《電子技術(shù)應(yīng)用》
您所在的位置:首頁(yè) > 嵌入式技術(shù) > 設(shè)計(jì)應(yīng)用 > 基于高斯局部二值模式的紋理特征分類方法
基于高斯局部二值模式的紋理特征分類方法
2018年電子技術(shù)應(yīng)用第1期
黃 辰1,費(fèi)繼友1,2,劉曉東2
1.大連交通大學(xué) 機(jī)械工程學(xué)院,遼寧 大連116028;2.大連交通大學(xué) 動(dòng)車運(yùn)用與維護(hù)工程學(xué)院,遼寧 大連116028
摘要: 紋理描述在圖像分析和模式分類領(lǐng)域具有極為重要的意義。為提高特征描述的魯棒性,提出了一種基于高斯局部二值模式的紋理特征提取方法。首先,采用加強(qiáng)預(yù)處理使高斯濾波獲得不同尺度的圖像,從而構(gòu)建多尺度的圖像金字塔;其次,為提升旋轉(zhuǎn)不變性和抗噪聲能力,提出具有主方向特征的二值模式;最后,在不同尺度上提取3種有效的局部二值模式聯(lián)合構(gòu)造紋理描述,并通過(guò)直方圖降維。試驗(yàn)結(jié)果表明,該特征具有較好的可區(qū)分性和有效性,可以有效應(yīng)用到視覺(jué)圖像的紋理分類中。
中圖分類號(hào): TP31
文獻(xiàn)標(biāo)識(shí)碼: A
DOI:10.16157/j.issn.0258-7998.171014
中文引用格式: 黃辰,費(fèi)繼友,劉曉東. 基于高斯局部二值模式的紋理特征分類方法[J].電子技術(shù)應(yīng)用,2018,44(1):121-124.
英文引用格式: Huang Chen,F(xiàn)ei Jiyou,Liu Xiaodong. Texture feature method based on Gaussian local binary pattern[J]. Application of Electronic Technique,2018,44(1):121-124.

Texture feature method based on Gaussian local binary pattern
Huang Chen1,F(xiàn)ei Jiyou1,2,Liu Xiaodong2
1.School of Mechanical Engineering,Dalian Jiaotong University,Dalian 116028,China; 2.School of Bullet Train Application and Maintenance Engineering,Dalian Jiaotong University,Dalian 116028,China
Abstract: The texture description of machine vision is important for image analysis and pattern recognition. To improve the robustness of feature describing, a texture feature based on Gaussian local binary pattern(LBP) is proposed in this paper. Firstly, the Gaussian filtering is used to construct the multi-scale images as the image pyramid after image enhancement. Secondly, the local binary pattern is improved to enhance the rotation invariance and noise immunity. The pattern is extracted by using the mean value and the principal direction. Finally, for the different scales, the feature vector of three local binary patterns is extracted and reduced by histogram for image classification. The experiment result shows the feature has good distinguishability and efficiency and it is applicable for image classification.
Key words : texture feature;Gaussian filtering;local binary pattern;image analysis

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:

     jsj4-gs1-2.gif

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

jsj4-t1.gif

    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:

jsj4-gs3.gif

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)(xc,yc)為中心像素,則在半徑為R的P鄰域坐標(biāo)(xp,yp)[13]為:

jsj4-gs4-6.gif

    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:

    jsj4-gs7.gif

jsj4-t2.gif

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LBPP,R(x,y),x,y=1,2,…N??梢缘玫揭痪S的紋理特征直方圖如下:

jsj4-gs8-9.gif

    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:

jsj4-gs10-12.gif

其中,jsj4-gs10-12-x1.gif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:

jsj4-gs13-14.gif

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。

jsj4-t3.gif

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。

jsj4-b1.gif

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。

jsj4-t4.gif

    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。

jsj4-b2.gif

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.

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