图像粒降维方法 【技术领域】 [0001] 本发明涉及图像处理领域，特别涉及一种图像的降维方法。 【背景技术】 [0002] 人脸作为一个重要的生物特征，传递着重要的信息。一方面，能够传达个体的身份信息；另一方面，人脸面部的表情又可以反映个体的思想感情和情绪状态，通过分析可以获知个体的内心态度和情感变化。针对人脸表情的研究已成为模式识别和人工智能领域的热点。人脸表情在理论上有着重要的研究意义，在日常生活中有很好的应用前景，主要体现于对相关学科的促进、智能人机交互、心理状态分析、医疗诊断技术、图像实时传输、动画电影制作及娱乐产品开发等各个方面。 [0003] 在现有人脸研究技术中，基于线性子空间的方法因为简单、分类能力强等优点已成为主流的特征提取方法。基于线性子空间分析的特征提取方法是根据一定的性能目标来寻找一个线性空间变换，将高维数据投影到低维线性子空间上，使投影后提取的特征数据更能满足目标要求，并且达到压缩原始数据维数的目的。近年来研究发现，人脸图像很可能位于一个非线性流形上，基于流形学习的人脸研究算法被提出。流形学习是一种非线性的降维方法，旨在发现嵌入在高维数据空间的低维光滑流形。 [0004] 但是在实现本发明的过程中，发明人发现现有技术至少存在以下问题：由于人脸研究问题中的高维图像和大规模样本的关系，不管是线性子空间法还是非线性流形学习算法，都需要进行高维数据的复杂计算，制约着研究任务的快速性和有效性。那么，如何实现图像快速处理以便满足实时性需求是现有技术中的一大难题。 【发明内容】 [0005] 本发明的目的在于提供一种图像粒降维方法，所述图像粒方法可以有效地降低图像维度，降低计算复杂度。 [0006] 为了达到本发明的目的，根据本发明的一个方面，本发明提供一种图像粒降维方法，所述方法包括：对输入图像按行和列分块，每个块作为一个图像粒；分别计算各个图像粒中所有像素的均值；把图像粒作为图像处理的基本单元。 [0007] 对于一幅大小为h×w的图像，I＝Ih×w表示该图像的所有像素；图像中任意一个像素或块，记作b＝[h1，h2]×[w1，w2]，显然有0≤h1≤h2＜h且0≤w1≤w2＜w；则Ib即为一个图像粒m(Ib)， [0008] 图像粒的大小为： [0009] [0010] 其中，Card(m(Ib))表示Ib中包含的元素个数，即(h2-h1+1)×(w2-w1+1)，Card(I)表示图像I的元素总数，即h×w。最细的图像粒是像素层次上的，即只含有一个像素点，L(m(Ifine))＝1/Card(I)，最粗的粒是包含整幅图像所有像素的块，L(m(Icoarse))＝1。 [0011] 进一步的，计算各个图像粒中所有像素的均值： [0012] [0013] 其中，0≤h1≤h2＜h且0≤w1≤w2＜w，xij是输入图像的灰度值，i、j是原始输入图像像素坐标， 是图像粒的像素均值，p、q是应用图像粒后的图像像素坐标。 [0014] 进一步的，把图像粒作为原始图像处理的基本单元，对大小为h×w的输入图像I＝Ih×w，按m×n大小分块，即图像粒大小为(m×n)/(h×w)，则图像由原始的h×w维降为(h/m)×(w/n)维，有效地对高维图像数据进行了降维，满足相关的图像处理实时性需求。 【附图说明】 [0015] 结合参考附图及接下来的详细描述，本发明将更容易理解，图1为本发明中的图像粒降维方法一个具体算法——局部线性嵌入(Locally PreservingProjections，LPP)算法中的方法流程图。 【具体实施方式】 [0016] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。 [0017] 本发明实施例提供了一种图像降维方法，所述图像降维方法可通过图像粒方法对高维图像数据实现降维，最终降低算法的计算复杂度。 [0018] 请参考图1，其示出了本发明中的图像粒降维方法100在一个具体实施例——局部线性嵌入(LPP)算法中应用本发明的方法流程图。所述特征值提取方法100包括： [0019] 步骤102，对输入图像按行和列分块，每个块作为一个图像粒； [0020] 对实验所用图像运用图像粒降维方法，降低整个算法的计算复杂度，保持图像准确信息。在算法实验或实际应用中，人脸表情研究的通常是一幅或多幅人脸表情灰度图(若是彩色图像则先转换为灰度图像)，若每幅图像大小为256×256，则需要处理每幅图像256×256＝65536维的数据。对一幅输入图像按行和列分块，2×2大小的每个块为一个图像粒，图像粒大小为(2×2)/(256×256)＝1/16384，应用图像粒分块步骤后每幅图像(256/2)×(256/2)＝128×128，图像从原始的65536维数降为16384。 [0021] 步骤104，计算各个图像粒中所有像素的均值； [0022] 对分块后的图像，计算各个图像粒中所有像素灰度的均值： [0023] [0024] 其中xij是输入图像的灰度值，i、j是像素坐标， 是图像粒的像素均值，p、q是应用图像粒后的像素坐标。 [0025] 步骤106，把图像粒作为图像处理的基本单元； [0026] 把应用图像粒降维后的图像作为后续图像处理的输入图像。从下标范围也可验证图像从原始的256×256＝65536降低维数为128×128＝16384，即对输入图像进行了降维的效果。 [0027] 步骤108，实现LPP算法； [0028] 按本发明图像粒降维的方法进行LPP算法实验。对每幅人脸灰度图像以2×2大小进行分块，每个块作为一个图像粒，计算每个图像粒中所有像素的灰度均值，把每个图像粒作为图像基本单元，降维后的图像作为后续处理的输入图像，则每幅人脸图像从65536维的灰度图降为16384维的灰度图。将实验中所用的多幅人脸图像，每幅图像应用图像粒降维方法，然后实现LPP算法。观察人脸图像映射到由LPP算法的前两个坐标所描述的二维平面上的分布，和按原始图像进行实验的结果相比较，除了整体的分布形状上有些微的区别，人脸图像的分布情况并没有明显大的变化。 [0029] 进一步的，具体指定10幅人脸灰度图，按表情的不同分为两组，且每一组中的5张图像都有一个姿态角度上的连续变化。分别进行LPP算法实验和运用图像粒降维方法的LPP算法实验，跟踪该10幅图像，观察它们映射到二维平面上的分布。结果显示，在这两次实验中，两组图像的变化情况都一样，按同一个顺序变化，且每组图像的序列也未发现改变。 [0030] 本发明提出的图像粒方法，是为了对图像数据进行降维，降低算法的计算复杂度。 对比LPP算法实验和运用图像粒降维方法的LPP算法实验所用时间：以原始人脸图像进行LPP算法实验时，从读取图像开始到LPP算法结束为运行所用时间；运用图像粒降维方法进行LPP算法实验时，运行时间还包括了对图像的分块以及计算每个粒中所有像素均值所用的时间，总的运行时间有变化。记录实验所用时间，结果显示，运用图像粒降维方法的LPP算法在时间上有很大的降低，提高了效率。 [0031] 通过上述LPP算法具体实例，本发明图像粒降维方法既保持图像信息准确性，又减少运算时间，降低了运算复杂度。 [0032] 需要说明的是：上述实施例提供的图像粒降维方法，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即不同分辨率的输入图像、不同大小的图像粒，以完成以上描述的全部或者部分功能。 [0033] 上述说明已经充分揭露了本发明的具体实施方式。需要指出的是，熟悉该领域的技术人员对本发明的具体实施方式所做的任何改动均不脱离本发明的权利要求书的范围。 相应地，本发明的权利要求的范围也并不仅仅局限于所述具体实施方式。