[发明专利]一种适用于协同学习分布式图像特征提取算法

摘要

本发明公开了一种适用于协同学习分布式图像特征提取算法，该算法基于Radon变换与奇异值分解，根据Radon变换的几何特性，构造了新的基于Radon变换和小波变换的不变性纹理特征提取方法，首先根据小波模极大值原理提取原始图像边缘轮廓，针对边缘图像构造Radon变换的中心矩，获得平移不变性，然后在中心矩的基础上根据Radon变换的统计特征构造出尺度不变矩，最后，求尺度不变矩偶阶矩的降序奇异值向量，该奇异值特征向量具有平移、尺度和旋转不变性。本发明增强了抗噪声能力，同时保持平移、旋转和尺度不变性；克服了噪声对图像形状的影响。

主权项

1.一种适用于协同学习分布式图像特征提取算法，其特征在于，该算法为：设图像的Radon变换为g_θ(t)，则定义K阶矩为m_k(θ)＝∫t^kg_θ(t)dt进一步，定义为g_θ(t)的质心；用中心矩代替普通矩，获得平移不变性；μθ=∫(t-t‾θ)kgθ(t)dt]]>mks(θ)=∫tsgθs(t)dt=λ2+k∫αkgθ(α)dα=λ2+kmk(θ)]]>m0s(θ)=λ2m0(θ),m1s(θ)=λ3m0(θ),]]>令tθs‾=m1s(θ)/m0s(θ)=λtθ‾]]>则的k阶中心矩为μks(θ)=∫(t-t‾θ)kλgθ(tθ)dt=λ∫(λα-tθs‾)kgθ(α)λdα=λ2+kμk(θ)]]>当图像发生尺度变换时，设λ为尺度比例因子，其标准差变化如下σ_s＝λσ令m=1σ,]]>η_k(θ)＝m^2+kμ_k(θ)ηks(θ)=(ms)2+kμks(θ)=(1σs)2+kμks(θ)=(1λσ)2+k·λ2+kμk(θ)=ηk(θ)]]>其中，η_k(θ)为尺度和平移不变量；最后，得到其偶阶矩η＝[η₂，η₄，…η_2k]，计算该矩阵的奇异值，将得到的奇异值进行降序排列组成一向量，该向量即为该图像并且具有平移、尺度和旋转不变性的特征向量。