特征进行特征编码得到最终的分类向量。已有的工作大多聚焦于怎样检测和提取前景分割，提取具有判别力的特征等方面。Angelova等通提出了一种结合了区域分割和前景分割的细粒度花朵分类方法。类似地，Chai等提出了一种二层次的分割方法用于分割并分类花朵。Nilsback等不仅仅使用了颜色模型来分割花朵的前景，还使用了一种基于形状的模型来描述花的各部分结构。还有部分工作集中于如何设计和评估特征比如形状描述子和角度描述子,纹理描述子。一部分方法还研究了如何融合多种特征并评估它们在花朵分类中的效果。但是所有上述方法都是在前景的全局提取特征后进行全局的特征编码池化，通过BOW得到最终的分类向量。这些方案都没有对弱结构物体的结构进行进一步的探索，限制了其性能的进一步提升。因为一些用于描述细小的花朵部件的视觉单词会因此被其他分布广泛的视觉单词所淹没，影响了这些视觉单词在最终分类向量中的特征表达效果，降低了特征的判别能力。所以提出使用图像显著度特性来自动地发现和划分弱结构物体的部件。在该方法中，模拟了人类观察物体的过程，并设计了局部特征提取和局部编码池化策略，能够一定程度上解决上述问题，并提高弱结构物体的分类准确率。

发明内容

本发明的目的在于克服现有技术的不足，而提供一种基于显著性无监督部件划分的弱结构物体细粒度分类方法，该方法模拟了人类观察物体的过程，有效提高最终的特征编码的判别能力，在弱结构物体分类中，不用引入新类型的特征，就可以和全局类的方法形成互补，方便地扩展到应用了任何全局特征的分类方法中。

实现本发明目的的技术方案是：

基于显著性无监督部件划分的弱结构物体细粒度分类方法，包括如下步骤：