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。

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_θ(t)，则定义K阶矩为m_k(θ)＝∫t^kg_θ(t)dt进一步，定义为g_θ(t)的质心；用中心矩代替普通矩，获得平移不变性；${\mu }_{\theta }={\int (t-{\bar{t}}_{\theta })}^k{g}_{\theta }\left(t\right)\mathrm{dt}$$m_k^s\left(\theta \right)=\int t^s{g}_{\theta }^s\left(t\right)\mathrm{dt}={\lambda }^{2+k}{\int \alpha }^k{g}_{\theta }\left(\alpha \right)\mathrm{d\alpha }={\lambda }^{2+k}{m}_k\left(\theta \right)$$m_0^s\left(\theta \right)={\lambda }^2{m}_0\left(\theta \right),m_1^s\left(\theta \right)={\lambda }^3{m}_0\left(\theta \right),$令$\overline{t_{\theta }^s}=m_1^s\left(\theta \right)/m_0^s\left(\theta \right)=\lambda \overline{t_{\theta }}$则的k阶中心矩为${\mu }_k^s\left(\theta \right)={\int (t-{\bar{t}}_{\theta })}^k\lambda g_{\theta }\left(\frac{t}{\theta }\right)\mathrm{dt}=\lambda \int {(\mathrm{\lambda \alpha }-\overline{t_{\theta }^s})}^k{g}_{\theta }\left(\alpha \right)\mathrm{\lambda d\alpha }={\lambda }^{2+k}{\mu }_k\left(\theta \right)$当图像发生尺度变换时，设λ为尺度比例因子，其标准差变化如下σ_s＝λσ令$m=\frac{1}{\sigma },$η_k(θ)＝m^2+kμ_k(θ)${\eta }_k^s\left(\theta \right)={\left(m^s\right)}^{2+k}{{\mu }_k}^s\left(\theta \right)={\left(\frac{1}{{\sigma }_s}\right)}^{2+k}{{\mu }_k}^s\left(\theta \right)={\left(\frac{1}{\mathrm{\lambda \sigma }}\right)}^{2+k}·{\lambda }^{2+k}{\mu }_k\left(\theta \right)={\eta }_k\left(\theta \right)$其中，η_k(θ)为尺度和平移不变量；最后，得到其偶阶矩η＝[η₂，η₄，…η_2k]，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。