人工场景图像分类技术研究

第８卷第２期　２０１０年６月　深圳信息职业技术学院学报　

Ｊｏｕｒｎａｌ　ｏｆ　Ｓｈｅｎｚｈｅｎ　Ｉｎｓｔｉｔｕｔｅ　ｏｆ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｔｅｃｈｎｏｌｏｇｙ　Ｖｏ１．８　Ｎｏ．２　

Ｊｕｎ．２０１０　

文童编号：１　６７２—６３３２（２０１　０）０２—００６９—０４　【信息技术应用研究】　

人工场景图像分类技术研究　黄涛　，陈ｙ－Ｎ，　（１．深圳大学，深圳５１８０６０；　２．深圳信息职业技术学院信息技术研究所，深圳５１８０２９）　

摘要：在图像分类技术中，图像的特征提取是其重要一环。为了实现图像的正确、快速分类，需要寻找一组可　靠、独立且具辨别力的特征量。本文针对人工场景，提出了一种基于形状特征场景分类算法，其在通用的场景分类特　征组中增加了形状分类特征。实验研究结果表明该算法是有效的。　关键词：场景图像分类；特征提取；形状特性　中图分类号：ＴＰ３９１　文献标识码：Ａ　

为了有效地管理及检索网络上的图像，需要对　图像进行自动分类，其目标是将场景图像自动地分　类到有语义的场景类别中，如森林、海岸、城市、　高速公路等等　】。　分类特征提取是图像分类技术中的重要一环。　在众多图像分类特征中，颜色和纹理是其中两个最　基本的特征【２］，也是场景分类过程中最常用的两个　特征。为了降低算法复杂度提高分类效率，一般只　选择颜色和纹理特征，其在大部分场景分类实验中　可以实现正确分类。但是，在人工场景分类问题　中，场景分类正确率会大大降低，如街道很容易被　错分为城市、高速公路错分为街道。　为了提高人工场景的分类正确率，需要对其分　类特征进行深入研究。相关研究表明，人工场景与　自然场景相比，其全局特征具有明显的规律性ｐ］。　在人工场景中，形状特征非常明显，其具有很多垂　直结构和水平结构，如高楼场景中垂直结构所占　比例较大，街道场景中水平结构与垂直结构所占　比例相差不大，高速公路场景以水平结构占比例较　大。但是，在实际分类应用中，形状特征却研究得　较少＿４Ｊ。对此，本文将对人工场景分类算法进行改　进。首先分析输入图像的自然度，判断是否为人工　场景。若为人工场景，则提取分类特征时增加形状　特征。最后由支持向量机（Ｓｕｐｐｏ￣Ｖｅｃｔｏｒ　Ｍａｃｈｉｎｅ，　ＳＶＭ）分类器对人工场景图像进一步分类。　

１　场景图像的自然度判断　为了降低人工场景与自然场景的错分率，需　要首先对场景的自然度进行判断　】。首先对图像的　全局空间特性进行估计，本文采用二维傅里叶变　换（Ｔｗｏ—Ｄｉｍｅｎｓｉｏｎａ１　Ｄｉｓｃｒｅｔｅ　Ｆｏｕｒｉｅｒ　Ｔｒａｎｓｆｏｒｍ）处　理。二维离散图像函数的傅里叶变换对表示如下：　Ｆ㈧＝面１　Ｍ刍－１　Ｎ－１　叫　）　

其傅里叶变换核为：　（２）　…，、一　ｙｖｊ　（３）　ｇ（ｘ，Ｙ，　，１，、）＝ｅ　Ⅳ／　【３）　

其中，ｘ＝０，１，２，…，Ｍ一１；Ｙ＝０，１，２，…，Ｎ一１。变量　ｕ和ｖ是变换或频率变量，ｘ和ｙ是空问或图像变量。　以下是采用二维傅里叶变换处理后的不同场景　的实验结果，从实验结果可以看出自然度较低的幅　

［收稿日期】２０１０—０３—０１　［基金项目】国家自然科学基金项目（６０７７２１６３）　［作者简介】黄涛（１　９８６一），男，江西分宜人，硕士研究生。Ｅ－ｍａｉｈｔ　ｈｗａｎｇ２２３６＠ｈｏ／ｍａｉｌ．ｃｏｒｎ　

Ⅳ　＋　胆　厂　／　Ｆ　∑咖　∑　＝　＼－、　，　，　７０　深圳信息职业技术学院学报　第８卷　频图图像十字形状较明显，自然度较高的幅频图图　像各向同性较高。　

ｅ）　Ｉ）　ｈ）　图１自然度判断结果（ａ至ｄ为人工场景，　ｅ至ｈ为自然场景，自然度由低至高）　Ｆｉｇ．１　Ｔｈｅ　ｊｕｄｇｅｍｅｎｔ　Ｏｉｌ　ｔｈｅ　ｉｍａｇｅｓ’ｄｅｇｒｅｅ　ｏｆ　ｎａｔｕｒａｌｎｅｓｓ　

根据以上分析可知，采用二维傅里叶变换可以　快速区分人工场景和自然场景，为下一步人工场景　分类提供了依据。　

２人工场景分类特征提取　为了将人工场景进一步分类到有具体语义的类　别中，如高楼，街道，高速公路等，需要对其分类　特征进行进一步研究。由于人工场景和自然场景在　形状特征上具有明显区别，本文在对人工场景提取　颜色和纹理特征的同时，将形状特征也加入分类特　征组中。　本文采用小波变换来提取图像形状特征。首先　采用小波变换分离出图像的高频特征和低频特征。　通过二维小波变换，分别提取小波变换低频系数和　第一层小波变换高频系数，并且低频置０。原始图　像被分解为四幅图像，分别对应其高频特征和低频　特征，并通过低频特征重构图像，其效果就是强调　和突出了图像的边缘，从中提取７个形状不变矩作　为图像的形状特征，其表示如下：　

中１＝１１２０＋Ｔ１０２　：＝　：。一１１。：）２＋４ｎ　（４）　

（５）　

，：　，。一３ｒｌ：　＋　；ｎ：　一Ｔ１。。）２　（６）　

＝（　。＋Ｉ１　）２＋　：　＋　。　）２　（７）　：（ｎ　３ｎ　。（１３ｏ＋　）　２ｙ一３（Ｉ］２１＋１１∞）２　

：　，）　）ｆ　３０，。　：）２一　：　，）２｝　）　中　＝Ｔ１：。一¨。：ｆ　。＋１１　：）２一　：　＋ＴＩ。　）２　Ｉ　

＋４ｎ　（ｎ，。＋　。）　：　＋１１。，）　９）　

＝　：　一１１。　）　，。＋Ｔ１。：）ｊ　。＋１１。　）２—３（１１２１＋　。，）２　Ｉ＋　（３ｎ　：一１１，。）（ｎ　＋Ｔ１∞）Ｊ　３　，。＋ＴＩ　）２—　＋１１∞）２　ｌ　（１０）　上式中Ｔ１ｐｇ为归一化中心矩，定义为　】　

，　其中　ｐｑ为中心矩，丫　等＋１　实验研究结果表明，高楼场景的边缘特征中垂　直结构的比例较大，而街道场景边缘特征中水平结　构和垂直结构所占比例相近，高速公路边缘特征中　水平结构所占比例较大。将形状特征、颜色特征、　纹理特征结合起来，共同表征人工场景图像的全局　分类特征，　

３分类器构造　图像分类算法需要解决两个核心问题：分类特　征的选择和分类器的构造。本文采用ＳＶＭ构造分类　器。与其它分类算法相比，ＳＶＭ具有分类速度比较　高、学习性能好、分类正确率比较高等优点，目前　已成为场景图像分类的主流算法【６Ｊ。　采用ＳＶＭ实现图像分类主要需要解决两方面问　题：核函数的构造和惩罚系数Ｃ及宽度系数　的确　定。　核函数主要决定于分类样本的分带隋况，在本　文中将根据实际样本分布构造适当的核函数。惩罚　系数Ｃ反映了算法对超出￡管道的样本数据的惩罚　第２期　黄涛，陈三风：人工场景图像分类技术研究　７１　程度，该值影响模型的复杂性和稳定性。Ｃ过小，　对超出ｓ管道的样本数据惩罚就小，训练误差变　大；Ｃ过大，学习精度相应提高，但模型的泛化能　力变差。另外，Ｃ的值还影响到非正常数据点（噪　声影响下）的处理，选择合适的Ｃ实际上起到了抗　干扰的作用，从而保证了模型的稳定性。宽度系数　反映了支持向量之间的相关程度。　太小，支　持向量问的联系就比较松弛，学习机器相对复杂，　推广能力得不到保证；　太大，支持向量间的影　响过强，模型精度难以满足要求　”，在本文中将根　据实验需要选择适当的Ｃ和　。　４实验及分析　在本文的实验中，我们对２０００＇￣图像的彩色图　像数据库（文［３］）进行分类，其中有高速公路、　街道和高楼等人工场景。为了保证实验的全面性，　在图像库中还加入了海滩和草地等自然场景。图像　大小为２５６×２５６像素。提取图像分类特征之前，先　将图像经过二维傅里叶变换，分析其自然度。对自　然度低的人工场景提取颜色，纹理和形状三个分类　特征，共９６０维，采用ＳＶＤ降维。对其中１０００幅图　像进行试验，当分类维数降低至８０维时，保真度可　以达到９４％，完全满足实验要求，故本文实验选取　降维后的分类特征总维数为８０维。采用ＳＶＭ分类器　进行分类，将各类图像的２／３用来训练，１／３用来测　试。在本实验中，训练样本基本符合正态分布。因　此，在本论文中，分类器的核函数选择ＲＢＦ核。另　外，实验研究结果表明，当Ｃ＝６５，＝０．１时，分类正　确率及分类速度都比较高。　采用上述的分类算法对本实验图像进行分类，　其分类正确率如图２所示。　图２实验结果　Ｆｉｇ．２　Ｅｘｐｅｒｉｍｅｎｔａｌ　ｒｅｓｕｈ　实验结果表明，加入形状特征后，人工场景分　类正确率大大提高，但自然场景分类正确率变化不　大。　虽然在人工场景的分类过程中加入了形状特征　的提取和分析，会提高其分类过程中的复杂性，但　对分类效率的影响很小。改进前的平均分类时间为　３．８６ｓ，改进后平均分类时间为４．１２ｓ。　

５结论　通用的场景分类一般只提取颜色和纹理特征，　其实现过程比较简单，但在人工景分类问题中，正　确率会大大降低。根据人工场景具有明显的形状特　征，本文在人工场景分类特征中增加形状特性，实　验研究结果表明，它可以有效提高人工场景的分类　正确率，但对自然场景分类正确率提高很小。　

参考文献（Ｒｅｆｅｒｅｎｃｅｓ）　［１】秦磊，高文．基于内容相关性的场景图像分类方法［ＪＪ．　计算机研究与发展，２００９，４６（７）：１　１９８—１２０５．　Ｑｉｎ　Ｌｅｉ，Ｇａｏ　Ｗｅｎ．Ｓｃｅｎｅ　ｉｍａｇｅ　ｃａｔｅｇｏｒｉｚａｔｉｏｎ　ｂａｓｅｄ　ｏｎ　ｃｏｎｔｅｎｔ　ｃｏｒｒｅｌａｔｉｏｎ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｃｏｍｐｕｔｅｒ　Ｒｅｓｅａｒｃｈ　ａｎｄ　Ｄｅｖｅｌｏｐｍｅｎｔ，２００９，４６（７）：１　１　９８－１　２０５．（ｉｎ　Ｃｈｉｎｅｓｅ）　［２Ｊ　曾璞，吴玲达，文军．基于分块潜在语义的场景分类方　法ｆＪ］．计算机应用，２００８，２８（６）：１５３７—１５４２　Ｚｅｎｇ　Ｐｕ，Ｗｕ　Ｌｉｎｇ—ｄａ，Ｗｅｎ　Ｊｕｎ．Ｓｃｅｎｅ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｂａｓｅｄ　ｏｎ　ｂｌｏｃｋ　ｌａｔｅｎｔ　ｓｅｍａｎｔｉｃ［Ｊ］．Ｃｏｍｐｕｔｅｒ　Ａｐｐｌｉｃａｔｉｏｎｓ，２００８，　２８（６）：１５３７—１５４２．（ｉｎ　Ｃｈｉｎｅｓｅ）　【３］Ａｕｄｅ　Ｏｌｉｖａ，ａｎｄ　Ａｎｔｏｎｉｏ　Ｔｏｒｒａｌｂａ．Ｍｏｄｅｌｉｎｇ　ｔｈｅ　ｓｈａｐｅ　ｏｆ　ｔｈｅ　ｓｃｅｎｅ：ａ　ｈｏｌｉｓｔｉｅ　ｒｅｐｒｅｓｅｎｔａｔｉｏｎ　ｏｆ　ｔｈｅ　ｓｐａｔｉａｌ　ｅｎｖｅｌｏｐｅ［Ｊ］．　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｊｏｕｒｎａｌ　ｏｆ　Ｃｏｍｐｕｔｅｒ　Ｖｉｓｉｏｎ，２００　１，４２（３），　１４５－１７５．　【４】杨杰，陈晓云，徐荣聪．利用小波进行基于形状和纹理的　图像分类ｌＪＪ．计算机应用，２００７，（２）：３７３—３７５．　Ｙａｎｇ　Ｊｉｅ，Ｃｈｅｎ　Ｘｉａｏｙｕｎ，ａｎｄ　Ｘｕ　Ｒｏｎｇｃｏｎｇ．Ｓｈａｐｅ　ａｎｄ　ｔｅｘｔｕｒｅ——ｂａｓｅｄ　ｉｍａｇｅ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｕｓｉｎｇ　ｗａｖｅｌｅｔ［Ｊ］．　Ｃｏｍｐｕｔｅｒ　Ａｐｐｌｉｃａｔｉｏｎｓ，２００７，２７（２）：１４５－１７５．（ｉｎ　Ｃｈｉｎｅｓｅ）　［５］冈萨雷斯，数字图像处理（第二版）［Ｍ】．北京：电子　业　版社，２００５，５４７—５４８．　Ｒａｆａｅｌ　Ｃ．Ｇｏｎｚａｌｅｚ．Ｄｉｇｉｔａｌ　ｉｍａｇｅ　ｐｒｏｃｅｓｓｉｎｇ　ｓｅｃｏｎｄ　Ｅｄｉｔｉｏｎ［Ｍ］．Ｂｅｉｊｉｎｇ：Ｐｕｂｌｉｓｈｉｎｇ　Ｈｏｕｓｅ　ｏｆ　Ｅｌｅｃｔｒｏｎｉｃｓ　Ｉｎｄｕｓｔｒｙ，２００５，５４７—５４８．（ｉｎ　Ｃｈｉｎｅｓｅ）