波器對(duì)一幅圖像進(jìn)行濾波處理；由于非高斯二維 G油or濾波器是一個(gè)多尺度多方向的二維濾波器，則在不同尺度和不同方向下對(duì)圖像進(jìn)行 濾波處理；
[0068] 首先假定圖像為IW(X，y)，非高斯二維G油or濾波器為NGu,Y,Y(X，y)，那么具 有參數(shù)V、y和r的非高斯二維Gabor濾波器對(duì)圖像I(X，y)進(jìn)行濾波的計(jì)算式為；
[0069] 其中，x，y表示圖像的坐標(biāo)，*表示卷積操作，i^^<,^，>l^(x,；i?；)表示坐標(biāo)x，y處濾波后的 圖像，是一個(gè)復(fù)數(shù)，整個(gè)濾波后的圖像變成一個(gè)復(fù)數(shù)矩陣，表示為巧,的大小與原 圖像相同；
[0070]St巧3、求復(fù)數(shù)矩陣巧;心的模，記為姑4巧心），Gkv(巧心)是一個(gè)實(shí)數(shù)矩陣，即幅 度矩陣，然后對(duì)矩陣進(jìn)行分塊：把均勻分成4X4的無重疊方塊，一共 16塊，表示為聲）（i=0, 1，2,…，15);
[0071]St巧4、提取各分塊/,W(i= 0, 1，2,…，15)的直方圖特征向量，表示為 ^,u>v(;,,,,y(i'' =n，i，2,…，15)，然后依次連接所有各塊的直方圖特征向量，得到原始圖像的多 直方圖特征向量為
[0072]steps、把原始圖像的多直方圖特征向量送入基于卡方統(tǒng)計(jì)量的最近鄰分類器進(jìn) 行分類，來識(shí)別原始人臉圖像的身份。
[0073] 所述步驟steps中，基于卡方統(tǒng)計(jì)量的最近鄰分類器進(jìn)行分類時(shí)，先 計(jì)算卡方統(tǒng)計(jì)量距離；設(shè)定兩幅人臉圖像I?和IW的直方圖特征向量分別為；
'則此兩 個(gè)向量之間的距離，即卡方統(tǒng)計(jì)量距離采用如下公式計(jì)算：
[0074]
[0075]其中盧^VG,w價(jià)和w(0分別表示紋理特征向量盧和戸勺第 i個(gè)元素，K'表示紋理向量的長(zhǎng)度，eps為一固定值，為Matl油中最小的正數(shù)。
[0076] 具體實(shí)施時(shí)，在MTLAB軟件環(huán)境中，選取不同的參數(shù)r，r一般取大于等于1，尺度 參數(shù)V取值分別為；V= 0,...，4,方向參數(shù)y分別取值為；y= 0,...，3,利用MTLAB軟 件環(huán)境再根據(jù)所述非高斯二維Gabor濾波器圖像紋理提取及識(shí)別方法的具體步驟來實(shí)現(xiàn) 所取圖像的識(shí)別；
[0077] 由實(shí)施例2知道，當(dāng)參數(shù)r〉l時(shí)，采用非高斯二維G油or濾波器進(jìn)行人臉圖像紋理 特征提取將取得比傳統(tǒng)二維G油or濾波器更高的識(shí)別率。下面在固定參數(shù)r情況下（r= 1和r= 1. 3)，進(jìn)一步統(tǒng)計(jì)本方法在化leB人臉數(shù)據(jù)庫中的識(shí)別率與訓(xùn)練樣本數(shù)的關(guān)系，給 出相應(yīng)的識(shí)別率。本實(shí)施例中所用人臉圖片為theextendedYaleB人臉數(shù)據(jù)庫的光照子 集，該子集共有38個(gè)人，每個(gè)人在不同光照情況下拍攝64張照片，一共2432張照片，照片 大小為64x64。圖3是該數(shù)據(jù)庫中一個(gè)人的64張樣本圖片。該數(shù)據(jù)庫可W在該數(shù)據(jù)庫網(wǎng)站 化ttp://vision.ucsd.edu/ ~leekc/ExtYaleDatabase/ExtYaleB.html)上下載戶片有裁切 好的人臉圖片。在本實(shí)施例中，在計(jì)算識(shí)別率時(shí)，訓(xùn)練樣本集由每個(gè)人分別任選2、6,、10、 14和18張樣本構(gòu)成，其余圖像用作測(cè)試。將實(shí)驗(yàn)重復(fù)5次，計(jì)算不同r參數(shù)和不同訓(xùn)練樣 本情況下本方法的平均正確識(shí)別率和標(biāo)準(zhǔn)偏差，將結(jié)果填在表1中，表1是本實(shí)施例中不同 訓(xùn)練樣本數(shù)目情況下本方法與傳統(tǒng)二維G油or濾波器的平均識(shí)別率（％ )與標(biāo)準(zhǔn)偏差（r= 1.3)，從表1中可W看出，本方法的正確識(shí)別率要大大高于傳統(tǒng)二維G油or濾波器（也就是 r= 1的時(shí)候的濾波器）。
[007引表1平均識(shí)別率（％ )與標(biāo)準(zhǔn)偏差
[0079]
[0080] 上面結(jié)合附圖對(duì)本發(fā)明的【具體實(shí)施方式】作了詳細(xì)說明，但是本發(fā)明并不限于上述 實(shí)施方式，在本領(lǐng)域普通技術(shù)人員所具備的知識(shí)范圍內(nèi)，還可W在不脫離本發(fā)明宗旨的前 提下作出各種變化。
【主權(quán)項(xiàng)】
1. 非高斯二維Gabor濾波器圖像紋理提取及識(shí)別方法，其特征在于：首先構(gòu)造出非高 斯二維Gabor濾波器，然后采用非高斯二維Gabor濾波器對(duì)圖像進(jìn)行濾波處理，計(jì)算濾波后 的圖像的幅度矩陣，接著將此幅度矩陣進(jìn)行分塊，計(jì)算各塊的直方圖特征向量，然后連接各 塊的直方圖特征向量，得到原始圖像的直方圖特征向量。最后把該特征向量送入基于卡方 統(tǒng)計(jì)量的最近鄰分類器進(jìn)行分類識(shí)別。2. 根據(jù)權(quán)利要求1所述的非高斯二維Gabor濾波器圖像紋理提取及識(shí)別方法，其特征 在于：所述非高斯二維Gabor濾波器圖像紋理提取及識(shí)別方法的具體步驟如下： Stepl、首先構(gòu)造非高斯二維Gabor濾波器；非高斯二維Gabor濾波器構(gòu)造為：其中人# V =，kv= k max/fv，φ# =π///4，kmax是最大頻率，一般 k max= Ji /2， / = 7^，尺度參數(shù)￥取值為￥ = 〇，...，4，方向參數(shù)4取值為4=0，...，3,2=(叉，7)和 I I ζ I I = (x2+y2)，X，y表示傳統(tǒng)二維Gabor濾波器的坐標(biāo)，i表示虛單位，r是一個(gè)引進(jìn)的參 數(shù)，r>l，用于控制非高斯二維Gabor濾波器的形狀； Step2、采用非高斯二維Gabor濾波器對(duì)一幅圖像進(jìn)行濾波處理；由于非高斯二維 Gabor濾波器是一個(gè)多尺度多方向的二維濾波器，則在不同尺度和不同方向下對(duì)圖像進(jìn)行 濾波處理； 首先假定圖像為1(1) (X，y)，非高斯二維Gabor濾波器為NGU，V，γ (X，y)，那么具 有參數(shù)v、μ和！·的非高斯二維Gabor濾波器對(duì)圖像I (x，y)進(jìn)行濾波的計(jì)算式為： ^!,v,r(x5 v) ^ (x, V)*/(/)(x,y)； 其中，x，y表示圖像的坐標(biāo)，*表示卷積操作，表示坐標(biāo)x，y處濾波后的圖 像，是一個(gè)復(fù)數(shù)，整個(gè)濾波后的圖像變成一個(gè)復(fù)數(shù)矩陣，表示為?ι，的大小與原圖 像相同； St印3、求復(fù)數(shù)矩陣的模，記為是一個(gè)實(shí)數(shù)矩陣，即幅度 矩陣，然后對(duì)矩陣進(jìn)行分塊：把均勻分成4X4的無重疊方塊，一共16 ±夬，表示為/);)(/ = 〇,1,2,···,15); 5七印4、提取各分塊/)/)(/_ = 0，1,2，~,15)的直方圖特征向量，表示為 = 〇，12，···，15)，然后依次連接所有各塊的直方圖特征向量，得到原始圖像的多 直方圖特征向量為：= ，Η? (/)Μ^ν，…，] ·， Step5、把原始圖像的多直方圖特征向量送入基于卡方統(tǒng)計(jì)量的最近鄰分類器進(jìn)行分 類，來識(shí)別原始人臉圖像的身份。3.根據(jù)權(quán)利要求1所述的非高斯二維Gabor濾波器圖像紋理提取及識(shí)別方 法，其特征在于：所述步驟Step5中，基于卡方統(tǒng)計(jì)量的最近鄰分類器進(jìn)行分類時(shí)， 先計(jì)算卡方統(tǒng)計(jì)量距離；設(shè)定兩幅人臉圖像I?和I (1)的直方圖特征向量分別為： /(〇 Wv'廠[噸 .廠丑. ^ ^ 個(gè)向量之間的距離，即卡方統(tǒng)計(jì)量距離采用如下公式計(jì)算：其中和⑴分別表示紋理特征向量和的第i 個(gè)元素，K'表示紋理向量的長(zhǎng)度，eps為一固定值，為Matlab中最小的正數(shù)。
【專利摘要】本發(fā)明涉及一種非高斯二維Gabor濾波器圖像紋理提取及識(shí)別方法，屬于模式識(shí)別技術(shù)領(lǐng)域。本發(fā)明首先構(gòu)造出非高斯二維Gabor濾波器，然后采用非高斯二維Gabor濾波器對(duì)圖像進(jìn)行濾波處理，計(jì)算濾波后的圖像的幅度矩陣，接著將此幅度矩陣進(jìn)行分塊，計(jì)算各塊的直方圖特征向量，然后連接各塊的直方圖特征向量，得到原始圖像的直方圖特征向量。最后把該特征向量送入基于卡方統(tǒng)計(jì)量的最近鄰分類器進(jìn)行分類識(shí)別。本發(fā)明是一種基于非高斯二維Gabor濾波器的紋理描述方法，是傳統(tǒng)二維Gabor濾波器的一種推廣，能提取圖像非高斯紋理特征及識(shí)別。
【IPC分類】G06K9/46, G06K9/62, G06K9/00
【公開號(hào)】CN104881635
【申請(qǐng)?zhí)枴緾N201510223362
【發(fā)明人】陳熙, 李聞
【申請(qǐng)人】昆明理工大學(xué)
【公開日】2015年9月2日
【申請(qǐng)日】2015年5月5日