本發(fā)明涉及圖像識別技術領域，具體涉及一種基于K-近鄰分類的圖像識別方法。

背景技術：

基于內容的圖像檢索技術是上世紀發(fā)展起來的一種新的圖像檢索技術，取代了傳統(tǒng)的基于文本的圖像檢索技術?；趦热莸膱D像檢索技術通過計算機自動提取圖像的底層視覺特征，進而完成特征的匹配以及圖像的檢索，較于文本檢索，因為不需要人工處理，所以大大提高了檢索效率。但是面對大數(shù)據(jù)的今天，海量圖像數(shù)據(jù)的存在造成了圖像檢索技術效率不高的問題。

鑒于上述缺陷，本發(fā)明創(chuàng)作者經過長時間的研究和實踐終于獲得了本發(fā)明。

技術實現(xiàn)要素：

為解決上述技術缺陷，本發(fā)明采用的技術方案在于，提供一種基于K-近鄰分類的圖像識別方法，該方法包括以下步驟：

步驟S1：建立圖像數(shù)據(jù)庫；

步驟S2：選擇一副圖像作為待檢測圖像，在所述圖像數(shù)據(jù)庫中利用K-近鄰分類算法對圖像進行分類，形成K個類別的圖像集合；

步驟S3：對所述K個類別圖像集合分別賦予相應的權值；

步驟S4：獲取待檢測圖像和K個類別圖像集合的紋理特征向量，以及光譜特征向量；

步驟S5：基于特征向量，計算待檢測圖像與K個類別圖像集合中每一幅圖像的距離，并按照距離大小對圖像進行排序；

步驟S6：根據(jù)圖像的最終的相似性大小，輸出固定數(shù)目的識別圖像。

較佳的，所述步驟S1具體包括：

步驟S11：獲取圖像；

步驟S12：對獲取的圖像進行尺寸大小歸一化；

步驟S13：選擇圖像質量較高的圖像作為圖像數(shù)據(jù)庫。

較佳的，所述步驟S2具體包括：

步驟S21：選擇一副圖像作為待檢測圖像；

步驟S22：提取待檢測圖像的顏色直方圖信息，得到顏色特征向量；

步驟S23：分別計算待檢測圖像與圖像數(shù)據(jù)庫中每一幅圖像的相似性；相似性公式為：

${\mathrm{sim}}_i={\left(\underset{j=1}{\overset{n}{\Σ}}\right|x_j-y_{ij}{|}^2)}^{1/2}$

其中X＝(x₁,x₂,…x_n)表示待檢測圖像的顏色特征向量，Y_i＝(y_i1,y_i2,…y_in)表示圖像數(shù)據(jù)庫中第i幅圖像的顏色特征向量，i表示圖像數(shù)據(jù)庫中圖像的數(shù)量。

步驟S24：將相似性按數(shù)值按大小進行排序；

步驟S25：將圖像按照相似性大小分為K個類別，如果有重復的類別則依次往后進行下去，最后得到K個類別圖像集合。

較佳的，所述步驟S3具體包括：

步驟S31：計算每一類別圖像集合中圖像的相似性大小的均值；

步驟S32：將此均值作為每一類別圖像集合的權值。

較佳的，所述步驟S4具體包括：

步驟S41：分別計算待檢測圖像和K個類別圖像集合在圖像坐標多個方向上、多個空間頻率的Gabor濾波能量值的均值和方差，構成Gabor紋理特征向量；

步驟S42：對待檢測圖像和K個類別圖像集合進行多級小波分解，舍棄低頻信息的子圖像，對剩余的子圖像計算其熵值和能量值，構成小波紋理特征向量；

步驟S43：分別計算所有圖像的光譜指數(shù)，構成圖像的光譜特征向量。

較佳的，所述步驟S5具體包括：

步驟S51：分別計算待檢測圖像和K個類別圖像集合中每一幅圖像的相似性，相似性公式為：

D_k＝(Σ|X-Y|²)^1/2

其中X,Y分別表示待檢測圖像和K個類別圖像集合中的圖像，D_k(k＝1,2,3)分別表示Gabor紋理距離，小波紋理距離和光譜紋理距離；

步驟S52：計算最終的相似性：S＝sim·D，并按照此相似性對得出的結果對圖像進行從大到小排序。

較佳的，所述步驟S6之后還包括：

步驟S7：如果對輸出結果不滿意則返回步驟S2，調節(jié)參數(shù)，直到輸出滿意的結果為止。

與現(xiàn)有技術相比，本發(fā)明的有益效果在于：本發(fā)明提供的一種基于K-近鄰分類的圖像識別方法有如下好處：

(1)本發(fā)明將K-近鄰分類算法應用到圖像檢索中，提高了圖像檢索技術的效率，解決了圖像檢索技術計算量大的問題。

(2)采用了多種特征來實現(xiàn)圖像識別，將多種不同的特征進行融合，提高了圖像識別的精度。

附圖說明

為了更清楚地說明本發(fā)明各實施例中的技術方案,下面將對實施例描述中所需要使用的附圖作簡單地介紹。

圖1為本發(fā)明的一種基于K-近鄰分類的圖像識別方法的流程圖；

圖2為步驟S1的流程圖；

圖3為步驟S2的流程圖；

圖4為步驟S3的流程圖；

圖5為步驟S4的流程圖；

圖6為步驟S5的流程圖。

具體實施方式

以下結合附圖，對本發(fā)明上述的和另外的技術特征和優(yōu)點作更詳細的說明。

如圖1所示，為本發(fā)明的一種基于K-近鄰分類的圖像識別方法的流程圖，該方法包括以下步驟：

步驟S1：建立圖像數(shù)據(jù)庫。

如圖2所示，為步驟S1的流程圖，該步驟S1具體包括：

步驟S11：獲取圖像。

步驟S12：對獲取的圖像進行尺寸大小歸一化。

步驟S13：選擇圖像質量較高的圖像作為圖像數(shù)據(jù)庫。

步驟S2：選擇一副圖像作為待檢測圖像，在圖像數(shù)據(jù)庫中利用K-近鄰分類算法對圖像進行分類，形成K個類別的圖像集合。

如圖3所示，為步驟S2的流程圖，該步驟S2具體包括：

步驟S21：選擇一副圖像作為待檢測圖像。

步驟S22：提取待檢測圖像的顏色直方圖信息，得到顏色特征向量。

步驟S23：分別計算待檢測圖像與圖像數(shù)據(jù)庫中每一幅圖像的相似性。相似性公式為：

${\mathrm{sim}}_i={\left(\underset{j=1}{\overset{n}{\Σ}}\right|x_j-y_{ij}{|}^2)}^{1/2}$

其中X＝(x₁,x₂,…x_n)表示待檢測圖像的顏色特征向量，Y_i＝(y_i1,y_i2,…y_in)表示圖像數(shù)據(jù)庫中第i幅圖像的顏色特征向量，i表示圖像數(shù)據(jù)庫中圖像的數(shù)量。

步驟S24：將相似性按數(shù)值按大小進行排序。

步驟S25：將圖像按照相似性大小分為K個類別，如果有重復的類別則依次往后進行下去，最后得到K個類別圖像集合。

步驟S3：對這K個類別圖像集合分別賦予相應的權值。

如圖4所示，為步驟S3的流程圖，該步驟S3具體包括：

步驟S31：計算每一類別圖像集合中圖像的相似性大小的均值。

步驟S32：將此均值作為每一類別圖像集合的權值。

步驟S4：獲取待檢測圖像和K個類別圖像集合的紋理特征向量，以及光譜特征向量。

如圖5所示，為步驟S4的流程圖，該步驟S4具體包括：

步驟S41：分別計算待檢測圖像和K個類別圖像集合在圖像坐標多個方向上、多個空間頻率的Gabor濾波能量值的均值和方差，構成Gabor紋理特征向量。

步驟S42：對待檢測圖像和K個類別圖像集合進行多級小波分解，舍棄低頻信息的子圖像，對剩余的子圖像計算其熵值和能量值，構成小波紋理特征向量。

步驟S43：分別計算所有圖像的光譜指數(shù)，構成圖像的光譜特征向量。

步驟S5：基于特征向量，計算待檢測圖像與K個類別圖像集合中每一幅圖像的距離，并按照距離大小對圖像進行排序。

如圖6所示，為步驟S5的流程圖，該步驟S5具體包括：

步驟S51：分別計算待檢測圖像和K個類別圖像集合中每一幅圖像的相似性，相似性公式為：

D_k＝(Σ|X-Y|²)^1/2

其中X,Y分別表示待檢測圖像和K個類別圖像集合中的圖像，D_k(k＝1,2,3)分別表示Gabor紋理距離，小波紋理距離和光譜紋理距離。

步驟S52：計算最終的相似性：S＝sim·D，并按照此相似性對得出的結果對圖像進行從大到小排序。

步驟S6：根據(jù)圖像的最終的相似性大小，輸出固定數(shù)目的識別圖像。

該方法還包括步驟S7：如果對輸出結果不滿意則返回步驟S2，調節(jié)參數(shù)，直到輸出滿意的結果為止。

本發(fā)明提供的一種基于K-近鄰分類的圖像識別方法有如下好處：

(1)本發(fā)明將K-近鄰分類算法應用到圖像檢索中，提高了圖像檢索技術的效率，解決了圖像檢索技術計算量大的問題。

(2)采用了多種特征來實現(xiàn)圖像識別，將多種不同的特征進行融合，提高了圖像識別的精度。

以上所述僅為本發(fā)明的較佳實施例，對本發(fā)明而言僅僅是說明性的，而非限制性的。本專業(yè)技術人員理解，在本發(fā)明權利要求所限定的精神和范圍內可對其進行許多改變，修改，甚至等效，但都將落入本發(fā)明的保護范圍內。