[发明专利]一种基于分层Laplace的图像特征分析方法

说明书

本发明提供了一种基于分层Laplace的图像特征分析方法，包括：步骤Step1：构建一个图像数据库，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，本发明可更好地描述图像特征的稀疏特性，且计算简单、估计精确，效率更高。

技术领域

本发明涉及图像处理技术领域，尤其涉及到一种基于分层Laplace的图像特征分析方法。

背景技术

根据图像固有的局部性、层次性稀疏特性，设计概率分布型图像特征，并分析其图像特征的拓扑结构，确定特征所处空间的类别与特性，然后依据空间的性质研究特征的向量化、特征分类、递归算法等问题，这是计算机视觉研究中一个重要问题，它在目标识别、图像分割和超声影像分析等多个方面具有重要的应用。

特征距离度量、特征分类和特征回归等问题与特征所处的空间的拓扑性质有着密切的关系。目前特征提取及表达大多没有考虑特征空间的拓扑性质，而直接将特征当作向量在向量空间中直接进行处理。然而图像特征空间通常并不是一个向量空间，因为直接把特征当做向量处理而忽视其所处空间的拓扑性质将大大降低特征的有效性。

目前，直方图是一种被广泛采用的特征描述方式，它通过统计图像信号值出现的频率来描述图像。进行统计的信号可以是原始的颜色值，也可以是归一化后的坐标值，还可以是通过原始信号计算得到的值如梯度等。选择不同的信号通道将得到不同的直方图特征。各种直方图特征被分别用来解决各种不同的问题。

虽然直方图类特征在很多领域得到了成功应用，但是它具有许多不足。首先，直方图特征的维数是随使用的信号通道的维数成指数增加的。例如，如果将每个颜色通道分成10个区间进行统计，那么RGB三个通道的直方图特征需要用103＝1000个值来描述。这使得在实际应用中只能选择少量信号通道，限制了特征的描述能力；其次，直方图的空间结构复杂，难以用合适的理论对其进行有效的分析。

综上所述，提供一种可更好地描述图像特征的稀疏特性，且计算简单、估计精确，效率更高的基于分层Laplace的图像特征分析方法，是本领域技术人员急需解决的问题。

发明内容

本方案针对上文提到的问题和需求，提出一种基于分层Laplace的图像特征分析方法，其由于采取了如下技术方案而能够解决上述技术问题。

为实现上述目的，本发明提供如下技术方案：一种基于分层Laplace的图像特征分析方法，包括：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。

进一步地，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。