非高斯二维Gabor滤波器图像纹理提取及识别方法

非高斯二维Gabor滤波器图像纹理提取及识别方法
【技术领域】
[0001] 本发明设及一种非高斯二维G油or滤波器图像纹理提取及识别方法，属于模式识 别技术领域。
【背景技术】
[0002] 二维G油or滤波器是一种有效的图像纹理特征提取方法。关于二维G油or滤波器 的研究主要集中在二维G油or滤波器参数选择，二维G油or滤波器的快速计算和二维G油or 滤波器的各种各样应用方面。
[0003] 传统的二维G油or滤波器可W看作是在频域由复正弦函数调制高斯核函数而成， 故传统的二维G油or滤波器变换到频域仍为高斯型，采用传统二维G油or滤波器对图像进 行滤波处理后，只能提取图像纹理的高斯频率信息，图像中处于非高斯频带部分的图像纹 理信息就被丢失。非高斯二维G油or滤波器在传统二维高斯滤波器的基础上引入一个新的 参数r控制非高斯二维G油or滤波器的形状。非高斯二维G油or滤波器可W看作是在频域 由复正弦函数调制非高斯核函数而成，是传统二维G油or滤波器的一种推广，能提取图像 纹理的非高斯频率信息。
[0004] 人脸识别方面的实验表明通过选择适当的参数r，非高斯二维G油or滤波器在人 脸图像纹理特征提取及识别方面要大大优于传统的二维G油or滤波器。

【发明内容】

[0005] 本发明提供了一种非高斯二维G油or滤波器图像纹理提取及识别方法，W用于解 决非高斯图像纹理特征提取及识别问题。针对局部传统二维Gabor滤波器仅能提取图像纹 理高斯频率信息的缺陷，本发明提出的基于非高斯二维G油or滤波器的图像纹理特征提取 方法能有效提取图像的非高斯纹理信息。
[0006] 本发明非高斯二维G油or滤波器图像纹理提取及识别方法是该样实现的；首先构 造出非高斯二维G油or滤波器，然后采用非高斯二维G油or滤波器对图像进行滤波处理，计 算滤波后的图像的幅度矩阵，接着将此幅度矩阵进行分块，计算各块的直方图特征向量，然 后连接各块的直方图特征向量，得到原始图像的直方图特征向量。最后把该特征向量送入 基于卡方统计量的最近邻分类器进行分类识别。
[0007] 所述非高斯二维G油or滤波器图像纹理提取及识别方法的具体步骤如下：
[000引 Stepl、首先构造非高斯二维G油or滤波器；非高斯二维G油or滤波器构造为；
[0010]其中 口"，kv=kmax/fV，q>,。二孔片/4,kmax是最大频率，一般kmax=n/2， / = ^/^，尺度参数V取值为V= 0,. . .，4，方向参数y取值为y= 0,. . .，3，z= (X，y)和 z|| = (x2+y2)，x，y表示传统二维G油or滤波器的坐标，i表示虚单位，r是一个引进的参 数，r〉l，用于控制非高斯二维G油or滤波器的形状；图2是本发明中不同参数r下非高斯二 维滤波器示意图。对于不同参数下的每一组滤波器，水平方向是方向变化，垂直方向是尺度 变化。图2表明，随着r增大，滤波器掩模非零部分缩小，故更能提取更加精细的局部纹理 f目息。
[0011] 其中，传统二维G油or滤波器的定义如下；
[0012]
[0013] Step2、采用非高斯二维G油or滤波器对一幅图像进行滤波处理；由于非高斯二维 G油or滤波器是一个多尺度多方向的二维滤波器，则在不同尺度和不同方向下对图像进行 滤波处理；
[0014]首先假定图像为IW(X，y)，非高斯二维G油or滤波器为NGu,V, Y(X，y)，那么具 有参数V、y和r的非高斯二维Gabor滤波器对图像I(X，y)进行滤波的计算式为；
[0015] 其中，X，y表示图像的坐标，*表示卷积操作，巧表示坐标X，y处滤波后的 图像，是一个复数，整个滤波后的图像变成一个复数矩阵，表示为的大小与原 图像相同；
[0016]Step3、求复数矩阵巧(心的模，记为诚y作，心），姑5巧(心)是一个实数矩阵，即幅 度矩阵，然后对矩阵进行分块：把均匀分成4X4的无重叠方块，一共 16 块，表示为/,">(i= 0, 1，2,…，15);
[0017]St巧4、提取各分块（i=0, 1，2,…，15)的直方图特征向量，表示为邱 (i= 0, 1，2,…，15)，然后依次连接所有各块的直方图特征向量，得到原始图像的多直方图 特征向量为
[0018] steps、把原始图像的多直方图特征向量送入基于卡方统计量的最近邻分类器进 行分类，来识别原始人脸图像的身份。
[0019] 所述步骤steps中，基于卡方统计量的最近邻分类器进行分类时，先 计算卡方统计量距离；设定两幅人脸图像I?和IW的直方图特征向量分别为；
，则此两 个向量之间的距离，即卡方统计量距离采用如下公式计算：
[0020]
[002U 其中/%G,w?和J分别表示纹理特征向量w和户\6。w的第 i个元素，K'表示纹理向量的长度，eps为一固定值，为Matl油中最小的正数。
[0022] 本发明的有益效果是：
[0023] 1、本发明构造的非高斯二维G油or滤波器是传统二维G油or滤波器的一种扩展， 传统二维G油or滤波器仅仅是非高斯二维G油or滤波器的一种特例；
[0024] 2、本发明构造的非高斯二维G油or滤波器可W看作是在频域由复正弦函数调制 非高斯核函数而成，故能提取图像纹理的非高斯频率信息，而传统的二维Gabor滤波器可 W看作是在频域由复正弦函数调制高斯核函数而成，故只能提取图像纹理的高斯频率信 息，在采用传统二维Gabor滤波器对图像进行滤波后，处于非高斯频带部分的图像纹理信 息就被丢失；
[0025] 3、本发明对采用非高斯二维G油or滤波器滤波后图像的幅度矩阵进行分块，计算 各分块的直方图特征，连接各分块的直方图特征得到原始图像总的直方图特征，具有很强 的分类能力；
[0026] 4、在匹配识别阶段，本发明采用卡方统计量烟lisquarestatistic)作为两个纹 理特征向量之间的距离度量，采用最近邻分类器进行分类，算法简单、计算方便，可W做到 实时的图像匹配识别。
【附图说明】
[0027] 图1是本发明中采用非高斯二维G油or滤波器提取图像纹理特征的步骤示意框 图；
[002引图2是本发明中不同参数r下非高斯二维滤波器示意图，对于不同参数下的每一 组滤波器，水平方向是方向变化，垂直方向是尺度变化。
[0029] 图3是本发明所用theextendedYaleB人脸数据库光照子集中一个人的64张样 本图像；
[0030] 图4是本发明实施例2中不同参数下本方法人脸识别率。
【具体实施方式】
[0031] 实施例1;如图1-4所示，非高斯二维G油or滤波器图像纹理提取及识别方法，首 先构造出非高斯二维G油or滤波器，然后采用非高斯二维G油or滤波器对图像进行滤波处 理，计算滤波后的图像的幅度矩阵，接着将此幅度矩阵进行分块，计算各块的直方图特征向 量，然后连接各块的直方图特征向量，得到原始图像的直方图特征向量。最后把该特征向量 送入基于卡方统计量的最近邻分类器进行分类识别。
[0032] 所述非高斯二维G油or滤波器图像纹理提取及识别方法的具体步骤如下：
[0033]Stepl、首先构造非高斯二维G油or滤波器；非高斯二维G油or滤波器构造为；
[0034]
[0035]其中 口"，kv=kmayfV，CP/,=7l///4,kmax是最大频率，一般kmax=n/2， /二>/5，尺度参数V取值为V = 0,. . .，4，方向参数y取值为y = 0,. . .，3，z = (X，y)和 IIzII= (x2+y2)，x,y表示传统二维G油or滤波器的坐标，i表示虚单位，r是一个引进的参 数，r〉l，用于控制非高斯二维G油or滤波器的形状；[0036]Step2、采用非高斯二维G油or滤波器对一幅图像进行滤波处理；由于非高斯二维 G油or滤波器是一个多尺度多方向的二维滤波器，则在不同尺度和不同方向下对图像进行 滤波处理；
[0037]首先假定图像为I(1)(X，y)，非高斯二维G油or滤波器为NGu,V, Y(X，y)，那么具 有参数V、y和r的非高斯二维Gabor滤波器对图像I(X，y)进行滤波的计算式为；
[0038]其中，X，y表示图像的坐标，g表示卷积操作，巧表示坐标X，y处滤波后的 图像，是一个复数，整个滤波后的图像变成一个复数矩阵，表示为yy的大小与原图 w,I?，尸 u,\.y 像相同；
[0039]St巧3、求复数矩阵巧;三^的模，记为(巧记，P，ofc(巧心)是一个实数矩阵，即幅 度矩阵，然后对《/?(巧心)矩阵进行分块：把〇扣巧!三；^)均匀分成4X4的无重叠方块，一共 16 块，表示为/，…（i= 0，1，2,…，15);
[0040]St巧4、提取各分块/<">(i= 0, 1，2,…，15)的直方图特征向量，表示为巧 (i= 0, 1，2,…，15)，然后依次连接所有各块的直方图特征向量，得到原始图像的多直方图 特征向量为：
[0041] steps、把原始图像的多直方图特征向量送入基于卡方统计量的最近邻分类器进 行分类，来识别原始人脸图像的身份。
[0042] 所述步骤steps中，基于卡方统计量的最近邻分类器进行分类时，先 计算卡方统计量距离；设定两幅人脸图像I?和IW的直方图特征向量分别为；
则此两 个向量之间的距离，即卡方统计量距离采用如下公式计算：
[0043]
[0044] 其中/%G,w(〇和戸iMJ,,，,，/!')分别表示纹理特征向量卢户的第 i个元素，K'表示纹理向量的长度，eps为一固定值，为Matl油中最小的正数。
[0045] 实施例2 ;如图1-4所示，非高斯二维G油or滤波器图像纹理提取及识别方法，首 先构造出非高斯二维G油or滤波器，然后采用非高斯二维G油or滤波器对图像进行滤波处 理，计算滤波后的图像的幅度矩阵，接着将此幅度矩阵进行分块，计算各块的直方图特征向 量，然后连接各块的直方图特征向量，得到原始图像的直方图特征向量。最后把该特征向量 送入基于卡方统计量的最近邻分类器进行分类识别。
[0046] 所述非高斯二维G油or滤波器图像纹理提取及识别方法的具体步骤如下：
[0047]St巧1、首先构造非高斯二维G油or滤波器；非高斯二维G油or滤波器构造为；
[0048]
[00例其中点,…'=M'/'約'，kv= kmax/fV，=孔八/4，kmax是最大频率，一般kmax= n/2， / = >/^，尺度参数V取值为V = 0,. . .，4，方向参数y取值为y = 0,. . .，3，z = (X，y)和 IIzII= (x2+y2)，x,y表示传统二维G油or滤波器的坐标，i表示虚单位，r是一个引进的参 数，r〉l，用于控制非高斯二维G油or滤波器的形状；
[0化0] Step2、采用非高斯二维G油or滤波器对一幅图像进行滤波处理；由于非高斯二维 G油or滤波器是一个多尺度多方向的二维滤波器，则在不同尺度和不同方向下对图像进行 滤波处理；
[0化^ 首先假定图像为I(1)(X，y)，非高斯二维G油or滤波器为NGu, V, Y(X，y)，那么具 有参数V、y和r的非高斯二维Gabor滤波器对图像I(X，y)进行滤波的计算式为；
[0化2]其中，X，y表示图像的坐标，*表示卷积操作，表示坐标X，y处滤波后的 图像，是一个复数，整个滤波后的图像变成一个复数矩阵，表示为^的大小与原 图像相同；
[005引St巧3、求复数矩阵巧心的模，记为細叫巧;心），Gfo巧心)是一个实数矩阵，即幅 度矩阵，然后对細5,(巧心)矩阵进行分块：把心心：)均匀分成4X4的无重叠方块，一共 16块，表示为皆）（i= 0, 1，2,…，15);
[0054] St巧4、提取各分块/,">(i= 0, 1，2,…，巧）的直方图特征向量，表示为巧"Vg,w (i= 0, 1，2,…，15)，然后依次连接所有各块的直方图特征向量，得到原始图像的多直方图 特征向量为：
[0化5] steps、把原始图像的多直方图特征向量送入基于卡方统计量的最近邻分类器进 行分类，来识别原始人脸图像的身份。
[0056] 所述步骤steps中，基于卡方统计量的最近邻分类器进行分类时，先 计算卡方统计量距离；设定两幅人脸图像I?和IW的直方图特征向量分别为；
则此两 个向量之间的距离，即卡方统计量距离采用如下公式计算：
[0057]
[005引其中和W(0分别表示纹理特征向量卢)WG,W和护的第 i个元素，K'表示纹理向量的长度，eps为一固定值，为Matl油中最小的正数。
[0化9] 具体实施时，在MTLAB软件环境中，选取不同的参数r，r一般取大于等于1，尺度 参数V取值分别为；V= 0,...，4,方向参数y分别取值为；y= 0,...，3,利用MTLAB软 件环境再根据所述非高斯二维Gabor滤波器图像纹理提取及识别方法的具体步骤来实现 所取图像的识别；
[0060] 为了证明所述方法的有益效果，通过统计本方法的识别率来进行；
[0061] 统计本方法在化leB人脸数据库中的识别率与参数r的关系，画出相应识别性 能曲线。本实施例中所用人脸图片为theextendedYaleB人脸数据库的光照子集，该子 集共有38个人，每个人在不同光照情况下拍摄64张照片，一共2432张照片，照片大小为 64x64。图3是该数据库中一个人的64张样本图片。该数据库可W在该数据库网站化ttp: // vision,ucsd.edu/ ~leekc/Ex1:YaleDat油ase/Ex1:YaleB.html)上下载所有裁切好的人脸 图片。在本实施例中，采用最近邻分类器来计算识别率，在计算识别率时，训练样本集由每 个人分别任选5张样本构成，其余图像用作测试。计算了本方法中不同参数r情况下采用非 高斯二维G油or滤波器的正确识别率，其中参数r选取为；0.5、0. 8、1、1.3、1.5和1.8。不 同r参数下的正确识别率画在图4中，从图4中可W看出，当参数r= 1. 5时，正确识别率 达到最高。当r= 1非高斯二维G油or滤波器退化成传统二维G油or滤波器，此时的识别 率远小于r= 1. 5的时候。因此本方法有效改进了传统二维G油or滤波器在图像纹理特征 提取及识别方面的能力。
[0062] 实施例3;如图1-4所示，非高斯二维G油or滤波器图像纹理提取及识别方法，首 先构造出非高斯二维G油or滤波器，然后采用非高斯二维G油or滤波器对图像进行滤波处 理，计算滤波后的图像的幅度矩阵，接着将此幅度矩阵进行分块，计算各块的直方图特征向 量，然后连接各块的直方图特征向量，得到原始图像的直方图特征向量。最后把该特征向量 送入基于卡方统计量的最近邻分类器进行分类识别。
[0063] 所述非高斯二维G油or滤波器图像纹理提取及识别方法的具体步骤如下：
[0064]St巧1、首先构造非高斯二维G油or滤波器；非高斯二维G油or滤波器构造为；
[00 化]
[0066] 其中点Av=点，kv=kmax/fv，（|)片=扣八/4，kmax是最大频率，一般kmax=n/2， / = >/5，尺度参数￥取值为￥ = 0，...，4，方向参数^取值为^=0，...，3,2=(又，7)和 IIZII= (x2+y2)，x,y表示传统二维G油or滤波器的坐标，i表示虚单位，r是一个引进的参 数，r〉l，用于控制非高斯二维G油or滤波器的形状；
[0067] Step2、采用非高斯二维G油or滤 波器对一幅图像进行滤波处理；由于非高斯二维 G油or滤波器是一个多尺度多方向的二维滤波器，则在不同尺度和不同方向下对图像进行 滤波处理；
[0068] 首先假定图像为IW(X，y)，非高斯二维G油or滤波器为NGu,Y,Y(X，y)，那么具 有参数V、y和r的非高斯二维Gabor滤波器对图像I(X，y)进行滤波的计算式为；
[0069] 其中，x，y表示图像的坐标，*表示卷积操作，i^^<,^，>l^(x,；i?；)表示坐标x，y处滤波后的 图像，是一个复数，整个滤波后的图像变成一个复数矩阵，表示为巧,的大小与原 图像相同；
[0070]St巧3、求复数矩阵巧;心的模，记为姑4巧心），Gkv(巧心)是一个实数矩阵，即幅 度矩阵，然后对矩阵进行分块：把均匀分成4X4的无重叠方块，一共 16块，表示为聲）（i=0, 1，2,…，15);
[0071]St巧4、提取各分块/,W(i= 0, 1，2,…，15)的直方图特征向量，表示为 ^,u>v(;,,,,y(i'' =n，i，2,…，15)，然后依次连接所有各块的直方图特征向量，得到原始图像的多 直方图特征向量为
[0072]steps、把原始图像的多直方图特征向量送入基于卡方统计量的最近邻分类器进 行分类，来识别原始人脸图像的身份。
[0073] 所述步骤steps中，基于卡方统计量的最近邻分类器进行分类时，先 计算卡方统计量距离；设定两幅人脸图像I?和IW的直方图特征向量分别为；
'则此两 个向量之间的距离，即卡方统计量距离采用如下公式计算：
[0074]
[0075]其中卢^VG,w价和w(0分别表示纹理特征向量卢和戸勺第 i个元素，K'表示纹理向量的长度，eps为一固定值，为Matl油中最小的正数。
[0076] 具体实施时，在MTLAB软件环境中，选取不同的参数r，r一般取大于等于1，尺度 参数V取值分别为；V= 0,...，4,方向参数y分别取值为；y= 0,...，3,利用MTLAB软 件环境再根据所述非高斯二维Gabor滤波器图像纹理提取及识别方法的具体步骤来实现 所取图像的识别；
[0077] 由实施例2知道，当参数r〉l时，采用非高斯二维G油or滤波器进行人脸图像纹理 特征提取将取得比传统二维G油or滤波器更高的识别率。下面在固定参数r情况下（r= 1和r= 1. 3)，进一步统计本方法在化leB人脸数据库中的识别率与训练样本数的关系，给 出相应的识别率。本实施例中所用人脸图片为theextendedYaleB人脸数据库的光照子 集，该子集共有38个人，每个人在不同光照情况下拍摄64张照片，一共2432张照片，照片 大小为64x64。图3是该数据库中一个人的64张样本图片。该数据库可W在该数据库网站 化ttp://vision.ucsd.edu/ ~leekc/ExtYaleDatabase/ExtYaleB.html)上下载戶片有裁切 好的人脸图片。在本实施例中，在计算识别率时，训练样本集由每个人分别任选2、6,、10、 14和18张样本构成，其余图像用作测试。将实验重复5次，计算不同r参数和不同训练样 本情况下本方法的平均正确识别率和标准偏差，将结果填在表1中，表1是本实施例中不同 训练样本数目情况下本方法与传统二维G油or滤波器的平均识别率（％ )与标准偏差（r= 1.3)，从表1中可W看出，本方法的正确识别率要大大高于传统二维G油or滤波器（也就是 r= 1的时候的滤波器）。
[007引表1平均识别率（％ )与标准偏差
[0079]
[0080] 上面结合附图对本发明的【具体实施方式】作了详细说明，但是本发明并不限于上述 实施方式，在本领域普通技术人员所具备的知识范围内，还可W在不脱离本发明宗旨的前 提下作出各种变化。
【主权项】
1. 非高斯二维Gabor滤波器图像纹理提取及识别方法，其特征在于：首先构造出非高 斯二维Gabor滤波器，然后采用非高斯二维Gabor滤波器对图像进行滤波处理，计算滤波后 的图像的幅度矩阵，接着将此幅度矩阵进行分块，计算各块的直方图特征向量，然后连接各 块的直方图特征向量，得到原始图像的直方图特征向量。最后把该特征向量送入基于卡方 统计量的最近邻分类器进行分类识别。2. 根据权利要求1所述的非高斯二维Gabor滤波器图像纹理提取及识别方法，其特征 在于：所述非高斯二维Gabor滤波器图像纹理提取及识别方法的具体步骤如下： Stepl、首先构造非高斯二维Gabor滤波器；非高斯二维Gabor滤波器构造为：其中人# V =，kv= k max/fv，φ# =π///4，kmax是最大频率，一般 k max= Ji /2， / = 7^，尺度参数￥取值为￥ = 〇，...，4，方向参数4取值为4=0，...，3,2=(叉，7)和 I I ζ I I = (x2+y2)，X，y表示传统二维Gabor滤波器的坐标，i表示虚单位，r是一个引进的参 数，r>l，用于控制非高斯二维Gabor滤波器的形状； Step2、采用非高斯二维Gabor滤波器对一幅图像进行滤波处理；由于非高斯二维 Gabor滤波器是一个多尺度多方向的二维滤波器，则在不同尺度和不同方向下对图像进行 滤波处理； 首先假定图像为1(1) (X，y)，非高斯二维Gabor滤波器为NGU，V，γ (X，y)，那么具 有参数v、μ和！·的非高斯二维Gabor滤波器对图像I (x，y)进行滤波的计算式为： ^!,v,r(x5 v) ^ (x, V)*/(/)(x,y)； 其中，x，y表示图像的坐标，*表示卷积操作，表示坐标x，y处滤波后的图 像，是一个复数，整个滤波后的图像变成一个复数矩阵，表示为?ι，的大小与原图 像相同； St印3、求复数矩阵的模，记为是一个实数矩阵，即幅度 矩阵，然后对矩阵进行分块：把均匀分成4X4的无重叠方块，一共16 ±夬，表示为/);)(/ = 〇,1,2,···,15); 5七印4、提取各分块/)/)(/_ = 0，1,2，~,15)的直方图特征向量，表示为 = 〇，12，···，15)，然后依次连接所有各块的直方图特征向量，得到原始图像的多 直方图特征向量为：= ，Η? (/)Μ^ν，…，] ·， Step5、把原始图像的多直方图特征向量送入基于卡方统计量的最近邻分类器进行分 类，来识别原始人脸图像的身份。3.根据权利要求1所述的非高斯二维Gabor滤波器图像纹理提取及识别方 法，其特征在于：所述步骤Step5中，基于卡方统计量的最近邻分类器进行分类时， 先计算卡方统计量距离；设定两幅人脸图像I?和I (1)的直方图特征向量分别为： /(〇 Wv'厂[吨 .厂丑. ^ ^ 个向量之间的距离，即卡方统计量距离采用如下公式计算：其中和⑴分别表示纹理特征向量和的第i 个元素，K'表示纹理向量的长度，eps为一固定值，为Matlab中最小的正数。
【专利摘要】本发明涉及一种非高斯二维Gabor滤波器图像纹理提取及识别方法，属于模式识别技术领域。本发明首先构造出非高斯二维Gabor滤波器，然后采用非高斯二维Gabor滤波器对图像进行滤波处理，计算滤波后的图像的幅度矩阵，接着将此幅度矩阵进行分块，计算各块的直方图特征向量，然后连接各块的直方图特征向量，得到原始图像的直方图特征向量。最后把该特征向量送入基于卡方统计量的最近邻分类器进行分类识别。本发明是一种基于非高斯二维Gabor滤波器的纹理描述方法，是传统二维Gabor滤波器的一种推广，能提取图像非高斯纹理特征及识别。
【IPC分类】G06K9/46, G06K9/62, G06K9/00
【公开号】CN104881635
【申请号】CN201510223362
【发明人】陈熙, 李闻
【申请人】昆明理工大学
【公开日】2015年9月2日
【申请日】2015年5月5日