一种基于分层矢量化的图像信息表达体系

摘要

本发明公开了一种基于分层矢量化的图像信息表达体系，包括以下步骤：(1)局部信息提取；(2)外观特征分布描述；(3)空间布局信息描述；(4)监督学算法提取子空间。本发明的有益效果在于：能够解决公知技术中存在的不足，综合高效考虑图像的外观特征和空间布局信息，实现图像信息的精确有效整合，从而进一步在各种图像识别应用(比如人脸识别，车牌识别，图像检索)中取得突出的效果。本发明在物理空间、特征空间和超级矢量空间采用分层递进的方式进行信息的提取和分析，减少了量化误差，提高了图像信息表达能力和识别效果等。

主权项

1.一种基于分层矢量化的图像信息表达体系，其特征在于：包括以下步骤：(1)、局部信息提取，该步骤包括：首先将图像分割为多个矩形块，所述多个矩形块之间有重叠，然后在每个矩形块上，提取图像的局部特征信息，每个矩形块上的局部特征信息构成一个特征矢量；(2)、外观特征分布描述，该步骤包括：首先将来自所有图像的所有矩形块的特征矢量合在一起，采用最大期望算法训练出一个全局的高斯混合模型，然后对于每张图像，利用属于这张图的所有特征矢量，采用最大后验概率算法对于全局的高斯混合模型进行自适应，获得属于这张图像自己的高斯混合模型，通过上述步骤，对每张图，都获得了一个高斯混合模型用于精细描述它的特征矢量的分布情况；(3)空间布局信息描述，该步骤包括：利用在步骤(2)中获得的高斯混合模型对空间布局信息进行分析和整合，首先将每个特征矢量根据其在全局高斯混合模型的每个高斯分布上的后验概率的大小将其分配到对应的高斯分布上。然后通过计算分配到每个高斯分布的特征的统计信息，得到这个高斯分布对应形状在空间中的布局情况，综合所有高斯分布的空间布局，获得整个图像的空间布局信息描(4)、监督学习算法提取子空间，该步骤包括：将通过步骤(2)和步骤(3)获得的图像的外观特征分布描述和空间布局信息描述分别整理为一个维数很高的超级矢量，在超级矢量空间中分析和调整不同特征组合的重要系数，利用实际应用的标注信息，计算属于同一种类的超级矢量的方差矩阵，并且进行方差矩阵的特征分析，抛弃超级矢量中差别较大的特征方向，保留超级矢量中差别较小的特征方向，然后获得每张图像针对特定应用的超级矢量，成为最终的图像信息描述。