3)對差值結(jié)果做像素遍歷，并且定義與當(dāng)前像素距離最近的26個像素為當(dāng)前 像素的鄰接像素點，如果當(dāng)前像素是所有鄰接像素點中的最大值或最小值，則定義當(dāng)前像 素為DoG圖像的極值點；
[0035] 2b)去除圖像邊緣上的非鑒別性極值點：
[0036] 由于步驟2a)中定義的DoG圖像的極值點在水平邊緣的地方有較大的主曲率，而 在垂直邊緣的方向有較小的主曲率，且在邊緣處的極值點不能描述圖像信息，所以其不具 有鑒別性，故需要將所有極值點對應(yīng)的主曲率與設(shè)定的主曲率范圍進行比較，找到并且去 除主曲率在設(shè)定范圍外的極值點，即去除圖像邊緣上的非鑒別性極值點得到關(guān)鍵特征點集 合T。
[0037] 步驟3,計算訓(xùn)練圖像的梯度特征向量和顏色特征向量。
[0038] 3a)用SIFT方法計算T中關(guān)鍵特征點的梯度特征向量f :
[0039] 3al)計算關(guān)鍵特征點周圍8 X 8像素鄰域內(nèi)的每個像素與其周圍8個像素之間的 差值，作為這個像素的8方向梯度，分別計算關(guān)鍵特征點鄰域內(nèi)所有像素8個方向上梯度的 累加值，并且建立梯度直方圖，將直方圖峰值處所對應(yīng)的方向作為關(guān)鍵特征點的主方向；
[0040] 3a2)旋轉(zhuǎn)關(guān)鍵特征點的像素鄰域，使主方向向上，同時對關(guān)鍵特征點的像素鄰域 高斯加權(quán)，使離關(guān)鍵特征點越近的像素的梯度值的權(quán)重越大，以減小遠離關(guān)鍵特征點的像 素所帶來的影響；
[0041] 3a3)在關(guān)鍵特征點的像素鄰域內(nèi)的每4X4像素小塊上統(tǒng)計已經(jīng)旋轉(zhuǎn)并且加權(quán)后 的8個方向的梯度大小，計算每個梯度方向上的梯度累加值，將各個小塊每個方向上的累 加值作為梯度特征向量f。
[0042] 3b)用CA方法計算T中關(guān)鍵特征點的顏色特征向量f :
[0043] 3bl)定義關(guān)鍵特征點的周圍8X8像素鄰域為區(qū)域R，計算區(qū)域R屬于某個顏色標(biāo) 簽的概率p (Cni |R):
【主權(quán)項】
1. 一種基于改進詞袋模型的不良圖像檢測方法，包括如下步驟： A. 收集正常圖像與不良圖像作為訓(xùn)練集，并標(biāo)記每幅圖像的類別；用高斯差分算子對 訓(xùn)練集中的所有圖像進行關(guān)鍵特征點檢測，將這些關(guān)鍵特征點組成特征點集合T ; B. 對集合T中的關(guān)鍵特征點分別利用尺度不變變換特征SIFT方法和顏色屬性CA方法 計算關(guān)鍵特征點的梯度特征向量f和顏色特征向量f'，對梯度特征向量和顏色特征向量分 別進行歐式距離測度下的K-均值聚類；并用梯度特征向量的聚類中心組成圖像的梯度詞 典，用顏色特征向量的聚類中心組成圖像的顏色詞典； C. 將訓(xùn)練集中所有圖像特征點的梯度特征向量量化為梯度詞典中的單詞，將訓(xùn)練集中 所有圖像特征點的顏色特征向量量化為顏色詞典中的單詞； D. 通過貝葉斯模型計算每個特征點的顏色單詞的類條件概率，并與所對應(yīng)特征點的梯 度單詞相乘，統(tǒng)計得到顏色先驗加權(quán)后的梯度單詞直方圖； E. 將訓(xùn)練圖像的加權(quán)直方圖及其類別標(biāo)記輸入支持向量機SVM，訓(xùn)練不良圖像分類 器； F. 對待測圖像，根據(jù)步驟A-C得到其關(guān)鍵特征點的梯度特征向量和顏色特征向量，并 將這些特征向量分別量化為梯度單詞和顏色單詞，將步驟D得到的顏色單詞的類條件概率 與梯度單詞相乘，統(tǒng)計出待測圖像的顏色先驗加權(quán)后的梯度單詞直方圖； G. 將待測圖像的加權(quán)直方圖輸入到步驟E所訓(xùn)練出的分類器中，根據(jù)分類器的分類結(jié) 果判斷待測圖像是否屬于不良類。
2. 根據(jù)權(quán)利要求1所述的不良圖像檢測方法，其特征在于所述步驟A中用高斯差分算 子對訓(xùn)練集中的圖像進行關(guān)鍵特征點檢測，按如下步驟進行： Al.變換圖像的分辨率，得到圖像在多個分辨率尺度下的變換結(jié)果，建立圖像多分辨金 字塔，其中每一層代表一個分辨率尺度下的圖像； A2.對金字塔中每層圖像做高斯濾波，得到濾波后的輸出結(jié)果，并且對相鄰兩層的結(jié)果 求差值； A3.對差值結(jié)果做像素遍歷，并且定義與當(dāng)前像素距離最近的26個像素為當(dāng)前像素的 鄰接像素點，如果當(dāng)前像素是所有鄰接像素點中的最大值或最小值，則定義當(dāng)前像素為圖 像的關(guān)鍵特征點； A4.去除每個關(guān)鍵點中主曲率最大和最小的點，即去除邊緣上的非鑒別性特征點，最后 到關(guān)鍵特征點集合T。
3. 根據(jù)權(quán)利要求1所述的不良圖像檢測方法，其特征在于所述步驟B中利用尺度不變 變換特征SIFT方法對集合T中的關(guān)鍵特征點計算梯度特征向量f，按如下步驟進行： BI.統(tǒng)計關(guān)鍵特征點周圍8X8像素鄰域內(nèi)的梯度直方圖，并且將直方圖峰值處的方向 作為關(guān)鍵特征點的主方向； B2.將關(guān)鍵特征點的像素鄰域沿主方向旋轉(zhuǎn)，同時對關(guān)鍵特征點的像素鄰域高斯加 權(quán)； B3.在關(guān)鍵特征點的像素鄰域內(nèi)的每4X4像素小塊上統(tǒng)計8個方向的梯度方向直方 圖，計算每個梯度方向上的梯度累加值，將各個小塊每個方向上的累加值作為梯度特征向 量f。
4. 根據(jù)權(quán)利要求1所述的不良圖像檢測方法，其特征在于所述步驟B中利用顏色屬性 CA方法對集合T中的關(guān)鍵特征點計算顏色特征向量f'，通過如下公式計算： f' = {p (Cn11 R)，p (cn21 R)，· · ·，p (Cni I R)，· · ·，p (cnn I R)} i = 1，2, · · ·，11 其中，p (Cni I R)是每個區(qū)域R屬于某個顏色標(biāo)簽的概率，由如下公式計算：
其中p (Cni I f (X))是輸入像素屬于第i個顏色標(biāo)簽(:叫的概率，X表示在圖像區(qū)域R內(nèi) 像素的空間坐標(biāo)，P為區(qū)域內(nèi)像素數(shù)目，f(x)表示坐標(biāo)X處的像素值。
5. 根據(jù)權(quán)利要求1所述的不良圖像檢測方法，其特征在于所述步驟B中分別生成梯度 詞典和顏色詞典，按如下步驟進行： B4.對T中關(guān)鍵特征點的梯度特征向量f進行歐式距離測度下的K-均值聚類， 得到Ng個聚類中心，定義每個聚類中心為一個梯度單詞Wg，得到圖像的梯度詞典集合
B5.對T中關(guān)鍵特征點的顏色特征向量f'進行歐式距離測度下的K-均值聚類， 得到W個聚類中心，定義每個聚類中心為一個顏色單詞w %得到圖像的顏色詞典集合
6. 根據(jù)權(quán)利要求1所述的不良圖像檢測方法，其特征在于所述步驟D中通過貝葉斯模 型計算每個關(guān)鍵特征點的顏色單詞的類條件概率，得到顏色加權(quán)后的直方圖，按如下步驟 進行： Cl.在訓(xùn)練集中統(tǒng)計每個顏色單詞f在不良圖像中出現(xiàn)的頻次Hl1和每個顏色單詞在正 常圖像中出現(xiàn)的頻次HI2，根據(jù)訓(xùn)練集類別標(biāo)記將訓(xùn)練圖像分為不良類和正常類，定義class 為訓(xùn)練圖像的類別，訓(xùn)練圖像為不良圖像時class = 1，訓(xùn)練圖像為正常圖像時class = 2， 計算f在不良類和正常類出現(xiàn)的概率為：
C2.根據(jù)類別先驗概率和相似度概率，通過貝葉斯準(zhǔn)則計算顏色單詞f的類條件概率 p (class = k I we)，貝葉斯公式如下：
其中，p (class = k)表示類別先驗概率； C3.將圖像中每個關(guān)鍵特征點的梯度單詞Wg乘上該關(guān)鍵特征點所對應(yīng)的顏色單詞V的 類條件概率p (class = k|f)，得到顏色先驗加權(quán)后的梯度單詞； C4.將上述加權(quán)后的梯度單詞與詞典中單詞進行對比，統(tǒng)計詞典中每個單詞在圖像所 有關(guān)鍵特征點中出現(xiàn)的次數(shù)，得到每幅圖像顏色先驗加權(quán)后的梯度單詞的直方圖。
【專利摘要】本發(fā)明公開了一種基于改進詞袋模型的不良圖像檢測方法，主要解決傳統(tǒng)詞袋模型在檢測不良圖像過程中顏色描述不準(zhǔn)確、關(guān)鍵特征點提取不全面、特征描述復(fù)雜、局部區(qū)域描述不精確的問題。其實現(xiàn)步驟為：(1)提取關(guān)鍵特征點；(2)對關(guān)鍵特征點提取顏色特征和梯度特征；(3)根據(jù)顏色特征和梯度特征分別建立顏色詞典和梯度詞典；(4)根據(jù)先驗知識計算每個特征點顏色單詞的類條件概率；(5)根據(jù)類條件概率對相應(yīng)的梯度單詞加權(quán)，并統(tǒng)計加權(quán)后的梯度單詞直方圖，(6)利用直方圖訓(xùn)練分類器；(7)用訓(xùn)練好的分類器檢測不良圖像。本發(fā)明提高了顏色描述信息的豐富性，避免了關(guān)鍵特征點的丟失，能更加精確描述圖像局部區(qū)域，可用于過濾色情圖像。
【IPC分類】G06K9-64
【公開號】CN104680189
【申請?zhí)枴緾N201510117478
【發(fā)明人】田春娜, 張相南, 高新波, 王代富, 王秀美, 王穎, 鄧成
【申請人】西安電子科技大學(xué)
【公開日】2015年6月3日
【申請日】2015年3月15日