一种基于K-近邻分类的图像识别方法技术领域
本发明涉及图像识别技术领域，具体涉及一种基于K-近邻分类的图像识别方法。
背景技术
基于内容的图像检索技术是上世纪发展起来的一种新的图像检索技术，取代了传
统的基于文本的图像检索技术。基于内容的图像检索技术通过计算机自动提取图像的底层
视觉特征，进而完成特征的匹配以及图像的检索，较于文本检索，因为不需要人工处理，所
以大大提高了检索效率。但是面对大数据的今天，海量图像数据的存在造成了图像检索技
术效率不高的问题。
鉴于上述缺陷，本发明创作者经过长时间的研究和实践终于获得了本发明。
发明内容
为解决上述技术缺陷，本发明采用的技术方案在于，提供一种基于K-近邻分类的
图像识别方法，该方法包括以下步骤：
步骤S1：建立图像数据库；
步骤S2：选择一副图像作为待检测图像，在所述图像数据库中利用K-近邻分类算
法对图像进行分类，形成K个类别的图像集合；
步骤S3：对所述K个类别图像集合分别赋予相应的权值；
步骤S4：获取待检测图像和K个类别图像集合的纹理特征向量，以及光谱特征向
量；
步骤S5：基于特征向量，计算待检测图像与K个类别图像集合中每一幅图像的距
离，并按照距离大小对图像进行排序；
步骤S6：根据图像的最终的相似性大小，输出固定数目的识别图像。
较佳的，所述步骤S1具体包括：
步骤S11：获取图像；
步骤S12：对获取的图像进行尺寸大小归一化；
步骤S13：选择图像质量较高的图像作为图像数据库。
较佳的，所述步骤S2具体包括：
步骤S21：选择一副图像作为待检测图像；
步骤S22：提取待检测图像的颜色直方图信息，得到颜色特征向量；
步骤S23：分别计算待检测图像与图像数据库中每一幅图像的相似性；相似性公式
为：
其中X＝(x1,x2,…xn)表示待检测图像的颜色特征向量，Yi＝(yi1,yi2,…yin)表示
图像数据库中第i幅图像的颜色特征向量，i表示图像数据库中图像的数量。
步骤S24：将相似性按数值按大小进行排序；
步骤S25：将图像按照相似性大小分为K个类别，如果有重复的类别则依次往后进
行下去，最后得到K个类别图像集合。
较佳的，所述步骤S3具体包括：
步骤S31：计算每一类别图像集合中图像的相似性大小的均值；
步骤S32：将此均值作为每一类别图像集合的权值。
较佳的，所述步骤S4具体包括：
步骤S41：分别计算待检测图像和K个类别图像集合在图像坐标多个方向上、多个
空间频率的Gabor滤波能量值的均值和方差，构成Gabor纹理特征向量；
步骤S42：对待检测图像和K个类别图像集合进行多级小波分解，舍弃低频信息的
子图像，对剩余的子图像计算其熵值和能量值，构成小波纹理特征向量；
步骤S43：分别计算所有图像的光谱指数，构成图像的光谱特征向量。
较佳的，所述步骤S5具体包括：
步骤S51：分别计算待检测图像和K个类别图像集合中每一幅图像的相似性，相似
性公式为：
Dk＝(Σ|X-Y|2)1/2
其中X,Y分别表示待检测图像和K个类别图像集合中的图像，Dk(k＝1,2,3)分别表
示Gabor纹理距离，小波纹理距离和光谱纹理距离；
步骤S52：计算最终的相似性：S＝sim·D，并按照此相似性对得出的结果对图像进
行从大到小排序。
较佳的，所述步骤S6之后还包括：
步骤S7：如果对输出结果不满意则返回步骤S2，调节参数，直到输出满意的结果为
止。
与现有技术相比，本发明的有益效果在于：本发明提供的一种基于K-近邻分类的
图像识别方法有如下好处：
(1)本发明将K-近邻分类算法应用到图像检索中，提高了图像检索技术的效率，解
决了图像检索技术计算量大的问题。
(2)采用了多种特征来实现图像识别，将多种不同的特征进行融合，提高了图像识
别的精度。
附图说明
为了更清楚地说明本发明各实施例中的技术方案,下面将对实施例描述中所需要
使用的附图作简单地介绍。
图1为本发明的一种基于K-近邻分类的图像识别方法的流程图；
图2为步骤S1的流程图；
图3为步骤S2的流程图；
图4为步骤S3的流程图；
图5为步骤S4的流程图；
图6为步骤S5的流程图。
具体实施方式
以下结合附图，对本发明上述的和另外的技术特征和优点作更详细的说明。
如图1所示，为本发明的一种基于K-近邻分类的图像识别方法的流程图，该方法包
括以下步骤：
步骤S1：建立图像数据库。
如图2所示，为步骤S1的流程图，该步骤S1具体包括：
步骤S11：获取图像。
步骤S12：对获取的图像进行尺寸大小归一化。
步骤S13：选择图像质量较高的图像作为图像数据库。
步骤S2：选择一副图像作为待检测图像，在图像数据库中利用K-近邻分类算法对
图像进行分类，形成K个类别的图像集合。
如图3所示，为步骤S2的流程图，该步骤S2具体包括：
步骤S21：选择一副图像作为待检测图像。
步骤S22：提取待检测图像的颜色直方图信息，得到颜色特征向量。
步骤S23：分别计算待检测图像与图像数据库中每一幅图像的相似性。相似性公式
为：
其中X＝(x1,x2,…xn)表示待检测图像的颜色特征向量，Yi＝(yi1,yi2,…yin)表示
图像数据库中第i幅图像的颜色特征向量，i表示图像数据库中图像的数量。
步骤S24：将相似性按数值按大小进行排序。
步骤S25：将图像按照相似性大小分为K个类别，如果有重复的类别则依次往后进
行下去，最后得到K个类别图像集合。
步骤S3：对这K个类别图像集合分别赋予相应的权值。
如图4所示，为步骤S3的流程图，该步骤S3具体包括：
步骤S31：计算每一类别图像集合中图像的相似性大小的均值。
步骤S32：将此均值作为每一类别图像集合的权值。
步骤S4：获取待检测图像和K个类别图像集合的纹理特征向量，以及光谱特征向
量。
如图5所示，为步骤S4的流程图，该步骤S4具体包括：
步骤S41：分别计算待检测图像和K个类别图像集合在图像坐标多个方向上、多个
空间频率的Gabor滤波能量值的均值和方差，构成Gabor纹理特征向量。
步骤S42：对待检测图像和K个类别图像集合进行多级小波分解，舍弃低频信息的
子图像，对剩余的子图像计算其熵值和能量值，构成小波纹理特征向量。
步骤S43：分别计算所有图像的光谱指数，构成图像的光谱特征向量。
步骤S5：基于特征向量，计算待检测图像与K个类别图像集合中每一幅图像的距
离，并按照距离大小对图像进行排序。
如图6所示，为步骤S5的流程图，该步骤S5具体包括：
步骤S51：分别计算待检测图像和K个类别图像集合中每一幅图像的相似性，相似
性公式为：
Dk＝(Σ|X-Y|2)1/2
其中X,Y分别表示待检测图像和K个类别图像集合中的图像，Dk(k＝1,2,3)分别表
示Gabor纹理距离，小波纹理距离和光谱纹理距离。
步骤S52：计算最终的相似性：S＝sim·D，并按照此相似性对得出的结果对图像进
行从大到小排序。
步骤S6：根据图像的最终的相似性大小，输出固定数目的识别图像。
该方法还包括步骤S7：如果对输出结果不满意则返回步骤S2，调节参数，直到输出
满意的结果为止。
本发明提供的一种基于K-近邻分类的图像识别方法有如下好处：
(1)本发明将K-近邻分类算法应用到图像检索中，提高了图像检索技术的效率，解
决了图像检索技术计算量大的问题。
(2)采用了多种特征来实现图像识别，将多种不同的特征进行融合，提高了图像识
别的精度。
以上所述仅为本发明的较佳实施例，对本发明而言仅仅是说明性的，而非限制性
的。本专业技术人员理解，在本发明权利要求所限定的精神和范围内可对其进行许多改变，
修改，甚至等效，但都将落入本发明的保护范围内。