本发明涉及图像处理，具体地讲，涉及一种基于改进矩和bp神经网络的双视角图像识别方法。
背景技术：
1、随着互联网、移动设备和传感器技术的发展，大量的图像数据被产生和存储，需要有效地进行处理和分析。图像识别技术可以实现对图像的自动分析和理解，帮助人们更快速地获取和理解图像信息，辅助决策和分析。目前，非正交矩和灰度共生矩阵技术曾被广泛用于图像的特征提取，支持向量机被广泛用于图像识别的分类。但是用于图像特征提取的技术存在获取的图像特征存在信息冗余以及无法处理多通道图像等问题，支持向量机在处理大规模图像数据时可能面临内存和计算资源方面的挑战。超复数连续正交矩技术以及bp神经网络的出现为图像识别准确率问题提供了新思路，并成为了当前研究的热点领域。
2、普通的图像矩技术是将图像函数投影到基函数上得到一组系数，利用该系数作为图像特征进行图像识别，但是传统的图像矩存在信息冗余且在计算过程中会出现计算误差，导致得到的图像特征不足够稳定，从而影响图像识别的准确率。目前图像识别的研究已经有灰度图像、彩色图像。但是对于双视角图像的图像识别研究，目前还未有成熟的方案。多双视角图像是指从不同位置或角度获取的两幅或多幅图像，它们可以捕捉到同一场景或对象的不同视角。这种图像通常用于计算机视觉和图像处理领域中，用于提取更丰富的信息以及解决一些特定的问题。被广泛应用于虚拟现实、增强现实、医学影像等领域。双视角图像相关领域的研究十分广泛，但是却没有行之有效的图像识别技术对其进行分析。
3、传统的图像矩技术在计算过程成存在信息冗余，且在处理多通道图像时显得束手无策，在计算过程中又存在计算误差影响图像矩的性能。支持向量机技术在处理大规模图像数据时可能面临内存和计算资源方面的挑战，尤其是维度很高时，效率较低。目前图像识别的研究已经有灰度图像、彩色图像。但是对于双视角图像的图像识别的研究，目前还未有成熟的方案。
4、在生活和很多科学领域中时刻都应用着模式识别技术,它作为人工智能的基础有着巨大的发展空间，在信息社会中起着非常重要的作用。多畸变不变模式识别是一个重要的研究方向，利用多畸变不变的图像特征来描述图像是其中的一个关键问题。图像矩是一种非常有效的多畸变不变图像特征，所以在多畸变不变模式识别中图像矩的算法以及如何利用图像矩实现多畸变不变的图像识别是重要的研究内容。目前图像矩的研究有指数矩、圆谐-傅里叶矩、雅可比-傅里叶矩等。对于这些传统的矩存在很多问题，不能处理多通道图像以及存在计算精度低以及计算时间慢的缺点，导致其作为图像特征实现图像识别的准确率低。为了解决上述问题，我们将快速傅里叶变换应用到八元数极坐标复指数变换构成改进的八元数极坐标复指数变换，提高矩的计算精度以及计算速度，让其可以更加准确的描述图像特征。改进的超复数极坐标复指数变换可以有效抵抗各种噪声攻击、滤波攻击等常规攻击以及旋转、缩放等几何攻击，具有很好的鲁棒性，是稳定的图像特征。图像识别过程中，特征提取和选择是这项技术的重点之一，特征选取的准确性将直接影响识别率。bp神经网络是一种深度学习模型，被广泛用于图像识别和计算机视觉任务。它在图像识别领域表现出色，因为它能够有效地处理图像数据的特征。改进的八元数极坐标复指数变换与bp神经网络的图像识别方法可以增加特征表示以及解决遮挡和变形等问题，提高图像识别的性能。
5、目前，还缺少一种方法将快速傅里叶变换技术结合八元数极坐标复指数变换得到图像特征用于bp神经网络，以实现对双视角图像进行识别。
技术实现思路
1、本发明要解决的技术问题是提供一种基于改进矩和bp神经网络的双视角图像识别方法，可以更好地理解图像中物体的空间结构和位置关系，为图像识别提供更丰富的上下文信息，提高图像识别的准确率。
2、本发明采用如下技术方案实现发明目的：
3、一种基于改进矩和bp神经网络的双视角图像识别方法，其特征在于，包括以下步骤：
4、s1：采集双视角图像；
5、s2：图像预处理，对输入双视角图像进行预处理，使用mosaic、mixup、光度失真和几何失真对进行预处理，得到图像；
6、s3：特征提取：iopcet计算经过预处理的双视角图像最大矩阶为的矩值，获得该矩值，即为双视角图像的图像特征；
7、s4：特征选择：使用入侵性杂草优化算法对iopcet计算得到的双视角图像特征进行特征选择，选择出含信息量大、对有效识别起重要作用的特征；
8、s5：图像分类识别：使用bp神经网络作为图像识别的识别器，利用入侵性杂草优化算法提取的图像特征向量对网络进行构造与训练得到输出结果；
9、s6：性能评估：对分类识别结果进行评估，以均方差误根为准确率指标，以识别速度为性能指标。
10、作为对本技术方案的进一步限定，对于极坐标图像，其极坐标复指数定义如下：
11、 （1）；
12、其中：为极坐标复指数变换pcet；
13、为极坐标图像半径；
14、为阶数，；
15、为重复度，；
16、为的共轭；
17、为径向基函数；
18、为计算的虚部；
19、（2）；
20、在范围内正交，其正交性关系可以表示为：
21、（3）；
22、其中：为径向基函数；
23、为阶数为的径向基函数；
24、为的共轭；
25、为克罗内克函数；
26、pcet的基函数定义为：
27、（4）；
28、由角向傅里叶因子共轭的性质和径向基函数的正交性可推得，基函数在单位圆内是正交的，其正交性关系可以表示为：
29、（5）；
30、其中：是重复度为阶数为的径向基函数，为的共轭，、为克罗内克符号，
31、，，为归一化因子；
32、在单位圆内计算pcet，将单位圆的半径和角度等分为个部分，因此单位圆被分割成个子区域，并且每个子区域的初始位置是：
33、（6）；
34、极坐标图像的pcet为：
35、（7）；
36、其中，，则上式变为：
37、（8）；
38、令，，则：
39、（9）；
40、其中：代表快速傅里叶变换；
41、代表阶数；
42、代表重复度；
43、复数可扩展到八维，被称为八元数，八元数由一个实部和七个虚部组成：
44、（10）；
45、其中：是实部；
46、是虚数单位；
47、一幅双视角图像可表示为一组纯八元数，具体表示方法如下：
48、（11）；
49、其中：为的极坐标形式；
50、分别代表双视角图像的2个视角的红色、绿色和蓝色分量；
51、基于八元数极坐标复指数变换和快速傅里叶变换方法构成改进的八元数极坐标复指数变换，因为八元数的乘法不满足交换律，而和均为八元数，所以iopcet的定义方式有两种：
52、（12）；
53、（13）；
54、其中：为iopcet的径向基函数，为单位纯八元数，可表示为：
55、（14）
56、同一组图像的右iopcet和左iopcet可相互推导，其关系可表示为：
57、（15）；
58、因为是纯八元数矩阵，则，所以：
59、（16）；
60、将改进的八元数极坐标复指数变换应用到bp神经网络对双视角图像进行识别。
61、作为对本技术方案的进一步限定，所述s4中特征选择的公式为：
62、（17）；
63、其中：表示产生的种子数；
64、是最大种子数；
65、是最小种子数，为可调参数；
66、是当前个体适应度值；
67、是当前种群中最大适应度值；
68、是当前种群中最小适应度值。
69、作为对本技术方案的进一步限定，所述s5中使用交叉熵损失函数为：
70、（18）；
71、其中：是真实标签；
72、是预测输出；
73、为类别的数量；
74、为类别。
75、与现有技术相比，本发明的优点和积极效果是：本发明提出一种改进的八元数极坐标复指数变换和bp神经网络的双视角图像识别方法，对双视角图像使用改进的超复数连续正交矩技术进行特征提取，再导入bp神经网络对这些特征送入全连接层进行识别，从而完成对双视角图像识别的任务。改进的八元数极坐标复指数变换具备高效计算、极高精度、强稳定性，是出色的图像特征，可以有效抵抗旋转、缩放、剪切、长宽比改变等几何攻击以及各种噪声攻击、滤波攻击，具有很好的鲁棒性。双视角图像提供了来自不同角度或位置的多个视角，这些视角包含了丰富的物体特征信息。通过综合利用这些信息，可以获得更为全面和准确的特征表示。双视角图像能够模拟人类双眼视觉，具有立体效应，有助于提供更准确的深度信息。通过深度感知，可以更好地理解图像中物体的空间结构和位置关系，为图像识别提供更丰富的上下文信息，提高图像识别的准确率。本发明对双视角图像特征提取使用改进的超复数连续正交矩技术，提高矩的计算精度以及计算速度，让其可以更加准确的描述图像特征。引入bp神经网络利用出色的图像特征对双视角图像进行识别，得到图像识别结果。在利用改进的八元数极坐标复指数变换计算双视角图像和待验证图像的矩值时，会存在时间慢，精度低缺点，在此发明者用到快速傅里叶变换方法，大大提高了计算矩值时的速度与精度。将八元数极坐标复指数变换与快速傅里叶变换组合称为改进的八元数极坐标复指数变换，改进的八数矩具备高效计算、极高精度、强稳定性和卓越的图像重构能力，是出色的图像特征，引入bp神经网络通过池化操作降低特征维度，将这些特征送入全连接层进行分类识别从而完成图像识别任务，且可以很好的提高图像识别的准确率。
1.一种基于改进矩和bp神经网络的双视角图像识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于改进矩和bp神经网络的双视角图像识别方法，其特征在于：
3.根据权利要求2所述的基于改进矩和bp神经网络的双视角图像识别方法，其特征在于：所述s4中特征选择的公式为：
4.根据权利要求1所述的基于改进矩和bp神经网络的双视角图像识别方法，其特征在于：所述s5中使用交叉熵损失函数为：
