CN105447492A - 一种基于二维局部二值模式的图像描述方法 - Google Patents

Abstract

本发明请求保护一种基于二维局部二值模式(二维LBP)的图像描述方法，涉及数字图像处理、机器视觉的技术领域。本发明首先对数据集中的图像进行预处理，使彩色图像变为灰度图像；采用旋转不变均匀局部二值模式方法(LBP_riu)对预处理后的图像进行特征提取，得到图像的局部二值模式图(LBP图)；然后确定LBP图窗口大小，在LBP图上构造二维LBP特征，同时改变LBP_riu邻域半径大小，将不同半径对应的二维LBP特征进行融合，构造出描述图像的最终特征；最后选取训练集和测试集，并将测试集与训练集相匹配得到分类结果。本发明利用了图像LBP值的上下文信息，有效提高了对图像描述的准确率。

Description

一种基于二维局部二值模式的图像描述方法

技术领域

本发明属于数字图像处理、机器视觉的技术领域。具体是一种基于二维局部二值模式的图像描述方法。

背景技术

图像的特征提取与描述是图像处理和模式识别领域中具有挑战性的研究课题之一，同时，也日益成为与生活息息相关的组成部分。随着网络的发展和大数据时代的到来，许多研究人员聚焦于图像特征的提取与描述方向，用来有效地提高图像检索的准确率。用于图像模式识别的特征大致可归纳为：(1)颜色或灰度的统计特征；(2)纹理、边缘特征；(3)代数特征；(4)变换系数特征或滤波器系数特征。其中，纹理特征作为一种重要的视觉线索，是图像中普遍存在却又难以描述的特征。

LBP(LocalBinaryPattern,局部二值模式)是首先由T.Ojala,M.和D.Harwood在1994年提出，用来描述图像的局部纹理特征，它的作用是对图像的局部纹理特征进行提取。原始的LBP算子是定义在3*3的邻域内，以中心像素为阈值，将相邻的8个像素的灰度值与其进行比较。若邻域像素值大于中心像素值，则该邻域像素点的位置被记为1，否则为0。用相同的方法，将相邻的8个像素分别进行标记。这样3*3邻域内可产生8位的无符号二进制数，即得到该邻域的LBP值，通过这个值来表示该区域的纹理信息。在原始LBP的基础上，研究人员不断进行各种改进和优化，进而得到了LBP均匀模式、LBP旋转不变模式、LBP旋转不变均匀模式(LBP_riu)等结果。但是原始的LBP算子及其各种改进结果均是对特征采用直方图的形式来进行统计，仅仅涉及到图像中LBP值本身的数量统计，并没有考虑到相邻LBP值之间所存在的联系。本文所提出的二维LBP涉及到这一方面的问题，利用了图像LBP值的上下文信息，提高了对图像描述的准确率。

发明内容

针对以上现有技术的不足，本发明提供了一种有效提高图像描述准确率的基于二维局部二值模式的图像描述方法，本发明的技术方案如下：一种基于二维局部二值模式的图像描述方法，其包括以下步骤：

101、首先获取图像数据集，然后对图像数据进行预处理，若为彩色图像则变换为灰度图像；

102、采用具有旋转不变均匀模式的局部二值模式方法(LBP_riu)对步骤101处理后的图像进行特征提取，得到图像数据集的局部二值模式图即LBP图；

103、确定LBP图窗口大小，在LBP图上构造二维局部二值模式特征，同时改变LBP_riu邻域半径大小，将不同半径对应的二维LBP特征进行融合，构造二维LBP特征用来进行分类；

104、预先设定图像数据集的测试集和训练集，根据步骤103得到的二维LBP特征，通过对图像训练集和测试集进行匹配，得到最终的分类结果。

进一步的，所述图像数据集的局部二值模式图是由图像的中每个像素的LBP值组成。

进一步的，所述步骤103中二维局部二值模式特征的构造，具体包括如下步骤：

1)、当图像LBP_riu的邻域半径为1，领域个数为8时，得到的LBP_riu(1,8)共有10种模式值；设定LBP图窗口大小为w，即是在w*w的窗口大小下统计图像LBP_riu值的上下文信息的；

2)、构造LBP对(l_c,l_n)，l_c表示中心像素对应的LBP值，取值范围为0到9；l_n表示中心像素l_c的邻域像素对应的LBP值，取值范围也是0到9，在w*w的LBP图窗口大小内，遍历整张图像，统计出LBP对(l_c,l_n)在不同模式值下的对应数量，得到10*10的二维LBP特征；

3)、将每张图像得到的10*10的二维LBP特征变为1*100维的特征；

4)、改变LBP_riu方法中的半径大小和邻域像素个数，重复上述过程构造出相应的二维LBP特征；

5)、将上述半径值为x，邻域像素个数为8x(x为正整数)的二维LBP特征融合起来形成图像的最终描述特征。

进一步的，所述步骤104中训练集和测试集的选择和匹配的方法，所选用的数据库名为Brodatz纹理数据库，共有111类纹理图像，每个类中共有9张图像，选取每类图像的前三张作为训练集，剩余的六张作为测试集，训练集和测试集进行匹配，来获得分类结果。

进一步的，二维局部二值模式LBP的数学表达式如下：

$2DLBP(l_c,l_n)=\underset{x=0}{\overset{M-1}{\Σ}}\underset{y=0}{\overset{N-1}{\Σ}}\underset{p=-w/2}{\overset{w/2}{\Σ}}\underset{q=-w/2}{\overset{w/2}{\Σ}}{T}_{l_c,l_n}\left({\mathrm{LBP}}_{riu}\right(x,y),{\mathrm{LBP}}_{riu}(x+p,y+q\left)\right)\·\left(\right|l_c-l_n|+1)$

$T_{l_c,l_n}\left({\mathrm{LBP}}_{riu}\right(x,y),{\mathrm{LBP}}_{riu}(x+p,y+q\left)\right)=\left\{\begin{array}{cc}1& \begin{array}{cc}if& l_c={\mathrm{LBP}}_{riu}(x,y)and{l}_n={\mathrm{LBP}}_{riu}(x+p,y+q)\end{array}\\ 0& otherwise\end{array}\right.$ 其中，LBP_riu(x,y)表示(x,y)位置的像素对应的LBP_riu；LBP_riu(x+p,y+q)表示(x+p,y+q)位置的像素对应的LBP_riu，p，q是整数，有2DLBP(l_c,l_n)表示LBP对(l_c,l_n)在图像大小为M*N的图像中的数量；w表示LBP图的窗口大小；l_c和l_n分别表示LBP图的中心位置与邻域位置的LBP值，最大取值是由邻域像素个数所决定的，当l_c和l_n相等时，权重|l_c-l_n|的值为0，为了防止这一现象，将权重改为|l_c-l_n|+1，如果l_c和l_n的差值越大，那么权重就越大，反之权重就越小。

本发明的优点及有益效果如下：

本发明主要解决了在数字图像处理领域中图像描述准确率的问题。本发明首先对数据集中的图像进行预处理；采用旋转不变均匀模式LBP方法(LBP_riu)对预处理后的图像进行特征提取，得到图像的LBP图；确定LBP图窗口大小w，在LBP图上构造二维LBP特征，同时改变LBP_riu邻域半径大小，将不同半径对应的二维LBP特征进行融合，构造出描述图像的最终特征；最后将选取的测试集与训练集相匹配得到分类结果。本发明提出的二维LBP图像描述方法，统计了在某一特定LBP图窗口大小w条件下，图像中每一个像素的LBP_riu和其邻域像素的LBP_riu的关系。本发明利用图像LBP值的上下文信息，有效提高了对图像描述的准确率。

附图说明

图1是本发明提供优选实施例分析方法的流程图。

图2是本发明二维LBP特征的构造方法流程图。

具体实施方式

以下结合附图，对本发明作进一步说明：

如图1所示，一种基于二维局部二值模式的图像描述方法，包括如下步骤：

第一步：首先对图像数据进行预处理，若为彩色图像则变换为灰度图像；

第二步：采用具有旋转不变均匀模式的LBP(LBP_riu)方法(例如：半径为1，领域个数为8)对第一步处理后的图像进行特征提取，得到数据集的LBP图；

第三步：根据第二步得到的LBP图，确定LBP图窗口大小w，构造二维LBP特征；

第四步：改变LBP_riu的领域半径大小和邻域像素个数(例如：半径为1，领域个数为8)，对第一步处理后的图像进行特征提取，得到数据集的LBP图；

第五步，重复第三步，然后将得到的二维LBP特征与之前的二维LBP特征融合在一起，直到LBP的邻域半径大小超过预先设定的最大值为止；

第六步：根据第五步得到的二维LBP特征，通过对图像数据集中训练集和测试集进行匹配，得到最终的分类结果。

本发明根据LBP_riu方法，得到图像中每个像素的LBP值，形成LBP图。根据得到的LBP图来构造二维LBP。

如图2所示，本发明的二维LBP的构造包括如下步骤：

1)、当邻域半径为1，领域像素个数为8时，确定LBP旋转不变均匀模式共有10种模式值；设定LBP图窗口大小为w，即是在w*w的窗口大小下统计图像LBP值的上下文信息的；

2)、构造LBP对(l_c,l_n)。l_c表示中心像素对应的LBP值，取值范围为0到9；l_n表示中心像素x_c的邻域像素对应的LBP值，取值范围也是0到9。在w*w的LBP图窗口大小内，遍历整张图像，统计出LBP对(l_c,l_n)在不同模式值下的对应数量，得到10*10的二维LBP特征；

3)、将每张图像得到的10*10的二维LBP特征变为1*100维的特征；

4)、改变LBP_riu方法中的参数半径和邻域的值，即有LBP_riu(2,16)和LBP_riu(3,24)等多种情况，重复上述过程构造出相应的二维LBP特征。例如：LBP_riu(2,16)共有18种模式值，对应的得到的二维LBP具有1*324维特征；LBP_riu(3,24)共有26种模式值，对应的得到的二维LBP具有1*676维特征；

5)、将半径值为1、2、3……的二维LBP特征融合起来，以邻域半径最大值是3，邻域最大值是24为例，数据集中的每张图像均可得到1*1100(1*100+1*324+1*676)维特征。

为了验证本发明的效果，进行了如下实验：

在一台计算机上进行验证实验，该计算机的配置为i5处理器(3GHz)和8G内存，编程语言为MATLAB2011b。

实验方法：

在本实验过程中，所选用的图像数据库是Brodatz纹理数据库，共有111类纹理图像，每个类中共有9张图像，选取每类图像的前三张作为训练集，剩余的六张作为测试集。通过对纹理图像的数据集中训练集和测试集的匹配，得到最终的分类结果。

实验结果的评价指标：

实验结果采用分类正确率(CorrectClassificationPercentages，CCPs)。分类正确率指的是训练集和测试集在匹配过程中，被正确分类的测试图像总数和测试集图像总数的比值。

实验结果:

在本实验过程中，所选用的数据库是Brodatz纹理数据库，共有999张纹理图像，分为111类。采用本发明所提出的二维LBP的图像纹理描述方法，通过对训练集和测试集进行匹配，得到最终的分类正确率为94.97％。

以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (5)

1.一种基于二维局部二值模式的图像描述方法，其特征在于，包括以下步骤：

101、首先获取图像数据集，然后对图像数据进行预处理，若为彩色图像则变换为灰度图像；

102、采用具有旋转不变均匀模式的局部二值模式方法LBP_riu对步骤101处理后的图像进行特征提取，得到图像数据集的局部二值模式图即LBP图；

103、确定LBP图窗口大小，在LBP图上构造二维局部二值模式特征，同时改变LBP_riu邻域半径大小，将不同半径对应的二维LBP特征进行融合，构造二维LBP特征用来进行分类；

104、预先设定图像数据集的测试集和训练集，根据步骤103得到的二维LBP特征，通过对图像训练集和测试集进行匹配，得到最终的分类结果。

2.根据权利要求1所述的基于二维局部二值模式的图像描述方法，其特征在于，所述图像数据集的LBP图是由图像的中每个像素的LBP值组成。

3.根据权利要求1或2所述的基于二维局部二值模式的图像描述方法，其特征在于，所述步骤103中二维局部二值模式特征的构造，具体包括如下步骤：

1)、当图像LBP_riu的邻域半径为1，领域个数为8时，得到的LBP_riu(1,8)共有10种模式值；设定LBP图窗口大小为w，即是在w*w的窗口大小下统计图像LBP_riu值的上下文信息的；

2)、构造LBP对(l_c,l_n)，l_c表示中心像素对应的LBP值，取值范围为0到9；l_n表示中心像素l_c的邻域像素对应的LBP值，取值范围也是0到9，在w*w的LBP图窗口大小内，遍历整张图像，统计出LBP对(l_c,l_n)在不同模式值下的对应数量，得到10*10的二维LBP特征；

3)、将每张图像得到的10*10的二维LBP特征变为1*100维的特征；

4)、改变LBP_riu方法中的半径大小和邻域像素个数，重复上述过程构造出相应的二维LBP特征；

5)、将上述半径值为x，邻域像素个数为8x的二维LBP特征融合起来形成图像的最终描述特征，x为正整数。

4.根据权利要求1所述的基于二维局部二值模式的图像描述方法，其特征在于，所述步骤104中训练集和测试集的选择和匹配的方法，所选用的数据库名为Brodatz纹理数据库，共有111类纹理图像，每个类中共有9张图像，选取每类图像的前三张作为训练集，剩余的六张作为测试集，训练集和测试集进行匹配，来获得分类结果。

5.根据权利要求1、2、4之一所述的基于二维局部二值模式的图像描述方法，其特征在于，二维局部二值模式的数学表达式如下：

$2DLBP(l_c,l_n)=\underset{x=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{p=-w/2}{\overset{w/2}{\mathrm{\Σ}}}\underset{q=-w/2}{\overset{w/2}{\mathrm{\Σ}}}{T}_{l_c,l_n}\left({\mathrm{LBP}}_{riu}\right(i,y),{\mathrm{LBP}}_{riu}(x+p,y+q\left)\right)\·\left(\right|l_c-l_n|+1)$

$T_{l_c,l_n}\left({\mathrm{LBP}}_{riu}\right(i,y),{\mathrm{LBP}}_{riu}(x+p,y+q\left)\right)=\left\{\begin{array}{cc}1& if{l}_c={\mathrm{LBP}}_{riu}\left(x,y\right)and{l}_n={\mathrm{LBP}}_{riu}\left(x+p,y+q\right)\\ 0& otherwise\end{array}\right.$ 其中，LBP_riu(x,y)表示(x,y)位置的像素对应的LBP_riu；LBP_riu(x+p,y+q)表示(x+p,y+q)位置的像素对应的LBP_riu，p，q是整数，有2DLBP(l_c,l_n)表示LBP对(l_c,l_n)在图像大小为M*N的图像中的数量；w表示LBP图的窗口大小；l_c和l_n分别表示LBP图的中心位置与邻域位置的LBP值，最大取值是由邻域像素个数所决定的，当l_c和l_n相等时，权重|l_c-l_n|的值为0，为了防止这一现象，将权重改为|l_c-l_n|+1，如果l_c和l_n的差值越大，那么权重就越大，反之权重就越小。