CN104268562A - 一种有效多尺度纹理识别方法 - Google Patents

Abstract

本发明公开了一种有效多尺度纹理识别方法，本方法首先计算输入图像的图像金字塔，然后将LBP算子施加在每个尺度的图像金字塔上。接着，每个尺度图像金字塔将产生一个特征向量。通过D-S证据理论将多尺度信息在每个尺度上通过相似性融合进行整合。特别是，测试图像和目标样本之间的相似度是通过融合测试图像和每个尺度的样品之间的相似度进行计算。本发明提供的方法对于公用数据集Brodatz’salbum以及MIT视频纹理数据库（VisTex）识别精度达到96.43%和91.67%，同时对图像旋转不变性具有一定鲁棒性，在实际应用中具有一定的应用价值。

Description

一种有效多尺度纹理识别方法

技术领域

本发明属于模式识别技术领域，涉及一种纹理识别方法，尤其涉及一种有效多尺度纹理识别方法。

背景技术

图像纹理是一种重要的视觉手段，是图像中普遍存在而又难以描述的特征。纹理分析技术一直是计算机视觉、图像处理、图像检索等的活跃研究领域。纹理分析作为诸如上述应用的基础性研究领域之一，其研究内容主要包括：纹理分类和分割、纹理合成、纹理检索和由纹理恢复形状。这些研究内容的一个最基本的问题是纹理特征提取，纹理的微观异构性，复杂性以及应用的广泛性和概念的不明确性给纹理研究带来很大挑战。纹理特征提取的目标是：提取的纹理特征维数不大、鉴别能力强、稳健性好，提取过程计算量小，能够指导实际运用。纹理的定义一直为人们所关注，但是图像纹理定义问题至今没有得到圆满的解决，仍然不存在为众人所公认的定义。其中的共识是一：纹理不同于灰度和颜色等图像特征，它通过像素及其周围空间邻域的灰度分布来表现，即局部纹理信息；二：局部纹理信息不同程度的重复性，即全局纹理信息。

局部二值模式为一种有效的纹理描述算子，度量和提取图像局部的纹理信息，对光照具有不变性。Damper-Shafter的证据理论是Dempster于1967年首先提出，由他的学生Shafer于1976年进一步发展起来的一种不精确推理理论，也称为Dempster/Shafer证据理论(D-S证据理论)，最早应用于专家系统中，具有处理不确定信息的能力。作为一种不确定推理方法，证据理论的主要特点是：满足比贝叶斯概率论更弱的条件；具有直接表达“不确定”和“不知道”的能力。在此基础上进行推理，为融合不确定信息提供了一条新的途径。但是其在冲突证据组合、模糊信息处理及相关证据组合方面存在不足之处。目前通过D-S证据理论进行多特征数据融合进行图像识别已经得到广泛的研究。

发明内容

为了解决上述的技术问题，本发明提供了一种基于局部二值模式(localBinary Pattern，简称LBP)和Dempster-Shafer证据理论(以下简称D-S证据理论)的纹理识别方法。

本发明所采用的技术方案是：一种有效多尺度纹理识别方法，其特征在于，包括以下步骤：

步骤1：输入测试图像T；

步骤2：计算测试图像T的图像金字塔，图像金字塔通过一个预定义的低通滤波器对输入图像进行迭代滤波；

步骤3：将基本的LBP算子应用到图像的每一个尺度上，将产生若干个直方图{H₀,H₁,…H_L}，对每个与之匹配尺度的直方图，其中L代表图像金字塔的最高层；

步骤4：用直方图相交计算两两直方图之间的相似度，计算出图像金字塔上每一尺度上的基本信任分配；

步骤5：将各尺度提供基本信任分配当作一个信息源，利用D-S证据理论去组合；

步骤6：最终的判定由设定的分配的最大值选择决定。

作为优选，步骤2中所述的图像金字塔通过一个预定义的低通滤波器对输入图像进行迭代滤波，其具体实现过程是当输入测试图像T成为金字塔的最底层或者第0层时，第1层包含测试图像T₁，它是图像I的一个滤波版本，而且第2层的测试图像T₂是通过测试图像T₁滤波获得，依次进行迭代滤波。

作为优选，步骤4中所述的两两直方图之间的相似度为

$S(H_X,H_Y)=\underset{n=1}{\overset{B}{\mathrm{\Σ}}}\min (\frac{H_X}{\underset{n=1}{\overset{B}{\mathrm{\Σ}}}{H}_X},\frac{H_Y}{\underset{n=1}{\overset{B}{\mathrm{\Σ}}}{H}_Y}),$

其中H_X,H_Y分别表示测试图像和训练图像的直方图，其中，训练图像来自Brodatz’s album以及MIT视频纹理数据库，B是两个直方图中bin的数量；基本信任分配m_s为

$m_s(T\∈C_i)=\frac{\underset{j=1}{\overset{M_i}{\mathrm{\Σ}}}S(H_T,H_{I_{\mathrm{ij}}})}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{M_i}{\mathrm{\Σ}}}S(H_T,H_{I_{\mathrm{ij}}})}$

其中，H_T表示测试图像直方图，表示测试图像数据集中第i行j列图像，表示两个直方图之间的相似度，通过上式计算在尺度s上的基本信任分配m_s，当作一个信息源去判定测试图像T属于哪一类。

作为优选，步骤5中所述的将各尺度提供基本信任分配当作一个信息源，利用D-S证据理论去组合，即m_⊕＝m₁⊕m₂⊕…⊕m_L。其中，m₁,…,m_J，表示来自J个不同的信息源，操作算子⊕表示关联的和可交换的。

作为优选，步骤6中所述的最终的判定由设定的分配的最大值选择决定，即：

C_opt＝argmax{m_⊕(T∈C_i)}；

其中，argmax表示寻找具有最大评分的参量，m_⊕代表J个信息源的组合。

本方法首先计算输入图像的图像金字塔，然后将LBP算子施加在每个尺度的图像金字塔上。接着，每个尺度图像金字塔将产生一个特征向量。通过D-S证据理论将多尺度信息在每个尺度上通过相似性融合进行整合。特别是，测试图像和目标样本之间的相似度是通过融合测试图像和每个尺度的样品之间的相似度进行计算。本发明提供的方法对于公用数据集Brodatz’s album以及MIT视频纹理数据库(VisTex)识别精度达到96.43％和91.67％，同时对图像旋转不变性具有一定鲁棒性，在实际应用中具有一定的应用价值。

附图说明

图1：为本发明的流程图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

本实施采用目前主流的matlab工具编程实现。其中计算量大的步骤使用matlab和c混编。请见图1，以下为本发明实施例的具体步骤：

步骤1：输入测试图像T；

步骤2：计算测试图像T的图像金字塔，图像金字塔通过一个预定义的低通滤波器对输入图像进行迭代滤波；其具体实现过程是当输入测试图像T成为金字塔的最底层或者第0层时，第1层包含测试图像T₁，它是测试图像T的一个滤波版本，而且第2层的测试图像T₂是通过测试图像T₁滤波获得，依次进行迭代滤波；

步骤3：将基本的LBP算子应用到图像的每一个尺度上，将产生若干个直方图{H₀,H₁,…H_L}，对每个与之匹配尺度的直方图，其中L代表图像金字塔的最高层；

步骤4：用直方图相交计算两两直方图之间的相似度，计算出图像金字塔上每一尺度上的基本信任分配；其中，两两直方图之间的相似度为

$S(H_X,H_Y)=\underset{n=1}{\overset{B}{\mathrm{\Σ}}}\min (\frac{H_X}{\underset{n=1}{\overset{B}{\mathrm{\Σ}}}{H}_X},\frac{H_Y}{\underset{n=1}{\overset{B}{\mathrm{\Σ}}}{H}_Y}),$

其中H_X,H_Y分别表示测试图像和训练图像的直方图，其中训练图像来自Brodatz’s album以及MIT视频纹理数据库，B是两个直方图中bin的数量；基本信任分配m_s为

$m_s(T\∈C_i)=\frac{\underset{j=1}{\overset{M_i}{\mathrm{\Σ}}}S(H_T,H_{I_{\mathrm{ij}}})}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{M_i}{\mathrm{\Σ}}}S(H_T,H_{I_{\mathrm{ij}}})}$

其中，H_T表示测试图像直方图，表示测试图像数据集中第i行j列图像，表示两个直方图之间的相似度，通过上式计算在尺度s上的基本信任分配m_s，当作一个信息源去判定测试图像T属于哪一类；

步骤5：将各尺度提供基本信任分配当作一个信息源，利用D-S证据理论去组合，即m_⊕＝m₁⊕m₂⊕…⊕m_L。其中，m₁，…，m_J，表示来自J个不同的信息源，操作算子⊕表示关联的和可交换的；

步骤6：最终的判定由设定的分配的最大值选择决定，即：

C_opt＝argmax{m_⊕(T∈C_i)}；

其中，argmax表示寻找具有最大评分的参量，m_⊕代表J个信息源的组合。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (5)

1.一种有效多尺度纹理识别方法，其特征在于，包括以下步骤：

步骤1：输入测试图像T；

步骤2：计算测试图像T的图像金字塔，图像金字塔通过一个预定义的低通滤波器对输入图像进行迭代滤波；

步骤3：将基本的LBP算子应用到图像的每一个尺度上，将产生若干个直方图{H₀,H₁,…H_L}，对每个与之匹配尺度的直方图，其中L代表图像金字塔的最高层；

步骤4：用直方图相交计算两两直方图之间的相似度，计算出图像金字塔上每一尺度上的基本信任分配；

步骤5：将各尺度提供基本信任分配当作一个信息源，利用D-S证据理论去组合；

步骤6：最终的判定由设定的分配的最大值选择决定。

2.根据权利要求1所述的有效多尺度纹理识别方法，其特征在于：步骤2中所述的图像金字塔通过一个预定义的低通滤波器对输入图像进行迭代滤波，其具体实现过程是当输入测试图像T成为金字塔的最底层或者第0层时，第1层包含测试图像T₁，它是测试图像T的一个滤波版本，而且第2层的测试图像T₂是通过测试图像T₁滤波获得，依次进行迭代滤波。

3.根据权利要求1所述的有效多尺度纹理识别方法，其特征在于：步骤4中所述的两两直方图之间的相似度为

$S(H_X,H_Y)=\underset{n=1}{\overset{B}{\mathrm{\Σ}}}\min (\frac{H_X}{\underset{n=1}{\overset{B}{\mathrm{\Σ}}}{H}_X},\frac{H_Y}{\underset{n=1}{\overset{B}{\mathrm{\Σ}}}{H}_Y}),$

其中H_X,H_Y分别表示测试图像和训练图像的直方图，其中训练图像来自Brodatz’s album以及MIT视频纹理数据库，B是两个直方图中bin的数量；基本信任分配m_s为

$m_s(T\∈C_i)=\frac{\underset{j=1}{\overset{M_i}{\mathrm{\Σ}}}S(H_T,H_{I_{\mathrm{ij}}})}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{M_i}{\mathrm{\Σ}}}S(H_T,H_{I_{\mathrm{ij}}})}$

其中，H_T表示测试图像直方图，表示测试图像数据集中第i行j列图像，表示两个直方图之间的相似度，通过上式计算在尺度s上的基本信任分配m_s，当作一个信息源去判定测试图像T属于哪一类。

4.根据权利要求1所述的有效多尺度纹理识别方法，其特征在于：步骤5中所述的将各尺度提供基本信任分配当作一个信息源，利用D-S证据理论去组合，即m_⊕＝m₁⊕m₂⊕…⊕m_L，其中，m₁,…,m_J，表示来自J个不同的信息源，操作算子⊕表示关联的和可交换的。

5.根据权利要求4所述的有效多尺度纹理识别方法，其特征在于：步骤6中所述的最终的判定由设定的分配的最大值选择决定，即：

C_opt＝argmax{m_⊕(T∈C_i)}；

其中，argmax表示寻找具有最大评分的参量，m_⊕代表J个信息源的组合。