一种基于BoF和多特征融合的纹理图像分类方法

摘要

本发明公开了一种基于BoF和多特征融合的纹理图像分类方法，本方法对纹理图像进行局部图像选取，形成碎片集；提取所有碎片的灰度梯度共生矩阵GGCM特征和尺度不变特征转换SIFT局部特征，并对不同特征进行重要性加权融合；对融合特征聚类产生特征单词，并使用动态加权鉴别能量分析GWDPA对单词进行优选和加权，再对融合特征向量使用优选和加权的特征单词进行指派，形成训练集融合特征词袋模型；采用相同方法计算待测试纹理图像的融合特征向量，并获得对应融合特征词袋；利用支持向量机SVM作为分类器训练特征词袋模型。本发明有效克服了GGCM对于较大纹理分类正确率较低的不足，同时弥补了BoF特征空间信息丢失的弱点，是一种更精准、鲁棒性好的纹理图像分类方法。

主权项

基于BoF和多特征融合的纹理图像分类方法，其特征在于，该方法包括以下步骤：1.1)对所有纹理图像进行局部图像选取，获得每幅图像的碎片集；1.2)提取每幅纹理图像所有碎片的灰度梯度共生矩阵GGCM特征向量和尺度不变特征转换SIFT局部特征向量，并对不同特征进行特征重要性加权融合，获得多种特征的融合特征；1.3)利用步骤1.2)得到的纹理图像训练集融合特征向量作为BoF模型的底层纹理特征描述，聚类产生特征单词，并进行基于鉴别能量分析的优选加权生成新的特征单词，构造特征字典；1.4)对纹理图像训练集融合特征向量用特征单词进行指派，构建纹理图像训练集的融合特征词袋模型；1.5)采用同样的方法计算待测试纹理图像的融合特征向量，并获得对应的融合特征词袋；1.6)利用支持向量机训练特征词袋模型得到SVM分类器，实现对测试图像的预测分类。