发明名称 |
一种适用于协同学分布式图像特征提取算法 |
摘要 |
本发明公开了一种适用于协同学分布式图像特征提取算法,该算法基于Radon变换与奇异值分解,根据Radon变换的几何特性,构造了新的基于Radon变换和小波变换的不变性纹理特征提取方法,首先根据小波模极大值原理提取原始图像边缘轮廓,针对边缘图像构造Radon变换的中心矩,获得平移不变性,然后在中心矩的基础上根据Radon变换的统计特征构造出尺度不变矩,最后,求尺度不变矩偶阶矩的降序奇异值向量,该奇异值特征向量具有平移、尺度和旋转不变性。本发明增强了抗噪声能力,同时保持平移、旋转和尺度不变性;克服了噪声对图像形状的影响。 |
申请公布号 |
CN102298701A |
申请公布日期 |
2011.12.28 |
申请号 |
CN201110216720.8 |
申请日期 |
2011.07.29 |
申请人 |
王晓华 |
发明人 |
王晓华 |
分类号 |
G06K9/46(2006.01)I;G06T5/00(2006.01)I |
主分类号 |
G06K9/46(2006.01)I |
代理机构 |
|
代理人 |
|
主权项 |
1.一种适用于协同学习分布式图像特征提取算法,其特征在于,该算法为:设图像的Radon变换为g<sub>θ</sub>(t),则定义K阶矩为m<sub>k</sub>(θ)=∫t<sup>k</sup>g<sub>θ</sub>(t)dt进一步,定义<img file="FSA00000547683800011.GIF" wi="216" he="122" />为g<sub>θ</sub>(t)的质心;用中心矩代替普通矩,获得平移不变性;<maths num="0001"><![CDATA[<math><mrow><msub><mi>μ</mi><mi>θ</mi></msub><mo>=</mo><msup><mrow><mo>∫</mo><mrow><mo>(</mo><mi>t</mi><mo>-</mo><msub><mover><mi>t</mi><mo>‾</mo></mover><mi>θ</mi></msub><mo>)</mo></mrow></mrow><mi>k</mi></msup><msub><mi>g</mi><mi>θ</mi></msub><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow><mi>dt</mi></mrow></math>]]></maths><maths num="0002"><![CDATA[<math><mrow><msubsup><mi>m</mi><mi>k</mi><mi>s</mi></msubsup><mrow><mo>(</mo><mi>θ</mi><mo>)</mo></mrow><mo>=</mo><mo>∫</mo><msup><mi>t</mi><mi>s</mi></msup><msubsup><mi>g</mi><mi>θ</mi><mi>s</mi></msubsup><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow><mi>dt</mi><mo>=</mo><msup><mi>λ</mi><mrow><mn>2</mn><mo>+</mo><mi>k</mi></mrow></msup><msup><mrow><mo>∫</mo><mi>α</mi></mrow><mi>k</mi></msup><msub><mi>g</mi><mi>θ</mi></msub><mrow><mo>(</mo><mi>α</mi><mo>)</mo></mrow><mi>dα</mi><mo>=</mo><msup><mi>λ</mi><mrow><mn>2</mn><mo>+</mo><mi>k</mi></mrow></msup><msub><mi>m</mi><mi>k</mi></msub><mrow><mo>(</mo><mi>θ</mi><mo>)</mo></mrow></mrow></math>]]></maths><maths num="0003"><![CDATA[<math><mrow><msubsup><mi>m</mi><mn>0</mn><mi>s</mi></msubsup><mrow><mo>(</mo><mi>θ</mi><mo>)</mo></mrow><mo>=</mo><msup><mi>λ</mi><mn>2</mn></msup><msub><mi>m</mi><mn>0</mn></msub><mrow><mo>(</mo><mi>θ</mi><mo>)</mo></mrow><mo>,</mo><msubsup><mi>m</mi><mn>1</mn><mi>s</mi></msubsup><mrow><mo>(</mo><mi>θ</mi><mo>)</mo></mrow><mo>=</mo><msup><mi>λ</mi><mn>3</mn></msup><msub><mi>m</mi><mn>0</mn></msub><mrow><mo>(</mo><mi>θ</mi><mo>)</mo></mrow><mo>,</mo></mrow></math>]]></maths>令<maths num="0004"><![CDATA[<math><mrow><mover><msubsup><mi>t</mi><mi>θ</mi><mi>s</mi></msubsup><mo>‾</mo></mover><mo>=</mo><msubsup><mi>m</mi><mn>1</mn><mi>s</mi></msubsup><mrow><mo>(</mo><mi>θ</mi><mo>)</mo></mrow><mo>/</mo><msubsup><mi>m</mi><mn>0</mn><mi>s</mi></msubsup><mrow><mo>(</mo><mi>θ</mi><mo>)</mo></mrow><mo>=</mo><mi>λ</mi><mover><msub><mi>t</mi><mi>θ</mi></msub><mo>‾</mo></mover></mrow></math>]]></maths>则<img file="FSA00000547683800016.GIF" wi="104" he="52" />的k阶中心矩为<maths num="0005"><![CDATA[<math><mrow><msubsup><mi>μ</mi><mi>k</mi><mi>s</mi></msubsup><mrow><mo>(</mo><mi>θ</mi><mo>)</mo></mrow><mo>=</mo><msup><mrow><mo>∫</mo><mrow><mo>(</mo><mi>t</mi><mo>-</mo><msub><mover><mi>t</mi><mo>‾</mo></mover><mi>θ</mi></msub><mo>)</mo></mrow></mrow><mi>k</mi></msup><mi>λ</mi><msub><mi>g</mi><mi>θ</mi></msub><mrow><mo>(</mo><mfrac><mi>t</mi><mi>θ</mi></mfrac><mo>)</mo></mrow><mi>dt</mi><mo>=</mo><mi>λ</mi><mo>∫</mo><msup><mrow><mo>(</mo><mi>λα</mi><mo>-</mo><mover><msubsup><mi>t</mi><mi>θ</mi><mi>s</mi></msubsup><mo>‾</mo></mover><mo>)</mo></mrow><mi>k</mi></msup><msub><mi>g</mi><mi>θ</mi></msub><mrow><mo>(</mo><mi>α</mi><mo>)</mo></mrow><mi>λdα</mi><mo>=</mo><msup><mi>λ</mi><mrow><mn>2</mn><mo>+</mo><mi>k</mi></mrow></msup><msub><mi>μ</mi><mi>k</mi></msub><mrow><mo>(</mo><mi>θ</mi><mo>)</mo></mrow></mrow></math>]]></maths>当图像发生尺度变换时,设λ为尺度比例因子,其标准差变化如下σ<sub>s</sub>=λσ令<maths num="0006"><![CDATA[<math><mrow><mi>m</mi><mo>=</mo><mfrac><mn>1</mn><mi>σ</mi></mfrac><mo>,</mo></mrow></math>]]></maths>η<sub>k</sub>(θ)=m<sup>2+k</sup>μ<sub>k</sub>(θ)<maths num="0007"><![CDATA[<math><mrow><msubsup><mi>η</mi><mi>k</mi><mi>s</mi></msubsup><mrow><mo>(</mo><mi>θ</mi><mo>)</mo></mrow><mo>=</mo><msup><mrow><mo>(</mo><msup><mi>m</mi><mi>s</mi></msup><mo>)</mo></mrow><mrow><mn>2</mn><mo>+</mo><mi>k</mi></mrow></msup><msup><msub><mi>μ</mi><mi>k</mi></msub><mi>s</mi></msup><mrow><mo>(</mo><mi>θ</mi><mo>)</mo></mrow><mo>=</mo><msup><mrow><mo>(</mo><mfrac><mn>1</mn><msub><mi>σ</mi><mi>s</mi></msub></mfrac><mo>)</mo></mrow><mrow><mn>2</mn><mo>+</mo><mi>k</mi></mrow></msup><msup><msub><mi>μ</mi><mi>k</mi></msub><mi>s</mi></msup><mrow><mo>(</mo><mi>θ</mi><mo>)</mo></mrow><mo>=</mo><msup><mrow><mo>(</mo><mfrac><mn>1</mn><mi>λσ</mi></mfrac><mo>)</mo></mrow><mrow><mn>2</mn><mo>+</mo><mi>k</mi></mrow></msup><mo>·</mo><msup><mi>λ</mi><mrow><mn>2</mn><mo>+</mo><mi>k</mi></mrow></msup><msub><mi>μ</mi><mi>k</mi></msub><mrow><mo>(</mo><mi>θ</mi><mo>)</mo></mrow><mo>=</mo><msub><mi>η</mi><mi>k</mi></msub><mrow><mo>(</mo><mi>θ</mi><mo>)</mo></mrow></mrow></math>]]></maths>其中,η<sub>k</sub>(θ)为尺度和平移不变量;最后,得到其偶阶矩η=[η<sub>2</sub>,η<sub>4</sub>,…η<sub>2k</sub>],计算该矩阵的奇异值,将得到的奇异值进行降序排列组成一向量,该向量即为该图像并且具有平移、尺度和旋转不变性的特征向量。 |
地址 |
710071 陕西省西安市太白南路2号网络与继续教育学院 |