CN103679195A - 基于局部边缘模式的纹理图像分类方法及系统 - Google Patents

Abstract

本发明公开了一种基于局部边缘模式的纹理图像分类方法，包括以下步骤：输入待分类图像的原始纹理图像；将原始纹理图像分成n个图像块；分别计算原始纹理图像和n个图像块基于m种不同尺度的纹理基元下的局部边缘模式纹理谱特征，然后串联得到待分类图像的总体融合局部边缘模式纹理谱特征,其中，每种纹理基元尺度的长宽像素均为偶数，最小纹理基元为2×2像素；根据待分类图像的总体融合局部边缘模式纹理谱特征，将待分类图像归为Canberra距离最小的训练图像所属的类别。本发明还公开了一种基于局部边缘模式的纹理图像分类系统。本发明的方法和系统获得的纹理信息丰富，鲁棒，对纹理图像分类的准确性高。

Description

基于局部边缘模式的纹理图像分类方法及系统

技术领域

本发明涉及图像识别技术领域，具体涉及一种基于局部边缘模式的纹理图像分类方法及系统。

背景技术

纹理分析是图像处理与模式识别中的重要课题之一，在目标跟踪、图像识别、图像理解，图像检索等应用领域中起着至关重要的作用。

直方图谱特征是一种通用且有效的纹理分析或者图像表示的工具之一，对图像的平移，旋转都具有不变性，并且归一化后的直方图谱特征还具有尺度不变性。图像中的边缘信息是图像内容的重要特征，人类视觉对图像边缘及其敏感，这种现象对于机器视觉和模式识别领域的研究具有重要的启示，如果能够准确的表示图像的边缘信息，将获得很好的图像识别表现。

局部边缘直方图描述子(local edge histogram descriptor)是一种高效的统计图像边缘分布的纹理描述子，并最后以直方图谱特征的形式表示每幅图像信息。该模型是将图像分为若干图像块，并以图像块为单位统计不同边缘模式出现的频次，获得了很好的结果，但是以图像块为单位统计边缘信息，尤其是较大的图像块尺度，很容易丢失局部细节上的边缘信息。为此，本发明提出一种在像素级上统计图像局部边缘分布的方法及系统，命名为局部边缘模式(local edge pattern/LEP)，并利用多分辨率思想和分块思想，获得不同支撑空间的更加丰富、鲁棒的边缘纹理信息。

发明内容

本发明旨在至少解决现有技术中存在的容易丢失局部细节上的边缘信息、分类结果不准确的问题。

为此，本发明的一个目的在于提出一种基于局部边缘模式的纹理图像分类方法。

本发明的另一目的在于提出一种基于局部边缘模式的纹理图像分类系统。

为了实现上述目的，根据本发明一个方面的实施例的基于局部边缘模式的纹理图像分类方法，包括以下步骤：A.输入待分类图像的原始纹理图像；B.将所述原始纹理图像分成n个图像块，n为大于1的整数；C.分别计算原始纹理图像和n个图像块基于m种不同尺度的纹理基元下的局部边缘模式纹理谱特征，然后串联得到所述待分类图像的总体融合局部边缘模式纹理谱特征,其中，m为大于1的整数，每种纹理基元尺度的长宽像素均为偶数，最小纹理基元为2×2像素；D.根据所述待分类图像的总体融合局部边缘模式纹理谱特征，将所述待分类图像归为Canberra距离最小的训练图像所属的类别。

根据本发明实施例的基于局部边缘模式的纹理图像分类方法，先将原始图像分为若干图像块，然后针对每个图像块，利用多分辨率思想提取不同尺度的纹理基元局部边缘模式特征，最后将待分类图像以及所有图像块的不同尺度的纹理基元局部边缘模式特征串联起来，获得最终描述图像的融合局部边缘模式谱特征，使描述图像的边缘信息更加丰富和鲁棒，分类结果更加准确。

另外，根据本发明实施例的基于局部边缘模式的纹理图像分类方法还可以具有如下附加技术特征：

在本发明的一个实施例中，所述步骤C具体包括：C1.计算原始纹理图像在第j种尺度的纹理基元下的局部边缘模式纹理谱特征，记为S_{LEP_image_size j}，其中1≤j≤m；C2.将m种不同尺度的纹理基元下的局部边缘模式纹理谱特征串联，得到原始纹理图像融合局部边缘模式纹理谱特征S_{LEP_image}，S_{LEP_image}=[S_{LEP_image_size1}……S_{LEP_image_size j}……S_{LEP_image_size m}]；C3.根据类似步骤C1和C2的方法，得到第i个图像块融合局部边缘模式纹理谱特征S_{LEP_blocki}，S_{LEP_block i}=[S_{LEP_block i_size1}……S_{LEP_block i_size j}……S_{LEP_block i_size m}]，其中1≤i≤n；C4.将所述原始纹理图像融合局部边缘模式纹理谱特征与所述n个图像块融合局部边缘模式纹理谱特征串联，得到总体融合局部边缘模式纹理谱特征S_{LEP_Fusion}=[S_{LEP_image} S_{LEP_block1}……S_{LEP_block  i}……S_{LEP_block n}]。

在本发明的一个实施例中，所述步骤C1具体包括：C11.将每一个提取的所述第j种尺度的纹理基元内部平分二行二列四块区域，计算每一区域中的平均像素值，将每一个所述纹理基元表达为二行二列的矩阵T；C12.将每一个纹理基元T分别与预设的十种局部边缘模式M₁至M₁₀卷积，卷积结果最大的局部边缘模式即该纹理基元的边缘模式类型；C13.统计整幅所述原始纹理图像中每种局部边缘模式出现的概率，获得所述原始纹理图像在第j种像素尺度的纹理基元下的局部边缘模式纹理谱特征S_{LEP_image_size j}=[P₁ P₂ P₃ P₄ P₅P₆ P₇ P₈ P₉ P₁₀]，其中P1至P10分别表示第一种至第十种局部边缘模式在整幅所述原始纹理图像中出现的概率，P1至P10的总和为1。

在本发明的一个实施例中，所述十种局部边缘模式包括：垂直边缘模式1、垂直边缘模式2、水平边缘模式1、水平边缘模式2、45°边缘模式1、45°边缘模式2、135°边缘模式1、135°边缘模式2、无边缘模式1以及无边缘模式2。

在本发明的一个实施例中，所述步骤D中，所述Canberra距离的计算公式为：

其中train表示训练样本，test表示测试样本，S_{train_LEP_fusion}表示训练样本的总体融合局部边缘模式纹理谱特征，S_{test_LEP_fusion}表示测试样本的总体融合局部边缘模式纹理谱特征，下标x表示特征向量中的第x个分量。

根据本发明另一方面的实施例的基于局部边缘模式的纹理图像分类系统，包括：输入模块，所述输入模块用于输入待分类图像的原始纹理图像；分块模块，所述分块模块与所述输入模块相连，用于将所述原始纹理图像分成n个图像块，n为大于1的整数；特征提取模块，所述特征提取模块分别与所述输入模块和所述分块模块相连，用于分别计算原始纹理图像和n个图像块基于m种不同尺度的纹理基元下的局部边缘模式纹理谱特征，然后串联得到所述待分类图像的总体融合局部边缘模式纹理谱特征，其中，m为大于1的整数，每种纹理基元尺度的长宽像素均为偶数，最小纹理基元为2×2像素；分类识别模块，所述分类识别模块与所述特征提取模块相连，用于根据所述待分类图像的总体融合局部边缘模式纹理谱特征，将所述待分类图像归为Canberra距离最小的训练图像所属的类别。

根据本发明实施例的基于局部边缘模式的纹理图像分类系统，先将原始图像分为若干图像块，然后针对每个图像块，利用多分辨率思想提取不同尺度的纹理基元局部边缘模式特征，最后将待分类图像以及所有图像块的不同尺度的纹理基元局部边缘模式特征串联起来，获得最终描述图像的融合局部边缘模式谱特征，使描述图像的边缘信息更加丰富和鲁棒，分类结果更加准确。

另外，根据本发明实施例的基于局部边缘模式的纹理图像分类系统还可以具有如下附加技术特征：

在本发明的一个实施例中，所述特征提取模块具体包括：LEP计算模块，用于计算所述原始纹理图像基于m种不同尺度的纹理基元下的局部边缘模式纹理谱特征S_{LEP_image}，记S_{LEP_image}=[S_{LEP_image_size1}……S_{LEP_image_size j}……S_{LEP_image_size m}]，以及计算各个所述图像块基于m种不同尺度的纹理基元下的局部边缘模式纹理谱特征S_{LEP_blocki}，记S_{LEP_block i}=[S_{LEP_block  i_size1}……S_{LEP_block i_size j}……S_{LEP_block i_size m}]，其中1≤i≤n；总体融合模块，所述总体融合模块与所述LEP计算模块相连，用于将所述原始纹理图像融合局部边缘模式纹理谱特征与所述n个图像块融合局部边缘模式纹理谱特征串联，得到总体融合局部边缘模式纹理谱特征S_{LEP_Fusion}=[S_{LEP_image} S_{LEP_block1}……S_{LEP_block i}……S_{LEP_block n}]。

在本发明的一个实施例中，所述LEP计算模块具体包括：平均处理模块，用于将每一个提取的所述纹理基元内部平分二行二列四块区域，计算每一区域中的平均像素值，将每一个所述纹理基元表达为二行二列的矩阵T；卷积处理模块，所述卷积处理模块与所述平均处理模块相连，用于将每一个纹理基元T分别与预设的十种局部边缘模式M₁至M₁₀卷积，卷积结果最大的局部边缘模式即该纹理基元的边缘模式类型；概率统计模块，所述概率统计模块与所述卷积处理模块相连，用于统计整幅所述原始纹理图像或整幅第i块图像块中每种局部边缘模式出现的概率，获得其在第j种像素尺度的纹理基元下的局部边缘模式纹理谱特征S_{LEP_image_size_j}或者S_{LEP_blocki_size j}=[P₁ P₂ P₃ P₄ P₅ P₆ P₇ P₈ P₉ P₁₀]，其中P1至P10分别表示第一种至第十种局部边缘模式在整幅所述原始纹理图像中出现的概率，P1至P10的总和为1。

在本发明的一个实施例中，所述十种局部边缘模式包括：垂直边缘模式1、垂直边缘模式2、水平边缘模式1、水平边缘模式2、45°边缘模式1、45°边缘模式2、135°边缘模式1、135°边缘模式2、无边缘模式1以及无边缘模式2。

在本发明的一个实施例中，所述分类识别模块中，所述Canberra距离的计算公式为：

其中train表示训练样本，test表示测试样本，S_{train_LEP_fusion}表示训练样本的总体融合局部边缘模式纹理谱特征，S_{test_LEP_fusion}表示测试样本的总体融合局部边缘模式纹理谱特征，下标x表示特征向量中的第x个分量。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是根据本发明实施例的基于局部边缘模式的纹理图像分类方法的流程图。

图2是根据本发明一个实施例的对原始纹理图像进行分块的实例图。

图3是根据本发明一个实施例的不同尺度的纹理基元及其四区域分割示意图。

图4是根据本发明一个实施例的十种局部边缘模式的示意图。

图5是根据本发明一个实施例的十种局部边缘模式的数值表达图。

图6是根据本发明一个实施例的计算局部边缘强度值的实例图。

图7是根据本发明实施例的基于局部边缘模式的纹理图像分类系统的结构框图。

图8是根据本发明实施例的基于局部边缘模式的纹理图像分类系统中特征提取模块的结构框图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

局部边缘直方图描述子是纹理分析的有效工具之一，本发明的目的是提供一种LEP纹理图像分类方法及系统。本发明旨在现有局部边缘直方图描述子方法基础上，在像素级上提取局部边缘模式信息，同时利用多分辨率思想和分块思想，进一步获得更加丰富、鲁棒的纹理信息，提高分类表现。

图1是本发明实施例的基于局部边缘模式的纹理图像分类方法的流程图。如图1所示，根据本发明实施例的基于局部边缘模式的纹理图像分类方法，可以包括以下步骤：

A.输入待分类图像的原始纹理图像。

B.将原始纹理图像分成n个图像块，n为大于1的整数。

例如，如图2所示，可以将原始纹理图像分成2块图像块或4块图像块。需要说明的是，此处仅是出于示例的方便，而非本发明的限定。

C.分别计算原始纹理图像和n个图像块基于m种不同尺度的纹理基元下的局部边缘模式纹理谱特征，然后串联得到待分类图像的总体融合局部边缘模式纹理谱特征。其中，m为大于1的整数，每种纹理基元尺度的长宽像素均为偶数，最小纹理基元为2×2像素。例如，纹理基元大小可以为2×2，4×4，6×6，4×6，4×8，6×8等等，即不同尺度的纹理基元可以记为2a×2b的形式，a与b为正整数。

现有技术是以图像块为单位提取局部边缘信息，图像块的个数和尺度事先设定。由于提取局部边缘模式需要利用图像块内像素的平均值，因此以图像块为单位，尤其是大尺度图像块提取局部边缘模式，很容易丢失局部细节边缘信息。本实施例的方法在像素级上，以2×2像素的最小纹理基元为单位，提取局部边缘模式，使描述图像的边缘信息更加丰富和准确。

D.根据待分类图像的总体融合局部边缘模式纹理谱特征，将待分类图像归为Canberra距离最小的训练图像所属的类别。

根据本发明实施例的基于局部边缘模式的纹理图像分类方法，利用了多分辨率思想和分块思想，获得不同支撑空间的更加丰富、鲁棒的边缘纹理信息，获得了很好的分类准确性。

在本发明的一个实施例中，步骤C具体可以包括：

C1.计算原始纹理图像在第j种尺度的纹理基元下的局部边缘模式纹理谱特征，记为S_{LEP_image_size j}，其中1≤j≤m。

C2.将m种不同尺度的纹理基元下的局部边缘模式纹理谱特征串联，得到原始纹理图像融合局部边缘模式纹理谱特征S_{LEP_image}，S_{LEP_image}=[S_{LEP_image_size1}……S_{LEP_image_size  j}……S_{LEP_image_size m}]。

C3.根据类似步骤C1和C2的方法，得到第i个图像块融合局部边缘模式纹理谱特征S_{LEP_blocki}，S_{LEP_block i}=[S_{LEP_block i_size1}……S_{LEP_block i_size j}……S_{LEP_block i_size m}]，其中1≤i≤n。

C4.将原始纹理图像融合局部边缘模式纹理谱特征与n个图像块融合局部边缘模式纹理谱特征进一步串联，得到总体融合局部边缘模式纹理谱特征S_{LEP_Fusion}，S_{LEP_Fusion}=[S_{LEP_image} S_{LEP_block1}……S_{LEP_block i}……S_{LEP_block n}]。具体地，S_{LEP_Fusion}展开则为：[S_{LEP_image_size1}……S_{LEP_image_size m} S_{LEP_block1_size1}……S_{LEP_block1_size m}……S_{LEP_block i_size  1}……S_{LEP_block i_size m}……S_{LEP_block n_size1}……S_{LEP_block n_size m}]。

在本发明的一个实施例中，步骤C1具体包括：

C11.将每一个提取的第j种尺度的纹理基元内部平分二行二列四块区域，计算每一区域中的平均像素值，将每一个纹理基元表达为二行二列的矩阵T。如果纹理基元中每块区域只有1个像素值，则无需计算平均值，例如2×2的最小尺度的纹理基元。

如图3所述，除2×2像素的最小纹理基元外，其他纹理基元均需如图中所示那样平分为A、B、C、D四块区域，计算每一区域中的平均像素值。

C12.将每一个纹理基元T分别与预设的十种局部边缘模式M₁至M₁₀卷积，卷积结果最大的局部边缘模式即该纹理基元的边缘模式类型。

其中，这十种局部边缘模式分别为：垂直边缘模式1、垂直边缘模式2、水平边缘模式1、水平边缘模式2、45°边缘模式1、45°边缘模式2、135°边缘模式1、135°边缘模式2、无边缘模式1以及无边缘模式2。这十种局部边缘模式的示意图和数值表达分别如图4和图5所示。

其中，对纹理基元与某种局部边缘模式卷积，可以得到边缘强度值，

其中LEP表示计算得到的局部边缘强度值，M表示某种局部边缘模式，T表示图像中2×2像素的最小纹理基元，符号

表示卷积。图6以一种垂直边缘模式为例，说明了局部边缘强度值的求解方法。图像的每个纹理基元可以使用十种局部边缘模式得到十个边缘强度值，取其中最大的强度值所对应的局部边缘模式为该纹理基元的最终模式类型。即最终模型类型LEP=max(LEP1,LEP2,LEP3,LEP4,LEP5,LEP6,LEP7,LEP8,LEP9,LEP10)。

需要说明的是，现有技术中采用对五种局部边缘模式（分别对应图4中的垂直边缘模式2、水平边缘模式2、45°边缘模式2、135°边缘模式1和无方向边缘模式1）卷积的方式求边缘强度值。而本发明增加至10种，覆盖边缘信息范围更广，进而使提取的局部边缘信息更加丰富且准确。

C13.统计整幅原始纹理图像中每种局部边缘模式出现的概率，获得原始纹理图像在第j种像素尺度的纹理基元下的局部边缘模式纹理谱特征S_{LEP_image_size j}=[P₁ P₂ P₃ P₄ P₅ P₆P₇ P₈ P₉ P₁₀]，其中P1至P10分别表示第一种至第十种局部边缘模式在整幅原始纹理图像中出现的概率，P1至P10的总和为1。

在本发明的一个实施例中，利用Canberra距离非参数分类器进行分类识别。Canberra距离的计算公式为：

其中train表示训练样本，test表示测试样本，S_{train_LEP_fusion}表示训练样本的总体融合局部边缘模式纹理谱特征，S_{test_LEP_fusion}表示测试样本的总体融合局部边缘模式纹理谱特征，下标x表示特征向量中的第x个分量。例如：首先利用分块思想将待分类图像分为n个图像块，然后用多分辨率思想以m种尺寸纹理基元对10种局部边缘模式卷积，那么测试样本或训练样本的总体融合局部边缘模式纹理谱特征中应当具有(n+1)*m*10个分量。此时x的取值范围为1,2,……(n+1)*m*10。选用Canberra距离非参数分类器作为衡量准则，这种方法不仅计算速度快，而且识别性能好。

图7是根据本发明实施例的基于局部边缘模式的纹理图像分类系统的结构框图。如图7所示，根据本发明另一方面的实施例的基于局部边缘模式的纹理图像分类系统，可以包括：输入模块1、分块模块2，特征提取模块3和分类识别模块4。输入模块1用于输入待分类图像的原始纹理图像。分块模块2与输入模块1相连，用于将原始纹理图像分成n个图像块，n为大于1的整数。特征提取模块3分别与输入模块1和分块模块2相连，用于分别计算原始纹理图像和n个图像块基于m种不同尺度的纹理基元下的局部边缘模式纹理谱特征，然后串联得到待分类图像的总体融合局部边缘模式纹理谱特征，m为大于1的整数。其中每种纹理基元尺度的长宽像素均为偶数，最小纹理基元为2×2像素。分类识别模块4与特征提取模块3相连，用于根据待分类图像的总体融合局部边缘模式纹理谱特征，将待分类图像归为Canberra距离最小的训练图像所属的类别。

根据本发明上述实施例的系统，利用了多分辨率思想和分块思想，获得不同支撑空间的更加丰富、鲁棒的边缘纹理信息，获得了很好的分类准确性。

在本发明的一个实施例中，如图8所示，特征提取模块3具体可以包括：LEP计算模块31和总体融合模块32。LEP计算模块31用于计算原始纹理图像基于m种不同尺度的纹理基元下的局部边缘模式纹理谱特征S_{LEP_image}，记S_{LEP_image}=[S_{LEP_image_size1}……S_{LEP_image_size  j}……S_{LEP_image_size m}]，以及计算各个图像块基于m种不同尺度的纹理基元下的局部边缘模式纹理谱特征S_{LEP_blocki}，记S_{LEP_block i}=[S_{LEP_block i_size1}……S_{LEP_block i_size j}……S_{LEP_block i_size m}]，其中1≤i≤n。总体融合模块32与LEP计算模块31相连，用于将原始纹理图像融合局部边缘模式纹理谱特征与n个图像块融合局部边缘模式纹理谱特征串联，得到总体融合局部边缘模式纹理谱特征S_{LEP_Fusion}=[S_{LEP_image} S_{LEP_block1}……S_{LEP_block i}……S_{LEP_block n}]。

其中，在本发明的一个实施例中，LEP计算模块31具体可以包括：平均处理模块311、卷积处理模块312和概率统计模块313。平均处理模块311用于将每一个提取的纹理基元内部平分二行二列四块区域，计算每一区域中的平均像素值，将每一个纹理基元表达为二行二列的矩阵T。卷积处理模块312与平均处理模块311相连。卷积处理模块312用于将每一个纹理基元T分别与预设的十种局部边缘模式M₁至M₁₀卷积，卷积结果最大的局部边缘模式即该纹理基元的边缘模式类型。概率统计模块313与卷积处理模块312相连。概率统计模块313用于统计整幅原始纹理图像或整幅第i块图像块中每种局部边缘模式出现的概率，获得其在第j种像素尺度的纹理基元下的局部边缘模式纹理谱特征S_{LEP_image_size}或者S_{LEP_blocki_size j}=[P₁ P₂ P₃ P₄ P₅ P₆ P₇ P₈ P₉ P₁₀]，其中P1至P10分别表示第一种至第十种局部边缘模式在整幅原始纹理图像中出现的概率，P1至P10的总和为1。

在本发明的一个实施例中，十种局部边缘模式包括：垂直边缘模式1、垂直边缘模式2、水平边缘模式1、水平边缘模式2、45°边缘模式1、45°边缘模式2、135°边缘模式1、135°边缘模式2、无边缘模式1以及无边缘模式2。

在本发明的一个实施例中，分类识别模块中，所述Canberra距离的计算公式为：其中train表示训练样本，test表示测试样本，S_{train_LEP_fusion}表示训练样本的总体融合局部边缘模式纹理谱特征，S_{test_LEP_fusion}表示测试样本的总体融合局部边缘模式纹理谱特征，下标x表示特征向量中的第x个分量。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。

就本说明书而言，″计算机可读介质″可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，本领域的技术人员可以将本说明书中描述的不同实施例或示例进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种基于局部边缘模式的纹理图像分类方法，其特征在于，包括以下步骤：

A.输入待分类图像的原始纹理图像；

B.将所述原始纹理图像分成n个图像块，n为大于1的整数；

C.分别计算原始纹理图像和n个图像块基于m种不同尺度的纹理基元下的局部边缘模式纹理谱特征，然后串联得到所述待分类图像的总体融合局部边缘模式纹理谱特征,其中，m为大于1的整数，每种纹理基元尺度的长宽像素均为偶数，最小纹理基元为2×2像素；

D.根据所述待分类图像的总体融合局部边缘模式纹理谱特征，将所述待分类图像归为Canberra距离最小的训练图像所属的类别。

2.根据权利要求1所述的基于局部边缘模式的纹理图像分类方法，其特征在于，所述步骤C具体包括：

C1.计算原始纹理图像在第j种尺度的纹理基元下的局部边缘模式纹理谱特征，记为S_{LEP_image_sizej}，其中1≤j≤m；

C2.将m种不同尺度的纹理基元下的局部边缘模式纹理谱特征串联，得到原始纹理图像融合局部边缘模式纹理谱特征S_{LEP_image}，S_{LEP_image}=[S_{LEP_image_size1}……S_{LEP_image_size  j}……S_{LEP_image_size m}]；

C3.根据类似步骤C1和C2的方法，得到第i个图像块融合局部边缘模式纹理谱特征S_{LEP_blocki}，S_{LEP_block i}=[S_{LEP_block i_size1}……S_{LEP_block i_size j}……S_{LEP_block i_size m}]，其中1≤i≤n；

C4.将所述原始纹理图像融合局部边缘模式纹理谱特征与所述n个图像块融合局部边缘模式纹理谱特征串联，得到总体融合局部边缘模式纹理谱特征S_{LEP_Fusion}=[S_{LEP_image} S_{LEP_ block1}……S_{LEP_block i}……S_{LEP_block n}]。

3.根据权利要求2所述的基于局部边缘模式的纹理图像分类方法，其特征在于，所述步骤C1具体包括：

C11.将每一个提取的所述第j种尺度的纹理基元内部平分二行二列四块区域，计算每一区域中的平均像素值，将每一个所述纹理基元表达为二行二列的矩阵T；

C12.将每一个纹理基元T分别与预设的十种局部边缘模式M₁至M₁₀卷积，卷积结果最大的局部边缘模式即该纹理基元的边缘模式类型；

C13.统计整幅所述原始纹理图像中每种局部边缘模式出现的概率，获得所述原始纹理图像在第j种像素尺度的纹理基元下的局部边缘模式纹理谱特征S_{LEP_image_size j}=[P₁ P₂ P₃P₄ P₅ P₆ P₇ P₈ P₉ P₁₀]，其中P1至P10分别表示第一种至第十种局部边缘模式在整幅所述原始纹理图像中出现的概率，P1至P10的总和为1。

4.根据权利要求3所述的基于局部边缘模式的纹理图像分类方法，其特征在于，所述十种局部边缘模式包括：垂直边缘模式1、垂直边缘模式2、水平边缘模式1、水平边缘模式2、45°边缘模式1、45°边缘模式2、135°边缘模式1、135°边缘模式2、无边缘模式1以及无边缘模式2。

5.根据权利要求1-4所述的基于局部边缘模式的纹理图像分类方法，其特征在于，所述步骤D中，所述Canberra距离的计算公式为：

其中train表示训练样本，test表示测试样本，S_{train_LEP_fusion}表示训练样本的总体融合局部边缘模式纹理谱特征，S_{test_LEP_fusion}表示测试样本的总体融合局部边缘模式纹理谱特征，下标x表示特征向量中的第x个分量。

6.一种基于局部边缘模式的纹理图像分类系统，其特征在于，包括：

输入模块，所述输入模块用于输入待分类图像的原始纹理图像；

分块模块，所述分块模块与所述输入模块相连，用于将所述原始纹理图像分成n个图像块，n为大于1的整数；

特征提取模块，所述特征提取模块分别与所述输入模块和所述分块模块相连，用于分别计算原始纹理图像和n个图像块基于m种不同尺度的纹理基元下的局部边缘模式纹理谱特征，然后串联得到所述待分类图像的总体融合局部边缘模式纹理谱特征，其中，m为大于1的整数，每种纹理基元尺度的长宽像素均为偶数，最小纹理基元为2×2像素；

分类识别模块，所述分类识别模块与所述特征提取模块相连，用于根据所述待分类图像的总体融合局部边缘模式纹理谱特征，将所述待分类图像归为Canberra距离最小的训练图像所属的类别。

7.如权利要求6所述的基于局部边缘模式的纹理图像分类系统，其特征在于，所述特征提取模块具体包括：

LEP计算模块，用于计算所述原始纹理图像基于m种不同尺度的纹理基元下的局部边缘模式纹理谱特征S_{LEP_image}，记S_{LEP_image}=[S_{LEP_image_size1}……S_{LEP_image_size j}……S_{LEP_image_size m}]，以及计算各个所述图像块基于m种不同尺度的纹理基元下的局部边缘模式纹理谱特征S_{LEP_blocki}，记S_{LEP_block i}=[S_{LEP_block i_size1}……S_{LEP_block i_size j}……S_{LEP_block i_size m}]，其中1≤i≤n；

总体融合模块，所述总体融合模块与所述LEP计算模块相连，用于将所述原始纹理图像融合局部边缘模式纹理谱特征与所述n个图像块融合局部边缘模式纹理谱特征串联，得到总体融合局部边缘模式纹理谱特征S_{LEP_Fusion}=[S_{LEP_image} S_{LEP_block1}……S_{LEP_block  i}……S_{LEP_block n}]。

8.如权利要求7所述的基于局部边缘模式的纹理图像分类系统，其特征在于，所述LEP计算模块具体包括：

平均处理模块，用于将每一个提取的所述纹理基元内部平分二行二列四块区域，计算每一区域中的平均像素值，将每一个所述纹理基元表达为二行二列的矩阵T；

卷积处理模块，所述卷积处理模块与所述平均处理模块相连，用于将每一个纹理基元T分别与预设的十种局部边缘模式M₁至M₁₀卷积，卷积结果最大的局部边缘模式即该纹理基元的边缘模式类型；

概率统计模块，所述概率统计模块与所述卷积处理模块相连，用于统计整幅所述原始纹理图像或整幅第i块图像块中每种局部边缘模式出现的概率，获得其在第j种像素尺度的纹理基元下的局部边缘模式纹理谱特征S_{LEP_image_sizej}或者S_{LEP_blocki_size j}=[P₁ P₂ P₃ P₄ P₅P₆ P₇ P₈ P₉ P₁₀]，其中P1至P10分别表示第一种至第十种局部边缘模式在整幅所述原始纹理图像中出现的概率，P1至P10的总和为1。

9.根据权利要求8所述的基于局部边缘模式的纹理图像分类系统，其特征在于，所述十种局部边缘模式包括：垂直边缘模式1、垂直边缘模式2、水平边缘模式1、水平边缘模式2、45°边缘模式1、45°边缘模式2、135°边缘模式1、135°边缘模式2、无边缘模式1以及无边缘模式2。

10.根据权利要求6-9所述的基于局部边缘模式的纹理图像分类系统，其特征在于，所述分类识别模块中，所述Canberra距离的计算公式为：其中train表示训练样本，test表示测试样本，S_{train_LEP_fusion}表示训练样本的总体融合局部边缘模式纹理谱特征，S_{test_LEP_fusion}表示测试样本的总体融合局部边缘模式纹理谱特征，下标x表示特征向量中的第x个分量。

Images