CN102663436A - 用于光学纹理图像和sar图像的自适应特征提取方法 - Google Patents

Abstract

本发明涉及一种用于光学纹理图像和SAR图像的自适应特征提取方法，包括对训练集中多幅图像学习采样位置，进而不断学习出采样分布；对学习的采样分布利用自适应滤波对图像块进行采样编码，提取自适应特征；将该自适应特征与原始LBP特征串联组合，即为图像的自适应纹理特征描述。本发明融合了图像的分布特性、空间特性，利用了图像的先验知识学习，通过自适应采样的随机性，从而克服了普通LBP特征采样固定性的缺陷，提高光学纹理图像和SAR图像的分类正确率，进而提高基于纹理特征的分类、分割等图像处理应用的准确率。

Description

用于光学纹理图像和SAR图像的自适应特征提取方法

技术领域

本发明属于图像处理技术领域，特别涉及一种用于光学纹理图像和SAR图像的自适应纹理特征描述子的提取方法。

背景技术

纹理分析是纹理研究的主要内容之一，也是计算机视觉里一个重要的研究领域，有着非常广阔的应用背景。纹理特征表征了图像灰度或色彩内在空间的规律性变化或重复，作为场景结构和对象的描述子，对图像识别——不同纹理的分类等起到了重要作用。纹理分析的应用领域包括遥感图像分析(Remotely-sensed Image Analysis)、医学图像分析(Medical ImageAnalysis)、工业表面检测(Industrial Surface Inspection)、文档处理(Document Processing)和图像检索等领域。

LBP(Local Binary Pattern局部二值模式)描述子是纹理描述的一个强有力的手段，具有灰度不变性和旋转不变性，且计算复杂度低。它是一种点样本估计方法，通过对以某个像素为中心的3×3邻域点以该像素点的值为阈值求该像素的标号，再将标号以2的幂为权重求加权和作为该像素的标号，最后求得标号直方图作为图像的纹理描述子。近年来，LBP特征因其简单和实用等优点在纹理和人脸识别等研究领域得到了越来越广泛的关注。目前已提出了许多LBP的优化算法，包括CSLBP(中心对称LBP)，ILBP(改进LBP)，ELBP(扩展LBP)以及BLBP(贝叶斯LBP)。这些纹理描述子在各种应用中都得到了很大成功。也有一些对LBP进行许多优化处理的工作，如利用PCA(主成分分析法)、LDA(线性判别法)等对SIFT(尺度不变特征变换)或SURF(快速鲁棒特征)等原始描述子进行降维处理，或者改变选取关键点的方式，如Michael在近期提出的BRIEF(鲁棒独立二进制特征)，它对关键点的选取进行随机采样，将图像块表示为二进制比特串的特征描述子，加快计算速度的同时减少了存储空间。

但是，普通LBP特征及其相关扩展特征采样固定性不足，在用于光学纹理图像和SAR图像(合成孔径雷达获取的遥感影像)分类时效果尚不理想。

发明内容

本发明目的在于解决普通LBP特征及其相关扩展特征采样固定性的不足，提出了用于光学纹理图像和SAR图像分类的自适应纹理特征描述子，对这两类数据集有较好的分类效果。

本发明的技术方案为一种用于光学纹理图像和SAR图像的自适应特征提取方法，包括以下步骤：

步骤1，利用训练集中的部分训练图像学习采样分布，得到采样位置矩阵G；学习采样分布的实现包括以下步骤：

a)设训练集中包括M幅训练图像Tk，k的取值为1，2，...M，训练图像Tk的大小为N×N；对像素p_r进行采样时，以像素p_r为中心点的图像块P_r大小为s×s，r的取值为1，2，...(N-s+1)×(N-s+1)，图像块P_r内共有s²个点，以中心点p_r为起点，按照从内到外、从上到下的顺时针螺旋方式标号为0，1，2，...，2m，m＝(s×s-1)/2；设k＝1；设r＝1，初始的采样分布为标准的高斯分布Gaussian(0，1)，设初始的采样分布为当前的采样分布，将采样分布的原始范围[-m，m]记作[0，2m]；

b)将当前的采样分布的零点对应训练图像Tk的图像块P_r的中心点，离采样分布中零点近的点对应训练图像Tk的图像块P_r内离中心点近的点；

c)在当前的采样分布的范围[0，2m]内2m+1个点中，随机采样出n个点[l₁，l₂，...，l_n]，对应地采样训练图像Tk的图像块P_r中标号为[l₁，l₂，...，l_n]的n个点

作为第k次采样所得的关键点，将标号l₁，l₂，...，l_n保存到采样位置矩阵G的第r行；

d)求步骤c所得关键点

的像素值分别与图像块P_r中心点的像素值之间差值的绝对值，并按从小到大的顺序排列，将绝对值小的关键点在当前的采样分布中的纵坐标点数增加，将绝对值大的关键点在当前的采样分布中的纵坐标点数减少，增加的纵坐标总点数和减少的纵坐标总点数相等，形成一个新的采样分布；

e)设r＝r+1，以步骤d所得采样分布为当前的采样分布，返回步骤b对下一像素执行采样，直到r＝(N-s+1)×(N-s+1)，得到共有(N-s+1)×(N-s+1)行的采样位置矩阵G，进入步骤f；

f)设k＝k+1，r＝1，以最近一次执行步骤d所得采样分布为当前的采样分布，返回步骤b利用下一幅训练图像继续采样，不断学习采样分布并更新采样位置矩阵G，直到k＝M，训练集中的M幅训练图像被学习完，得到一个最终的采样位置矩阵G；

步骤2，对训练集中所有训练图像和测试集中所有测试图像内每个像素p_r计算相应的普通LBP特征；

步骤3，利用步骤1所得采样位置矩阵G对训练集中所有训练图像和测试集中所有测试图像内每个像素p_r计算相应的自适应特征；

步骤4，对训练集中所有训练图像和测试集中所有测试图像内每个像素p_r，将步骤2中所得的自适应特征与步骤3中所得的普通LBP特征串联组合，得到训练集中所有训练图像和测试集中所有测试图像的自适应纹理特征P_LBP。

而且，采样训练图像Tk的图像块P_r中标号为[l₁，l₂，...，l_n]的n个点

时，采用一维采样方式，点

与中心点p_r的偏移坐标用

表示，j的取值为1，2，...n。。

本发明通过利用多幅图像学习出一个采样分布，利用了采样位置的先验知识改变采样分布，使得关键信息采样具有随机性，通过自适应的不断学习，从而达到提高对关键信息采样的准确性的目的。本发明提出的一种用于光学纹理图像和SAR图像分类的自适应纹理特征描述子，利用图像先验不断学习采样分布，提高光学纹理图像和SAR图像分类正确率，从而提高基于纹理基元特征的分类、分割等图像处理应用的准确率。

附图说明

图1本发明实施例的流程图；

图2本发明实施例的图像块内标号与中心点坐标偏移的说明图；

图3本发明实施例的采样分布与图像块像素点对应说明图；

图4本发明实施例的采样分布学习过程；

图5本发明实施例的特征原理说明图；

图6本发明实施例的特征编码过程图。

具体实施方式

纹理图像具有乘性非高斯噪声和极高信噪比、纹理排列可能随机性等特点，本发明提供的自适应滤波利用了训练图像关键信息的先验知识，对后续采样有进一步指导作用。通过学习多幅图像，采样位置具有随机性，不断加强学习、采样，从而达到提高对关键信息采样的准确性的目的，自适应纹理特征对光学纹理图像和SAR图像分类有较好的效果。

自适应滤波方法与LBP算子相同之处在于，也是通过取某个像素点的邻域中若干关键点，以该像素点的值为阈值求该像素的标号，再将标号以2的幂为权重求加权和作为该像素的标号，最后求得标号直方图作为图像的纹理描述子。不同之处在于，自适应滤波方法在求取关键点时，既不是如LBP采用固定的3×3(或其他大小)邻域，也并非BRIEF采取的在像素点周围随机选择关键点，而是通过对采样分布进行自适应地学习，将关键点的位置学习出来。这种通过自适应学习出的关键点，既打破了传统LBP邻域选择的固定性，也避免了BRIEF特征关键点选择的随机性，增强了所得特征的稳定性。

以下结合附图和实施例详细说明本发明技术方案。

本发明实施例提供的用于光学纹理图像和SAR图像的自适应特征提取方法包括以下步骤，流程图参见图1：

本发明是针对光学纹理图像和SAR图像提取自适应纹理特征，因此训练图像和测试图像均为纹理灰度图像，由于纹理图像具有乘性非高斯噪声和极高信噪比，故先将训练图像和测试图像进行滤波平滑处理。

纹理图像具有乘性非高斯噪声和极高信噪比的特点，仅考虑了单个像素点的信息，得到的结果将会对噪声十分敏感。因此考虑通过对图像进行平滑操作来消除这种敏感。平滑处理可分为频域处理和空域处理两大类。通常图像空域平滑处理是用某像素邻域内的各点灰度级平均值来代替该像素原来的灰度级，一般邻域取为N*N方形窗口，窗口沿水平和垂直两个方向逐点移动，从而平滑了整幅图像。邻域平均法的优点是便于实现，计算速度快，结果令人满意，在平滑技术中是一种重要的处理方法。本发明建议采用简便的领域平均法。

具体实施时，给定一个N×N图像f(x，y)，产生一个平滑的图像g(x，y)。平滑的图像g(x，y)中各像素的灰度由该像素邻域中各像素灰度的均值来确定的，即g(x，y)＝(1/N′)∑f(x，y)。其中(x，y)∈S，S为不包括f(x，y)本身的一个邻域，N′是S邻域内像素的个数。

然后执行以下步骤：

步骤1，利用训练集中的部分训练图像学习采样分布，得到采样位置矩阵G。

使用先验知识指导采样，能提高对关键信息采样率，从而提高图像分类率。本发明中，对于N×N的图像，图像分块(patch)的尺寸为s×s，则不处于图像边缘的内部(N-s+1)*(N-s+1)个像素点分别对应了采样位置矩阵G的(N-s+1)×(N-s+1)行，每行都是在上一行对采样分布影响后采样得到的。通过多幅训练图像，不断采样、不断学习得到最终的采样位置矩阵G。

例如，若图像块的大小为3x3，则图像上下左右的第一行是不能作为中心点获得图像块的，如图像块的大小为5x5，则图像上下左右的两行是不能作为中心点获得图像块的，所以要去除，依次类推。

本步骤利用对训练集中图像的前一次关键点的采样位置，影响采样分布，从而影响后一次关键点的采样位置，分布学习过程见图4：高斯分布中的-m，...，-2，-1，0，1，2，...，m经过M幅图像T1、T2...TM学习，图像中的(N-s+1)×(N-s+1)个像素点相应图像块中关键点的采样位置都被M次调整，也就是采样位置矩阵G的(N-s+1)×(N-s+1)行中每一行都被M次调整。

实施例中学习采样分布的实现包括以下步骤：

a)设利用训练集中的M幅训练图像Tk学习采样分布，k的取值为1，2，...M，训练图像Tk的大小为N×N；对像素p_r进行采样时，以像素p_r为中心点的图像块P_r大小为s×s，r的取值为1，2，...(N-s+1)×(N-s+1)，图像块P_r内共有s²个点，以中心点p_r为起点，按照从内到外、从上到下的顺时针螺旋方式标号为0，1，2，...，2m，m＝(s×s-1)/2；设k＝1；设r＝1，初始的采样分布为标准的高斯分布Gaussian(0，1)，设初始的采样分布为当前的采样分布，将采样分布的原始范围[-m，m]记作[0，2m]。

按照本领域习惯，从不处于图像边缘的内部(N-s+1)×(N-s+1)个像素依次取出进行处理时，按照从左到右从上到下的原则，依次记为p₁、p₂、...p_{(N-s+1)×(N-s+1)}。

现有纹理基元特征提取时未提取像素的空间分布特性，本发明提取纹理基元特征时考虑了像素的空间分布特性。具体指像素点的纹理基元不仅由该像素邻域固定采样点计算得出，而是在图像块中随机采样计算出中心像素空间分布特性。每个图像块的尺寸为s*s，s一般建议取5，7，9等奇数。

具体实施时，用于学习采样分布的图像数目可根据图像应用需要而定，理论上，利用的图像越多，学习的采样分布越准确，但时间花费也更多，本发明实施例在对光学纹理图像和SAR图像分类时，从训练集中取10幅训练图像学习分类。m的值由图像块的大小决定，如图像块大小为9*9，则m＝(9*9-1)/2。对于图像分块大小s*s，s一般可取值为5，7，9等奇数，则在学习分布的第一步中的m值为(s*s-1)/2，例如在对光学纹理图像和SAR图像分类时，s值取9，则m值为40。

b)将当前的采样分布的零点对应训练图像Tk的图像块P_r的中心点，离采样分布中零点近的点对应训练图像Tk的图像块P_r内离中心点近的点。

设u＝(x，y)是图像块P_r中任意一点，p(u)为该点的像素值。第一次执行步骤b时，设起始采样分布为标准的高斯分布Gaussian(0，1)，范围为[-m，m]，将零点对应P_r的中心点，P_r内离中心点近的点对应离高斯分布中零点近的点，则以此构建了一维采样分布。图像块像素与分布的对应关系如图3：图像块P_r中，以中心点为起点，按照从内到外、从上到下的顺时针螺旋方式标号为0，1，2，...，2m；高斯分布中的-m，-m+1，...，-4，-3，-2，-1，0，1，2，3，4，...，m-1，m对应点的取值投影到标号为0，1，2，3，4，5，6，7，8，...，2m的分布中。

c)在当前的采样分布的范围[0，2m]内2m+1个点中，随机采样出n个点[l₁，l₂，...，l_n]，对应地采样训练图像Tk的图像块P_r中标号为[l₁，l₂，...，l_n]的n个点

作为第k次采样所得的关键点，将标号l₁，l₂，...，l_n保存到采样位置矩阵G的第r行。

对学习分布的采样，采样方式可分为一维采样和二维采样，一维采样时将中心点外的2m个点标号为1，2，...，2m，每个标号对应的是与中心点的偏移坐标，直接采样出标号，再根据标号获得偏移坐标，然后对图像处理。二维采样是分别直接采样出于中心点偏移的横、纵坐标后对图像处理。本发明在对光学纹理图像和SAR图像分类时应用的是一维采样：记采样训练图像Tk的图像块P_r中标号为[l₁，l₂，...，l_n]的n个点时，采用一维采样方式。点

与中心点p_r的偏移坐标用

表示，j的取值为1，2，...n。如图2，中心点0外的8个点标号为1，2，...，8，分别与中心点的坐标偏移为(-1，0)，(-1，1)，(0，1)，(1，1)，(1，0)，(1，-1)，(0，-1)，(-1，-1)。若图像块的尺寸大于3×3，从点9开始继续标号。

d)求步骤c所得关键点

的像素值分别与图像块P_r中心点的像素值之间差值的绝对值，并按从小到大的顺序排列，将绝对值小的关键点在当前的采样分布中的纵坐标点数增加，将绝对值大的关键点在当前的采样分布中的纵坐标点数减少，增加的纵坐标总点数和减少的纵坐标总点数相等，形成一个新的采样分布，例如n＝8时，对采样出来的8个关键点，按距离从小到大排序后，记为a1，a2，....，a8，减少绝对值大的关键点a5，a6，a7，a8在当前的采样分布中的纵坐标点数减少5％，相应将减少绝对值小的关键点a1，a2，a3，a4在当前的采样分布中的纵坐标点数增加5％，形成一个新的采样分布。具体调整方式本领域人员可以自行根据情况设定。

求这些关键点的像素值与中心点像素值差值的绝对值，并按从小到大的顺序排列。假设排列后得到的关键点对应的标号为[l₃，l₂，...，l_N-2，l_N]，由于像素值差值的绝对值表示该点与中心像素点的差异，绝对值越小，差异越小，该点相对中心点的重要性就越大。因此，将差值绝对值小的l₃，l₂等点在原始高斯分布中的点数增加，同时将差值绝对值大的l_N-2，l_N等点在原始高斯分布中的点数减少，总增加和总减少的点数相等以保持高斯分布函数总点数的平衡。改变这些标号对应的点数后，原始高斯分布将发生改变，形成一个新的分布。

e)设r＝r+1，以步骤d所得采样分布为当前的采样分布，返回步骤b对下一像素执行采样，直到r＝(N-s+1)×(N-s+1)，得到共有(N-s+1)×(N-s+1)行的采样位置矩阵G，进入步骤f。

r＝(N-s+1)×(N-s+1)时，说明对当前的训练图像学习完毕，进入步骤f，学习下一幅训练图像。

f)设k＝k+1，r＝1，以最近一次执行步骤d所得采样分布为当前的采样分布，返回步骤b利用下一幅训练图像继续采样，不断学习采样分布并更新采样位置矩阵G，直到k＝M，训练集中的M幅训练图像被学习完，得到一个最终的采样位置矩阵G。

本步骤令r＝1，从下一幅训练图像的像素p₁开始，基于上一幅训练图像学习后的采样分布继续学习。每次执行步骤c时，根据当前的采样分布得到第k次采样所得的关键点，更新到采样位置矩阵G的第r行，覆盖第k-1次采样所得的关键点。

在步骤1学习得到采样位置矩阵G后，对任意图像执行以下步骤都可以提取自适应纹理特征。本发明提出对训练集中所有训练图像和测试集中所有测试图像执行步骤2、3、4，以完整提供自适应纹理特征，便于后续分类使用。

步骤2，对训练集中所有训练图像和测试集中所有测试图像内每个像素p_r计算相应的普通LBP特征。

如图5所示，对图像内每个像素p_r计算相应的普通LBP特征，r的取值为1，2，...(N-s+1)×(N-s+1)。假设以像素p_r为中心点的图像块P_r中采样像素点数为n个，即与学习采用分布时图像块设置大小s、从采样分布中随机采样出的点数n一致，令g_c表示中心点像素p_r的灰度，g₁，K，g_n表示像素p_i周围邻域的采样像素的灰度，则中心点像素p_r的LBP标号LBP_P，R(x，y)可以表示为：

${\mathrm{LBP}}_{P,R}(x,y)=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}s(g_j-g_c)2^j,$

其中函数 $s\left(z\right)=\left\{\begin{array}{cc}1,& z\&GreaterEqual;0\\ 0,& z<0\end{array}\right..$

(x，y)为中心点像素p_r在图像中的位置坐标。

LBP纹理特征是由LBP标号的相应LBP直方图构成的：

$H_{\mathrm{LBP}}\left(l\right)=\underset{x,y}{\mathrm{\&Sigma;}}\mathrm{\&delta;}\{l,{\mathrm{LBP}}_{P,R}(x,y)\},l=0,K,2^n-1,$ n表示每次采样关键点的个数，实施例中n＝8，l表示直方图的标号种类，实施例中为0～255。

其中函数 $\mathrm{\&delta;}(i,j)=\left\{\begin{array}{cc}1,& i=j\\ 0,& i\&NotEqual;j\end{array}\right..$

步骤3，利用步骤1所得采样位置矩阵G对训练集中所有训练图像和测试集中所有测试图像内每个像素p_r，计算相应的自适应特征。

如图5，自适应特征P_f由P_f标号的相应P_f直方图构成。采样位置矩阵G每行对应一个图像块的采样所得关键点[l₁，l₂，...，l_n]，则P_f标号f_N(x，y)表示为

$f_N(x,y)=\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}s(u_{l_j}-{\mathrm{pu}}_c)2^j,$

表示关键点与图像块的中心点p_r的坐标偏移，根据

可以找到相应关键点

的像素值

u_c表示中心点p_r的像素值，(x，y)为中心点像素p_r在图像中的位置坐标，r的取值为1，2，...(N-s+1)×(N-s+1)。

其中 $s\left(z\right)=\left\{\begin{array}{cc}1,& z\&GreaterEqual;0\\ 0,& z<0\end{array}\right.$

则P_f特征的直方图表示为：

$H_f\left(l\right)=\underset{l}{\mathrm{\&Sigma;}}\mathrm{\&delta;}\{l,f_N(x,y)\},$ l＝0，K，2ⁿ-1，其中系数 $\mathrm{\&delta;}(i,j)=\left\{\begin{array}{cc}1,& i=j\\ 0,& i\&NotEqual;j\end{array}\right.;$

步骤4，对测试图像内每个像素p_r，将步骤2中所得的自适应特征与步骤3中所得的普通LBP特征串联组合，即可得到测试图像的自适应纹理特征P_LBP：

$F_N\left(l\right)=\left\{\begin{array}{c}{\mathrm{\&Sigma;}}_l\mathrm{\&delta;}\{l,{\mathrm{LBP}}_{P,R}(x,y)\},l=0,...,2^n-1\\ {\mathrm{\&Sigma;}}_l\mathrm{\&delta;}\{l,f_N(x,y)\},l=2^n,...,2^{n+1}\end{array}\right.,$

其中系数 $\mathrm{\&delta;}(i,j)=\left\{\begin{array}{cc}1,& i=j\\ 0,& i\&NotEqual;j\end{array}\right.$

其中，(x，y)为中心点像素p_r在图像中的位置坐标，r的取值为1，2，...(N-s+1)×(N-s+1)。

该特征计算过程说明说明见图6：根据LBP直方图和P_f直方图，合并得到自适应特征直方图，即可得到自适应纹理特征P_LBP。

可见，本发明首先对纹理图像计算基本的LBP特征，得到256维的统计直方图，然后利用采样位置矩阵G，对图像内部(N-s+1)×(N-s+1)个像素点计算自适应特征，类似LBP特征，得到256维的统计直方图，最后将基本LBP特征与自适应特征串联组合，得到该图像的自适应纹理特征。

本发明对光学纹理图像和SAR图像的特征提取过程实施相同，以下以光学纹理图像为例，说明本发明技术方案的效果：

采用的光学纹理图像库为Brodatz纹理库，是目前应用最为广泛的测试纹理分析算法的纹理图像库，包含111个类别，所有图像均为灰度图像。将每个512×512的图像分成9个非重叠的子图像，由此产生了一个包含999个纹理图像的库，每类含9幅图像。训练图像有1*111＝111幅，测试图像有8*111＝888幅。基于自适应滤波纹理特征的光学纹理图像分类方法的步骤如下：

首先利用从111幅训练图像随机抽取部分(如10幅)图像学习和一个初始高斯分布，经过不断采样学习出最终分布，得到学习出的采样位置矩阵G。该矩阵对应了图像所有以非边缘像素点为中心的图像块的采样矩阵。

然后对Brodatz纹理库所有图像计算出自适应纹理特征，包括对图像进行邻域均值平滑，分别计算出普通LBP特征和随机性采样的自适应特征，并将这两类256维特征串联组合成为512维的自适应纹理特征。基于测试图像和训练图像的自适应纹理特征即可进行分类。

可以利用现有卡方检验方法分类，以证明本发明技术方案的分类效果。该方法思路简单直观，在Brodatz纹理库中每类用1幅图像作训练，8幅图像作测试，计算测试图像的特征与训练图像自适应纹理特征集的卡方距离：

其中μ_i，μ_j分别表示训练集中测试图像和训练集中训练图像的特征向量，N是特征向量的维度。卡方值最小的训练图像的类别，即判为测试图像的类别。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (2)

1.一种用于光学纹理图像和SAR图像的自适应特征提取方法，其特征在于包括以下步骤：

步骤1，利用训练集中的部分训练图像学习采样分布，得到采样位置矩阵G；学习采样分布的实现包括以下步骤：

a)设利用训练集中的M幅训练图像Tk学习采样分布，k的取值为1，2，...M，训练图像Tk的大小为N×N；对像素p_r进行采样时，以像素p_r为中心点的图像块P_r大小为s×s，r的取值为1，2，...(N-s+1)×(N-s+1)，图像块P_r内共有s²个点，以中心点p_r为起点，按照从内到外、从上到下的顺时针螺旋方式标号为0，1，2，...，2m，m＝(s×s-1)/2；设k＝1；设r＝1，初始的采样分布为标准的高斯分布Gaussian(0，1)，设初始的采样分布为当前的采样分布，将采样分布的原始范围[-m，m]记作[0，2m]；

b)将当前的采样分布的零点对应训练图像Tk的图像块P_r的中心点，离采样分布中零点近的点对应训练图像Tk的图像块P_r内离中心点近的点；

c)在当前的采样分布的范围[0，2m]内2m+1个点中，随机采样出n个点[l₁，l₂，...，l_n]，对应地采样训练图像Tk的图像块P_r中标号为[l₁，l₂，...，l_n]的n个点

作为第k次采样所得的关键点，将标号l₁，l₂，...，l_n保存到采样位置矩阵G的第r行；

d)求步骤c所得关键点

的像素值分别与图像块P_r中心点的像素值之间差值的绝对值，并按从小到大的顺序排列，将绝对值小的关键点在当前的采样分布中的纵坐标点数增加，将绝对值大的关键点在当前的采样分布中的纵坐标点数减少，增加的纵坐标总点数和减少的纵坐标总点数相等，形成一个新的采样分布；

e)设r＝r+1，以步骤d所得采样分布为当前的采样分布，返回步骤b对下一像素执行采样，直到r＝(N-s+1)×(N-s+1)，得到共有(N-s+1)×(N-s+1)行的采样位置矩阵G，进入步骤f；

f)设k＝k+1，r＝1，以最近一次执行步骤d所得采样分布为当前的采样分布，返回步骤b利用下一幅训练图像继续采样，不断学习采样分布并更新采样位置矩阵G，直到k＝M，训练集中的M幅训练图像被学习完，得到一个最终的采样位置矩阵G；

步骤2，对训练集中所有训练图像和测试集中所有测试图像内每个像素p_r计算相应的普通LBP特征；

步骤3，利用步骤1所得采样位置矩阵G对训练集中所有训练图像和测试集中所有测试图像内每个像素p_r计算相应的自适应特征；

步骤4，对训练集中所有训练图像和测试集中所有测试图像内每个像素p_r，将步骤2中所得的自适应特征与步骤3中所得的普通LBP特征串联组合，得到训练集中所有训练图像和测试集中所有测试图像的自适应纹理特征P_LBP。

2.如权利要求1所述的自适应纹理特征提取方法，其特征在于：采样训练图像Tk的图像块P_r中标号为[l₁，l₂，...，l_n]的n个点

时，采用一维采样方式，点

与中心点p_r的偏移坐标用

表示，j的取值为1，2，...n。

Images