《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 其他 > 設(shè)計應(yīng)用 > 基于LBPV的旋轉(zhuǎn)不變紋理分類算法
基于LBPV的旋轉(zhuǎn)不變紋理分類算法
來源：電子技術(shù)應(yīng)用2013年第12期
王楠楠1， 楊愛萍1， 寇志強(qiáng)2， 宋占杰1， 卜令勇1
1. 天津大學(xué) 電視與圖像研究所, 天津300072； 2. 天津鉑創(chuàng)國茂電子科技發(fā)展有限公司， 天津300384
摘要： 目前紋理分類算法普遍存在分類率低、耗時長的問題，改進(jìn)局部二元模式(LBP)直方圖算法，引入LBPV算子，結(jié)合新的全局匹配窮盡搜索方案，可彌補(bǔ)LBP只提取局部旋轉(zhuǎn)不變紋理特征的不足，采用基于LBP特征估測主方向和特征降維的方法，則可以大大降低計算復(fù)雜度。仿真結(jié)果表明，相對于傳統(tǒng)的LBP特征提取算法，改進(jìn)的算法具有更高的紋理識別效率。
中圖分類號: TN911.7　　
文獻(xiàn)標(biāo)識碼: A
文章編號： 0258-7998(2013)12-0138-03
Rotation invariant texture classification algorithm based on LBPV
Wang Nannan1, Yang Aiping1, Kou Zhiqiang2, Song Zhanjie1, Bu Lingyong1
1. Television and Image Institute, Tianjin University, Tianjin 300072, China; 2. Tianjin Botro Electronical Science and Tech Co., Ltd., Tianjin 300384, China
Abstract： In view of the drawback of most traditional texture classification algorithm which is time consuming and has low classification rate, a new operator—LBPV by the improvement of the local binary pattern (LBP) histogram algorithm is proposed to overcome the defects of the LBP joint variance, and a new global matching based on exhaustive search is proposed to make up for the shortcomings of LBP that extracted only partial rotation invariant texture features. To reduce the computation, the paper proposes a new method on the basis of rotation invariant LBP to estimate the principal orientations and reduce the feature dimensions. Rotation invariant texture classification reaches a good compromise in classification accuracy as well as classification time.
Key words : texture classification; LBP(Local Binary Pattern); global matching; estimate principal orientation; reduce feature dimensions

    紋理是圖像的一種重要特征,也是圖像的灰度統(tǒng)計信息、空間分布信息和結(jié)構(gòu)信息的綜合反映，因此被認(rèn)為是幾乎所有圖像表面的固有特性。紋理分類作為紋理分析的重要組成部分，構(gòu)成了模式識別和計算機(jī)視覺領(lǐng)域的經(jīng)典研究主題。

　1996年OJALA T首次提出了利用局部二元模式(LBP)直方圖提取紋理特征的方法，并于2002年將其擴(kuò)展為系統(tǒng)理論[1]。該方法具有旋轉(zhuǎn)不變性的顯著優(yōu)點，在紋理分類中取得了廣泛的應(yīng)用。然而，原始的LBP碼在鄰近區(qū)域內(nèi)并不獨(dú)立，忽略了圖像的全局特征，分類效率低。近年來，研究人員相繼提出了多種解決方案，但在分類效率和計算復(fù)雜度方面不能達(dá)到很好的平衡 [2]。針對上述問題，本文對經(jīng)典的LBP方法進(jìn)行改進(jìn)，引入LBP方差(LBPV)，并結(jié)合新的全局匹配窮盡搜索方案以提高分類效率。此外，為了降低計算復(fù)雜度，采用了一種基于LBP特征估測主方向進(jìn)行特征降維的方法。
1 基于LBPV的特征提取
1.1 LBP
    LBP是一種灰階紋理算子，用來表示局部圖像紋理的空間結(jié)構(gòu)，以及紋理圖像局部區(qū)域的中心像素點與其相距R的P個鄰域像素點之間的灰度值大小關(guān)系。以中心點像素值為閾值，鄰域點灰度值小于閾值則用0表示，大于或等于閾值則用1表示，按順時針方向得到的0、1碼串即為LBP模式，如圖1所示。對不同位置像素點按式(1)進(jìn)行加權(quán)求和得到LBP算子,用LBPP,R表示。
  
其中，P表示像素點的個數(shù);gi表示第i個鄰域像素點的值;gc表示中心像素點的值,表示鄰域灰度值與中心像素點的差,當(dāng)鄰域像素點的值大于中心像素點時的值為1，反之則為0。

    不同的LBP 模式代表不同的微觀結(jié)構(gòu)。統(tǒng)計不同LBP模式出現(xiàn)的概率得到圖像的紋理譜直方圖，可作為紋理圖像的特征向量對紋理圖像進(jìn)行分類。
1.2 LBPV算子
       在紋理識別時，通常將LBP算子與方差(VAR)聯(lián)合使用[3]，即 LBP與方差的聯(lián)合算子(LBPP,R/VARP,R)，該算子突出了局部空間模式和局部對比度的互補(bǔ)信息，能更好地描述區(qū)域的紋理特征。然而，由于方差是一個連續(xù)值，量化過程中不可避免地會出現(xiàn)誤差，影響分類效率，而且得到的特征向量維數(shù)過大,從而增加了計算復(fù)雜度。本文引入LBP方差[4](LBPV),LBPV將局部區(qū)域方差的權(quán)值作為LBP模式的權(quán)值，有效地將圖像的空間模式和局部差異性融合為一體，且不需量化過程，避免了量化過程中的問題。另外，LBPV提取的特征向量維數(shù)相對較小，計算復(fù)雜度低，能有效節(jié)省計算時長。因此，LBPV相比于LBPP,R/VARP,R更具優(yōu)勢。
2 基于窮盡搜索的旋轉(zhuǎn)不變?nèi)制ヅ浞桨?/strong>
    傳統(tǒng)的基于LBP的旋轉(zhuǎn)不變紋理分類中，首先得到待分類圖像的直方圖，然后尋找與待分類圖像的直方圖最匹配的樣本圖像。這種做法忽略了圖像的全局信息，僅靠從圖像局部區(qū)域的旋轉(zhuǎn)不變紋理信息進(jìn)行分類，很容易造成誤分,如圖2所示。如果只用圖2(c)代表圖2(a)、圖2(b)兩幅圖所提取的紋理特征進(jìn)行分類，則兩幅不同的圖像將會被誤分為同一類。



3.2 基于旋轉(zhuǎn)不變LBP模式的特征降維
　　在進(jìn)行紋理分類時，高維特征之間可能存在著相關(guān)性和信息冗余[7]，這不僅會降低分類率，還會增加計算復(fù)雜度。為了提高分類效率，降低計算復(fù)雜度，本文采用基于LBP旋轉(zhuǎn)不變模式的原理進(jìn)行特征降維。首先計算整個圖像的旋轉(zhuǎn)可變LBP模式直方圖，如圖4(a)所示。其次將該直方圖按照旋轉(zhuǎn)不變性的方法累積到一個旋轉(zhuǎn)不變LBP模式上得到一個新的直方圖,如圖4(b)所示。最后將新直方圖按降序排列，把出現(xiàn)頻率最高的模式累積到其旋轉(zhuǎn)可變模式上，同時保留對分類精度有利的可變模式，如圖4(c)所示，這樣就實現(xiàn)了一次特征降維。重復(fù)這一步驟，不斷減少特征向量的維數(shù)，直到得到所需要的維數(shù)為止。這種方法是一種混合匹配方法，同時利用了圖像的旋轉(zhuǎn)可變和不變紋理，即把每一行都累積到其不變模式上，從而達(dá)到特征降維的目的。

4 紋理分類實驗與結(jié)果分析
    實驗選用紋理豐富的Outex庫進(jìn)行測試。Outex庫包含Outex_TC_00011(TC11)和Outex_TC_00012(TC12)兩個測試集，共24類相同的紋理。為了表述方便，本文約定GM代表全局匹配方案，ES代表窮盡搜索方法，U2表示旋轉(zhuǎn)不變模式,PDn代表沿n主方向匹配，RN代表保留了RN行旋轉(zhuǎn)可變模式，若所有旋轉(zhuǎn)可變模式都被保留，即不進(jìn)行降維，則RN忽略不計。具體步驟如下：
    (1) TC11測試集:采用每類紋理中分辨率為120 dpi的樣本對分類器進(jìn)行訓(xùn)練，然后在同樣的光源和角度下，用分辨率為100 dpi的樣本結(jié)合不同的方法進(jìn)行測試,共有24×20個測試圖像。
    (2) TC12測試集：用在90°和“t184”光照條件下得到的樣本對分類器進(jìn)行訓(xùn)練，用在inca和horizon光源下得到的樣本采用與TC11相同的方法進(jìn)行測試。共有24×20種訓(xùn)練樣本，每種光源條件都有24×20×9個實驗樣本。對兩個測試集采用LBPVP,RU2GMPD2RN方法分類時,由于提取的特征之間存在著部分冗余，分類率會隨著RN值的增大而降低，考慮到特征降維和主方向匹配的復(fù)雜性，本實驗取RN=P/2進(jìn)行測試。表1給出了不同算子結(jié)合不同的方法在TC11和TC12測試集下的分類效率，單位為%，其中(8,1)、(16,2)和(24,3)表示P,R的3種不同取值。

    由測試結(jié)果可知，作為LBP/VAR的簡化算子，LBPV結(jié)合全局匹配的方法明顯提高了分類效率，采用基于LBP模式頻率估計主方向和特征降維的方法，不但降低了計算復(fù)雜度，節(jié)省了分類時間，而且進(jìn)一步提高了分類效率。
    本文在分析傳統(tǒng)的基于LBP紋理分類局限性的基礎(chǔ)上引入LBPV，并提出了全局匹配方案。此方案與LBP算子或LBPV算子相結(jié)合，其效果均優(yōu)于傳統(tǒng)的旋轉(zhuǎn)不變LBP，且該算法在大鄰域和復(fù)雜測試集上具有較高的分類效率。另外提出的基于LBPV模式頻率估計主方向和特征降維的方法，分類正確率不但沒有降低，而且還在一定程度上降低了運(yùn)算復(fù)雜度，減少了分類時間，提高了分類效率。實驗結(jié)果表明，本文提出的旋轉(zhuǎn)不變紋理分類方案在分類效率和計算發(fā)雜度上達(dá)到了較好的平衡，具有更好的分類效率。
參考文獻(xiàn)
[1] OJALA T, PIETIKAINEN M, MAENPAA T. Multiresolution  gray-scale and rotation invariant texture classification with  local binary patterns[J].IEEE Transaction on Pattern Analysis and Machine Intelligence,2002,24(7):971-987.
[2] Han Tuohuang, Kang Zhiwei. Texture extraction method by fusion of multi-level wavelet decomposition and LBP[J]. Analysis and Machine Intelligence, 2012,28(3):169-171.
[3] MURALA S, BALASUBRAMAN R. Multiresolution LBP correlogram for texture image indexing and Retrieval[J]. Materials Science and Engineering,2011,23(11):908-914.
[4] Guo Zhenhua, Zhang Lei, ZHANG D. Rotation invariant  texture classification using LBP variance(LBPV) with global   matching[J].Pattern Recognition,2010,43(3):706-708.
[5] 王水魚,劉武.基于紋理結(jié)構(gòu)的指紋匹配算法[J].電子技術(shù)應(yīng)用,2011,30(2):48-50.
[6] Zhang Lin, Zhang Lei, Guo Zhenhua, et al. Monogenic  LBP: A new approach for rotation invariant texture classication[C]. 17th IEEE Int. Conference on Image Processing, 2010.
[7] 劉翠響.人臉識別中高維數(shù)據(jù)特征分析[D].天津：河北工業(yè)大學(xué),2009.

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。