專利名稱：一種模仿視覺感知機(jī)制的自然場景類型辨識方法
技術(shù)領(lǐng)域：
本發(fā)明涉及計(jì)算機(jī)視覺領(lǐng)域關(guān)于自然場景分析的方法，特別是涉及一種其核心部 分在于模仿人類視覺感知機(jī)制的自然場景類型辨識方法。
背景技術(shù)：
自然場景又稱為現(xiàn)實(shí)世界場景，泛指真實(shí)存在的一個(gè)具有特定時(shí)空界限的物理環(huán) 境。人類的視覺感知系統(tǒng)在漫長的自然進(jìn)化中具備了極強(qiáng)地自然場景分析能力，其中，人類 所具有的快速辨識自然場景類型的能力是目前腦神經(jīng)科學(xué)和心理學(xué)的研究熱點(diǎn)，同時(shí)也是 下一代智能計(jì)算機(jī)視覺技術(shù)正在努力實(shí)現(xiàn)的關(guān)鍵技術(shù)之一。對自然場景類型的計(jì)算機(jī)辨識 技術(shù)在智能視頻監(jiān)控、無人駕駛系統(tǒng)、移動(dòng)式自主機(jī)器人、海量圖像數(shù)據(jù)庫的自動(dòng)整理等實(shí) 際應(yīng)用中具有重要價(jià)值。目前，對自然場景類型的計(jì)算機(jī)辨識研究主要以自然場景圖像為對象。自然場景 圖像是真實(shí)地記錄了物理環(huán)境外觀與狀態(tài)的圖片，這些圖片中包含了各種各樣人們在日常 生活中可能見到的自然場景類型。目前，對自然場景圖像中呈現(xiàn)的場景類型的劃分主要是 依據(jù)自然場景圖像的語義外觀。最早的研究者們將自然場景圖像劃分為“室內(nèi)”與“室外”兩 大類，或者是“城市”與“自然風(fēng)光”兩大類。近年來，有研究者開始探索更為細(xì)化的語義分類 標(biāo)準(zhǔn)，例如麻省理工學(xué)院的Aude Oliva等人將自然場景圖像按語義外觀劃分為海岸、森 林、山脈、曠野、市內(nèi)、街道、高速公路、高層建筑等8大類；之后，斯坦福大學(xué)的Li Fei-Fei 和北卡羅來納大學(xué)的Svetlana Lazebnik等人又分別在上述的8類語義分類標(biāo)準(zhǔn)基礎(chǔ)之 上，擴(kuò)展出了針對自然場景圖像的13類語義分類標(biāo)準(zhǔn)和15類語義分類標(biāo)準(zhǔn)。目前，自然場 景類型的計(jì)算機(jī)辨識技術(shù)的核心關(guān)鍵在于如何利用計(jì)算機(jī)有效地提取出自然場景圖像中 蘊(yùn)含的語義信息，從而實(shí)現(xiàn)對自然場景類型的快速、準(zhǔn)確辨識。到目前為止，各種自然場景類型辨識技術(shù)都可以歸結(jié)為以下四大途徑基于物體 識別的場景類型辨識方法，基于圖像區(qū)域識別的場景類型辨識方法，基于語境分析的場景 類型辨識方法，以及模仿生物視覺機(jī)制的場景類型辨識方法?；谖矬w識別的方法需要首 先辨識出場景中存在的物體再藉此推斷場景所屬的語義類型，該方法受限于物體識別技術(shù) 的不成熟，目前已經(jīng)較少使用?；趫D像區(qū)域識別的方法則首先將場景圖像分割為若干子 區(qū)域，然后識別出每個(gè)子區(qū)域的語義，最后通過分析子區(qū)域的語義組合來推斷場景所屬的 語義類型；由于圖像分割技術(shù)遠(yuǎn)未成熟，因此這類方法的發(fā)展也受到了較大的限制。基于語 境分析的方法通過直接建立圖像底層特征(形狀、紋理、色彩等)與高層語義之間的對應(yīng)關(guān) 系來實(shí)現(xiàn)對自然場景類型的辨識，此類方法在近年來獲得了很大的成功，是目前比較主流 的方法；但是，該類方法的缺點(diǎn)在于實(shí)現(xiàn)過程比較復(fù)雜，需要人工選擇和設(shè)定較多參數(shù)，而 且其處理過程無法與人類視覺系統(tǒng)的工作機(jī)制相對應(yīng)。而模仿生物視覺機(jī)制的場景類型辨 識方法，則通過模仿人類視覺系統(tǒng)對自然場景中語義信息的感知機(jī)制來實(shí)現(xiàn)對自然場景類 型的有效辨識，該類方法在實(shí)現(xiàn)過程上與人類視覺系統(tǒng)的工作機(jī)制有較好的對應(yīng)，無需人 工選擇和設(shè)定大量參數(shù)，而且在算法的實(shí)現(xiàn)上也通常較以上三種方法更簡單、計(jì)算復(fù)雜度更低且魯棒性更好，因此模仿生物視覺機(jī)制的方法被認(rèn)為是該領(lǐng)域未來的發(fā)展方向。模仿生物視覺機(jī)制的場景類型辨識方法實(shí)際上是從基于語境分析的場景類型辨 識方法上發(fā)展起來的，兩者的關(guān)鍵區(qū)別在于對自然場景圖像底層特征的提取方式不同?；?于語境分析的場景類型辨識方法利用的是一些傳統(tǒng)的、通用的圖像特征提取方法，由于沒 有充分挖掘自然場景圖像所具有的獨(dú)特視覺統(tǒng)計(jì)特性，因此無法保證所提取的圖像特征能 夠真正反映自然場景圖像中隱含的本質(zhì) 特性。而模仿生物視覺機(jī)制的場景類型辨識方法則 從分析自然場景圖像所具有的視覺統(tǒng)計(jì)特性入手，通過模仿人類視覺系統(tǒng)在感知自然場景 圖像固有統(tǒng)計(jì)特性時(shí)呈現(xiàn)的生理機(jī)制，構(gòu)建出一種更具有針對性的自然場景圖像特征提取 方法，然后利用所提取的有效特征實(shí)現(xiàn)對自然場景圖像類型的辨識。

發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問題在于提供一種模仿視覺感知機(jī)制的自然場景類型辨 識方法。該方法通過模仿人類視覺感知系統(tǒng)在處理自然場景圖像時(shí)的生物機(jī)制，獲得了一 種能夠有效對應(yīng)于自然場景圖像語義類型的圖像統(tǒng)計(jì)性特征，利用該特征可以有效地提高 計(jì)算機(jī)對自然場景圖像進(jìn)行場景類型辨識的正確率。本發(fā)明的技術(shù)方案如下首先，需要具備一個(gè)自然場景圖像樣本集，該圖像樣本集必須滿足以下條件(1)樣本集中所有圖像樣本反映的內(nèi)容必須為場景，而不是其他的內(nèi)容；(2)樣本集中具有N個(gè)不同的自然場景類型，N為大于2的自然數(shù)；(3)樣本集中的每一個(gè)圖像樣本都唯一的歸屬于上述N個(gè)自然場景類型中的一 種；(4)每種自然場景類型下包含的自然場景圖像樣本個(gè)數(shù)不小于1 ；(5)每種自然場景類型下包含的自然場景圖像樣本具有相同的類別標(biāo)號；(6)不同的自然場景類型下的自然場景圖像樣本具有不同的類別標(biāo)號。在具備滿足上述條件的自然場景圖像樣本集的前提下，本發(fā)明通過以下步驟實(shí)現(xiàn) 模仿視覺感知機(jī)制的自然場景類型辨識，具體如下步驟1 對一個(gè)給定的包含有K幅自然場景圖像的自然場景圖像樣本集{I” I2,..., IJ (K是自然數(shù))進(jìn)行預(yù)處理，預(yù)處理包括以下步驟(1)對自然場景圖像樣本集中的任一幅圖像Ik(l彡k彡K)進(jìn)行色彩空間變化，轉(zhuǎn) 換為灰度圖像，具體轉(zhuǎn)化方法如下Ik_Gray = (lk_Red+Ik_Green+Ik_Blue)/3(D其中，IkJted、Ik creen, Ikjlue分別表示原圖像Ik中對應(yīng)的紅、綠、藍(lán)3個(gè)通道分量，Ik &ay表示轉(zhuǎn)化后的灰度圖像(如果輸入圖像已經(jīng)為灰度圖像，則可不進(jìn)行公式(1)的操作)。(2)將步驟(1)中得到的灰度圖像Ik &ay歸一化為mXn像素大小的圖像Ik toay(m， η)，m表示圖像的每行有m個(gè)像素點(diǎn)，η表示圖像的每行有η個(gè)像素點(diǎn)，m和η的取值可根據(jù) 需要設(shè)置，一般取m = η = 2P，P為正整數(shù)。(3)用邏輯算子對步驟(2)中歸一化后的圖像Ikeray(m，η)進(jìn)行圖像局部信息增 強(qiáng)，具體方法如下Gk = Ik cray (m，η) *Η (2)
其中，H表示邏輯算子，本發(fā)明中使用的是合取邏輯算子，其形式為H= Y，* 表示卷積運(yùn)算，Gk是增強(qiáng)之后的對應(yīng)圖像。(4)對給定的自然場景圖像樣本集U1, 12，...，IJ中的所有自然場景圖像均進(jìn) 行上述步驟(1)至步驟(3)的操作，得到預(yù)處理后的一個(gè)對應(yīng)的自然場景圖像樣本集{G”
Gg J · · · J G^l ο 步驟2 用模仿視覺感知機(jī)制的特征提取方法，對步驟1中產(chǎn)生的自然場景樣本集 IG1, G2, ... , GK}中的所有自然場景圖像進(jìn)行特征提取，具體方法如下(1)模擬人類初級視皮層中簡單細(xì)胞感受野所具有的多尺度選擇和朝向性選擇 的視覺感知機(jī)制，用二維的雙密度雙樹復(fù)小波變換(Double-density Dual-tree Complex Wavelet Transform)對{G1; G2, . . .，GK}中的任一幅自然場景圖像Gk在多個(gè)空間尺度和多 個(gè)空間朝向上進(jìn)行二維小波分解，具體過程如下①進(jìn)行第一個(gè)尺度的二維雙密度雙樹復(fù)小波分解。將圖像Gk輸入如附圖
4所示的 濾波器組，在輸出端得到4幅低頻子帶圖像(LF1 LF4)和32幅高頻子帶圖像(HF1 HF32)， 其中，32幅高頻子帶圖像構(gòu)成16個(gè)高頻子帶圖像對= (HF^HFm)，i = 1，· · ·，8，17，· · ·，24。 對每一組高頻子帶圖像對進(jìn)行“相加”和“相減”運(yùn)算，產(chǎn)生兩幅具有不同方向的小波子帶 圖像，具體方法如下W;=(HF; + HF;+8)/V2 (i = 1, ... ,8,17, ... ,24) (3)W,+8= ( HF, - HF;+8) /λ/ (i = 1，· · ·，8，17，· · ·，24) (4)其中，Wi和1+8分別表示16幅不同朝向的復(fù)小波子帶圖像的實(shí)部子帶圖像和虛部 子帶圖像。通過上述操作，第一個(gè)尺度的二維雙密度雙樹復(fù)小波分解共產(chǎn)生4幅低頻子帶 圖像和32幅具有方向性的小波子帶圖像。②進(jìn)行第L個(gè)尺度(L ^ 2)的二維雙密度雙樹復(fù)小波分解。將L-I個(gè)尺度上輸出 的4幅低頻子帶圖像分別輸入如附圖5所示的濾波器組，在濾波器組的輸出端同樣得到4 幅低頻子帶圖像和32幅高頻子帶圖像。對32幅高頻子帶圖像使用公式(3)和(4)進(jìn)行計(jì) 算，又產(chǎn)生出32幅具有方向性的小波子帶圖像。③重復(fù)進(jìn)行第②步，直到完成在所有預(yù)定尺度上的分解。對于自然場景圖像樣本集{G1;G2，...，GK}中的任一幅自然場景圖像Gk，如果對Gk 進(jìn)行了 Q個(gè)尺度(Q ^ 1)上的二維雙密度雙樹復(fù)小波變換，將產(chǎn)生32XQ幅不同空間尺度 與空間朝向上的小波子帶圖像。本發(fā)明通過實(shí)驗(yàn)確定出Q的最佳取值在3至5之間。(2)模擬人類視皮層中高層復(fù)雜細(xì)胞結(jié)構(gòu)所呈現(xiàn)出的統(tǒng)計(jì)性特征提取的視覺感知 機(jī)制，用一種基于特征層融合的復(fù)合統(tǒng)計(jì)性特征提取方法對步驟(1)中生成的每一個(gè)小波 子帶圖像再進(jìn)行統(tǒng)計(jì)性特征的提取，使得每一幅小波子帶圖像對應(yīng)產(chǎn)生一個(gè)位于特定空間 尺度與朝向上的復(fù)合統(tǒng)計(jì)特征向量。其中，本發(fā)明使用的基于特征層融合的統(tǒng)計(jì)性特征提取方法是由小波熵方法 (wavelet entropy)禾口小波共生失巨陣方法(Wavelet Co-Occurrence Matrix)融合得至Ij。對 任意一幅小波子帶圖像W，利用小波熵方法和小波共生矩陣方法融合產(chǎn)生復(fù)合統(tǒng)計(jì)特征向 量的具體步驟如下①由小波熵方法計(jì)算得到小波子帶圖像W對應(yīng)的熵值。具體地，小波熵有多種不同的計(jì)算方法，本發(fā)明中使用的小波熵計(jì)算方法如下
權(quán)利要求
一種模仿視覺感知機(jī)制的自然場景類型辨識方法，其特征在于用一種模仿人類視覺感知機(jī)制的特征提取方法來提取與自然場景類型相對應(yīng)的特征，然后利用該特征進(jìn)行自然場景類型的辨識，所述方法包括以下步驟步驟1對給定的自然場景圖像樣本集進(jìn)行預(yù)處理；步驟2用模仿視覺感知機(jī)制的特征提取方法對經(jīng)步驟1處理后的自然場景圖像樣本集中的所有自然場景圖像進(jìn)行特征提取，具體方法如下(1)模擬人類初級視皮層中簡單細(xì)胞感受野所具有的多尺度選擇和朝向性選擇的視覺感知機(jī)制，用雙密度雙樹復(fù)小波變換對上述自然場景圖像樣本集中的任一幅自然場景圖像在多個(gè)空間尺度和多個(gè)空間朝向上進(jìn)行二維小波分解，產(chǎn)生對應(yīng)于該幅自然場景圖像的一系列不同空間尺度和不同空間朝向上的小波子帶圖像；(2)模擬人類視皮層中高層復(fù)雜細(xì)胞結(jié)構(gòu)所呈現(xiàn)出的統(tǒng)計(jì)性特征提取的視覺感知機(jī)制，用一種基于特征層融合的復(fù)合統(tǒng)計(jì)性特征提取方法對上述(1)中生成的每一幅小波子帶圖像再進(jìn)行統(tǒng)計(jì)性特征的提取，使得每一幅小波子帶圖像對應(yīng)產(chǎn)生一個(gè)位于特定空間尺度與空間朝向上的復(fù)合統(tǒng)計(jì)特征向量；其中，所述基于特征層融合的復(fù)合統(tǒng)計(jì)性特征提取方法是由小波熵方法和小波共生矩陣方法融合得到，由該基于特征層融合的復(fù)合統(tǒng)計(jì)性特征提取方法對一幅小波子帶圖像生成復(fù)合統(tǒng)計(jì)特征向量的具體方法如下①由小波熵方法計(jì)算得到該小波子帶圖像對應(yīng)的一個(gè)小波熵值；②對上述小波子帶圖像在0度、45度、90度以及135度等四個(gè)方向上計(jì)算得到4個(gè)小波共生矩陣，對每一個(gè)小波共生矩陣分別計(jì)算“能量”、“對比度”、“同質(zhì)性”以及“相關(guān)性”等4種統(tǒng)計(jì)特征，總共得到16個(gè)統(tǒng)計(jì)特征值，由這16個(gè)統(tǒng)計(jì)特征值組成的一個(gè)維數(shù)為16的一維向量；③將②中由小波共生矩陣方法產(chǎn)生的維數(shù)為16的一維向量與①中由小波熵方法計(jì)算得到的熵值先歸一化到同一個(gè)數(shù)量級，再以串聯(lián)方式融合成一個(gè)維數(shù)為17的一維向量，該融合產(chǎn)生的向量就作為從上述小波子帶圖像中提取的復(fù)合統(tǒng)計(jì)特征向量；(3)用步驟(2)中所述方法對步驟(1)中產(chǎn)生的所有小波子帶圖像提取復(fù)合統(tǒng)計(jì)特征向量，然后將所有產(chǎn)生的復(fù)合統(tǒng)計(jì)特征向量再以串聯(lián)方式合并成一個(gè)一維特征向量，該向量就是從(1)中所述的任一幅自然場景圖像中提取出的特征值；(4)建立一個(gè)特征值矩陣和一個(gè)對應(yīng)的類型標(biāo)號矩陣，將(1)中所述的任一幅自然場景圖像的特征值和該自然場景圖像所屬的類型標(biāo)號分別存放在特征值矩陣和類型標(biāo)號矩陣中的對應(yīng)行；(5)對自然場景圖像樣本集中剩余的所有自然場景圖像重復(fù)進(jìn)行上述步驟(1)至(4)，最終得到的特征值矩陣和類型標(biāo)號矩陣存放著自然場景圖像樣本集中所有自然場景圖像的特征值和對應(yīng)的類型標(biāo)號；步驟3用步驟2中生成的與自然場景圖像樣本集對應(yīng)的特征值矩陣和類型標(biāo)號矩陣，對支持向量機(jī)(SVM)進(jìn)行訓(xùn)練，構(gòu)建出一個(gè)自然場景類型辨識器模型；步驟4對于上述自然場景樣本集以外的任意一幅場景類型未知的自然場景圖像，對其提取相應(yīng)的特征值，具體方法如下(1)采用步驟1中所述的預(yù)處理方法，對該場景類型未知的自然場景圖像進(jìn)行預(yù)處理；(2)采用步驟2中所述的模仿視覺感知機(jī)制的特征提取方法中的(1)至(3)步，對該場景類型未知的自然場景圖像提取相應(yīng)的特征值；步驟5對步驟4中所述的任意一幅場景類型未知的自然場景圖像進(jìn)行場景類型的辨識，具體方法是將步驟4中得到的該自然場景圖像對應(yīng)的特征值輸入步驟3中所述的自然場景類型辨識器模型，然后由自然場景類型辨識器模型計(jì)算并輸出一個(gè)自然場景類型標(biāo)號，該自然場景類型標(biāo)號即表明了這幅場景類型未知的自然場景圖像所應(yīng)歸屬的場景類型。
2.根據(jù)權(quán)利1所述的模仿視覺感知機(jī)制的自然場景類型辨識方法，其特征在于步驟1 中所述的給定的自然場景圖像樣本集必須滿足以下條件(1)樣本集中所有圖像樣本反映 的內(nèi)容必須為場景，而不是其他的內(nèi)容；(2)樣本集中具有N個(gè)不同的自然場景類型，N為大 于2的自然數(shù)；(3)樣本集中的每一個(gè)圖像樣本都唯一的歸屬于上述N個(gè)自然場景類型中 的一種；(4)每種自然場景類型下包含的自然場景圖像樣本個(gè)數(shù)不小于1 ;(5)每種自然場 景類型下包含的自然場景圖像樣本具有相同的類別標(biāo)號；(6)不同的自然場景類型下的自 然場景圖像樣本具有不同的類別標(biāo)號。
3.根據(jù)權(quán)利1所述的模仿視覺感知機(jī)制的自然場景類型辨識方法，其特征在于步驟1 中所述的對給定的自然場景圖像樣本集的預(yù)處理包括以下步驟(1)對自然場景圖像樣本集U1,12,…，IJ中的任一幅圖像Ik進(jìn)行色彩空間變化，轉(zhuǎn) 換為灰度圖像，其中1 < k < K，K是自然數(shù)，具體轉(zhuǎn)化方法如下Ik_Gray — ^Ik_Eed+1k_Green+1k_Blue)(1)其中，Ik—Ked、Ik—e_、Ik—Blue分別表示原圖像Ik中對應(yīng)的紅、綠、藍(lán)3個(gè)通道分量，Ik cray表 示轉(zhuǎn)化后的灰度圖像；(2)將步驟⑴中得到的灰度圖像Ik&ay歸一化為mXn像素大小的圖像Ik toay(m，η)， m表示圖像的每行有m個(gè)像素點(diǎn)，η表示圖像的每行有η個(gè)像素點(diǎn)，m和η的取值根據(jù)需要 設(shè)置，一般取m = η = 2P，P為正整數(shù)；(3)用邏輯算子對步驟(2)中歸一化后的圖像Ik—&ay(m，η)進(jìn)行圖像局部信息增強(qiáng)，具 體方法如下Gk= IkGray(m，n)*H (2)其中，H表示邏輯算子，本發(fā)明中使用的是合取邏輯算子，其形式為H= 1，*表示卷積運(yùn)算，Gk是增強(qiáng)之后的對應(yīng)圖像；(4)對給定的自然場景圖像樣本集UyI2,…，Ικ}中的所有自然場景圖像均進(jìn)行上述 步驟⑴至步驟⑶的操作，得到預(yù)處理后的一個(gè)對應(yīng)的自然場景圖像樣本集{G1;G2，…，Gj。
4.根據(jù)權(quán)利1所述的模仿視覺感知機(jī)制的自然場景類型辨識方法，其特征在于步驟2 中所述的雙密度雙樹復(fù)小波變換，其最優(yōu)分解層數(shù)在3至5之間。
5.根據(jù)權(quán)利1所述的模仿視覺感知機(jī)制的自然場景類型辨識方法，其特征在于所述 小波熵計(jì)算方法如下Ε(Ψ) = -ΥΥ\ψ{χ,γ)\Ρ(5)χ y其中，W(x，y)表示小波子帶圖像W在像素點(diǎn)位置為(x，y)處的小波系數(shù)(即像素值)， I表示求取絕對值，P表示冪指數(shù)，在本發(fā)明中取P = LE(W)就是小波子帶圖像W對應(yīng) 的熵值。
6.根據(jù)權(quán)利1所述的模仿視覺感知機(jī)制的自然場景類型辨識方法，其特征在于所述 小波共生矩陣計(jì)算方法為廣,、fl,當(dāng)叭= S 且耵Χ + ΔΤ,；； + ^) = ^ °^，0= Σ|。,其他⑷其中，W(x，y)和W(x+AX，y+Ay)分別表示小波子帶圖像W在像素點(diǎn)位置為(X，y)和 (χ+Δχ,γ+Δγ)處的小波系數(shù)，即像素值，(Δχ, Δγ)的取值決定著兩個(gè)像素點(diǎn)位置之間的 相對距離和相對方向，Cm(s，t)表示小波共生矩陣，s和t分別表示小波共生矩陣的行下標(biāo) 和列下標(biāo)。
7.根據(jù)權(quán)利要求1所述的模仿視覺感知機(jī)制的自然場景類型辨識方法，其特征在于 所述對每一個(gè)小波共生矩陣分別計(jì)算“能量”、“對比度”、“同質(zhì)性”以及“相關(guān)性” 4種統(tǒng)計(jì) 特征的具體方法如下能量徹(Cm) = Z力Γ(7)S t對比度 Co (Cw) = Σ Σ O _ O2Cmis, t)(8)S t同質(zhì)性丑續(xù)(0^) = Σ Σ^ 9)凡)(卜凡)相關(guān)性 Cor(Cm) = ^^--(10)W其中，Cm(s, t)表示小波共生矩陣，ρ表示冪指數(shù)，凡=Z5Z0wOJ'St凡= ZiZcw(V), =ZCs-/O2， =Σ(卜從)2 οt SSt
全文摘要
本發(fā)明公開了一種模仿視覺感知機(jī)制的自然場景類型辨識方法，屬于計(jì)算機(jī)視覺技術(shù)領(lǐng)域。該方法旨在利用自然場景圖像中的固有統(tǒng)計(jì)性視覺特征來進(jìn)行自然場景圖像類型辨識，其技術(shù)方案包括以下步驟1、對給定的自然場景圖像樣本集進(jìn)行預(yù)處理；2、用模仿視覺感知機(jī)制的方法提取自然場景圖像樣本集的特征；3、用自然場景圖像樣本集的特征訓(xùn)練出一個(gè)自然場景類型辨識器模型；4、對一幅待辨識的自然場景圖像，進(jìn)行預(yù)處理和用模仿視覺感知機(jī)制的方法提取其特征；5、利用自然場景類型辨識器模型對待辨識的自然場景圖像進(jìn)行場景類型辨識。本發(fā)明能夠?qū)崿F(xiàn)對多種自然場景類型的辨識，有效提高對自然場景圖像進(jìn)行場景類型辨識的正確率。
文檔編號G06K9/00GK101964055SQ20101051504
公開日2011年2月2日 申請日期2010年10月21日 優(yōu)先權(quán)日2010年10月21日
發(fā)明者張睿, 李偉紅, 杜興, 熊健, 白志, 羅凌, 黃慶忠, 龔衛(wèi)國 申請人:重慶大學(xué)