0 引言

    紋理是在可見(jiàn)光作用下描述物體表面的一個(gè)重要特征，已經(jīng)成為機(jī)器視覺(jué)檢測(cè)技術(shù)研究的熱點(diǎn)之一。近十幾年來(lái)，紋理特征受到諸多的關(guān)注，被廣泛應(yīng)用到航天遙感、工業(yè)檢測(cè)、人臉識(shí)別和內(nèi)容檢索等領(lǐng)域。目前，詞袋模式技術(shù)^[1]在紋理分析等方面得到大量關(guān)注，這種技術(shù)具有高抗噪性。其中，局部二值模式（Local Binary Patterns，LBP）^[2]算子憑借簡(jiǎn)單有效、識(shí)別能力強(qiáng)、計(jì)算復(fù)雜度低等優(yōu)點(diǎn)，在諸多領(lǐng)域取得了顯著進(jìn)展^[3]。

    近年來(lái)，根據(jù)不同的應(yīng)用背景，許多學(xué)者對(duì)LBP進(jìn)行相應(yīng)改進(jìn)，尤其在人臉識(shí)別方面取得了不錯(cuò)的成果^[4-6]。由于LBP特征的維數(shù)較高，文獻(xiàn)[7]采用中心對(duì)稱局部二值模式（Center Symmetric LBP，CS-LBP），通過(guò)計(jì)算對(duì)稱像素降低了LBP運(yùn)算度。為加強(qiáng)紋理旋轉(zhuǎn)性和抗噪性，LIAO S等^[8]提出顯性局部二值模式。后來(lái)為量化VAR，在文獻(xiàn)[9]中提出了一種局部二值模式方差（LBP Variance，LBPV）的提取方法來(lái)進(jìn)行紋理分類。MEHTA R等^[10]提出顯性旋轉(zhuǎn)局部二值模式，通過(guò)比較周圍像素的大小實(shí)現(xiàn)方向估計(jì)。最近，為更加全面地補(bǔ)充LBP的信息，GUO Z等^[11]提出了一種完備局部二值模式的方法，通過(guò)差異等信息計(jì)算給出3種不同的算子。LIU L等^[12]提出了擴(kuò)展局部二值模式方法, 該方法引入4個(gè)算子，并取得較好效果。

    本文旨在改進(jìn)LBP，以增強(qiáng)其抗噪聲能力和旋轉(zhuǎn)不變性，提出一種基于高斯聯(lián)合多LBP算子的紋理特征。其具體思想為：首先，使用高斯濾波獲得不同尺度的圖像；其次，設(shè)計(jì)一種改進(jìn)模式，提出具有主方向特征的二值模式，從而提升旋轉(zhuǎn)不變性和抗噪聲能力；最后，在不同尺度上提取3種模式的算子聯(lián)合作為紋理特征。該特征在紋理圖像數(shù)據(jù)庫(kù)和實(shí)際應(yīng)用中進(jìn)行了驗(yàn)證試驗(yàn)，結(jié)果表明改進(jìn)的新算法可以有效提高識(shí)別率。

1 LBP算子

1.1 LBP基本理論

    LBP的定義^[4]是通過(guò)對(duì)比中心像素和周圍8個(gè)像素的灰度值來(lái)實(shí)現(xiàn)。如果某周圍像素小于中心像素的值，那么該像素記為0，否則記為1。其計(jì)算原理如圖1所示。LBP計(jì)算公式如下：

其中，g_c為中心像素的灰度值；g_p為鄰域像素的灰度值；P為鄰域內(nèi)像素的個(gè)數(shù)；2^p為g_p的權(quán)重，R為鄰域的半徑。

    由于LBP缺少空間紋理的對(duì)比度信息，為提高紋理識(shí)別性能，文獻(xiàn)[4]提出局部方差信息VAR作為L(zhǎng)BP的補(bǔ)充，其計(jì)算公式為：

1.2 改進(jìn)的LBP 

    為提高圖像紋理的旋轉(zhuǎn)不變性和在噪聲環(huán)境的適用性，結(jié)合圓域的LBP算子^[13]，本文提出主方向結(jié)構(gòu)的LBP（Principal direction Structure LBP，PSLBP）。為降低噪聲干擾，采用鄰域像素和中心像素的均值作為閾值，同時(shí)，根據(jù)中心像素和鄰域的差分確定主方向。設(shè)(x_c，y_c)為中心像素，則在半徑為R的P鄰域坐標(biāo)(x_p，y_p)^[13]為：

    PSLBP方向的確定方法是通過(guò)計(jì)算中心像素與周圍像素之間差值，找出最小差值的鄰域像素，作為L(zhǎng)BP算子的鄰域主方向，即該像素作為最小權(quán)重點(diǎn)。在圖2中，P=8，R=1，灰色框?yàn)橹鞣较?，即p=0。主方向索引p0的計(jì)算公式如下：

1.3 LBP降維方法

    由于LBP值具有高維特點(diǎn)，根據(jù)文獻(xiàn)[11]，借助直方圖來(lái)描述統(tǒng)計(jì)意義上的紋理特征來(lái)完成降維。設(shè)圖像的尺寸為N×N，根據(jù)LBP值生成譜圖LBP_{P，R(x，y)}，x，y=1，2，…N?？梢缘玫揭痪S的紋理特征直方圖如下：

    可以看出，在構(gòu)建譜圖時(shí)，由于原圖邊界像素點(diǎn)的鄰域值不全，因此需要引用插值法來(lái)補(bǔ)全鄰域來(lái)計(jì)算原圖上邊界的LBP值。VAR圖譜也可直接應(yīng)用直方圖方法降維。

2 高斯LBP紋理特征

2.1 紋理增強(qiáng)

    一般圖像的細(xì)節(jié)紋理存在模糊的情況，為提高紋理圖像的分類準(zhǔn)確率，采用自適應(yīng)局部對(duì)比度增強(qiáng)算法^[14]對(duì)圖像進(jìn)行預(yù)處理。設(shè)p(x，y)為原圖像的像素值，其局部區(qū)域的定義為：以(x，y)為中心像素，鄰域窗口大小為(2n+1)×(2n+1)，f(x，y)是增強(qiáng)后的像素值，計(jì)算公式如下：

其中，是全圖像素均值。

2.2 高斯濾波

    通常地，高斯金字塔對(duì)一張圖像不斷的模糊濾波之后向下采樣，得到不同分辨率的圖像。為了保持LBP參數(shù)的一致性和提高尺度不變性，本文借鑒文獻(xiàn)[15]的思想，尺度變換時(shí)圖像的尺寸保持不變，采用不同的高斯尺度參數(shù)，得到一系列尺度圖像。設(shè)原圖像為G₁，則第l尺度的高斯濾波圖像G₁為：

2.3 高斯LBP方法框架

    高斯LBP描述特征是建立3層的尺度圖像，對(duì)每個(gè)尺度提取PSLBP和VAR，同時(shí)考慮CS-LBP可提供周圍鄰域的對(duì)稱結(jié)構(gòu)信息，故而增加CS-LBP算子。同時(shí)，分別對(duì)3個(gè)算子進(jìn)行直方圖約減，聯(lián)合得到一個(gè)較為全面的紋理特征，實(shí)現(xiàn)過(guò)程見(jiàn)圖3。

3 試驗(yàn)與分析

    為驗(yàn)證本文算法的有效性，分別采用兩種方式來(lái)驗(yàn)證。第一種針對(duì)改進(jìn)的LBP獨(dú)立進(jìn)行驗(yàn)證，主要是針對(duì)Outex數(shù)據(jù)庫(kù)中的典型圖像來(lái)進(jìn)行驗(yàn)證，與圓域LBP等算子進(jìn)行比較，證明其優(yōu)越性；第二種是根據(jù)本文提出的高斯LBP紋理描述特征進(jìn)行驗(yàn)證，通過(guò)視覺(jué)系統(tǒng)采集的圖像試驗(yàn)其在應(yīng)用過(guò)程中的有效性。

3.1 算子比較

    為驗(yàn)證本文算子的性能，在常用紋理數(shù)據(jù)庫(kù)Outex上進(jìn)行紋理分類測(cè)試，并與圓域LBP算子、CS-LBP^[10]算子、LBPV^[12]算子對(duì)比。隨機(jī)選擇5類紋理，共計(jì)60張圖像，采用k近鄰算法（k-Nearest Neighbor，kNN）作為紋理分類器進(jìn)行訓(xùn)練和測(cè)試，分類結(jié)果見(jiàn)表1。由表1可以看出，PSLBP在參數(shù)變化中，性能較為穩(wěn)定，并且略優(yōu)于其他算子。

3.2 紋理特征應(yīng)用

    為驗(yàn)證整體算法的有效性，本文研究選取4種大理石面，使用攝像頭對(duì)其進(jìn)行圖像采集，圖像尺寸為300×380像素。每類選取50張圖像，其中，20張圖像作為訓(xùn)練樣本，其余30張作為測(cè)試樣本。首先，對(duì)采集的圖像進(jìn)行圖像紋理加強(qiáng)。圖4(a)為原圖，圖4(b)為紋理加強(qiáng)圖，本次試驗(yàn)作為第一尺度圖；其次，對(duì)加強(qiáng)圖建立多尺度高斯圖像，第二尺度和第三尺度的圖像分別為圖4(c)和圖4(d)；最后，對(duì)多尺度圖像進(jìn)行特征提取，得到譜圖，建立直方圖，聯(lián)合作為描述紋理特征。

    表2為4種大理石圖像的分類結(jié)果，使用的分類器為kNN算法，平均分類準(zhǔn)確率為90%，可以實(shí)現(xiàn)機(jī)器視覺(jué)的初分類工作。

4 結(jié)論

    本文在LBP的基礎(chǔ)上提出了一種具有抗噪聲能力和旋轉(zhuǎn)不變性的圖像紋理特征表示方法。該方法首先采用自適應(yīng)局部對(duì)比度增強(qiáng)技術(shù)對(duì)原圖進(jìn)行紋理增強(qiáng)；其次，通過(guò)分析LBP不同模式下特征的結(jié)構(gòu)信息以及特征的重要性，為提升旋轉(zhuǎn)不變性和提升抗噪能力，提出了一個(gè)主方向結(jié)構(gòu)的LBP算子；接著通過(guò)對(duì)不同尺度下的特征進(jìn)行分析，聯(lián)合PSLBP、CS-LBP和VAR，采用直方圖降維，建立一個(gè)高斯LBP的紋理描述特征。試驗(yàn)結(jié)果表明，本文提出的算法能夠提升無(wú)噪聲情況下紋理圖像分類的性能，而且對(duì)較為模糊的紋理圖像分類也具有魯棒性。

參考文獻(xiàn)

[1] VARMA M，ZISSERMAN A.A statistical approach to texture classification from single images[J].International Journal of Computer Vision，2005，62(1)：61-81.

[2] 宋克臣，顏云輝，陳文輝，等.局部二值模式方法研究與展望[J].自動(dòng)化學(xué)報(bào)，2012，39(6)：730-744.

[3] LIU L，F(xiàn)IEGUTH P，GUO Y，et al.Local binary features for texture classification：Taxonomy and experimental study[J].Pattern Recognition，2017，62：135-160.

[4] OJALA T，PIETIKAINEN M，MAENPAA T.Multiresolution gray-scale and rotation invariant texture classification with local binary patterns[J].IEEE Transactions on Pattern Analysis & Machine Intelligence，2002，24(7)：971-987.

[5] 張潔玉，趙鴻萍，陳曙.自適應(yīng)閾值及加權(quán)局部二值模式的人臉識(shí)別[J].電子與信息學(xué)報(bào)，2014(6)：1327-1333.

[6] 首照宇，楊曉帆，李萌芽.基于局部特征與核低秩表示的人臉識(shí)別算法[J].電子技術(shù)應(yīng)用，2016，42(9)：126-128.

[7] HEIKKILAM，PIETIKAINEN M，SCHMID C.Description of interest regions with center-symmetric local binary patterns[C].Proceedings of Computer Vision，Graphics and Image Processing，Indian Conference，Berlin Heidelberg：Springer-Verlag，2006：58-69.

[8] LIAO S，LAW M W，CHUNG A C.Dominant local binary patterns for texture classification[J].Image Processing IEEE Transactions on，2009，18(5)：1107-1118.

[9] GUO Z，ZHANG L，ZHANG D.Rotation invariant texture classification using LBP variance(LBPV) with global matching[J].Pattern Recognition，2010，43(3)：706-719.

[10] MEHTA R，EGIAZARIAN K.Dominant rotated local binary patterns(DRLBP) for texture classification[J].Pattern Recognition Letters，2016，71：16-22.

[11] GUO Z，ZHANG L，ZHANG D.A completed modeling of local binary pattern operator for texture classification[J].IEEE Transactions on Image Processing，2010，19(6)：1657.

[12] LIU L，ZHAO L，LONG Y，et al.Extended local binary patterns for texture classification[J].Image & Vision Computing，2012，30(2)：86-99.

[13] ALI A，HUSSAIN S，HAROON F，et al.Face recognition with local binary patterns[J].Bahria University Journal of Information & Communication Technologies，2012，5(12)：469-481.

[14] NARENDRA P M，F(xiàn)ITCH R C.Real-time adaptive contrast enhancement[J].IEEE Transactions on Pattern Analysis & Machine Intelligence，1981，3(6)：655.

[15] LOWE D G.Distinctive image features from scale-invariant keypoints[J].International Journal of Computer Vision，2004，60(2)：91-110.