[发明专利]一种基于Zernike矩网络的图像分类方法

摘要

本发明公开了一种基于Zernike矩网络的图像分类方法，包括以下步骤(1)输入并预处理训练图像和测试图像，得到输入图像的局部特征矩阵，建立一个两层的基于Zernike矩的网络，得到训练图像和测试图像的主特征向量；(2)用获得的训练图像的主特征向量训练分类器，将测试图像的主特征向量输入已经训练好的分类器中进行分类，计算出分类正确率。本发明通过构造一个两层的基于Zernike矩的网络，利用Zernike矩的旋转不变性，能够获得图像的旋转不变的特征和图像的非线性特征，使得对图像特征的描述更精准，分类也更为准确。对于图像分类问题，尤其是对于具有旋转特征的图像的分类问题有着更高的分类正确率。

主权项

一种基于Zernike矩网络的图像分类方法，其特征在于，包括以下步骤：步骤1，建立基于Zernike矩网络的第一层；步骤1‑1，输入图像数据库中的N幅图像，并对其进行预处理，分别得到N幅图像中的每一幅图像的局部特征矩阵Ii，i＝1,2,...,N；其中，输入的N幅图像中包括N1幅训练图像和N‑N1幅测试图像；步骤1‑2，对于局部特征矩阵Ii，i＝1,2,...,N，将局部特征矩阵Ii的每一列重新排为滑块大小的矩阵，求所有滑块矩阵的n阶Zernike矩后，得到第一层的输出图像；步骤2，建立基于Zernike矩网络的第二层；用Zernike矩网络的第一层输出图像替代步骤1输入的N幅图像；重复步骤1‑1至步骤1‑2的过程，得到第二层Zernike矩网络的输出图像；步骤3，建立基于Zernike矩网络的输出层；步骤3‑1，设定一个阈值，将Zernike网络的第二层输出图像中的每幅图像二值化；步骤3‑2，对二值化后的图像分块以进行直方图统计，从而得到N幅图像中每幅图像的特征向量fi，i＝1,2,...,N；步骤4，训练和测试：将N1幅训练图像得到的特征向量训练分类器，用训练好的分类器对其余N‑N1幅测试图像进行分类；统计正确分类的个数，从而计算得到分类正确率。