專利名稱：用于圖像分類的方法、設(shè)備以及存儲介質(zhì)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像分類，特別地涉及用于圖像分類的方法、設(shè)備以及存儲介質(zhì)。
背景技術(shù)：
在基于內(nèi)容的圖像檢索中將圖像分類到有意義的類別是一個具有挑戰(zhàn)并且重要的問題。在很多的方法中，從整個圖像提取出來的大量的特征直接用于圖像分類。如我們所知，有意義的特征主要出現(xiàn)在圖像的部分，而不是整個圖像上。
由Aditya Vailaya等所著的“On image classificationcityimages vs.landscapes”，Pattern Recognition31(12)1921-1935(1998)討論了基于內(nèi)容的圖像分類。該討論根據(jù)每一個整體圖像。

發(fā)明內(nèi)容
本發(fā)明的目的在于開發(fā)一種改進的基于內(nèi)容的圖像分類方法，特別地提供一種根據(jù)塊特征的基于內(nèi)容的圖像分類方法，該塊特征從圖像的一部分中提取，以更好地描述圖像有意義的特征。
本發(fā)明提供了一種圖像分類方法，包括步驟將輸入圖像分割為塊；獲得圖像的每個塊的塊特征；根據(jù)塊特征獲得每個塊的評估；根據(jù)圖像的塊的評估獲得圖像特征；根據(jù)圖像特征將圖像分類到預(yù)定義內(nèi)容的類別。
本發(fā)明還提供了一種圖像分類設(shè)備，包括圖像分割裝置用以將輸入圖像分割為塊；塊特征獲得裝置用以獲得圖像的每個塊的塊特征；
塊評估裝置用以根據(jù)塊特征獲得每個塊的評估；圖像特征獲得裝置用以根據(jù)圖像的塊的評估獲得圖像特征；圖像分類裝置用以根據(jù)圖像特征將圖像分類到預(yù)定義內(nèi)容的類別。
本發(fā)明還提供一編碼有用以分類圖像的機器可讀計算機程序碼的存儲介質(zhì)，該存儲介質(zhì)包括用以導(dǎo)致一處理器完成本發(fā)明方法的指令。
通過本發(fā)明，開發(fā)了一種改進的根據(jù)塊分割和塊特征的基于內(nèi)容的圖像分類方法。
通過以下結(jié)合附圖的對最優(yōu)實施例進行的描述，本發(fā)明的其他特征和優(yōu)勢將會變得明顯，其中附圖以舉例的方式表示了本發(fā)明的原則。


圖1為根據(jù)本發(fā)明的圖像分類方法的流程圖；圖2表示根據(jù)本發(fā)明的圖像分類設(shè)備；圖3為根據(jù)本發(fā)明一個實施例的圖像分類方法的流程圖；圖4為根據(jù)本發(fā)明的圖像分類設(shè)備200的一個實施例；圖5概括地表示了可以實現(xiàn)本發(fā)明方法的圖像分類系統(tǒng)；圖6表示有待根據(jù)本發(fā)明進行分類的藍天圖像；圖7表示有待根據(jù)本發(fā)明進行分類的非藍天圖像。
具體實施例方式
根據(jù)本發(fā)明，在一個基于內(nèi)容的圖像分類處理中，一輸入圖像被分類或是不分類到一個基于內(nèi)容的類別中，也就是，該輸入圖像由分類處理進行識別是否包含有預(yù)定義內(nèi)容。一輸入圖像首先被分割為許多塊。在很多情況下，預(yù)定義內(nèi)容可能主要包含在一個或幾個塊中，而不是在所有的塊中。接著對每一塊進行評估。該評估指出了被評估塊包含預(yù)定義內(nèi)容所達到的程度。根據(jù)對塊的評估，獲得輸入圖像的特征。所述輸入圖像的特征被用以判斷輸入圖像包含預(yù)定義內(nèi)容所達到的程度。最后，根據(jù)輸入圖像的特征對輸入圖像進行分類。
圖1為根據(jù)本發(fā)明的圖像分類方法的流程圖。圖2表示了一個根據(jù)本發(fā)明的圖像分類設(shè)備100。
在步驟S1，由輸入裝置101輸入的輸入圖像被圖像分割裝置102分割為塊。這些塊可以具有相同或不同的尺寸，相同或不同的形狀，重疊或不重疊。
在步驟S2，由塊特征獲得裝置103獲得被圖像分割裝置分割的每一塊的特征。這些塊的特征可能是，例如，基本彩色R，G和B的彩色統(tǒng)計值，如塊的圖像像素的R(紅色)值的均值，塊的圖像像素的G(綠色)值的均值，塊的圖像像素的B(藍色)值的均值；塊中的R值，G值以及B值的對于各個均值的差值，例如均方差；或是R，G和B值的差值之間的關(guān)系，例如協(xié)方差。本領(lǐng)域技術(shù)人員已知的是，還可以使用其他已知的特征來進一步描述每一個塊。至于用以描述每個塊的特征，其可以通過考慮實際情況和效果，例如預(yù)定義內(nèi)容的特性，來決定。
在步驟S3，根據(jù)來自塊特征獲得裝置103的每一個塊的上述特征，每一個塊由塊評估裝置104進行評估以描述該塊可能包含預(yù)定義內(nèi)容所達到的程度。并且為每一個塊獲得一個評估。也就是說特征和預(yù)定義內(nèi)容之間的關(guān)系被整體地表示為評估。已經(jīng)有許多方法被開發(fā)出來以根據(jù)圖像的特征來評估圖像。實際中，例如，該特征可以加權(quán)方法進行運用以獲得評估，也就是，每個特征對于評估的作用可以得到調(diào)節(jié)。
在步驟S4中，由圖像特征獲得裝置105根據(jù)來自塊評估裝置104的塊評估而獲得輸入圖像的圖像特征。該圖像特征包括，例如，這些塊的評估的均值，或是其中某些塊的評估的均值，例如具有最大評估的塊的二分之一，四分之一或八分之一。圖像特征還可以包括，例如，塊的評估的均方差或是某些塊的評估的均方差，例如具有最大評估的塊的二分之一，四分之一或八分之一。
在步驟S5中，由圖像分類裝置106依據(jù)根據(jù)來自圖像特征獲得裝置105的圖像特征獲得的分類值而對圖像進行分類。根據(jù)上述的圖像特征，圖像分類裝置106獲得一個分類值以描述該圖像可能包含預(yù)定義內(nèi)容所達到的程度。如果圖像分類裝置106判斷出該分類值不小于一預(yù)定的閾值，則圖像分類裝置106將該輸入圖像分類到具有預(yù)定義內(nèi)容的類別中。否則，該輸入圖像不被分類到具有預(yù)定義內(nèi)容的類別。實際中，例如，該特征可以加權(quán)方法進行運用以獲得分類值，也就是，每個圖像特征對于分類的作用可以得到調(diào)節(jié)。
圖3為根據(jù)本發(fā)明一個實施例的圖像分類方法的流程圖。圖4為根據(jù)本發(fā)明的圖像分類設(shè)備200的一個實施例。
例如，根據(jù)圖3中的圖像分類方法，圖4的圖像分類設(shè)備200將所輸入的圖像分類為藍天圖像或非藍天圖像。
圖3所示的實施例優(yōu)選地從步驟S21開始，即由圖像調(diào)整尺寸裝置201a調(diào)整所輸入圖像的尺寸到一特殊尺寸，以推動接下來的處理。在本實施例中，首先，具有初始尺寸的圖像由圖像調(diào)整尺寸裝置201a調(diào)整尺寸到一個新的尺寸19200像素。圖像的寬高比并沒有改變。
在步驟S22，來自圖像調(diào)整尺寸裝置201a的調(diào)整尺寸后的圖像被圖像分割裝置202分割為盡可能多的塊。這些塊具有相同的尺寸寬度和高度都為16。所有的塊都沒有重疊。
在步驟S23，塊特征獲得裝置203獲得每一塊的特征，例如基本色彩R，G和B的色彩統(tǒng)計值。在本實施例中，r(i)，g(i)，b(i)代表一個塊中第i個圖像像素的r，g和b值。在一個塊中有16×16＝256個像素，i＝1...256。
塊特征獲得裝置203獲得一塊中的圖像像素的R(紅色)值的均值，一塊中的圖像像素的G(綠色)值的均值，以及一塊中的圖像像素的B(藍色)值的均值，其表示為f(1)=Σi=1256r(i)256,]]>f(2)=Σi=1256g(i)256,]]>f(3)=Σi=1256b(i)256.]]>塊特征獲得裝置203獲得塊中的R值，G值以及B值的對于各個均值的差值，例如均方差，其表示為f(4)=Σi=1256(r(i)-f(1))2256,]]>f(5)=Σi=1256(g(i)-f(2))2256,]]>f(6)=Σi=1256(b(i)-f(3))2256.]]>塊特征獲得裝置203獲得R，G和B值的差值之間的關(guān)系，例如協(xié)方差，其表示為f(7)=Σi=1256(r(i)-f(1))×(g(i)-f(2))256,]]>f(8)=Σi=1256(r(i)-f(1))×(b(i)-f(3))256,]]>f(9)=Σi=1256(g(i)-f(2))×(b(i)-f(3))256.]]>在本實施例中，由塊特征獲得裝置203獲得的上面九個特征被用以描述每一塊。
這樣就獲得了每一塊的9維的特征矢量。令f(i)(i＝1...9)為該9維特征矢量。
在步驟S24，根據(jù)上面的每一塊的特征矢量，每一塊由塊評估裝置204進行評估以描述該塊可能包含藍天內(nèi)容所達到的程度。并且塊評估裝置204對于每一塊都獲得一評估。也就是說該特征和藍天內(nèi)容之間的關(guān)系被整體地表示為評估。在本實施例中，特征矢量中的特征以加權(quán)方法進行運用以獲得評估，也就是，每個特征對于評估的作用可以被調(diào)節(jié)。
在本實施例中，一塊的評估為該塊的特征矢量與一給定的9維系數(shù)矢量的內(nèi)積。令c(i)(i＝1...9)為這個9維系數(shù)矢量。
那么Evaluation=Σi=19f(i)×c(i)9]]>在步驟S25，由圖像特征獲得裝置205根據(jù)來自塊評估裝置204的塊的評估而獲得輸入圖像的圖像特征。在本實施例中，目前為止，由于每一塊產(chǎn)生一個評估故而獲得了許多評估。令e(i)為所有評估中第i個最大的評估。并且n為這些評估的計數(shù)。
因此對于任何的i＜j(i＝1...n，j＝1...n)，e(i)≥e(j)獲得如下的圖像塊的評估統(tǒng)計值作為圖像特征。
圖像特征獲得裝置205獲得這些塊的評估的均值以及這些塊的評估的均方差值，其表示為imf(1)=Σi=1ne(i)n,]]>imf(2)=Σi=1n(e(i)-imf(1))2n.]]>圖像特征獲得裝置獲得最大的塊的評估的二分之一的均值和均方差值，其表示為imf(3)=Σi=1n/2e(i)n/2,]]>imf(4)=Σi=1n/2(e(i)-imf(3))2n/2,]]>
其中n/2為取整后的數(shù)值。
圖像特征獲得裝置205獲得最大的塊的評估的四分之一的均值和均方差值，其表示為imf(5)=Σi=1n/4e(i)n/4]]>imf(6)=Σi=1n/4(e(i)-imf(5))2n/4]]>其中n/4為取整后的數(shù)值。
圖像特征獲得裝置205獲得最大的塊的評估的八分之一的均值和均方差值，其表示為imf(7)=Σi=1n/8e(i)n/8,]]>imf(8)=Σi=1n/8(e(i)-imf(7))2n/8.]]>其中n/8為取整后的數(shù)值。
接著圖像特征獲得裝置205對于該圖像獲得一個8維的圖像特征矢量。令imf(i)(i＝1...8)為該8維圖像特征矢量。
在本實施例的步驟S26，圖像分類裝置206依據(jù)根據(jù)來自圖像特征獲得裝置205的圖像特征矢量獲得的分類值對圖像進行分類。該分類值由圖像分類裝置206獲得以描述該圖像可能包含藍天內(nèi)容所達到的程度。在本實施例中，圖像特征矢量以加權(quán)方法進行運用以獲得分類值，也就是，圖像特征矢量中的每個圖像特征對于分類的作用可以被調(diào)節(jié)。
我們定義一個8維的權(quán)重矢量w(i)，并且定義“th”為閾值。
如果圖像分類裝置206判斷出Σi=18imf(i)×w(i)≥th,]]>則該圖像為一個藍天圖像，否則不是。
在本實施例中，還描述了計算下面參數(shù)的方法步驟S23中的c(i)(i＝1...9)以及步驟S26中的w(i)(i＝1...8)和“th”。
1.從藍天圖像中得到許多純的藍天圖像切片并且從某些圖像中得到許多純的非藍天圖像切片作為訓(xùn)練集。純的藍天圖像為僅包含藍天區(qū)域的圖像，而純的非藍天圖像為不包含藍天區(qū)域的圖像。
2.對于訓(xùn)練集中的每個圖像，應(yīng)用步驟S21和S22的兩個操作，于是得到每一塊的特征矢量f(i)(i＝1...9)。接著該步驟，對于上面的兩種類型的(藍天和非藍天)圖像，可以得到兩種類型的塊和矢量。每一種都從相應(yīng)類型的圖像得到。
3.運用Fisher線性分類器來訓(xùn)練這兩種類型的矢量，得到權(quán)重矢量c(i)(i＝1...9)。
4.對于每一個圖像，應(yīng)用步驟S25的操作，得到矢量imf(i)(i＝1...8)。接著對于上述兩種類型的圖像，得到兩種類型的矢量。每一種都從相應(yīng)類型的圖像得到。
5.運用Fisher線形分類器來訓(xùn)練這兩種類型的矢量，得到權(quán)重矢量w(i)(i＝1...8)。
6.選擇“th”作為imf(i)和w(i)的內(nèi)積的閾值，標準是在之前的步驟得到的Fisher線形分類器對于使用閾值的訓(xùn)練集，可以得到最好的結(jié)果(正確率與錯誤率之間的差最大)。
下面給出了關(guān)于如圖6所示的藍天圖像(出于打印的原因表現(xiàn)為黑白的)以及如圖7所示的非藍天圖像(出于打印的原因表現(xiàn)為黑白的)的圖像分類的一個數(shù)字例子。
在本例中，c(i)(i＝1...9)為-3.5984 -1.3171 8.1411 0.0310 0.1250 -0.0402 -0.0259 -0.1211-0.0740.
w(i)(i＝1...8)為-0.81944 -0.29196 -2.5335 -6.9175 -2.4346 1.1157 -0.57225 -1.2136.
th為6974.
結(jié)果是，對于圖6中所示的藍天圖像，圖像特征(imf(i))為-7070.6 5105.2 -3327.8 1104.9 -2497.4 678.68 -2270.3 895.1與w(i)(i＝1...8)的內(nèi)積為12142，其大于th，并且被分類為藍天。
對于圖7中所示的非藍天圖像，圖像特征(imf(i))為-7717.9 8860.1 -2255.6 1394.4 -1045.1 410.35 -706.23 141.45，與w(i)(i＝1...8)的內(nèi)積為3041.3，其小于th，并且被分類為非藍天。
以下給出的描述數(shù)字地解釋了如何獲得上面的c(i)(i＝1...9)，w(i)(i＝1...8)以及th。
首先，以下給出塊特征的一個數(shù)字的例子。
對于藍天塊r值的矩陣為107 114 115 113 113 113 113 113 112 112 113 114 115 114 113 113109 113 114 113 113 114 113 113 112 114 113 115 113 113 113 113114 116 116 115 115 114 113 113 114 112 113 115 113 113 113 113107 118 115 116 116 116 115 115 114 115 112 113 115 115 113 113114 119 116 114 115 115 115 114 114 114 114 114 114 114 114 114110 120 117 116 116 115 116 116 116 116 115 115 113 114 114 114110 120 117 116 116 117 115 115 116 116 115 115 117 114 114 114117 122 119 116 117 118 118 116 117 117 116 115 115 115 115 115
113 122 119 118 118 119 117 117 118 118 118 118 118 116 116 115115 123 120 119 118 119 118 120 119 119 119 117 116 118 117 116115 123 120 120 117 119 118 120 119 119 117 118 116 117 119 118119 124 122 120 120 120 119 120 119 120 120 119 119 120 122 119117 124 121 120 121 120 120 119 120 120 120 119 119 121 121 119120 128 126 125 124 123 123 124 123 124 125 122 124 123 123 120122 128 126 125 126 126 123 124 123 122 123 124 126 120 122 120123 128 125 125 125 125 125 123 124 125 125 125 125 125 126 121g值的矩陣為166 168 168 167 167 167 167 167 166 166 167 168 169 168 167 167168 167 167 167 167 168 167 167 166 168 167 169 167 167 167 167173 169 169 169 169 168 167 167 168 166 167 169 167 167 167 167166 166 168 168 168 168 167 167 168 169 166 167 169 169 167 167173 167 169 166 167 167 167 166 168 168 168 168 168 168 168 168167 167 168 168 168 167 168 168 168 168 169 169 167 168 168 168167 167 168 168 168 169 167 167 168 168 169 169 171 168 168 168174 169 170 168 169 170 170 168 169 169 170 169 169 169 169 169170 169 170 170 170 171 169 169 170 170 170 170 170 168 168 169172 170 171 171 170 171 170 172 171 171 171 169 168 170 169 170172 170 171 172 169 171 170 172 171 171 169 170 168 169 171 172176 172 174 173 172 172 171 172 171 172 172 171 171 171 173 173174 172 173 173 173 172 172 171 172 172 172 171 171 172 172 172172 172 175 174 173 172 172 173 172 173 174 171 173 172 172 175174 172 175 174 175 175 172 173 172 171 172 173 175 169 171 175175 172 174 174 174 174 174 172 173 174 174 174 174 174 175 176b值的矩陣為210 212 212 214 214 214 214 214 213 213 214 215 216 215 214 214212 211 211 214 214 215 214 214 213 215 214 216 214 214 214 214217 213 213 216 216 215 214 214 215 213 214 216 214 214 214 214210 212 212 215 215 215 214 214 214 215 212 213 215 216 214 214217 213 213 213 214 214 214 213 214 214 214 214 214 215 215 215212 213 213 215 215 214 215 215 215 215 215 215 213 214 214 214212 213 213 215 215 216 214 214 215 215 215 215 217 214 214 214219 215 215 215 216 217 217 215 216 216 216 215 215 215 215 215215 215 215 217 217 218 216 216 217 217 217 217 217 215 215 215217 216 216 218 217 218 217 219 218 218 218 216 215 217 216 216217 214 216 219 216 218 217 219 218 218 216 217 215 216 218 218
219 210 214 215 219 219 218 219 218 219 219 218 218 218 220 219217 210 213 215 220 219 219 218 219 219 219 218 218 219 219 216222 219 218 217 216 215 215 216 215 216 217 214 216 215 215 216224 219 218 217 218 218 215 216 215 214 215 216 218 212 214 216225 219 217 217 217 217 217 215 216 217 217 217 217 217 218 2179維的特征矢量為117.6563 169.8672 215.6055 17.2618 6.3744 4.8908 8.77385.0521 3.8376.
評估(9維特征矢量與c(i)(i＝1...9)的內(nèi)積)為1108.2。
對于非藍天塊r值的矩陣為167 131 55 109 94 74 163 187 161 47 60 108 17 97 122 4248 77 91 74 30 99 0171 131 80 114 36 31 73 55 10199 109 77 50 45 35 172 79 102 167 127 140 141 101 84 7783 123 78 103 83 117 129 104 130 127 225 81 171 57 107 10470 80 134 59 41 20 86 0132 44 51 101 66 54 131 129154 102 0 37 118 42 45 44 48 42 70 60 38 13 19 11445 18 34 99 105 32 183 22 41 54 62 31 106 69 20 8679 111 2 81 42 44 111 49 88 78 59 56 90 60 71 8870 71 46 27 35 88 987 923 81 93 25 84 91 1956 68 38 44 14 39 21 92 59 22 105 26 136 78 29 3940 70 23 87 46 48 138 0721 98 32 34 50 44 2777 566 41 131 87 46 22 36 10 62 92 30 57 95 8655 37 161 108 71 110 132 48 14 21 45 23 31 64 42 1536 73 38 39 32 72 941 45 52 15 028 33 25 2124 31 72 31 25 70 9122 14 26 27 100 31 30 19 3726 661 55 24 57 52 11 36 12 116 89 27 11 31 22g值的矩陣為206 153 68 130 115 102 181 212 202 86 96 144 38 112 147 6473 92 108 89 42 116 23 208 177 121 149 70 58 101 79 124
129 139 104 73 69 61 204 119 140 207 168 174 176 129 107 108116 153 116 145 128 165 175 150 175 172 255 119 213 103 151 143112 124 182 103 87 58 124 33 163 81 89 140 105 92 172 171190 138 26 76 160 83 81 83 74 67 101 92 72 43 46 14982 58 76 138 144 72 213 50 70 78 91 46 127 98 45 120112 141 38 119 75 74 139 61 107 100 87 83 114 92 109 124105 107 73 52 68 131 33 104 26 42 103 124 51 116 124 4589 98 65 62 42 81 45 118 84 38 125 58 168 110 62 6971 100 53 121 74 74 176 34 30 34 130 64 63 78 71 56106 32 91 63 154 123 86 52 66 28 100 127 68 98 124 11381 59 197 148 111 154 171 84 41 48 84 47 58 89 54 2853 98 74 80 69 102 42 76 66 78 53 15 46 48 34 3345 52 102 54 47 97 40 150 33 46 58 123 46 44 31 5139 25 86 75 44 88 80 27 51 28 147 114 42 26 44 37b值的矩陣為153 107 25 74 59 44 139 170 146 29 35 98 0 73 107 1731 51 72 50 6 71 0154 105 55 93 20 15 53 17 7069 75 49 31 19 13 157 59 79 144 102 113 12291 65 4947 81 43 82 63 103 111 86 116 107 206 60 14931 76 7826 49 108 42 22 1 65 0103 11 38 93 58 35 106 105118 74 0 19 96 27 37 26 35 25 44 42 21 0 08328 628 85 87 19 161 022 42 47 15 88 52 36955 91 0 82 28 22 88 23 62 61 39 40 62 25 34 5047 46 30 10 15 78 070 010 65 80 16 66 71 032 48 12 22 0 35 11 73 45 9 88 9 12160 91912 48 3 70 23 35 129 0214 89 17 17 29 28 1048 051 24 110 62 24 032 6 49 71 9 38 68 6236 20 136 86 51 93 124 36 67 29 11 25 60 32 821 58 12 24 15 52 034 33 41 4 0 22 27 15 914 19 52 10 11 52 0110 518 14 94 27 21 92822 044 38 7 44 32 022 0 90 74 23 3 24 189維特征矢量為65.641 95.09 47.918 1847.4 2216.9 1609.1 1992.1 1694.3 1821.7.
評估(9維特征矢量與c(i)(i＝1...9)的內(nèi)積)為-93.2237。
下面給出訓(xùn)練的一個數(shù)字例子。
首先，對c(i)(i＝1...9)進行如下的訓(xùn)練。
下面所列出的為藍天塊的樣本(fi)。
每一行為一個樣本，一共使用了9933個塊樣本，在這里只列舉了其中的10個。
161.25184.50206.8825.043.306.306.0711.363.99169.14186.36205.475.56 5.077.365.213.36 3.94173.01189.11206.616.20 5.006.635.294.70 3.97161.83184.80207.3014.882.644.103.396.72 2.73168.39187.34205.9813.753.666.234.614.73 2.30174.57189.28206.625.70 4.263.742.463.66 2.81162.34185.16207.7114.003.994.573.846.52 3.71168.96186.99205.889.41 4.427.074.673.41 3.50172.38189.57206.2810.169.268.104.335.56 7.0878.45 104.54137.519.27 9.839.599.429.37 9.70.................
下面所列出的為非藍天塊的樣本f(i)。
每一行為一個樣本，一共使用了17758個塊樣本，在這里只列舉了其中的10個。
37.5115.5117.515.415.415.415.415.415.4187.8833.3228.981051.33 389.04 281.66 569.30 389.67 302.0870.0530.7225.68289.16 192.32 155.38 226.66 189.93 167.3951.1720.7723.0414.55 10.02 9.718.2410.22 9.27105.32 63.1641.613589.80 3206.25 2284.21 3305.04 2478.39 2545.1060.0925.8119.33820.77 510.48 187.10 620.97 279.24 261.1897.0448.6829.0025.49 28.93 10.66 27.04 14.09 14.3569.5930.7123.46327.86 252.94 178.30 277.40 191.48 188.9451.1849.4027.79820.74 1389.68 452.49 990.96 562.71 690.2791.8146.7428.4046.89 37.04 10.97 38.82 17.82 16.28
.................
通過訓(xùn)練獲得的c(i)(i＝1...9)為-3.5984 -1.3171 8.1411 0.0310 0.1250 -0.0402 -0.0259 -0.1211-0.0740.
對w(i)(i＝1...8)進行如下的訓(xùn)練。
下面所列出的為藍天圖像的樣本(imf(i))。
每一行為一個樣本。一共使用了1001個圖像樣本，這里僅列舉出其中的10個。
-4294.73947.4-18101420.5-499.41297.31-265.71107.21-5894.15971.2-3243.9 669.02-2723.4534.08-2337.6521.38-5229.13974.9-2209.9 1191.3-1197.1556.14-852.22507.75-7741.16747.2-3532.8 785.59-3020.4815.49-2475.8870.44-5311.63038.7-3240.9 912.08-2527.3644.45-2028.5533.04-5317.25601.3-1530.9 887.1 -868.35450.55-720.79585.16-6503.65593.3-4041.5 1136.8-3269.61180.2-2354.5970.65-5622 3319.5-3802.8 563.24-3366.5447.2 -3077.2478.51-5372.13162 -3167.4 667.87-2711.1651.08-2256.5663.74-7562.15326.9-4032.7 1999.7-2479.21687.2-1074.91031.................
下面所列出的為非藍天圖像的樣本(imf(i))。
每一行為一個樣本。一共使用了2469個圖像樣本，這里僅列舉出了其中的10個。
-9451.27478.4-3776.31472.1-2679.31265.7-2198.71610.7-5752.92926.4-3911.5775.24-3209.4371.95-2876 155.79-7556.38430.2-3034.51672.4-1533.8948.26-872.1 738.72-4737 4224.2-1619.61179.8-673.85441.18-323.48308.41-4671.73917.4-2349.91262.8-1272.4763.57-583.62193.82-6135.95062.4-3643.61248.5-2669.71082.7-1830.2894.28-7763.67765.8-2932.61998.6-1104.91120.8-333.51570.27-5508 5359.6-1965.31445 -686.85707.97-65.51764.766-5672.62604.8-4068.5981.61-3603.21209.1-3071.91552.3
-5685.37713.1-434.93632.482.9443225.9161.6225.57.................
通過訓(xùn)練獲得的w(i)(i＝1...8)為-0.81944-0.29196-2.5335-6.9175-2.43461.1157-0.57225-1.2136.
th為6974。
圖5概括地表示了可以實現(xiàn)本發(fā)明方法的圖像分類系統(tǒng)。圖5所示的圖像處理系統(tǒng)包括CPU(中央處理單元)111，RAM(隨機存取存儲器)112，ROM(只讀存儲器)113，系統(tǒng)總線114，HD(硬盤)控制器115，鍵盤控制器116，串行端口控制器117，并行端口控制器118，顯示屏控制器119，硬盤120，鍵盤121，圖像輸入裝置122，打印機123以及顯示屏124。在這些組件中，連接到系統(tǒng)總線114的為CPU111，RAM112，ROM113，HD控制器115，鍵盤控制器116，串行端口控制器117，并行端口控制器118以及顯示屏控制器119。硬盤120連接到HD控制器115，并且鍵盤121連接到鍵盤控制器116，圖像輸入裝置122連接到串行端口控制器117，打印機123連接到并行端口控制器118，并且顯示屏124連接到顯示屏控制器119。
圖5中的每一個組件的功能都是本領(lǐng)域內(nèi)已知的并且圖5所示的結(jié)構(gòu)為傳統(tǒng)的。這樣的結(jié)構(gòu)不僅應(yīng)用于個人計算機，還應(yīng)用于其他的基于計算機的設(shè)備。在一種不同的應(yīng)用中，圖5所示的組件中的一些可以省略，且系統(tǒng)可以實現(xiàn)為一個單片微機。如果應(yīng)用軟件存儲在EPROM或是其他的非易失存儲器里，HD控制器115以及硬盤120可以省略。
圖5所示的整個系統(tǒng)由計算機可讀指令控制，其通常以軟件形式存儲在硬盤120(或如上所述，在EPROM或其他非易矢存儲器)中。該軟件也可以從網(wǎng)絡(luò)上下載(圖中沒有示出)。該軟件，無論是保存在硬盤120上或是從網(wǎng)絡(luò)下載的，可以載入RAM112，并且由用于完成軟件所定義的功能的CPU111來執(zhí)行。
對于本領(lǐng)域的技術(shù)人員而言，無需任何創(chuàng)造性的工作就可以根據(jù)本法明的方法開發(fā)出一個或多個軟件。這樣開發(fā)出來的軟件將會執(zhí)行圖1以及圖3所示的圖像分類方法。
在某種意義上，圖5所示的圖像處理系統(tǒng)，如果有根據(jù)本發(fā)明的方法開發(fā)出來的軟件作為支持，可以達到圖2以及圖4所示的用于處理圖像的設(shè)備的相同的功能。
本發(fā)明還提供了一種存儲介質(zhì)，其上編碼有用于圖像處理的機器可讀的計算機程序碼，該存儲介質(zhì)包括用以使處理器完成根據(jù)本發(fā)明的方法的指令。該存儲介質(zhì)可以是任何具體的介質(zhì)，例如軟磁盤，CD-ROMs，硬驅(qū)動(例如，圖5所示的硬盤120)。
雖然之前的描述參考了本發(fā)明的特殊實施例，但是可以理解的是對于本領(lǐng)域的技術(shù)人員而言這些僅為舉例說明，并且在這些實施例中可以做出改變而不會背離本發(fā)明的原則，以及由所附權(quán)利要求定義的范圍。
權(quán)利要求
1.一種圖像分類方法，包括步驟將輸入圖像分割為塊；獲得圖像的每個塊的塊特征；根據(jù)塊特征獲得每個塊的評估；根據(jù)圖像的塊的評估獲得圖像特征；根據(jù)圖像特征將圖像分類到預(yù)定義內(nèi)容的類別。
2.根據(jù)權(quán)利要求1的圖像分類方法，進一步包括在分割前對輸入圖像調(diào)整尺寸的步驟。
3.根據(jù)權(quán)利要求2的圖像分類方法，其中在調(diào)整尺寸步驟中，圖像的寬度與高度比不改變。
4.根據(jù)權(quán)利要求1的圖像分類方法，其中塊的塊特征為塊的像素的彩色統(tǒng)計值。
5.根據(jù)權(quán)利要求4的一種圖像分類方法，其中塊的塊特征為塊的像素的基本彩色值的均值、均方差值或是協(xié)方差值。
6.根據(jù)權(quán)利要求1的一種圖像分類方法，其中通過將該塊的各個加權(quán)塊特征進行相加而得到每個塊的評估。
7.根據(jù)權(quán)利要求1的一種圖像分類方法，其中圖像的圖像特征為該圖像的塊的評估的統(tǒng)計值。
8.根據(jù)權(quán)利要求7的一種圖像分類方法，其中該圖像的圖像特征為該圖像的塊的評估的均值，均方差值。
9.根據(jù)權(quán)利要求8的一種圖像分類方法，，其中該圖像的圖像特征為圖像的塊的一些最大評估的均值，均方差值。
10.根據(jù)權(quán)利要求1的一種圖像分類方法，其中在分類步驟中，將圖像的各個加權(quán)的圖像特征相加而得到分類值。
11.根據(jù)權(quán)利要求10的一種圖像分類方法，其中在分類步驟中，將分類值與預(yù)定的值進行比較以判斷是否將該圖像分類到具有預(yù)定義內(nèi)容的類別中。
12.根據(jù)權(quán)利要求11的一種圖像分類方法，其中分類值指的是該圖像包含預(yù)定義內(nèi)容所達到的程度。
13.根據(jù)權(quán)利要求1的一種圖像分類方法，其中塊的評估指的是該塊包含預(yù)定義內(nèi)容所達到的程度。
14.一種圖像分類設(shè)備，包括圖像分割裝置，用以將輸入圖像分割為塊；塊特征獲得裝置，用以獲得圖像的每個塊的塊特征；塊評估裝置，用以根據(jù)塊特征獲得每個塊的評估；圖像特征獲得裝置，用以根據(jù)圖像的塊的評估獲得圖像特征；圖像分類裝置，用以根據(jù)圖像特征將圖像分類到預(yù)定義內(nèi)容的類別。
15.根據(jù)權(quán)利要求14的一種圖像分類設(shè)備，進一步包括用以在圖像分割裝置對圖像進行分割前將輸入圖像的尺寸調(diào)整到預(yù)定尺寸的圖像調(diào)整尺寸裝置。
16.根據(jù)權(quán)利要求15的一種圖像分類設(shè)備，其中當圖像調(diào)整尺寸裝置對輸入圖像調(diào)整尺寸時，該圖像調(diào)整尺寸裝置不改變圖像的寬度與高度比。
17.根據(jù)權(quán)利要求14的一種圖像分類設(shè)備，其中塊的塊特征為塊的像素的彩色統(tǒng)計值。
18.根據(jù)權(quán)利要求17的一種圖像分類設(shè)備，其中塊的塊特征為塊的像素的基本彩色值的均值、均方差值或是協(xié)方差值。
19.根據(jù)權(quán)利要求14的一種圖像分類設(shè)備，其中塊評估裝置通過將該塊的各個加權(quán)塊特征進行相加而得到每個塊的評估。
20.根據(jù)權(quán)利要求14的一種圖像分類設(shè)備，其中圖像的圖像特征為該圖像的塊的評估的統(tǒng)計值。
21.根據(jù)權(quán)利要求20的一種圖像分類設(shè)備，其中該圖像的圖像特征為該圖像的塊的評估的均值，均方差值。
22.根據(jù)權(quán)利要求20的一種圖像分類設(shè)備，其中該圖像的圖像特征為圖像的塊的一些最大評估的均值，均方差值。
23.根據(jù)權(quán)利要求14的一種圖像分類設(shè)備，其中圖像分類裝置通過將圖像的各個加權(quán)的圖像特征相加而得到圖像的分類值。
24.根據(jù)權(quán)利要求23的一種圖像分類設(shè)備，其中圖像分類裝置將分類值與預(yù)定的值進行比較以判斷是否將該圖像分類到具有預(yù)定義內(nèi)容的類別中。
25.根據(jù)權(quán)利要求24的一種圖像分類設(shè)備，其中分類值指的是該圖像包含預(yù)定義內(nèi)容所達到的程度。
26.根據(jù)權(quán)利要求14的一種圖像分類設(shè)備，其中塊的評估指的是該塊包含預(yù)定義內(nèi)容所達到的程度。
27.一種編碼有用以分類圖像的機器可讀計算機程序碼的存儲介質(zhì)，該存儲介質(zhì)包括用以使處理器完成根據(jù)權(quán)利要求1-13的任一個的方法的指令。
全文摘要
本發(fā)明提供一種圖像分類方法，包括步驟將輸入圖像分割為塊；獲得圖像的每個塊的塊特征；根據(jù)塊特征獲得每個塊的評估；根據(jù)圖像的塊的評估獲得圖像特征；根據(jù)圖像特征將圖像分類到預(yù)定義內(nèi)容的類別。
文檔編號H04N5/76GK101018280SQ20061000732
公開日2007年8月15日 申請日期2006年2月9日 優(yōu)先權(quán)日2006年2月9日
發(fā)明者王健民, 紀新 申請人:佳能株式會社