基于小波多尺度统计特征的图像分类yj.ppt

基于小波多尺度统计特征的图像分类 * * 1. 小波变换 2. 图像分类问题现状 3. 小波多尺度统计特征抽取及图像分类 4. 实验比较 5. 下一步工作 6. 参考文献 报告内容 1. 小波变换 小波变换是强有力的时频分析(处理)工具，是在克服傅立叶变换缺点的基础上发展而来的。已成功应用于很多领域，如信号处理、图像处理、模式识别等。 小波变换的一个重要性质是它在时域和频域均具有很好的局部化特征，它能够提供目标信号各个频率子段的频率信息。这种信息对于信号分类是非常有用的。 小波变换一个信号为一个小波级数，这样一个信号可由小波系数来刻画。 1.1 一维小波变换（一维多尺度分析） 设有L2(R )空间的子空间序列： Vj 的正交基函数是由一个称为尺度函数的函数?(x)经伸缩平移得到的 设Wj 是Vj 相对于Vj+1的正交补空间， Wj 的正交基函数是由一个称为小波函数的函数?(x)经伸缩平移得到的 小波函数必须满足以下两个条件的函数： 小波必须是振荡的； 小波的振幅只能在一个很短的一段区间上非零，即是局部化的。如： 图1 小波例1 图2 小波例2 不是小波的例 图4 图3 构成Vj+1的正交基。 满足下列关系式(二尺度方程)： 信号的多尺度分解： 1.2 二维小波变换（二维多尺度分析） 二维小波变换是由一维小波变换扩展而来的，二维尺度函数和二维小波函数可由一维尺度函数和小波函数张量积得到，即： 图像的二维小波变换包括沿行向(水平方向)和列向(垂直方向)滤波和2-下采样，如图所示： 图5 图像滤波采样 说明：如图所示，首先对原图像I(x,y)沿行向(水平方向)进行滤波和2-下采样，得到系数矩阵IL(x,y)和IH(x,y)，然后再对IL(x,y)和IH(x,y)分别沿列向(垂直方向)滤波和2-下采样，最后得到一层小波分解的4个子图： ILL (x,y)—I(x,y)的（粗）逼近子图 IHL(x,y) — I(x,y)的水平方向细节子图 ILH (x,y) — I(x,y)的垂直方向细节子图 IHH (x,y) — I(x,y)的对角线方向细节子图 二维金字塔分解算法 令I(x,y)表示大小为M?N的原始图像，l(i)表示相对于分析小波的低通滤波器系数，i=0,1,2,…,Nl-1， Nl表示滤波器L的支撑长度； h(i)表示相对于分析小波的高通滤波器系数，i=0,1,2,…,Nh-1， Nh表示滤波器H的支撑长度，则 对逼近子图重复此过程，直到确定的分解水平，下图是二层小波分解的示意图。 图6 图像多尺度分解，(a)一层分解，(b)二层分解 2. 图像分类问题现状 目前常用的分类器如支持向量机，神经网络分类器等大多以结构化数据作为输入； 图像数据是非结构化数据，不能直接用于分类； 图像特征提取在图像分类中扮演着非常重要的角色，特征提取的好坏直接影响着分类精度和分类器的性能； 图像的小波变换可用于图像特征提取，实际上，可将小波变换看作一种特征映射； 图像分类就是利用计算机对图像进行定量分析，把图像或图像中的每个像元或区域划归为若干个类别中的某一种，以代替人的视觉判读。 图像分类方法可分为： 图像空间的分类方法—利用图像的灰度、颜色、纹理、形状、位置等底层特征对图像进行分类；例如： 文献[1]利用灰度直方图特征对图像进行分类； 文献[2]利用纹理特征对图像进行分类； 文献[3]采用纹理、边缘和颜色直方图混合特征对图像进行分类 ； 文献[1]、[2]、[3]均采用SVM作为分类器。 文献[4]用矩阵表示图像，矩阵元素是相应象素的灰度值，然后用SVD和PCA方法抽取图像特征，BP网络作为分类器。 图像空间的分类方法的共同缺点是数据量大、计算复杂性高，但分类精度一般比较理想。 特征空间的分类方法—首先将原图像经过某种变换如K-L变换、小波变换等变换到特征空间，然后在特征空间提取图像的高层特征以实现图像的分类。这类分类方法的文献尤以纹理图像分类和遥感图像分类最多。 文献[5]对常见的纹理分类进行了综述，如下表： Support vector machine classifier Gabor filters and wavelet transform 文献[9] Multiple neural network classifiers Gabor filters 文献[8] Bayesian network classifier Gabor filters and Statistical features 文献[7] Support vector machine classifier Gabor filters 文献[6] 分类器 特征 文献 特征空间的分类方法可降低数据维数，降低计算复杂性，但问