[发明专利]基于量化差分共生矩阵的小尺寸图像平滑滤波检测算法

权利要求书

1.基于量化差分共生矩阵的平滑滤波检测特征提取方法，其特征在于，包括：

步骤1：针对待特征提取图像I_n，计算得到其8个差分方向(p,q)的差分图像其中p,q∈{-1,0,1}；对每个所述差分图像进行量化，得到8个对应的量化后的差分图像

步骤2：对每个所述差分图像和每个所述量化后的差分图像中的差分值进行截断处理，其中，截断阈值为[-T,T]；

步骤3：针对截断处理后的每个所述差分图像和每个所述量化后的差分图像分别计算对应的共生矩阵，并分别记作差分共生矩阵和量化差分共生矩阵；

步骤4：对水平/垂直方向和对角线方向的差分共生矩阵分别进行平均处理，得到两个共生矩阵M_h/v和M_d；对水平/垂直方向和对角线方向的量化差分共生矩阵分别进行平均处理，得到两个共生矩阵M′_h/v和M′_d；

步骤5：将四个共生矩阵M_h/v、M′_h/v、M_d、M′_d组合为4×(2T+1)³维的特征W作为待特征提取图像I_n的检测特征。

2.根据权利要求1所述的基于量化差分共生矩阵的平滑滤波检测特征提取方法，其特征在于，按照公式(5)对每个所述差分图像进行量化：

其中，表示差分图像中坐标为(x,y)像素点的差分值，表示量化后的差分图像中坐标为(x,y)像素点的差分值，k表示量化参数，k为大于1的整数，[·]为四舍五入取整操作。

3.根据权利要求1所述的基于量化差分共生矩阵的平滑滤波检测特征提取方法，其特征在于，按照公式(6)和公式(7)计算得到差分共生矩阵和量化差分共生矩阵

其中，表示差分图像中坐标为(x,y)像素点的差分值，表示量化后的差分图像中坐标为(x,y)像素点的差分值，c₁,c₂,c₃∈{-T,…,T}，Z为差分图像I_d中所有三元组的数量，|·|表示集合·中元素的数量。

4.根据权利要求1所述的基于量化差分共生矩阵的平滑滤波检测特征提取方法，其特征在于，按照公式(8)至公式(11)计算得到四个共生矩阵M_h/v、M′_h/v、M_d、M′_d：

其中，和分别表示差分共生矩阵和量化差分共生矩阵。

5.基于量化差分共生矩阵的小尺寸图像平滑滤波检测算法，其特征在于，包括：

步骤1：构建四类训练图像集，分别为：原始图像集、中值滤波图像集、均值滤波图像集以及高斯滤波图像集；

步骤2：针对每类训练图像集，对其中的每一幅训练图像赋予对应的类型标签，并按照如权利要求1至4任一所述的基于量化差分共生矩阵的平滑滤波检测特征提取方法提取每一幅训练图像的检测特征，将每一幅训练图像的类型标签及其检测特征组成一个训练样本，最终得到四类训练样本集；所述类型标签用于指示训练图像所属的训练图像集；

步骤3：将四类训练样本集中每两类训练样本集构建为一个训练组，共得到6个训练组；将每个训练组中的两类训练样本集采用机器学习的方法进行训练，得到其二分器模型，最终得到对应于6个训练组的6个二分类器模型；

步骤4：按照如权利要求1至4任一所述的基于量化差分共生矩阵的平滑滤波检测特征提取方法提取待检测图像的检测特征，将所述检测特征输入到训练好的6个二分器模型，得到6个判别结果，采用多数投票法对6个所述判别结果进行投票得出最终的分类结果。

6.基于分块平滑滤波检测的图像拼接区域定位方法，其特征在于，包括：

步骤1：将待检测图像转换为灰色图像，设置检测窗口大小为z×z，通过所述检测窗口对所述灰色图像进行图像块划分；

步骤2：采用如权利要求1至4任一所述的基于量化差分共生矩阵的平滑滤波检测特征提取方法提取检测窗口划分出的图像块的特征向量，并将特征向量输入到多分类器中，得到分类结果；所述多分类器是通过将采用如权利要求5所述的基于量化差分共生矩阵的小尺寸图像平滑滤波检测算法得到的6个二分类器进行并联得到的；

步骤3：以步长为L滑动检测窗口遍历整幅待检测图像，其中1≤L≤z且L为整数，从而划分出许多重叠的图像块，每次滑动检测窗口时都按步骤2对图像块进行平滑滤波检测，窗口内的每个像素点记录下相应的分类结果；

步骤4：采用多数投票法得到每个像素点的最终分类结果，根据每个像素点的最终分类结果确定与整幅待检测图像的平滑滤波表现不一致的区域为拼接区域。