《空域共生图像表示方法及其在图像分类、识别中的应用.pdf》由会员分享，可在线阅读，更多相关《空域共生图像表示方法及其在图像分类、识别中的应用.pdf（16页珍藏版）》请在专利查询网上搜索。
1、(10)申请公布号 CN 103902965 A (43)申请公布日 2014.07.02 CN 103902965 A (21)申请号 201210590175.3 (22)申请日 2012.12.29 G06K 9/00(2006.01) G06K 9/46(2006.01) G06K 9/66(2006.01) (71)申请人 深圳先进技术研究院 地址 518055 广东省深圳市南山区西丽大学 城学苑大道 1068 号 (72)发明人 齐宪标 乔宇 (74)专利代理机构 深圳市科进知识产权代理事 务所 ( 普通合伙 ) 44316 代理人 宋鹰武 (54) 发明名称 空域共生图像表示方法。
2、及其在图像分类、 识 别中的应用 (57) 摘要 本发明公开了一种图像空域共生特征的提取 方法和基于空域共生特征的图像表示方法， 包括 ： 对输入图像提取采样点， 抽取采样点局部特征 ； 对采样点的局部特征进行量化索引， 获得索引值 ； 根据索引值统计获得图像空域共生特征， 计算空 域共生特征的直方图作为图像表示。本发明还公 开了基于上述图像表示方法的图像识别方法和分 类方法。 本发明利用空域共生特征表示图像， 能够 更好的捕捉空域相关和局部上下文信息 ； 利用空 域共生特征进行图像分类和识别， 加快了计算速 度， 提高了分类精度和识别率。 (51)Int.Cl. 权利要求书 2 页 说明书 。
3、7 页 附图 6 页 (19)中华人民共和国国家知识产权局 (12)发明专利申请 权利要求书2页 说明书7页 附图6页 (10)申请公布号 CN 103902965 A CN 103902965 A 1/2 页 2 1. 一种空域共生的图像表示方法， 包括 ： 对输入图像提取采样点， 提取采样点局部特征 ； 对采样点的局部特征进行量化索引， 获得索引值 ； 根据索引值统计获得图像空域共生特征。 2. 根据权利要求 1 所述的图像表示方法， 其特征在于， 所述提取采样点的方法为密集 采样或兴趣点检测。 3. 根据权利要求 2 所述的图像表示方法， 其特征在于， 所述兴趣点为 DoG 兴趣点或 H。
4、arris 角点。 4. 根据权利要求 1 所述的图像表示方法， 其特征在于， 所述采样点的局部特征为像素 块值、 SIFT 特征、 LBP 特征或 HOG 特征。 5. 根据权利要求 1 所述的图像表示方法， 其特征在于， 所述根据索引值统计获得图像 空域共生特征的具体步骤为根据两个或多个索引在空域中同时存在的频度或强度的统计 结果获得图像空域共生特征。 6. 一种利用权利要求 1 的图像表示进行图像识别的方法， 包括 ： 对输入图像提取采样点， 并提取采样点局部特征 ； 对采样点的局部特征进行量化索引， 获得索引值 ； 根据索引值统计获得图像空域共生特征 ； 以图像空域共生特征表示作为分类。
5、器输入， 根据样本的类别属性， 用分类识别算法对 不同类型样本进行分类器训练， 得到不同类型图像的分类器 ； 用不同类型图像的分类器对待测图像进行判别， 对比不同类型图像的分类器的判别结 果， 选取分类器输出分数最大的类别作为图像识别结果。 7. 根据权利要求 6 所述的图像识别方法， 其特征在于， 所述分类器为 SVM 分类器、 KNN 分类器、 Random Forest 分类器或 Bayesian 分类器。 8. 根据权利要求 7 所述的图像识别方法， 其特征在于， 进行不同类型样本的分类器训 练时所用分类器为SVM分类器， 所述SVM分类器为线性支持向量机， 将图像空域共生特征进 行直。
6、接特征映射， 用映射后所得特征进行不同样本的关系描述和计算。 9. 根据权利要求 6 所述的图像识别方法， 其特征在于， 在对图像提取采样点前进一步 包括以下步骤 ： 根据不同分辨率对图像进行分块 , 并将各分块图像的区域共存特征进行集 成。 10. 一种利用权利要求 1 的图像表示进行图像分类的方法， 包括 ： 对输入图像提取采样点， 并提取采样点局部特征 ； 对采样点的局部特征进行量化索引， 获得索引值 ； 根据索引值统计获得图像空域共生特征 ； 根据图像空域共生特征将图像分类到预定义内容的类别。 11. 一种图像识别系统， 包括 ： 采样模块， 用以对输入图像提取采样点 ； 特征提取模块。
7、， 用以获得图像采样点的局部特征 ； 索引模块， 用以根据图像采样点的局部特征进行量化索引 ； 空域共生特征模块， 用以根据两个或多个索引在空域中同时存在的频度或强度的统计 权 利 要 求 书 CN 103902965 A 2 2/2 页 3 结果获得图像空域共生特征 ； 训练模块， 用以根据样本的类别属性， 用分类识别算法对不同类型样本进行分类器训 练， 得到不同类型图像的分类器 ； 识别模块， 用以对待测图像进行判别， 对比不同类型图像的分类器的判别结果， 选取分 类器输出分数最大的类别作为图像识别结果。 12. 根据权利要求 11 所述的图像识别系统， 其特征在于， 还包括图像分块模块，。
8、 用于在 提取采样点前根据不同分辨率对输入图像进行分块， 并将各分块图像的区域共存特征进行 集成。 权 利 要 求 书 CN 103902965 A 3 1/7 页 4 空域共生图像表示方法及其在图像分类、 识别中的应用 【技术领域】 0001 本发明涉及图像处理技术领域， 尤其涉及一种空域共生图像表示方法， 以及用所 述图像表示进行图像分类和识别的方法。 。 【背景技术】 0002 对图像的信息进行快速准确的描述一直都是图像分类和图像识别技术中研究的 重难点。现有技术中图像特征的提取方法大多为围绕图像的颜色、 纹理、 形状和空间关系 展开的， 这些方法虽可描述图像的局部特征， 但是忽视了图像。
9、中局部相邻区域的相关性。 在一个自然图像中， 空间上相邻区域总是存在着很大的相关性， 而这种相关性又在一定程 度上反映了更复杂的图像结构， 所以如何有效地捕捉这种相关性是非常重要的。现有技 术 “Textural Features for Image Classification” （R.Haralick,K.Shanmugam and I.Dinstein,IEEE Trans of Systems,Man and Cybernetics,1973） 提出描述空域的灰度像 素值共生， 将一定范围空间内像素的相关性因素即灰度共生作为图像的重要信息， 但是由 于自然图像存在光照， 旋转， 尺度等。
10、变换， 该现有技术中提出的空域的灰度共生是容易受到 光照变化的影响， 空域的灰度共生特征由于对光照的敏感而无法作为图像信息对图像进行 准确描述。 【发明内容】 0003 本发明旨在解决上述现有技术中存在的问题， 提出一种空域共生的图像表示方 法， 包括 ： 0004 对输入图像提取采样点， 提取采样点局部特征 ； 0005 对采样点的局部特征进行量化索引， 获得索引值 ； 0006 根据索引值统计获得图像空域共生特征。 0007 进一步地， 所述提取采样点的方法为密集采样或兴趣点检测。 0008 进一步地， 所述兴趣点为 DoG 兴趣点或 Harris 角点。 0009 进一步地， 所述采样点。
11、的局部特征为像素块值， SIFT（尺度不变的特征变换） 特征、 LBP（局部二值模式） 特征或 HOG（梯度方向直方图） 特征。 0010 进一步地， 所述根据索引值统计获得图像空域共生特征的具体步骤为根据两个或 多个索引在空域中同时存在的频度或强度的统计结果获得图像空域共生特征。 0011 本发明还提供了一种利用上述的图像表示进行图像识别的方法， 包括 ： 0012 对输入图像提取采样点， 提取采样点局部特征 ； 0013 对采样点的局部特征进行量化索引， 获得索引值 ； 0014 根据两个或多个索引值在局部图像区域内的共生统计量获得图像空域共生特 征 ； 0015 以图像空域共生特征表示作。
12、为分类器输入， 根据样本的类别属性， 用分类识别算 法对不同类型样本进行分类器训练， 得到不同类型图像的分类器 ； 说 明 书 CN 103902965 A 4 2/7 页 5 0016 用不同类型图像的分类器对待测图像进行判别， 对比不同类型图像的分类器的判 别结果， 选取分类器输出分数最大的类别作为图像识别结果。 0017 进一步地， 所述分类器为 SVM（支持向量机） 分类器、 KNN（最邻近） 分类器、 Random Forest（随机森林） 分类器或 Bayesian（贝叶斯） 分类器。 0018 进一步地， 进行不同类型样本的分类器训练时所用分类器为 SVM 分类器， 所述 SVM。
13、 分类器为线性支持向量机， 将图像空域共生特征进行直接特征映射， 用映射后所得特征进 行不同样本的关系描述和计算。 0019 进一步地， 所述识别方法在对图像提取采样点前进一步包括以下步骤 ： 根据不同 分辨率对图像进行分块 , 并将各分块图像的区域共存特征进行集成。 0020 本发明另外提供了一种利用上述的图像表示进行图像分类的方法， 包括 ： 0021 对输入图像提取采样点， 提取采样点局部特征 ； 0022 对采样点的局部特征进行量化索引， 获得索引值 ； 0023 根据索引值统计获得图像空域共生特征 ； 0024 根据图像空域共生特征将图像分类到预定义内容的类别。 0025 本发明最后。
14、提供了一种图像识别系统， 包括 ： 0026 采样模块， 用以对输入图像提取采样点 ； 0027 特征提取模块， 用以获得图像采样点的局部特征 ； 0028 索引模块， 用以根据图像采样点的局部特征进行量化索引 ； 0029 空域共生特征模块， 用以根据两个或多个索引在空域中同时存在的频度或强度的 统计结果获得图像空域共生特征 ； 0030 训练模块， 用以根据样本的类别属性， 用分类识别算法对不同类型样本进行分类 器训练， 得到不同类型图像的分类器 ； 0031 识别模块， 用以对待测图像进行判别， 对比不同类型图像的分类器的判别结果， 选 取分类器输出分数最大的类别作为图像识别结果。 00。
15、32 进一步地， 所述识别系统还包括图像分块模块， 用于在提取采样点前根据不同分 辨率对输入图像进行分块。 0033 本发明的有益效果在于， 利用空域共生特征表示图像， 能够更好地捕捉空域相关 和局部上下文信息 ； 利用空域共生特征进行图像分类和识别， 加快了计算速度， 提高了识别 性能。 【附图说明】 0034 图 1 是根据本发明的图像表示方法的流程图。 0035 图 2 是根据本发明的图像识别方法的流程图。 0036 图 3 表示根据本发明的图像识别系统的结构框图。 0037 图 4 是根据本发明的图像分类方法的流程图。 0038 图 5 表示根据本发明的图像分类系统的结构框图。 003。
16、9 图 6 是本发明实施例 1 的图像识别方法流程图。 0040 图 7 是本发明实施例 2 的图像识别方法流程图。 0041 图 8 是 Labelme 数据集分类混淆矩阵图。 说 明 书 CN 103902965 A 5 3/7 页 6 0042 图 9 是 UIUC-sports 数据集分类混淆矩阵图。 0043 图 10 是 Scene-15 数据集分类混淆矩阵图。 0044 图 11 是 SUN 数据集识别率与训练样本变化图。 【具体实施方式】 0045 为了使本领域的技术人员更好地理解本申请的技术方案， 下面将结合本申请实施 例中的附图， 对本申请实施例中的技术方案进行清楚、 完整。
17、的描述。 0046 本发明将局部特征索引的共生矩阵引入到采样点的局部特征索引中， 形成空域共 生特征， 用来进行图像表示。 输入图像首先被提取采样点， 然后从采样点的周边图像块中提 取一组特征向量作为局部特征， 依据字典对局部特征进行索引， 最后在上述特征向量中寻 找共生特征， 最终形成空域共生特征， 用空域共生特征作为图像信息表征。 针对空域共生特 征选用合适的统计学习方法对其进行训练分类和识别， 就可以进一步完成图像的分类或识 别。 0047 图 1 为根据本发明的图像表示方法的流程图。 0048 在步骤S1， 对输入图像提取采样点， 提取采样点局部特征。 提取采样点的方法优选 为密集采样。
18、或兴趣点检测。所述密集采样为在 x 和 y 方向上等间隔的选取采样点 ； 所述兴 趣点检测优选 DoG 兴趣点或 Harris 角点作为描述对象， 即选择 DoG 兴趣点或 Harris 角点 作为采样点。还可选用其他兴趣点作为采样点。 0049 在步骤 S2， 对采样点的局部特征进行量化索引， 获得索引值。首先对步骤 1 中所 得采样点提取特征， 优选提取采样点的像素块值， SIFT 特征、 LBP 特征或 HOG 特征 ； 然后， 对 提取的采样点的特征进行索引， 针对提取的特征不同， 采用不同的索引方式。第一， 对于具 有连续的特征分布空间的特征， 首选要对提取的特征进行聚类， 形成词典。
19、， 再将每个特征量 化， 将所述特征归类于最接近的单词， 建立所述特征的索引， 例如 SIFT 特征 ； 第二， 对于具 有离散的特征分布空间的特征， 无需进行聚类， 直接对特征进行量化， 索引， 例如 LBP 特征 和 HOG 特征， 以 LBP 特征为例， LBP 特征共有 256 个模式， 所述 256 个模式为一部天然的词 典。 0050 此步骤中优选提取 LBP 特征或 HOG 特征进行索引， 简化步骤， 加快完成速度。 0051 在步骤S3， 根据索引值统计获得图像空域共生特征。 根据步骤S2所得局部特征索 引， 统计两个索引或多个索引的空域共生特征。本实施例以统计局部空域内两点的。
20、共生为 例说明统计方法。 0052 选择共生模式进行统计， 优选为以下几种 ： 0053 第一， 按照设定的位置模版统计共生， 例如， 图像大小为NM的图像I， 图像I上的 采样点 （x， y） 的特征索引值为 f（x， y） ， 对于位置模版 （u， v） ， 选择共生矩阵 C 进行统计， 其 中，（i， j） 表示特定局部特征索引。 0054 0055 共生矩阵 C 反映了局部特征索引在所述模式的直方图。通常情况下，（u， v） 被设 置成很小的值。如果特征被量化为包含 n 个单词的词典， 位置模版的数量为 k， 则共生矩阵 说 明 书 CN 103902965 A 6 4/7 页 7 C。
21、 的维度是 knn。 0056 第二， 按照区域统计共生， 例如， 设定距离为 K， 对于点 A 和点 B， 如果点 A 和点 B 的 距离小于 K（即 D（A， B） K） ， 点 A 和点 B 的共生将被统计到一个模版中。 0057 第三， 共生模式进行加权， 按照加权后的模版统计共生。 每一个共生模式产生的空 域共生特征在后续的分类和识别中具有不同的鉴别力， 如纹理， 梯度变化较大的区域包含 了图像更多的纹理和形状信息。 因此有效地加权共生模式能够很好的强调某些鉴别性的区 域。加权方法有基于梯度的加权和基于显著性的加权等。 0058 上述所描述的统计方法是基于两个点的共生， 也可延伸至三。
22、个点的共生或多个点 的共生， 即统计局部空域内三个点或多个点的共生。选择合理的编码方法控制图像表示的 维度。多个点的共生拥有更好的描述能力， 但是鲁棒性会下降。 0059 本发明还提供了利用上述图像表示进行图像识别的方法， 图 2 为所述图像识别方 法的流程图， 图 3 表示一个根据本发明的图像识别系统。 0060 在步骤S21， 用采样模块102将由输入模块101输入的输入图像提取采样点。 具体 步骤与步骤 S1 相同。 0061 在步骤 S22， 用特征提取模块 103 提取采样点的局部特征， 用索引模块 104 将上述 提取的局部特征进行量化索引， 获得索引值。具体步骤与步骤 S2 相同。
23、。 0062 在步骤 S23， 用空域共生特征获得模块 105 对步骤 S22 中得到的索引进行统计， 得 到空域共生特征。根据步骤 S22 所得局部特征索引， 统计两个索引或多个索引的空域共生 特征。具体步骤与步骤 S3 相同。 0063 在步骤S24中， 训练模块106以图像空域共生特征表示作为分类器输入， 根据样本 的类别属性， 用分类识别算法对不同类型样本进行分类器训练， 得到不同类型图像的分类 器。进行不同类型样本的分类器训练时所用分类器优选 SVM 分类器、 KNN 分类器、 Random Forest分类器或Bayesian分类器， 更优选SVM分类器。 本发明还可选用其他分类器。
24、对不同 类型样本进行训练。核 SVM 分类器相比线性 SVM 分类器性能较好， 但是线性 SVM 分类器具 有训练简单， 测试速度快等优点， 在本发明的一个优选实施例中， 采用如下方案 ： 将图像空 域共生特征进行直接特征映射， 用映射后所得特征用线性 SVM 分类器进行不同样本的关系 描述和计算。上述方案达到了核 SVM 分类器的性能， 且大大提升了训练和测试的速度。 0064 在步骤S25中， 用识别模块107对待测图像空域共生特征进行判别， 对比不同类型 图像的分类器的判别结果， 选取分类器输出分数最大的类别作为图像识别结果。 实际中， 例 如， 所述空域共生特征可以加权方法进行运用以获。
25、得输出分数， 也就是， 每个空域共生特征 对于识别的作用可以得到调节。 0065 在实际应用中， 许多自然图像和场景图像存在很强的整体的空域布局先验信息， 为了进一步增加图像的表达能力， 有必要捕捉空域布局先验信息， 在本发明的一个优选实 施例中， 在步骤 S21 前进一步包括根据不同分辨率对图像进行分块的步骤。在步骤 S23 中， 不同图像的分块形成空域金字塔， 对不同空域金字塔层分别进行空域共生特征点提取， 进 一步增强图像的表达能力， 加快识别速度， 提升识别效果。 0066 本发明还提供了利用上述图像表示进行图像分类的方法， 图 4 为所述图像识别方 法的流程图， 图 5 表示一个根据。
26、本发明的图像识别系统。 0067 在步骤S31， 用采样模块202将由输入模块201输入的输入图像提取采样点。 具体 说 明 书 CN 103902965 A 7 5/7 页 8 步骤与步骤 S1 相同。 0068 在步骤 S32， 用特征提取模块 203 提取采样点的局部特征， 用索引模块 204 将上述 提取的局部特征进行量化索引， 获得索引值。具体步骤与步骤 S2 相同。 0069 在步骤 S33， 用空域共生特征获得模块 205 对步骤 S32 中得到的索引进行统计， 得 到空域共生特征。具体步骤与步骤 S3 相同。 0070 在步骤 S34 中， 由图像分类模块 206 依据来自空域。
27、共生特征获得模块 205 的图像 特征对图像进行分类。根据上述图像特征， 图像分类模块 206 获得一个分类值以描述该图 像可能包含预定义内容所达到的程度。如果图像分类模块 206 判断出该分类值不小于一预 定的阈值， 则图像分类模块 206 将该输入图像分类到具有预定义内容的类别中。否则， 该输 入图像不被分类到具有预定义内容的类别中。 0071 实施例 1 0072 图像识别方法， 如图 6 所示， 步骤如下 ： 0073 S1-1 对输入图像通过密集采样的方式提取采样点， 提取采样点的 LBP 特征 ； 0074 S1-2 对 LBP 特征进行量化索引 ； 0075 S1-3 将步骤 S。
28、1-2 中所得索引按照设定的位置模版 （u， v） 统计共生， 设图像大小为 NM 的图像 I， 图像 I 上的采样点 （x， y） 的特征索引值为 f（x， y） ， 对于位置模版 （u， v） ， 选 择共生矩阵 C 进行统计， 其中，（i， j） 表示特定局部特征索引。 0076 0077 共生矩阵 C 反映了局部特征索引在所述模式的直方图。通常情况下，（u， v） 被设 置成很小的值。如果特征被量化为包含 n 个单词的词典， 位置模版的数量为 k， 则共生矩阵 C 的维度是 knn ； 0078 S1-4 用 SVM 分类器对不同类型的图像样本训练分类器 ： 0079 样本创建 ； 0。
29、080 将样本中所有的图片按照步骤 S1-1 到步骤 S1-3 的方法提取空域共生特征 ； 0081 将上述所得空域共生特征进行直接特征映射， 得到映射空域共生特征 ； 0082 选择线性函数进行不同样本的关系描述 ； 0083 根据选定的线性函数对样本的所有映射空域共生特征进行计算， 构造一个使样本 可分的特征空间 ； 0084 S1-5 对待测图像空域共生特征进行检测， 对比步骤 S1-4 所得不同类型图像的分 类器的检测结果， 选取分类器输出分数最大的类别作为图像识别结果。 0085 应用例 1 0086 用实施例 1 的图像识别方法对 Labelme 数据集中的图像进行识别， Labe。
30、lme 数据 集中共有 8 个类别， 每个类别约有 200 张图片， 每个类别抽取其中 100 张按照步骤 S1-4 的 方法训练 8 个类别的分类器， 其余的图片进行测试实验， 结果如图 8 所示。 0087 应用例 2 0088 用 实 施 例 1 的 图 像 识 别 方 法 对 UIUC-sports 数 据 集 中 的 图 像 进 行 识 别， UIUC-sports数据集中共有8个类别， 每个类别抽取其中70张图片按照步骤S1-4的方法训 说 明 书 CN 103902965 A 8 6/7 页 9 练 8 个类别的分类器， 其余的图片进行测试实验， 结果如图 9 所示。 0089 。
31、应用例 3 0090 用实施例 1 的图像识别方法对 Scene-15 数据集中的图像进行识别， Scene-15 数 据集中共有 15 个类别， 每个类别约有 200 张图片， 每个类别抽取其中 100 张按照步骤 S1-4 的方法训练 15 个类别的分类器， 其余的图片进行测试实验， 结果如图 10 所示。 0091 实施例 2 0092 图像识别方法， 如图 7 所示， 步骤如下 ： 0093 S2-0 根据不同分辨率对图像进行分块 ； 0094 S2-1 对输入图像提取 DoG 兴趣点作为采样点， 提取采样点的 LBP 特征 ； 0095 S2-2 对 LBP 特征进行量化索引 ； 0。
32、096 S2-3 根据步骤 S2-0 中的分块结果形成空域金字塔 ； 0097 对不同空域金字塔层分别进行空域共生特征点提取， 将步骤 S1-2 中所得索引按 照设定的位置模版 （u， v） 统计共生， 设图像大小为 NM 的图像 I， 图像 I 上的采样点 （x， y） 的特征索引值为 f（x， y） ， 对于位置模版 （u， v） ， 选择共生矩阵 C 进行统计， 其中，（i， j） 表 示特定局部特征索引。 0098 0099 共生矩阵 C 反映了局部特征索引在所述模式的直方图。通常情况下，（u， v） 被设 置成很小的值。如果特征被量化为包含 n 个单词的词典， 位置模版的数量为 k，。
33、 则共生矩阵 C 的维度是 knn ； 0100 S2-4 用 SVM 分类器对不同类型的图像样本训练分类器 ： 0101 样本创建 ； 0102 将样本中所有的图片按照步骤 S2-1 到步骤 S2-3 的方法提取空域共生特征 ； 0103 将上述所得空域共生特征进行直接特征映射， 得到映射空域共生特征 ； 0104 选择线性函数进行不同样本的关系描述 ； 0105 根据选定的线性函数对样本的所有映射空域共生特征进行计算， 构造一个使样本 可分的特征空间 ； 0106 S2-5 对待测图像空域共生特征进行检测， 对比步骤 S2-4 所得不同类型图像的分 类器的检测结果， 选取分类器输出分数最大。
34、的类别作为图像识别结果。 0107 应用例 4 0108 用实施例 2 的图像识别方法对 SUN 数据集中的图像进行识别， SUN 数据集中共有 397 个类别， 每个类别分别抽取其中 1， 5， 10， 20， 50 张图片按照步骤 S2-4 的方法训练分类 器， 其余的图片进行测试实验。 0109 应用例 5 0110 用实施例 1 的图像识别方法对 SUN 数据集中的图像进行识别， SUN 数据集中共有 397 个类别， 每个类别分别抽取其中 1， 5， 10， 20， 50 张图片按照步骤 S1-4 的方法训练分类 器， 其余的图片进行测试实验。 0111 对比例 1 说 明 书 CN。
35、 103902965 A 9 7/7 页 10 0112 用传统 SIFT 特征识别方法对 SUN 数据集中的图像进行识别。 0113 对比例 2 0114 用颜色直方图对 SUN 数据集中的图像进行识别。 0115 对比例 3 0116 用边缘直线段 （Straight line） 对 SUN 数据集中的图像进行识别。 0117 对比例 4 0118 用微型图像 （Tiny image） 对 SUN 数据集中的图像进行识别。, 0119 对比例 5 0120 用纹理基元 （texton） 对 SUN 数据集中的图像进行识别。 0121 应用例 4 和 5 及对比例 1-5 的结果如图 11 。
36、所示， 在不同类型分类器训练过程中所 用样本越大， 识别率越高， 本发明的图像识别方法对图像的识别率显著高于其他方法， 说明 本发明的图像识别方法具有较好的效果。 0122 以上所述的本发明实施方式， 并不构成对本发明保护范围的限定。任何在本发明 的精神和原则之内所作的修改、 等同替换和改进等， 均应包含在本发明的权利要求保护范 围之内。 说 明 书 CN 103902965 A 10 1/6 页 11 图 1 图 2 说 明 书 附 图 CN 103902965 A 11 2/6 页 12 图 3 说 明 书 附 图 CN 103902965 A 12 3/6 页 13 图 4 图 5 说 明 书 附 图 CN 103902965 A 13 4/6 页 14 图 6 图 7 说 明 书 附 图 CN 103902965 A 14 5/6 页 15 图 8 图 9 说 明 书 附 图 CN 103902965 A 15 6/6 页 16 图 10 图 11 说 明 书 附 图 CN 103902965 A 16 。