专利汇可以提供图像纹理窗口形状与尺度的选择方法专利检索,专利查询,专利分析的服务。并且图像纹理窗口形状与尺度的选择方法,属于 图像处理 领域。为了解决采用固定纹理窗口提取纹理特征时存在边缘 定位 误差和纹理描述的冗余问题。所述选择方法包括:将待处理图像分成多个图像分 块 ,对每个图像分块进行纹理窗口形状与尺度的选择,包括:对每个图像分块,建立图像生成的混合概率模型,每个纹理窗口对应混合概率模型的一个混合分量;采用期望最大化 算法 ,求取混合概率模型参数的极大似然估计值,确定每个 像素 针对不同混合分量的后验概率;根据确定的每个像素针对不同混合分量的后验概率,按照最大后验概率对像素进行分类,每个类别形成一个纹理窗口,即:获得纹理窗口的形状与尺度。本 发明 应用于图像纹理的提取与描述领域。,下面是图像纹理窗口形状与尺度的选择方法专利的具体信息内容。
1.一种图像纹理窗口形状与尺度的选择方法,其特征在于,所述选择方法包括:
将待处理图像分成多个图像分块,对每个图像分块进行纹理窗口形状与尺度的选择。
2.根据权利要求1所述的图像纹理窗口形状与尺度的选择方法,其特征在于,所述对每个图像分块进行纹理窗口形状与尺度的选择的具体过程包括:
步骤一:对图像分块,建立图像生成的混合概率模型,每个纹理窗口对应混合概率模型的一个混合分量;
步骤二:采用期望最大化算法,求取步骤一中混合概率模型参数的极大似然估计值,确定每个像素针对不同混合分量的后验概率;
步骤三:根据步骤二确定的每个像素针对不同混合分量的后验概率,按照最大后验概率对像素进行分类,每个类别形成一个纹理窗口,即:获得纹理窗口的形状与尺度。
3.根据权利要求2所述的图像纹理窗口形状与尺度的选择方法,其特征在于,所述步骤一包括如下步骤;
步骤一一:针对每个像素,选取一个邻域,计算每个像素与其选取邻域范围内像素的视觉差异;再根据获得的视觉差异,确定每个像素的视觉采样权值;
步骤一二:设定初始的纹理窗口数目K,建立图像分块生成的混合概率模型,则每个图像分块被视为由该混合概率模型生成。
4.根据权利要求3所述的图像纹理窗口形状与尺度的选择方法,其特征在于,所述每个像素与其选取邻域范围内像素的视觉差异为:
xi代表第i个像素的颜色值,xj代表当前像素的第j个邻近像素的颜色值;
每个像素的视觉采样权值:
其中,μ和σ分别是视觉差异dj分布的平均值和标准差。
5.根据权利要求4所述的图像纹理窗口形状与尺度的选择方法,其特征在于,所述混合概率模型生成每个像素(xi,yi)的概率密度函数为:
其中,yi代表第i个像素的空间位置信息,高斯模型gk(yi|φk)表示纹理窗口在图像分块空间中的分布,参数 为空间位置的高斯分布的均值,表示纹理窗口的中心位置, 为空间位置的协方差矩阵,表示纹理窗口的空间延展量;fk(xi|θk)表示纹理窗口内颜色的分布,参数 为颜色的高斯分布的均值向量, 为颜色的高斯分
布的协方差矩阵;Π={πk}和Θ={θk,φk};πk为第k个纹理窗口分量混合比的先验概率,起到调节纹理窗口尺度的作用,满足0≤πk≤1和 限制,K为图像分块中的纹理窗口数目。
6.根据权利要求5所述的图像纹理窗口形状与尺度的选择方法,其特征在于,所述步骤二包括如下步骤;
步骤二一:设定混合概率模型参数的随机初始值、混合概率模型参数的期望最大化迭代收敛阈值、最大迭代次数和纹理窗口融合的判别阈值,迭代次数的初值置为t=1;
步骤二二:期望最大化的E步骤,在获得第t次混合概率模型参数的极大似然估计值下,求取第t次迭代的期望似然函数值,确定每个像素针对每个纹理窗口的后验概率;
步骤二三:期望最大化的M步骤,根据E步骤获得的每个像素针对每个纹理窗口的后验概率,计算第t+1次的混合概率模型参数的极大似然估计值;
步骤二四:计算第t与第t+1两次迭代的期望似然函数值,判断其比值是否小于设定的期望最大化迭代收敛阈值,若否,则t=t+1,转入步骤二五;若是,则转入步骤二六;
步骤二五:判断当前迭代次数t是否达到最大迭代次数,若是,则转入步骤二六;若否,则转入步骤二二;
步骤二六:计算每两个纹理窗口在空间域内的相关度,判断所述相关度是否大于设定的纹理窗口融合的判别阈值,若是,则转入步骤二七;若否,则转入步骤三;
步骤二七:将两个纹理窗口合并成一个纹理窗口,在将要合并的纹理窗口所对应的两个混合分量中,任意选择一个分量,将其删除,K=K-1,t=1,转入步骤二二。
7.根据权利要求6所述的图像纹理窗口形状与尺度的选择方法,其特征在于,所述步骤二二中,在获得第t次混合概率模型参数估值下,求取第t次迭代的期望似然函数值:
其中每个像素针对每个纹理窗口的后验概率为:
8.根据权利要求7所述的图像纹理窗口形状与尺度的选择方法,其特征在于,求得第t+
1次的混合概率模型参数的极大似然估计值;
9.根据权利要求8所述的图像纹理窗口形状与尺度的选择方法,其特征在于,所述两个纹理窗口在空间域内的相关度为:
上式中的分母起到归一化作用,其中||.||代表2-范数,Jmerge(m,n)表示两个纹理窗口在空间域内的相关度,其中m=1,2…,K;n=1,2…,K;m≠n。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
一种微纳尺度的图形绘制方法 | 2020-05-11 | 735 |
大尺度地距星载SAR图像镶嵌方法 | 2020-05-11 | 630 |
尺度无关图 | 2020-05-11 | 274 |
图像纹理窗口形状与尺度的选择方法 | 2020-05-11 | 650 |
一种多尺度图像增强方法 | 2020-05-12 | 43 |
基于多尺度深度学习的图像问答方法 | 2020-05-13 | 651 |
一种微纳尺度的图形绘制方法 | 2020-05-13 | 562 |
一种多尺度SAR图像边缘检测方法 | 2020-05-11 | 491 |
使用多尺度取向片段的多图像匹配 | 2020-05-12 | 520 |
数字图像中目标物体多尺度捕捉方法 | 2020-05-13 | 12 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。