CN105447492B - 一种基于二维局部二值模式的图像描述方法 - Google Patents
一种基于二维局部二值模式的图像描述方法 Download PDFInfo
- Publication number
- CN105447492B CN105447492B CN201510779328.2A CN201510779328A CN105447492B CN 105447492 B CN105447492 B CN 105447492B CN 201510779328 A CN201510779328 A CN 201510779328A CN 105447492 B CN105447492 B CN 105447492B
- Authority
- CN
- China
- Prior art keywords
- lbp
- image
- riu
- dimentional
- local binary
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
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(LBPriu)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LBPriu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
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(Local Binary Pattern,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(LBPriu)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(LBPriu)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LBPriu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LBPriu的邻域半径为1,领域个数为8时,得到的LBPriu(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LBPriu值的上下文信息的;
2)、构造LBP对(lc,ln),lc表示中心像素对应的LBP值,取值范围为0到9;ln表示中心像素lc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(lc,ln)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LBPriu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:
其中,LBPriu(x,y)表示(x,y)位置的像素对应的LBPriu;LBPriu(x+p,y+q)表示(x+p,y+q)位置的像素对应的LBPriu,p,q是整数,有2DLBP(lc,ln)表示LBP对(lc,ln)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;lc和ln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lc和ln相等时,权重|lc-ln|的值为0,为了防止这一现象,将权重改为|lc-ln|+1,如果lc和ln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(LBPriu)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LBPriu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LBPriu和其邻域像素的LBPriu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(LBPriu)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LBPriu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LBPriu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(lc,ln)。lc表示中心像素对应的LBP值,取值范围为0到9;ln表示中心像素xc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(lc,ln)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LBPriu方法中的参数半径和邻域的值,即有LBPriu(2,16)和LBPriu(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:LBPriu(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;LBPriu(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MATLAB 2011b。
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(Correct Classification Percentages,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 (4)
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LBPriu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LBPriu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;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LBPriu的邻域半径为1,领域个数为8时,得到的LBPriu(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LBPriu值的上下文信息的;
2)、构造LBP对(lc,ln),lc表示中心像素对应的LBP值,取值范围为0到9;ln表示中心像素lc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(lc,ln)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LBPriu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,其中x为正整数;
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。
4.根据权利要求1-3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:
其中,LBPriu(x,y)表示(x,y)位置的像素对应的LBPriu;LBPriu(x+p,y+q)表示(x+p,y+q)位置的像素对应的LBPriu,p,q是整数,有2DLBP(lc,ln)表示LBP对(lc,ln)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;lc和ln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lc和ln相等时,权重|lc-ln|的值为0,为了防止这一现象,将权重改为|lc-ln|+1,如果lc和ln的差值越大,那么权重就越大,反之权重就越小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510779328.2A CN105447492B (zh) | 2015-11-13 | 2015-11-13 | 一种基于二维局部二值模式的图像描述方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510779328.2A CN105447492B (zh) | 2015-11-13 | 2015-11-13 | 一种基于二维局部二值模式的图像描述方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105447492A CN105447492A (zh) | 2016-03-30 |
CN105447492B true CN105447492B (zh) | 2018-10-12 |
Family
ID=55557652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510779328.2A Active CN105447492B (zh) | 2015-11-13 | 2015-11-13 | 一种基于二维局部二值模式的图像描述方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105447492B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105979253B (zh) * | 2016-05-06 | 2017-11-28 | 浙江科技学院 | 基于广义回归神经网络的无参考立体图像质量评价方法 |
CN106529547B (zh) * | 2016-10-14 | 2019-05-03 | 天津师范大学 | 一种基于完备局部特征的纹理识别方法 |
CN107153819A (zh) * | 2017-05-05 | 2017-09-12 | 中国科学院上海高等研究院 | 一种排队长度自动检测方法及排队长度控制方法 |
CN110276707B (zh) * | 2018-03-16 | 2023-06-23 | 临沂大学 | 一种图像数据保护和篡改检测技术方案 |
CN109086801A (zh) * | 2018-07-06 | 2018-12-25 | 湖北工业大学 | 一种基于改进lbp特征提取的图像分类方法 |
CN111191658A (zh) * | 2019-02-25 | 2020-05-22 | 中南大学 | 基于广义局部二值模式的纹理描述方法及图像分类方法 |
CN112489145A (zh) * | 2020-12-29 | 2021-03-12 | 重庆邮电大学 | 一种基于颜色相关局部二值模式的彩色图像描述方法 |
CN114663663A (zh) * | 2022-03-07 | 2022-06-24 | 重庆邮电大学 | 一种基于尺度共生局部二值模式的图像识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101066343B1 (ko) * | 2009-11-24 | 2011-09-20 | 포항공과대학교 산학협력단 | 상호 정보 최대화 기반의 국부 이진 패턴 코드를 이용한 패턴 인식 방법, 장치 및 그 기록 매체 |
CN103679144A (zh) * | 2013-12-05 | 2014-03-26 | 东南大学 | 一种基于计算机视觉的复杂环境下果蔬识别方法 |
CN103914683A (zh) * | 2013-12-31 | 2014-07-09 | 闻泰通讯股份有限公司 | 基于人脸图像的性别识别方法及系统 |
-
2015
- 2015-11-13 CN CN201510779328.2A patent/CN105447492B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101066343B1 (ko) * | 2009-11-24 | 2011-09-20 | 포항공과대학교 산학협력단 | 상호 정보 최대화 기반의 국부 이진 패턴 코드를 이용한 패턴 인식 방법, 장치 및 그 기록 매체 |
CN103679144A (zh) * | 2013-12-05 | 2014-03-26 | 东南大学 | 一种基于计算机视觉的复杂环境下果蔬识别方法 |
CN103914683A (zh) * | 2013-12-31 | 2014-07-09 | 闻泰通讯股份有限公司 | 基于人脸图像的性别识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
"基于多尺度LBP和SVM的掌纹识别算法研究";赵强等;《激光杂志》;20150125;第36卷(第1期);第1节第1段,第2节第4-7段,第3节第1段,第4节第1-2段 * |
Also Published As
Publication number | Publication date |
---|---|
CN105447492A (zh) | 2016-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105447492B (zh) | 一种基于二维局部二值模式的图像描述方法 | |
CN105488536B (zh) | 一种基于多特征深度学习技术的农田害虫图像识别方法 | |
CN107169487B (zh) | 基于超像素分割及深度特征定位的显著性目标检测方法 | |
CN108009222B (zh) | 基于较优视图和深度卷积神经网络的三维模型检索方法 | |
CN102629322B (zh) | 一种基于边界点笔画形状的字符特征提取方法及应用 | |
Haji et al. | Content-based image retrieval: A deep look at features prospectus | |
CN106529532A (zh) | 一种基于积分特征通道与灰度投影的车牌识别系统 | |
CN102147867B (zh) | 一种基于主体的国画图像和书法图像的识别方法 | |
CN106503748A (zh) | 一种基于s‑sift特征和svm训练器的车型识别算法 | |
CN107392929A (zh) | 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法 | |
CN107092876A (zh) | 基于Retinex与S‑SIFT特征结合的低照度车型识别方法 | |
CN105404885B (zh) | 一种二维字符图形验证码复杂背景噪音干扰去除方法 | |
CN106709524A (zh) | 一种电气工程图中的元件符号检测与识别方法 | |
CN109002463A (zh) | 一种基于深度度量模型的文本检测方法 | |
CN109360179A (zh) | 一种图像融合方法、装置及可读存储介质 | |
CN102136074B (zh) | 一种基于mmi的木材图像纹理分析与识别方法 | |
CN107103608A (zh) | 一种基于区域候选样本选择的显著性检测方法 | |
Li et al. | The research on traffic sign recognition based on deep learning | |
CN103279960B (zh) | 一种基于x射线背散射图像的人体隐藏物的图像分割方法 | |
CN106909881A (zh) | 基于无人机遥感影像提取玉米育种基地垄数的方法及系统 | |
CN109741351A (zh) | 一种基于深度学习的类别敏感型边缘检测方法 | |
CN103336964A (zh) | 一种基于模值差镜像不变性的sift图像匹配方法 | |
CN109271997A (zh) | 一种基于跳跃细分局部模式的图像纹理分类方法 | |
Datar et al. | Detection of birds in the wild using deep learning methods | |
CN107247958A (zh) | 一种基于图像识别的皮肤病特征提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |