文献标识码: A
DOI:10.16157/j.issn.0258-7998.171014
中文引用格式: 黄辰,费继友,刘晓东. 基于高斯局部二值模式的纹理特征分类方法[J].电子技术应用,2018,44(1):121-124.
英文引用格式: Huang Chen,Fei Jiyou,Liu Xiaodong. Texture feature method based on Gaussian local binary pattern[J]. Application of Electronic Technique,2018,44(1):121-124.
0 引言
纹理是在可见光作用下描述物体表面的一个重要特征,已经成为机器视觉检测技术研究的热点之一。近十几年来,纹理特征受到诸多的关注,被广泛应用到航天遥感、工业检测、人脸识别和内容检索等领域。目前,词袋模式技术[1]在纹理分析等方面得到大量关注,这种技术具有高抗噪性。其中,局部二值模式(Local Binary Patterns,LBP)[2]算子凭借简单有效、识别能力强、计算复杂度低等优点,在诸多领域取得了显著进展[3]。
近年来,根据不同的应用背景,许多学者对LBP进行相应改进,尤其在人脸识别方面取得了不错的成果[4-6]。由于LBP特征的维数较高,文献[7]采用中心对称局部二值模式(Center Symmetric LBP,CS-LBP),通过计算对称像素降低了LBP运算度。为加强纹理旋转性和抗噪性,LIAO S等[8]提出显性局部二值模式。后来为量化VAR,在文献[9]中提出了一种局部二值模式方差(LBP Variance,LBPV)的提取方法来进行纹理分类。MEHTA R等[10]提出显性旋转局部二值模式,通过比较周围像素的大小实现方向估计。最近,为更加全面地补充LBP的信息,GUO Z等[11]提出了一种完备局部二值模式的方法,通过差异等信息计算给出3种不同的算子。LIU L等[12]提出了扩展局部二值模式方法, 该方法引入4个算子,并取得较好效果。
本文旨在改进LBP,以增强其抗噪声能力和旋转不变性,提出一种基于高斯联合多LBP算子的纹理特征。其具体思想为:首先,使用高斯滤波获得不同尺度的图像;其次,设计一种改进模式,提出具有主方向特征的二值模式,从而提升旋转不变性和抗噪声能力;最后,在不同尺度上提取3种模式的算子联合作为纹理特征。该特征在纹理图像数据库和实际应用中进行了验证试验,结果表明改进的新算法可以有效提高识别率。
1 LBP算子
1.1 LBP基本理论
LBP的定义[4]是通过对比中心像素和周围8个像素的灰度值来实现。如果某周围像素小于中心像素的值,那么该像素记为0,否则记为1。其计算原理如图1所示。LBP计算公式如下:
其中,gc为中心像素的灰度值;gp为邻域像素的灰度值;P为邻域内像素的个数;2p为gp的权重,R为邻域的半径。
由于LBP缺少空间纹理的对比度信息,为提高纹理识别性能,文献[4]提出局部方差信息VAR作为LBP的补充,其计算公式为:
1.2 改进的LBP
为提高图像纹理的旋转不变性和在噪声环境的适用性,结合圆域的LBP算子[13],本文提出主方向结构的LBP(Principal direction Structure LBP,PSLBP)。为降低噪声干扰,采用邻域像素和中心像素的均值作为阈值,同时,根据中心像素和邻域的差分确定主方向。设(xc,yc)为中心像素,则在半径为R的P邻域坐标(xp,yp)[13]为:
PSLBP方向的确定方法是通过计算中心像素与周围像素之间差值,找出最小差值的邻域像素,作为LBP算子的邻域主方向,即该像素作为最小权重点。在图2中,P=8,R=1,灰色框为主方向,即p=0。主方向索引p0的计算公式如下:
1.3 LBP降维方法
由于LBP值具有高维特点,根据文献[11],借助直方图来描述统计意义上的纹理特征来完成降维。设图像的尺寸为N×N,根据LBP值生成谱图LBPP,R(x,y),x,y=1,2,…N。可以得到一维的纹理特征直方图如下:
可以看出,在构建谱图时,由于原图边界像素点的邻域值不全,因此需要引用插值法来补全邻域来计算原图上边界的LBP值。VAR图谱也可直接应用直方图方法降维。
2 高斯LBP纹理特征
2.1 纹理增强
一般图像的细节纹理存在模糊的情况,为提高纹理图像的分类准确率,采用自适应局部对比度增强算法[14]对图像进行预处理。设p(x,y)为原图像的像素值,其局部区域的定义为:以(x,y)为中心像素,邻域窗口大小为(2n+1)×(2n+1),f(x,y)是增强后的像素值,计算公式如下:
其中,是全图像素均值。
2.2 高斯滤波
通常地,高斯金字塔对一张图像不断的模糊滤波之后向下采样,得到不同分辨率的图像。为了保持LBP参数的一致性和提高尺度不变性,本文借鉴文献[15]的思想,尺度变换时图像的尺寸保持不变,采用不同的高斯尺度参数,得到一系列尺度图像。设原图像为G1,则第l尺度的高斯滤波图像G1为:
2.3 高斯LBP方法框架
高斯LBP描述特征是建立3层的尺度图像,对每个尺度提取PSLBP和VAR,同时考虑CS-LBP可提供周围邻域的对称结构信息,故而增加CS-LBP算子。同时,分别对3个算子进行直方图约减,联合得到一个较为全面的纹理特征,实现过程见图3。
3 试验与分析
为验证本文算法的有效性,分别采用两种方式来验证。第一种针对改进的LBP独立进行验证,主要是针对Outex数据库中的典型图像来进行验证,与圆域LBP等算子进行比较,证明其优越性;第二种是根据本文提出的高斯LBP纹理描述特征进行验证,通过视觉系统采集的图像试验其在应用过程中的有效性。
3.1 算子比较
为验证本文算子的性能,在常用纹理数据库Outex上进行纹理分类测试,并与圆域LBP算子、CS-LBP[10]算子、LBPV[12]算子对比。随机选择5类纹理,共计60张图像,采用k近邻算法(k-Nearest Neighbor,kNN)作为纹理分类器进行训练和测试,分类结果见表1。由表1可以看出,PSLBP在参数变化中,性能较为稳定,并且略优于其他算子。
3.2 纹理特征应用
为验证整体算法的有效性,本文研究选取4种大理石面,使用摄像头对其进行图像采集,图像尺寸为300×380像素。每类选取50张图像,其中,20张图像作为训练样本,其余30张作为测试样本。首先,对采集的图像进行图像纹理加强。图4(a)为原图,图4(b)为纹理加强图,本次试验作为第一尺度图;其次,对加强图建立多尺度高斯图像,第二尺度和第三尺度的图像分别为图4(c)和图4(d);最后,对多尺度图像进行特征提取,得到谱图,建立直方图,联合作为描述纹理特征。
表2为4种大理石图像的分类结果,使用的分类器为kNN算法,平均分类准确率为90%,可以实现机器视觉的初分类工作。
4 结论
本文在LBP的基础上提出了一种具有抗噪声能力和旋转不变性的图像纹理特征表示方法。该方法首先采用自适应局部对比度增强技术对原图进行纹理增强;其次,通过分析LBP不同模式下特征的结构信息以及特征的重要性,为提升旋转不变性和提升抗噪能力,提出了一个主方向结构的LBP算子;接着通过对不同尺度下的特征进行分析,联合PSLBP、CS-LBP和VAR,采用直方图降维,建立一个高斯LBP的纹理描述特征。试验结果表明,本文提出的算法能够提升无噪声情况下纹理图像分类的性能,而且对较为模糊的纹理图像分类也具有鲁棒性。
参考文献
[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,颜云辉,陈文辉,等.局部二值模式方法研究与展望[J].自动化学报,2012,39(6):730-744.
[3] LIU L,FIEGUTH 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] 张洁玉,赵鸿萍,陈曙.自适应阈值及加权局部二值模式的人脸识别[J].电子与信息学报,2014(6):1327-1333.
[6] 首照宇,杨晓帆,李萌芽.基于局部特征与核低秩表示的人脸识别算法[J].电子技术应用,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,FITCH 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.