基于空间金字塔模型的多特征组合表达的场景图像分类方法

摘要

本发明公开了一种基于空间金字塔模型的多特征组合表达的场景图像分类方法，包括：建立包含多类图像的训练图像集和测试图像集；图像特征的提取；训练总的视觉词典；依据视觉词典，把图像按照环形空间金字塔模型表示为高维向量形式；将训练图像集和测试样本集的各图像的高维向量表示送入SVM分类器中进行训练和测试。本发明组合两种有效的特征来表示图像，相比传统的单一特征表示图像，可以更加完整的保留场景图像的信息，能够有效改善场景图像分类的精度。

主权项

一种基于空间金字塔模型的多特征组合表达的场景图像分类方法，其特征在于：包括以下步骤：步骤1、建立包含多类图像的训练图像集和测试图像集；步骤2、对训练图像集和测试图像集分别进行场景图像视觉特征的提取，并对提取出来的场景图像视觉特征进行归一化处理，场景图像视觉特征包括：图像的局部Dense‑SIFT特征和局部L‑Gist特征；步骤3、对步骤2中提取的两种局部特征分别采用基于稳定初值的二次k‑means++聚类算法，构建这两种局部特征的视觉词典，最后引入权重来构建组合后总的视觉词典；步骤4、分别以多圆形逐层细化训练图像集和测试图像集中的各个场景图像，构建各个场景图像的L层多圆形划分的环形空间金字塔，得到1+2+3+……+L个环形子图像块，并对环形空间金字塔的每一层的环形子图像块进行场景图像视觉特征的提取，结合步骤3中构建的两种局部特征的视觉词典，对环形空间金字塔的每一层的环形子图像分别进行每个特征下的图像的向量表示，然后经过加权后级联各层的图像的向量表示分别汇聚成每个特征下的超级量表示，最后对每个特征下的超级向量通过加权并置为一个高维向量，加权系数与构建总视觉词典时的系数保持一致；步骤5、将训练图像集的各图像的高维向量表示送入SVM分类器中进行训练，训练完成后，将测试图像集的各图像的高维向量表示送入训练好的SVM分类器中进行测试，实现场景图像的分类。