文献综述-家装风格自动分类技术综述

2016-8-25 zwqStella

摘要

在查阅了许多关于图像特征提取技术方面文献后，本文主要讨论了家装风格自动分类技术的基本介绍和家装风格自动分类的主要研究方法，家装风格自动分类技术的应用前景，以及简要分析当前的家装风格自动分类技术的优越性和当下研究存在的困难。

关键词

图像特征提取；机器视觉；SIFT算法；SVM技术；颜色；灰度；纹理；边缘。

正文

1.前言

随着信息技术的进步，人类社会生活的自动化程度不断提高，许多之前必须以人力完成的工作开始可以由机器完成。视觉是人体的重要感觉，如何将人类能感受到的视觉信息处理为计算机内的信息，是实现视觉自动处理的关键。家居装修风格的自动分类就是视觉自动处理的一个实例。计算机视觉从其产生就成为二维图像识别和分析的工具，作为人类视觉的模拟，视信息成为它的处理对象。视信息包括诸如形状、位置、颜色、纹理等图像特征，计算机视觉对这些图像特征进行处理的主要任务就是特征提取，所提取的特征点也希望尽可能具有不变性。

2. 家装风格自动分类技术基本介绍

家装风格分类技术属于图像特征提取与分析技术的应用之一，图像特征提取从计算机视觉和图像处理中分离出来，运用计算机来分析和处理图像信息，然后确定图像中的不变特征，进而将提取的特征对实际问题进行处理。图像特征提取是一门交叉性的学科，它既包含在计算机视觉技术中，也包含在图像处理中．通过计算机的分析和处理，来提取图像不变特征，进而解决实际问题。图像特征提取往往涉及数学、物理学、控制理论、计算机科学等多个方面的知识。图像特征提取因机器视觉产生而存在，计算机为识别图像而去提取作为图像构成的相关像素点，并对像素点进行分析以确定其特征归属的过程就是图像特征提取。从变换或映射的角度来看，它是对某一模式的组测量值进行变换，以突出该模式具有代表性特征的一种方法，通过影像分析和变换，将部分区域的满足要求的特征点选取出来作为继续识别的信息输入。后续处理的起点缘于图像特征，对于特征而言，并没有一个万能的定义，它要依据具体问题或具体应用而确定。图像特征作为图像描述中的“有趣”部分，体现着图像本身的最基本属性，它能结合视觉进行量化表示。特征选取时应避免“维数灾难”，高维特征空间运算所带来的计算量将为后续处理带来不可忽视的障碍。一般来讲，良好的特征应具备可区分性、可靠性、独立性、数量少这四个方面的特点。

3. 家装风格自动分类方法

根据区分家装风格的需要，在实现的过程中主要用到两种方法。

（1）图像特征提取方法

① 颜色或灰度的统计特征提取

颜色(灰度)直方图是实践中最常用的图像统计特征.设S(xi)为图像P的某一特征值为xi的像素的个数,N= ∑iS(xi)为P中总的像素数.对S(xi)作归一化处理,即h(xi)=S(xi)N=S(xi)∑iS(xi),则图像P的该特征的直方图为H(P)=[ h(x1),h(x2),… ,h(xn)],式中n为某一特征取值的个数事实上,直方图就是图像P某一特征的概率分布.可把P(x)看作x的概率密度函数,则x的k阶定义为:mk=∫ xkP(x)dx(k= 0,1,…),k阶中心矩定义为:μk=∫(x- m1)P(x)dx(k=0,1,…).Hu[4]1961年首次提出了矩不变量的概念,但是Hu矩不变量不具有正交性,所以包含大量冗余信息.Zemike矩不变量就是一种正交的矩不变量,正交矩在信息冗余度、图像表达以及在识别效果方面比其他类型的矩要好.随着小波分析理论的发展,Shen等出了基于小波变换的小波矩,由于小波变换具有时频局部化特征,所以小波矩不仅可以描述图像的全局特征,也可以描述图像的局部特征,不易受到噪声的干扰,因而在识别相似的物体时有更高的识别率.

② 纹理特征提取

纹理特征和颜色特征类似，它也是一种整体性的特征．近些年来，对纹理分析方法的各种理论或方法在纹理特征提取中的应用已经基本成形，Ｔｕｃｅｒｙａｎ和Ｊａｉｎ把纹理特提取方法归纳为５类，即结构方法、信号处理方法、几何方法、模型方法和统计方法．这种分类方法被大多学者采纳，笔者主要阐述最常用的统计方法．灰度共生矩阵（ＧＬＣＭ）是被广泛应用的纹理提取算法，是分析图像的基础，它运用统计学中的概率来反映图像灰度有关方向和间隔等整体信息．其算法描述如下：（ｐ，ｑ）为图像中任取的一点，（ｐ＋Δｐ，ｑ＋Δｑ）为图像中移动后的另一点，形成一个点对，（ｍ，ｎ）为该点对的灰度值，即ｍ为（ｐ，ｑ）点的灰度值，ｎ为点（ｐ＋Δｐ，ｑ＋Δｑ）的灰度值．然后固定 Δｐ和ｑ，通过点（ｐ，ｑ）的移动，来确定相应的（ｍ，ｎ）值，则相应灰度值的组合为Ｌ２（灰度值的级数为Ｌ）．对于研究图像，计算（ｍ，ｎ）值的出现频率，化积分为１，其概率为Ｐｍｎ，则灰度共生矩阵（灰度联合概率密度）为［ｐｍｎ］Ｌ×Ｌ．对于不同的纹理周期分布，就有不同的离差分值（Δｐ，Δｑ），即不同的 Δｐ与 Δｑ的值．对于纹理较细的情形，选取（１，０），（０，１），（１，１）（－１，１）等小的差分值是很有效的．如果Δ

ｐ与Δｑ取值较小，则说明纹理图像变化缓慢，则灰度联合概率矩阵对角线上的数值相对较大，适合做对角线分布；如果Δｐ与Δｑ取值较大，则说明纹理变化越快，则灰度联合概率矩阵对角线上的数值越小，适合于均匀分布．一系列的纹理特征统计量可以通过灰度共生矩阵得到，其中常用的多个纹理特征值有如下８个．

③ 形状特征提取

形状特征提取表示方法有２类，一类是区域特征，它主要针对图像的整个形状区域；另一类是轮廓特征，它针对的是物体的外边界．前人关于形状特征提取的典型方法有：边界特征值法（图像的外边界）、几何参数法（图像几何参数化处理）、形状不变矩法（找图像不变矩特征）、傅里叶形状描述法（傅里叶变换法）等。对同一物体摄取图像所获取二维图像一般会因平移、缩放、旋转等发生变化，但无论怎样变化，只要是针对于同一个物体就总是存在不变量，SIFT 算法中所关注的就是这种不变量，我们称其为 SIFT 特征。该特征属于局部特征，它的不变性或说稳定性主要体现在图像旋转、尺度大小变化以及光照明暗的同时，并且

还能够较好地应对观察视角的调整、噪声干扰以及仿射变换。下面首先给出

SIFT 算法的基本流程，如图所示，然后按步分解流程。

④ 空间关系特征提取

空间关系表明图像中分割的多个目标之间存在着一定的空间位置关系和方向性的关系，如像的邻接与连接关系、图像的包容和包含关系等．常用的图像空间特征提取方法有２种：根据图像中的对象或者颜色等其他特征对图像进行分割后提取特征；把图像分割成规则的子块，分别对图像的每个子块进行特征提取．运用空间关系特征描述图像内容能起到更完备的功效，但是一旦图像或目标发生反转、旋转等变化时，空间关系特征发生的变化就非常明显．

当采用空间特征关系以提高检索准确率时，一般不单独使用，而是经常和其它特征提取方法综合使用。

（2）决策方法

支持向量机(support vectormachine)是一种分类算法，通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信范围的最小化，从而达到在统计样本量较少的情况下，亦能获得良好统计规律的目的。通俗来讲，它是一种二类分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器，即支持向量机的学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解。SVM

是从线性可分情况下的最优分类超平面发展而来的［20］，基本思想可以用图 4 描述［21-22］。图中圆圈和叉号分别代表 2 类样本，H 表示分类超平面，H0和 H1则分别表示通过各类距离 H 最近的样本，且平行于 H 的超平面。H0和 H1到 H 的距离相等，它们之间的距离称为分类间隔，所谓最优分类超平面就是以最大间隔将 2 类样本正确分开的超平面。

4. 家装风格自动分类技术应用前景

家装风格自动分类技术有望代替人工对数据库中的图片进京更高效，更准确地分类，扩充应用软件的功能，提高应用软件运行的效率。以家装风格自动分类技术为代表的图像特征提取技术被应用在众多的领域，并和物理学、统计学、神经生理学、图像处理、认知科学、人工智能等许多学科相关。恰恰是这种广泛性，计算机视觉才从照片的判读与分类理解开始，被延续使用到工业机器人的手眼系统、地图绘制、智能人机接口的构建、鉴别技术。计算机视觉系统的结构形式与其应用的方向息息相关，可以独立出现，也可以作为一个组成部分出现。计算机视觉系统的具体实现方法也由其功能决定。但不管是从哪个方面考虑，一些基本功能却是必不可少的：图像获取、预处理、特征提取、检测分割、高级处理。特征提取是一个中间结点，智能化的机器视觉对这个中间结点完成的时候更多地是要以掌握人类视觉系统为前提。特征是许多计算机图像分析算法的起点，算法的成功与否往往由它使用和定义的特征决定。特征提取的结果将把图像上的点分为不同的子集进行处理，不同的特征选取对算法的实现也都有着不同的影响，因此，对特征的选取、提取及其后的处理方法一直都是计算机视觉领域中有实际意义的问题。

等。

5.总结

对于本文中提到的各类技术总结如下。

图像颜色特征提取

优点：对一幅图像中颜色的全局性的分布，它能简单描述出来，不同颜色的布局在整幅图像中所占到的比例．颜色特征很适合描述难以自动分割的图像，以及对不需要考虑图像中物体的空间位置的分布。

缺点：它无法对图像中产生的局部分布进行描述，以及对图像中各种色彩所处的空间位置的描述也难以胜任，即无法对图像中的具体对象进行描述；

图像纹理特征提取

优点：由于纹理特征提取的是全局性质，所以对其区域性的特征描述具有很好的可行性和稳定性．相比颜色特征提取不会因为局部的一些偏差而匹配失败．同时纹理特征有着良好的旋转不变性，对噪声的干扰有着很好的抵抗能力。

缺点：当图像的像素分辨率变化明显时，得到的纹理特征偏差就会明显增大。

形状特征提取

优点：对图像中某个需要的部分来进行研究，图像目标的整体性把握良好。

缺点：若图像上的目标发生变形，则描述的稳定性会大大下降，同时由于形状特征也具有全局性，对其计算时间和存储所用的空间要求比较高。

空间关系特征提取

优点：对静止图像运用空间特征描述效果良好。

缺点：空间关系特征对图像目标的旋转、图像目标的反转、以及尺度变化较为敏感，经常和其他特征提取方法配合描述和使用。

SVM算法

优点：SVM 是一种有坚实理论基础的新颖的小样本学习方法。它基本上不涉及概率测度及大数定律等,因此不同于现有的统计方法。从本质上看,它避开了从归纳到演绎的传统过程,实现了高效的从训练样本到预报样本的“转导推理”,大大简化了通常的分类和回归等问题。

缺点：SVM算法对大规模训练样本难以实施由于SVM是借助二次规划来求解支持向量，

而求解二次规划将涉及m阶矩阵的计算（m为样本的个数），当m数目很大时该矩阵的存储和计算将耗费大量的机器内存和运算时间。

参考文献：

[1] 戴金波. 基于视觉信息的图像特征提取算法研究.吉林大学博士学位论文, 2013.

[2] 陈强，田杰，黄海宁，张春华. 基于统计和纹理特征的 SAS 图像 SVM分割研究. 仪器仪表学报 , Chinese Journal of Scientific Instrument, 2013(6).

[3] 杨广林，孔令富. 基于图像分块的背景模型构建方法. 机器人, Robot, 2007年01期

[4] 王志瑞，闫彩良. 图像特征提取方法的综述. 吉首大学学报(自然科学版) , Journal ofJishou University(Natural Sciences Edition), 2011(5).

[5] 翟俊海，赵文秀，王熙照. 图像特征提取研究. 河北大学学报(自然科学版) , Journal ofHebei University(Natural Science Edition), 2009(1).

[6] 刘丽，匡纲要. 图像纹理特征提取方法综述. 中国图象图形学报 , Journal of Imageand Graphics, 2009(4).

[7] 赵辉.基于点特征的图像配准算法研究[D].山东大学硕士学位论文 2006

[8] 孙栋.基于纹理分析的目标图像识别技术研究[D].南京理工大学硕士学位论文2005

[9] 李学龙,刘政凯,俞能海.一种有效的基于内容的图像检索方法[J]. 通信学报. 2002(12)

[10] 付仲良,张文元,孟庆祥.灰度和纹理特征组合的SAR影像SVM分类[J]. 应用科学学报. 2012(05)

[11] PUN CHI-MAN,LEEMOON-CHUEN.Extraction of shift invariant wavelet features for classification ofimages with different sizes. IEEE Transactions on Pattern Analysis and MachineIntelligence . 2004

[12] HSU PAI-HUI.Featureextraction of hyperspectral images using wavelet and matching pursuit. ISPRSJournal ofPhotogrammetry&Remote Sensing . 2007

[13] CLAUSI D A.Comparison andFusion of Co-Occurrence,Gabor and MRF Texture for Classification of SAR SeaIceImagery. Atmosphere Oceans . 2001

[14] Michael Unser.Textureclassification and segmentation using wavelet frames. IEEE Transactions onImage Processing . 1995

文献综述-家装风格自动分类技术综述相关推荐

三星电子全球最大半导体生产线开始量产；飞利浦家居照明发布年度家装风格指南 | 美通企业日报...
今日看点三星电子平泽工厂第二生产线开始量产.首发量产产品是采用了EUV(Extreme Ultraviolet,极紫外光刻)制程的16Gb(吉字节)LPDDR5移动DRAM,开创业界先河.三星电子平 ...
又双叒叕种草了新家装风格？AI帮你家居换装
摘要:又双叒叕种草了家装新风格?想要尝试却又怕踩雷?如果能够轻松Get量身定制的家装风格图,那该多好啊.现在,这一切都成为了可能! 本文分享自华为云社区<又双叒叕种草了新家装风格?AI帮你家居换 ...
有哪些不错的家装风格？极家整装怎么样
有哪些不错的家装风格?极家整装怎么样?很多业主朋友在新房装修都不知道装什么风格比较好,现在的装修风格多种多样,很多业主朋友就不知道怎么选择,在面临这么多的装修风格我们该怎么选择呢? 对现代人而言,装 ...
飞利浦家居照明发布《2020-2021家居灯具和家装风格指南》
全球照明领导者昕诺飞(阿姆斯特丹欧洲证券交易所代码:LIGHT)旗下飞利浦家居照明业务发布<2020-2021家居灯具和家装风格指南>,以全球视角梳理最新家居设计和灯具潮流趋势.光是照亮家 ...
文献笔记02 网络入侵检测技术综述(信息安全学报）
文章目录网络入侵检测技术综述大纲一.入侵检测系统分类 1.基于数据来源划分 2.基于检测技术划分二.基于传统机器学习的入侵检测 1.入侵数据处理 2.监督机器学习技术 3.无监督机器学习技术 ...
科技文献挖掘工具平台与关键技术综述
摘要 [目的]对科技文献挖掘的主要工具.系统平台和关键技术进行全面系统梳理,指出未来发展趋势,为相关研究提供参考.[方法]通过网络和文献调研等方法梳理科技文献挖掘的历史发展脉络,总结科技文献挖掘的主要 ...
这款家装风格，谁看了能不心动呢
现代简约风格,顾名思义,就是让所有的细节看上去都是非常简洁的.装修中极简便是让空间看上去非常简洁,大气.装饰的部位要少,但是在颜色和布局上,在装修材料的选择配搭上需要费很大的劲,这是一种境界,不是普通 ...
去雾综述_图像去雾技术综述
1.概述图像去雾的研究算法有很多,但是主要分为两类:基于图像增强的去雾算法和基于图像复原的去雾算法. 基于图像增强的去雾算法去除图像的噪声,提高图像的对比度,从而恢复出无雾清晰视频.具有代表性的图 ...
【技术综述】视频分类/行为识别研究综述，从数据集到方法
视频分类/行为识别是计算机视觉领域中非常有挑战性的课题,因为其不仅仅要分析目标体的空间信息,还要分析时间维度上的信息,如何更好的提取出空间-时间特征是问题的关键.本文总结了该领域的技术进展和相关数据集 ...

文献综述-家装风格自动分类技术综述

文献综述-家装风格自动分类技术综述相关推荐

最新文章

热门文章