摘  要： 在深入分析CS-LBP、ICS-LBP、 FCS-LBP、ECS-LBP的基礎(chǔ)上，提出了一種4維的快速紋理描述子。該描述子計(jì)算4個(gè)方向的方向?qū)?shù)，在維數(shù)由CS-LBP、ICS-LBP、 FCS-LBP的16維降到了4維的同時(shí)，較CS-LBP、ICS-LBP、 FCS-LBP、ECS-LBP具有更好的區(qū)分能力，對(duì)紋理圖像的聚類準(zhǔn)確度更高，描述子計(jì)算時(shí)間平均在CS-LBP、ICS-LBP、 FCS-LBP、ECS-LBP的以內(nèi)。
關(guān)鍵詞： 紋理；中心對(duì)稱局部二值模式；模糊；紋理譜描述子；方向?qū)?shù)

    紋理是物體和景物的固有屬性，紋理分析的目的在于刻畫紋理的特征，紋理分類是在紋理分析的基礎(chǔ)上進(jìn)行分類，是目前具有重大研究意義的課題。參考文獻(xiàn)[1]在8×8的紋理單元中根據(jù)中心像素與其鄰域像素的灰度差關(guān)系提出了紋理譜的概念；參考文獻(xiàn)[2]在此基礎(chǔ)上提出了局部二值模式（Local Binary Pattern）紋理譜描述符；參考文獻(xiàn)[3]在區(qū)域內(nèi)采用光柵掃描的順序進(jìn)行相鄰像素的灰度比較；參考文獻(xiàn)[4]用鄰域均值代替中心像素進(jìn)行計(jì)算。參考文獻(xiàn)[2]~[4]提高了紋理描述的準(zhǔn)確度，但是維數(shù)較高，計(jì)算量大，實(shí)時(shí)性不高。參考文獻(xiàn)[5]提出中心對(duì)稱的局部二值模式（Center-Symmetric Local Binary Patterns）紋理譜描述符，使描述符的特征維數(shù)由256維降低到了16維。參考文獻(xiàn)[6]考慮了中心像素與鄰域像素的灰度關(guān)系，提出了ICS-LBP紋理譜描述符。參考文獻(xiàn)[7]使用模糊方法使灰度差的判斷從絕對(duì)的是否滿足0或1關(guān)系變成[0，1]區(qū)間的度量。參考文獻(xiàn)[8]提出了ECS-LBP，通過讓一個(gè)方向上正向和逆向相同，提高了描述子抗旋轉(zhuǎn)的魯棒性。參考文獻(xiàn)[9]提出了一種與具體的分類問題無關(guān)的紋理特征選擇算法。參考文獻(xiàn)[10]提出了一種3層模型，可以在兼顧魯棒性的同時(shí)估計(jì)感興趣的最佳特征集合。參考文獻(xiàn)[11]對(duì)局部頻率使用不同的濾波，提出了一種具有抗噪聲和旋轉(zhuǎn)不變性的紋理描述子。
    許多紋理描述子沒有考慮到特征間的相關(guān)性與冗余性，特征描述維數(shù)較高，計(jì)算量大。但是紋理分類希望可以找到足以滿足分類需要的紋理特征的同時(shí)盡量使紋理的描述簡(jiǎn)單快速，有較低的維數(shù)。本文分析了CS-LBP、ICS-LBP、FCS-LBP、ECS-LBP的本質(zhì)，在其本質(zhì)基礎(chǔ)上提出了基于方向?qū)?shù)的紋理描述子，在紋理描述計(jì)算量大幅下降的同時(shí)保持了較好的特征表示能力。

3 實(shí)驗(yàn)結(jié)果及評(píng)價(jià)
    隨機(jī)選擇Brodatz紋理庫(kù)（112張640×640的紋理圖像）中的5張圖像，每張圖分割成100張不相交的的子圖像，得到500張子圖像作為一組待分類數(shù)據(jù)，如圖3所示，按同樣的方法構(gòu)造100組待分類數(shù)據(jù)。實(shí)驗(yàn)對(duì)該100組數(shù)據(jù)聚類并統(tǒng)計(jì)平均結(jié)果。實(shí)驗(yàn)環(huán)境：MATLAB 2012，Windows 7操作系統(tǒng)，i3-2100@3.10 GHz雙核處理器，6 GB內(nèi)存。對(duì)CS-LBP、ICS-LBP、FCS-LBP、ECS-LBP，參考文獻(xiàn)[7]中分塊主紋理分別應(yīng)用于CS-LBP、ICS-LBP、FCS-LBP、ECS-LBP 4種描述子得到的4種描述子（記為CS-LBP1、ICS-LBP1、FCS-LBP1、ECS-LBP1），以及本文方向?qū)?shù)描述子共9種描述子進(jìn)行聚類對(duì)比實(shí)驗(yàn)。聚類方法采用頻譜聚類[12]，該聚類方法建立在距離矩陣的基礎(chǔ)上，紋理描述子區(qū)分能力越強(qiáng)，則類間的樣本距離越大、類內(nèi)樣本距離越小，聚類具有更好的效果，聚類結(jié)果如表2所示。平均準(zhǔn)確率表示對(duì)100組數(shù)據(jù)進(jìn)行聚類的平均準(zhǔn)確率，最大、最小準(zhǔn)確率分別表示100次聚類結(jié)果中最高的準(zhǔn)確率和最低的準(zhǔn)確率。

    對(duì)該100組紋理圖像進(jìn)行旋轉(zhuǎn)：一組中500張圖像隨機(jī)分成4部分，每部分125張，分別按角度45°、90°、135°、180°逆時(shí)針方向旋轉(zhuǎn)，如圖4所示。對(duì)旋轉(zhuǎn)后的數(shù)據(jù)進(jìn)行相同的聚類實(shí)驗(yàn)，結(jié)果如表3所示。

    從表2、表3中可以看出，本文提出的描述子（GBD）在聚類平均準(zhǔn)確度提高的同時(shí)，維數(shù)由對(duì)比描述子的16維降為4維，描述子提取時(shí)間有了較大的提高。在對(duì)紋理圖像進(jìn)行旋轉(zhuǎn)后，GBD也保持了較好的準(zhǔn)確度。
GBD描述子較CS-LBP、ICS-LBP、FCS-LBP、ECS-LBP描述子在維數(shù)、提取時(shí)間大幅降低的同時(shí)沒有降低其對(duì)紋理的區(qū)分能力，在聚類實(shí)驗(yàn)中具有更好的聚類效果。圖像在進(jìn)行旋轉(zhuǎn)時(shí)需要對(duì)圖像像素進(jìn)行插值，像素間相對(duì)位置也會(huì)改變，這是導(dǎo)致GBD在旋轉(zhuǎn)紋理圖像描述能力下降的原因。下一步工作是進(jìn)一步分析紋理圖像旋轉(zhuǎn)導(dǎo)致描述子區(qū)分能力下降的原因，提高描述子的旋轉(zhuǎn)不變性。
參考文獻(xiàn)
[1] HE D C， WANG L. Texture unit， texture spectrum， and texture analysis[J]. IEEE Transactions on Remote Sensing， 1990， 28（4）： 509-512.
[2] OJALA T， PIETIK?魧INEN M， Hardwood D. A comparative study of texture measures with classification based on feature distribution[J]. Pattern Recognition， 1996， 29（1）： 51-59.
[3] 萬(wàn)華林，MORSHED U，胡宏，等.圖像紋理特征及其在CBIR中的應(yīng)用[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)報(bào)，2003，15（2）：195-199.
[4] 木拉提·哈米提，劉偉，童勤業(yè).紋理譜直方圖與潛在語(yǔ)義標(biāo)引在圖像檢索中的應(yīng)用[J].科技通報(bào)，2006，22（3）：389-394.
[5] HEIKKIL?魧M， PIETIK INEN M， SCHMID C. Description of interest regions with local binary patterns[J]. Pattern Recognition， 2009， 42（3）： 425-436.
[6] 孫君頂，毋小省.基于紋理譜及其空間特征的圖像檢索[J].高技術(shù)通訊，2010，20（8）：822-827.
[7] 陳剛，陳曉云.基于模糊及分塊主紋理譜的圖像聚類[J]. 福州大學(xué)學(xué)報(bào)，2012（5）：44-46.
[8] 陳剛，陳曉云.一種具有旋轉(zhuǎn)魯棒性的紋理譜描述子[J].中國(guó)圖象圖形學(xué)報(bào)，2012（7）：98-104.
[9] PUIG D， GARCIA M A， MELENDEZ J. Application-independent feature selection for texture classification[J].Pattern Recognition，2010（43）：3282-3297.
[10] Guo Yimo， Zhao Guoying， PIETIKAINEN M. Discriminative features for texture description[J]. Pattern Recognition，2012（45）：3834-3843.
[11] MAANI R， KALRA S， Yang Y H. Noise robust rotation invariant features for texture classification[J]. Pattern Recognition， 2013（46）：2103-2116.
[12] SHI J， MALIK J. Normalized cuts and image segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2000，22（8）： 888-905.