[发明专利]一种基于分层Laplace的图像特征分析方法

权利要求书

1.一种基于分层Laplace的图像特征分析方法，其特征在于，包括以下步骤：

步骤Step1：构建一个图像数据库，所述图像数据库包括多张原始图像，并对所述图像数据库中的原始图像进行预处理操作，获取图像数据集I；

步骤Step2：对经过预处理后的图像数据集中每个待识别图像进行向量化表示，构建最近邻集合，得到拉普拉斯矩阵L₁；

步骤Step3：根据拉普拉斯矩阵L₁对不同的特征信息进行分析；

步骤Step4：对每个图像构建图像的邻接矩阵，得到拉普拉斯矩阵L₂；

步骤Step5：对所述拉普拉斯矩阵L₂进行奇异值分解，筛选掉图像特征子集中不稳定的特征点，得到最优的特征子集，提取出每个图像最优的图像特征子集。

2.如权利要求1所述的基于分层Laplace的图像特征分析方法，其特征在于，所述预处理操作包括对图像进行尺寸标准化和滤波处理，及通过平滑操作去除图像噪声。

3.如权利要求2所述的基于分层Laplace的图像特征分析方法，其特征在于，所述对经过预处理后的图像数据集中待识别图像进行向量化表示，构建最近邻集合，得到拉普拉斯矩阵L₁包括：将每个图像用高维度的向量I_n表示，I_n＝(x_1，n，x_2，n，…，x_i，n)T，x_j，n表示第n个图像所对应的第j个特征的值，所有图像特征向量可表示为I＝(I₁，I₂，...，I_n)；根据A个图像向量两两之间的距离和设定的集合参数得到图像a的最近邻集合，由所述最近邻集合构建相似矩阵阵W，其中，当第i个图像属于第j个图像的最近邻集合时，W_i，j＝1，剩余元素为0，根据所述相似矩阵阵W计算拉普拉斯矩阵L₁＝D-W。

4.如权利要求3所述的基于分层Laplace的图像特征分析方法，其特征在于，所述根据拉普拉斯矩阵L₁对不同类别的特征信息进行分析包括：根据拉普拉斯正则化最小均方的方法计算得到协方差矩阵，通过最小化协方差得到对应的特征子集，用最优化协方差矩阵的行列式和最优化协方差矩阵的迹两种最优判别标准，提取出对应的图像特征子集。

5.如权利要求1所述的基于分层Laplace的图像特征分析方法，其特征在于，将每个图像x_n均匀划分为k个部分，并标记对应标签，表示为x_n＝(x_n1，x_n2，...，x_ns，...，x_nk)，其中，x_ns表示第n个图像所对应的第s个部分，对x_ns提取m个特征点，得到特征点集M＝(u_ns，1，u_ns，2，…，u_ns，m)，所述特征点集表征了图像x_ns的结构特征信息。

6.如权利要求5所述的基于分层Laplace的图像特征分析方法，其特征在于，所述构建图像的邻接矩阵，得到拉普拉斯矩阵包括：根据计算所述特征点集M的基于递增权函数的邻接矩阵，其中：p，q＝1，…，m，R为特征点集M中任意两点间连线的集合，H_ns(p，q)为递增权函数；计算邻接矩阵G_ns的度矩阵D_ns＝dsag(d(1)，d(2)，...，d(r))，其中，d(1)＝∑_q∈MG_ns[p，q]，则度矩阵减去邻接矩阵可以得到拉普拉斯矩阵L₂＝D_ns-G_ns。