基于分形压缩理论目标检测.docVIP

基于分形压缩理论目标检测 　　【摘要】 图像的目标检测一直是一个十分重要的问题，利用目标局部与整体之间的相似性可以对目标进行检测。主要依据图像分形压缩理论，借助于目标图像的局部块之间的相似性，可以构造出一个局部函数迭代系统，作为对目标的一个描述用来检测目标。 　　【关键词】 分形压缩 函数迭代系统 目标检测 　　一、引言 　　本文尝试使用分形压缩的方法实现对目标的检测。分形图像压缩的提出者之一Barnsley就曾经扬言，他实现过10000：1的压缩比。分形压缩的基本思想是利用数据的自相似或自仿射特征，构造相应的局部迭代函数系统，从而只需要少量的数据就可以恢复与原图象相近的图象，达到压缩图形数据的目的。为提高编码性能，相继提出了一些变换域变换编码的方法，提高编码性能的同时也就提高了检测速度。通过自相似性构造目标图像的描述，用此方法来检测目标。由于分形压缩的解压缩非常快，所以编码的快慢并不影响检测的速度。针对目标检测问题的特点，研究者们采用了多种学习算法进行了尝试。Papageorgiou采用基于冗余小波特征的支持向量机（SVM）来构建检测算法。Schneiderman提出了一个基于多尺度小波变换的贝叶斯分类器来进行检测。Rowley在人脸检测系统中使用的是神经网络的方法。Viola和Jones则提出了一个基于级联结构的AdaBoost分类器，级联结构由多级分类器组成，每一级的分类器都采用AdaBoost算法进行训练。 　　二、分形压缩算法 　　2.1 分形图像压缩的基本理论 　　标准的分形图像压缩的基础是收缩映射定理、IFS（迭代函数系统）定理和拼贴定理。 　　定理1（收缩映射定理） 设（X，d）是完备的度量空间，f：X→X是集合X上的收缩映射，那么，f有且只有一个不动点，即f（x）=x有且只有一个解。 　　定理2（IFS的收缩映射定理） 设{X，ω，i=1，2，…N}是一个收缩因子为λ的IFS，H（X）是（X，d）完备度量空间上的非空紧子集，则由： 　　W（X）=ω（B），[∨] B[∪]H（X） 　　定义的变换：W：H（X）→H（X）是完备度量空间[H（X），h（d）]的一个收缩变换，即是W一个上Rn的收缩变换，其收缩因子为λ，其中h（d）为Hausdorf距离。 　　定理3（Hausdorf空间的拼贴定理） 设（X，d）为一完备度量空间，给定图像I[∪]H（X），ε0，选一个压缩因子0λ1的IFS（X，W），W={ω1，ω2，…，ωN}，使得h（I，W）≤ε，h（d）为Hausdorf度量，则 　　h（I，A）≤ 　　其中，A为IFS系统的吸引子。 　　2.2 基本图像分形压缩算法 　　分形压缩的基本原理就是找到最优的IFS，使得IFS的吸引子与原始图像一致或近似。但是对于自然图像而言，如果采用是一个IFS去逼近它是不可能的，因为大多数图像不具备严格的自相似性。但是若将图像分成小块后，各小块之间可能存在自相似性，可以利用这一点进行图像压缩。Jacquin就利用了局部迭代函数理论，提出了一种基于块的全自动的分形图像压缩方法，使分形图像压缩从人工处理转变为自动编码。此后各种改进的方法也不断被提出，从DCT的变换域中寻找自相似性的方法来加提高编码速度。各种改进算法很多，但是都以标准的算法为基础，几乎都是对于标准算法中编码时采用全局检测而导致速度过慢提出的。但是无论是何种算法，解码速度都是很快的。 　　具体的压缩算法是将图像划分为值域块Ri和定义域块Di两大类，值域块不重叠，且比定义域块要小，定义域块可以重叠。在局部函数迭代系统的作用下，对于每一个值域块Ri都寻找在一个定义域块Di，使得定义域块在收缩仿射变换ωi下与值域块的误差最小，即 　　Di=argmin（Dj-Ri）2 　　在寻找最佳检测定义域块的同时，也确定了局部迭代函数系统。压缩映射的选取可以设计8种[3]，称为反射-旋转变换。首先对选定的定义域进行收缩变换，变换后的图像与值域块大小一致；然后对变换后的定义域块进行基本的8种旋转和反射变换；最终利用图像的灰度变换计算出与值域块之间有最小误差的对比度和阈值。具体计算如下： 　　假设dij（i=1，2，…N，j=1，2，…M）是定义域块经过收缩仿射变换后的图像块的像素值，rij（i=1，2，…N，j=1，2，…M）是值域块的像素值，最佳的灰度变换应该使下式最小： 　　 　　为使ε达到最小，分别对s和σ求导，并令其导数为零，可得 　　 　　 　　找出具有最小误差的值域块和定义域块的位置和收缩映射参数，然后找出所有值域块的迭代参数即可完成图像的压缩。相比于压缩算法解压缩很简单，只是将上述过程反过来即可。 　　三、目标检测算法及实验 　　利用上述分形压缩方法，先从模板图像上计