- 1、本文档共4页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
小波在图像识别中的应用
实验五 小波在图像识别中的应用
一、实验目的
采用图像小波变换后的统计特征对图像进行匹配识别。实现函数knnfunc()。
算法描述
1. 多尺度小波变换
用冗余小波对图像进行个尺度的二维小波变换,得到幅子图像,具体描述如下式
(5-1)
式中:是原图像在尺度上作二维小波变换得到的低频子带图像,是原图像在尺度和方向上作二维小波变换得到的高频细节子带图像,,分别对应高频子带图像的水平部分,垂直部分和对角线部分。
2. 统计特征提取
进行个尺度的二维小波变换后,对每幅图像构造一个长度为的统计特征向量,结构如式(5-2)所示。
(5-2)
式中,,即:相应子带图像的均值。该统计特征向量反映图像在不同尺度上和不同方向上的能量分布情况,包含了图像模式中有价值的可识别属性。实验对每幅图像都作2个尺度的二维小波分解,构造一个长度7的统计特征向量。
对于从各幅图像中提取出来的统计特征向量,计算它们之间的相似度。设和分别为两幅图像的统计特征向量,用它们夹角的余弦值来表征它们之间的相似度,其中
(5-3)
其中:
像素点的坐标;
伸缩因子;
, 平移因子;
小波分解低频子带系数;
小波分解高频子带系数;
两幅图像特征向量夹角;
图像特征向量;
图像特征向量。
算法步骤及流程图
算法步骤:
Step1:对原图像进行2级小波分解;
Step2:对识别图像构建统计特征向量;
Step3:由式(5-3)求两幅图像特征向量夹角的余弦值;
Step4:由余弦结果对图像进行匹配识别判别。
算法流程图:
程序源代码
function[final]=knnfunc(x,w)
[m,n]=size(w);
temp=0;
temp1=0;
temp2=0;
w1=reshape(w(1,:),n,1);
temp1=abs(x*w1);
w2=reshape(w(2,:),n,1);
temp2=abs(x*w2);
w3=sqrt(sum(w(1,:).*w(1,:)));
w4=sqrt(sum(w(2,:).*w(2,:)));
w5=sqrt(sum(x.*x));
cos1=temp1/(w3*w5);
cos2=temp2/(w4*w5);
temp=0;
temp1=0;
temp2=0;
for i=1:n
temp=abs(w(1,i)*x(i))+temp;
temp1=w(1,i)*w(1,i)+temp1;
temp2=x(1,i)*x(1,i)+temp2;
end
cos1=temp/sqrt(temp1*temp2);
temp1=0;
temp2=0;
temp=0;
for i=1:n
temp=abs(w(2,i)*x(i))+temp;
temp1=w(2,i)*w(2,i)+temp1;
temp2=x(1,i)*x(1,i)+temp2;
end
cos2=temp/sqrt(temp1*temp2);
final1=cos1;
disp(sprintf(final1=%4.8f,final1));
final2=cos2;
disp(sprintf(final2=%4.8f,final2));
if(final1final2)
final=final1;
else
final=final2;
end
实验结果
final1=0final2=0Final=0Elapsed time is 0.247322 seconds.
结果分析
为了利用局部特征表示图像并克服图像分割技术的限制,引入特征向量。
特征向量的选择直接决定着模式匹的好坏,要想提高匹配效果,应该选择更优的特征向量。
算法综述
小波分解后得到的图像序列由近似部分和细节部分组成,近似部分是原图像对高频部分进行滤波所得到的近似表示经滤波后,近似部分出去了高频分量,因此能够检测到原图像所检测不到的边缘。
由小波变换理论可知,小波变换系数的模极大值点对应于信号的突变点。对于图像来说,这些点对应于图像的边缘,因此可以采用小波变换的多尺度表示提取特征点。最后将所提取的特征点用于图像的匹配。
参考文献
[1]张振宇,黄崇林,谭恒松.基于小波变换的图像识别算法.计算机应用Computer Applications.第27卷.2007年12月
开始
加载图片
对原图像进行2级小波分解
对识别图像构建统计特征向量
根据求两幅图像特征向量夹角的余弦值
Cos1Cos2
final=fina
文档评论(0)