买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉哈尔滨工业大学(威海)申请的专利一种图像纹理分类方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN118411714B 。

龙图腾网通过国家知识产权局官网在2025-07-22发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202410531195.6，技术领域涉及：G06V20/60；该发明授权一种图像纹理分类方法及系统是由马立勇;谢玮;魏大理;赵婧琰;马家辰设计研发完成，并于2024-04-29向国家知识产权局提交的专利申请。

本一种图像纹理分类方法及系统在说明书摘要公布了：本发明公开了一种图像纹理分类方法及系统，包括以下步骤：从原始图像中提取图像纹理特征，构成原图像的特征向量；采用高斯核函数将原图像的特征向量映射到高维的特征空间中，得到高维空间的特征表达；通过随机映射方法将原图像的特征向量映射到低维空间中，得到低维空间的特征表达；将高维空间的特征表达和低维空间的特征表达进行融合，形成综合的特征表示；基于综合的特征表示，采用分类器进行图像纹理的分类。本发明综合应用高维空间表达和低维空间表达，充分利用了不同维度特征的优势，提高了纹理分类的准确性和效率。同时，本发明还具有较强的通用性和可扩展性，可以适应不同行业和场景下的纹理分类需求。

本发明授权一种图像纹理分类方法及系统在权利要求书中公布了：1.一种图像纹理分类方法，其特征在于，包括以下步骤： 从原始图像中提取图像纹理特征，构成原图像的特征向量； 采用高斯核函数将所述原图像的特征向量映射到高维的特征空间中，得到高维空间的特征表达； 通过随机映射方法将所述原图像的特征向量映射到低维空间中，得到低维空间的特征表达； 将所述高维空间的特征表达和所述低维空间的特征表达进行融合，形成综合的特征表示； 基于所述综合的特征表示，采用分类器进行图像纹理的分类； 从原始图像中提取图像纹理特征的方法包括：灰度共生矩阵、局部二值模式、Gabor滤波器、小波变换、方向梯度直方图以及深度学习方法； 首先对输入的图像进行预处理，包括尺寸归一化、噪声去除；然后，综合使用了多种纹理特征提取方法，具体包括： 灰度共生矩阵：计算图像中像素点与其邻域像素点之间的灰度级关系，生成灰度共生矩阵；选择相邻像素间距为d的像素对，d＝1,2,3，并计算像素对的共生频率，生成灰度共生矩阵，用于捕捉纹理的空间依赖性； 局部二值模式：通过比较中心像素与其周围邻域像素的灰度值，生成局部二值模式；在3x3的窗口内，将中心像素与周围8个像素的灰度值进行比较，生成一个8位的二进制数；该过程在图像的所有有效窗口上重复执行； Gabor滤波器：使用不同尺度和方向上的Gabor滤波器对图像进行滤波处理，提取多尺度多方向的纹理特征；应用四个方向0°,45°,90°,135°和两个尺度的Gabor滤波器提取多尺度多方向的纹理特征； 小波变换：对图像进行小波变换，获取不同分辨率下的纹理信息；应用Haar小波变换，并提取至少两个分解级别的低频和高频分量，获取不同分辨率下的纹理信息； 方向梯度直方图HOG：计算图像局部区域的梯度方向直方图，用于捕捉形状和纹理边缘信息；将图像分割成若干小区域，并在每个区域内计算梯度直方图，捕获形状和纹理边缘信息； 深度学习方法：使用卷积神经网络CNN自动学习和提取图像的高层次纹理特征；设计一个包含三个卷积层和两个池化层的卷积神经网络，并使用大量标注数据进行训练，以自动提取深层特征； 将所述高维空间的特征表达和所述低维空间的特征表达进行融合，形成综合的特征表示的方法包括： 通过拼接方法将所述高维空间的特征表达和所述低维空间的特征表达端对端地连接，形成一个综合特征向量即综合的特征表示； 基于所述综合的特征表示，采用分类器进行图像纹理的分类的方法包括：基于深度学习的分类方法、基于多核学习的分类方法、基于流形学习的分类方法、基于度量学习的分类方法和基于量子计算的分类方法； a基于深度学习的分类方法： 设计并实施了一个基于深度学习的分类模型，该模型的架构包括两个输入分支，分别专门处理映射后的高维特征和低维特征； 模型架构：构建一个深度神经网络模型，包含两个并行的输入分支；每个分支由若干卷积层和池化层组成，提取和处理各自的特征集即高维和低维特征；随后在网络中通过一个特定的融合层合并，融合层是连接层ConcatenationLayer或加权求和层WeightedSumLayer，整合不同来源的特征信息； 融合策略：在融合层，高维和低维特征被端对端地连接或根据在分类任务中的重要性进行加权求和，形成一个综合特征表示，该表示能够全面反映图像纹理的关键信息； 输出分支：融合后的特征通过输出分支进行处理，该分支包括若干全连接层和一个输出层；输出层使用softmax激活函数，以便于进行多类图像纹理的分类； 训练过程：模型使用带有标签的训练数据集进行训练；训练过程中，采用交叉熵损失函数优化模型参数，并使用准确率、召回率和F1分数指标评估模型在独立测试数据集上的性能。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人哈尔滨工业大学(威海)，其通讯地址为：264209 山东省威海市文化西路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。