CN105787492A - 基于均值采样的局部三值模式纹理特征提取方法 - Google Patents
基于均值采样的局部三值模式纹理特征提取方法 Download PDFInfo
- Publication number
- CN105787492A CN105787492A CN201610205851.9A CN201610205851A CN105787492A CN 105787492 A CN105787492 A CN 105787492A CN 201610205851 A CN201610205851 A CN 201610205851A CN 105787492 A CN105787492 A CN 105787492A
- Authority
- CN
- China
- Prior art keywords
- local
- pattern
- mode
- value
- sequence
- 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.)
- Granted
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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于均值采样的局部三值模式纹理特征提取方法,首先对所有可能取值的局部三值编码序列利用旋转不变性进行初步降维,再采用降维条件实现进一步降维,建立包含原始模式号和最终模式号对应关系的模式映射表;对于待提取特征的纹理图像,对纹理图像的每个非边缘像素点进行邻域环形对称均值采样,从采样点中获取有效编码点进行编码,得到非边缘像素点的局部三值编码序列以及对应的原始模式号,然后在模式映射表中查找对应的最终模式,在纹理图像中统计每个最终模式所涵盖的非边缘像素点数量,构建纹理图像的特征向量。本发明通过均值采样控制噪声,提高纹理特征的准确度,同时通过降维方法有效控制特征向量的维度。
Description
技术领域
本发明属于纹理特征提取技术领域,更为具体地讲,涉及一种基于均值采样的局部三值模式纹理特征提取方法。
背景技术
视觉特征的提取是图像分类和识别过程中的一个重要环节,特征的好坏直接影响着整个视觉系统的性能。在长期的研究中,学者们提出了各种特征用于描述具体的分类对象,纹理特征就是其中重要的一种统计型特征。它反映了灰度图像中纹理像素结构空间的分布情况,一般是一系列纹理基元按照某种排列规则在像素空间上的反复再现。纹理特征表达方法的研究对于基于内容的图像检索、遥感图像分类等问题具有很大的现实意义。
纹理特征主要分为统计特征和频谱特征。统计纹理特征主要基于灰度共生矩阵、局部模式直方图,半方差图等;频谱纹理特征反映了纹理的频率特性,频谱分析方法有傅里叶变换、离散余弦变化、小波变换、Gabor变化等。当然,统计特征和频率特征的融合特征相对单个特征具备更强的类别鉴别能力,带来的问题就是计算时间以及空间消耗的增长。
1996年OjalaT等人提出的局部二值模式(LocalBinaryPattern,LBP)纹理特征描述方法中,通过对比中心像素点与邻域像素灰度值差异,生成中心像素点的二进制编码,依此来编码整幅图像,该方法在经典的纹理分类数据库上能达到比较满意的效果。作为一种简单、有效的纹理特征描述方法,LBP被广泛应用和发展。
为了提高纹理特征的鉴别能力,2010年Tan等人提出一种局部三值模式(LocalTernaryPattern,LTP)并应用于人脸识别中,该方法对中心像素点与邻域采样点的差异用{-1,0,1}三值编码,产生两个互补的局部二值模式,即一个上(upper)模式和一个下(lower)模式。然而,这种三值模式并非严格意义上的三值模式,其最终的编码依然是二值的,类似的LTP变体还有ZhangY等人提出的高阶LTP(high-orderLTP),这些编码方式也只能称为“伪三值模式”。RajaM等提出的OLTP,以及HuangM等人提出的OS-LTP都采用真正意义的三值模式编码,但是在旋转不变性和特征维度上还做的不够,而这两者恰是纹理特征所必须具备的关键要素。
目前存在的局部三值模式纹理特征提取方法,主要缺点是产生的特征向量维度太高,不能适应16个以上的邻域采样点。所以需要研究适应更多采样点且特征维度较低的新型局部三值模式纹理特征提取方法,以便进一步提高纹理分类的准确度。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于均值采样的局部三值模式纹理特征提取方法,通过均值采样控制噪声,提高纹理特征的准确度,同时通过降维方法有效控制特征向量的维度。
为实现上述发明目的,本发明基于均值采样的局部三值模式纹理特征提取方法,其特征在于包括以下步骤:
S1:生成3P个P位的局部三值编码序列,P表示纹理图像中像素点的有效编码点数量,局部三值编码序列中每位编码的可能取值为-1,0,1;记第n个局部三值编码序列FLTP(n)={fn,P-1,fn,P-2,…,fn,0},计算对应的原始模式号其中n=0,1,…,3P-1,p=0,1,…,P-1;
S2:对于步骤S101生成的每个三值局部编码序列FLTP(n),获取对应的降维三值编码序列FLTP*(n),计算公式为:
FLTP*(n)=min{ROR(FLTP(n),t)},t=0,1,...,P-1
其中,t表示循环右移的序号,ROR(·,·)表示对局部三值编码序列进行循环右移操作,min(·)表示取P个循环右移结果的最小值;
对降维三值编码序列进行统计,记降维三值编码序列的数量为D,每个降维三值编码序列对应一个初步降维模式,第d个初步降维模式所对应的序列为FLTP*(d),d=0,1,…,D-1,统计每个降维三值编码序列对应的局部三值编码序列的原始模式号F(n),记为集合
判断每个初步降维模式所对应的序列FLTP*(d)是否满足以下公式:
其中,F1(·)表示计算序列中编码“0”出现的次数,U(·)表示计算序列中编码“-1”、“0”和“1”之间的变化次数;α、β分别表示预设的出现次数阈值和变化次数阈值;
如果满足则保留该序列模式,否则将该序列划入混杂模式;记得到的最终模式数量为M,其中第0到第M-2个模式为保留模式,第M-1个模式为混杂模式,记第m个模式所对应的原始模式号集合为
S3:根据步骤S2得到的每个最终模式对应的原始模式号集合生成模式映射表,模式映射表中包含每个原始模式号和最终模式号的对应关系;
S4:对于待提取特征的纹理图像,遍历纹理图像的每个非边缘像素点(i,j),采样以该像素点为中心、半径为R的采样环上各像素点的灰度值,得到N个采样点灰度值,将采样点灰度值按顺序划分为P组,每组包含2k+1个采样点灰度值,求取每组采样点灰度值的均值,得到的P个均值作为像素点(i,j)的有效编码点的灰度值;
S5:根据每个像素点(i,j)的P个有效均值编码点的灰度值对像素点(i,j)进行编码,生成局部三值编码序列FLTP(i,j)={TP-1(i,j),TP-2(i,j),…,T0(i,j)},其中Tp(i,j)表示第p个有效均值编码点的编码,计算得到对应的原始模式号
S6:根据纹理图像中各个非边缘像素点(i,j)对应的原始模式号F(i,j),在模式映射表中查找得到每个非边缘像素点(i,j)对应的最终模式号,然后统计每个最终模式所涵盖的非边缘像素点数量h(m),构建纹理图像的特征向量H={h(0),h(1),…,h(M-1)}。
本发明基于均值采样的局部三值模式纹理特征提取方法,首先对所有可能取值的局部三值编码序列利用旋转不变性进行初步降维,再采用降维条件实现进一步降维,建立包含原始模式号和最终模式号对应关系的模式映射表;对于待提取特征的纹理图像,对纹理图像的每个非边缘像素点进行邻域环形对称均值采样,从采样点中获取有效编码点进行编码,得到非边缘像素点的局部三值编码序列以及对应的原始模式号,然后在模式映射表中查找对应的最终模式,在纹理图像中统计每个最终模式所涵盖的非边缘像素点数量,构建纹理图像的特征向量。
本发明具有以下有益效果:
(1)本发明采用局部三值编码,能提供比局部二值模式粒度更细的纹理特征编码方法;
(2)通过局部三值编码序列的旋转不变性和设计的降维条件对局部三值编码模式进行降维,有效控制模式维度;
(3)在对纹理图像进行邻域环形对称均值采样,采用均值方法得到有效编码点,可以有效抑制噪声影响,提高算法的鲁棒性。
附图说明
图1是本发明基于均值采样的局部三值模式纹理特征提取方法的流程图;
图2是邻域环形对称均值采样模型图;
图3是局部三值模式编码示例图;
图4是OTC10数据库纹理样本图;
图5是特征向量直方图示例。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
图1是本发明基于均值采样的局部三值模式纹理特征提取方法的流程图。如图1所示,本发明基于均值采样的局部三值模式纹理特征提取方法的具体步骤包括:
S101:生成全部局部三值编码序列:
在对纹理图像进行局部三值编码时,记有效编码点数量为P,那么可能的编码序列数量为3P,每个编码点的编码可能取值为-1,0,1。因此本发明中首先生成所有可能的编码序列,即3P个P位的局部三值编码序列,局部三值编码序列中每位编码的可能取值为-1,0,1。记第n个局部三值编码序列FLTP(n)={fn,P-1,fn,P-2,…,fn,0},根据公式(1)计算得到第n个局部三值编码序列对应的原始模式号F(n):
其中,n=0,1,…,3P-1,p=0,1,~,P-1。
S102:降维映射:
显然,步骤S101生成了3P个局部三值编码序列,对应3P种模式,如果在纹理图像中,直接采用这些三值编码序列统计特征直方图,会导致特征直方图向量有3P维,因此需要进行降维。本发明中所采用的降维方法主要分为两大步骤,首先利用局部三值模式的旋转不变性来进行降维,然后通过设计一个降维条件来进一步进行降维,其具体方法为:
对于步骤S101生成的每个三值局部编码序列FLTP(n),按照公式(2)来获取对应的降维三值编码序列FLTP*(n):
FLTP*(n)=min{ROR(FLTP(n),t)},t=0,1,...,P-1(2)
其中,t表示循环右移的序号,ROR(·,·)表示对局部三值编码序列进行循环右移操作,min(·)表示取P个循环右移结果的最小值。也就是说,对局部三值编码序列FLTP(n)进行循环右移,选择P个循环右移结果中值最小的那个序列,作为降维三值编码序列FLTP*(n)。
显然,采用公式(4)得到的每个降维三值编码序列FLTP*(n)会对应多个三值局部编码序列FLTP(n)。对降维三值编码序列进行统计,记降维三值编码序列的数量为D,每个降维三值编码序列对应一个初步降维模式,第d个初步降维模式所对应的序列为FLTP*(d),d=0,1,…,D-1,统计每个降维三值编码序列对应的局部三值编码序列的原始模式号F(n),记为集合也就是说,将降维三值编码序列相同的局部三值编码序列划分为一类,对应新的模式,这样可以使得到的初步降维模式数量显著减少。
由于采样数量较大,在经过上述方法初步降维后,仍然具有大量的模式数量,其中有许多模式是属于低频模式,不仅会使产生的特征向量维度很高,还会使特征向量很稀疏,会影响纹理特征的表达能力。因此本发明设计了一个降维条件公式(3)来进一步进行过滤降维处理。
其中,F1(·)表示计算序列中编码“0”出现的次数,U(·)表示计算序列中编码“-1”、“0”和“1”之间的变化次数;α、β分别表示预设的出现次数阈值和变化次数阈值。
如果序列FLTP*(d)满足公式(3)所示的条件,保留该序列模式,否则将该序列划入混杂模式。这样一来,就会有大量的模式被归并到混杂模式,仅有少量的模式被保留,从而进一步减少了模式数量。记过滤降维后的最终模式数量为M,其中第0到第M-2个模式为保留模式,第M-1个模式为混杂模式,记第m个模式所对应的原始模式号集合为显然,混杂模式所对应的原始模式号集合为所有划分为混杂模式的原始模式号集合的合集。
本发明通过设计的降维条件进行降维,其本质上是保留图像中的高频像素模式,合并其余的低频像素模式,从而实现局部三值模式从高维到低维的映射,在减小模式空间维度的同时还能消除特征向量的稀疏性,这对纹理分类、识别等应用有重要意义。
根据过滤降维的过程可知,当阈值α、β越小,最终所得到的模式数量就越少,阈值α、β越大,最终所得到的模式数量就越多。在实际应用中,可以根据实际需要来设置这两个参数。根据大量实验发现,当α=1、β=3时,最终得到的模式数量为3P,该模式数量相对来说较为合理,既可以有效保留高频像素模式,展现纹理特征,模式数量又能够满足计算和后续处理的复杂度要求。
S103:生成模式映射表:
根据步骤S102得到的降维结果,即每个最终模式对应的原始模式号集合生成模式映射表,模式映射表中包含每个原始模式号和最终模式号的对应关系。表1是模式映射表示例。
原始模式号 | 最终模式号 |
0 | 1 |
1 | M-1 |
… | … |
3P-1 | 1 |
3P | M-5 |
表1
如表1所示,在模式映射表中展示了各个原始模式与最终模式的对应关系,存在多个原始模式对应同一个最终模式的现象。根据模式映射表,就可以对纹理图像中的像素点进行处理,得到维数较低的统计直方图。
S104:邻域环形对称均值采样:
为了适应更多采样点,本发明提出了一种自适应的邻域环形对称均值采样模式,记为(R,N,P,k),其中R表示以像素点为中心的采样环半径,P表示有效均值编码点的数量,k表示采样系数,采样环上的采样点数量N=(2k+1)×P。采样系数k可以根据需要进行取值,例如可取值为0、0.5、1和1.5。采样系数k即表明了采样的冗余度,显然当k=0时,采样点数就是有效均值编码点的数量,大于0时,就需要2k+1个采样点的像素值来平均,得到有效编码点的像素值。采用均值方式可以有效降低纹理图像中噪声的影响,使得到的局部三值编码序列更准确,进一步提高最终得到的纹理特征向量的准确度。很明显,2k+1应当为整数。图2是邻域环形对称均值采样模型图。
根据以上说明可以得到本发明中领域环形对称均值采样的具体方法为:对于待提取特征的纹理图像,遍历纹理图像的每个非边缘像素点(i,j),采样以该像素点为中心、半径为R的采样环上各像素点的值,得到N个采样点的灰度值,将采样点灰度值值按顺序划分为P组,每组包含2k+1个采样点灰度值,求取每组采样点灰度值的均值,得到的P个均值作为像素点(i,j)的有效编码点的灰度值。非边缘像素点是指的能够实现邻域环形对称均值采样的点,记纹理图像分辨率为a×b,那么非边缘像素点的坐标范围为i∈[R+1,b-R]、j∈[R+1,a-R]。
对于纹理图像,因为本发明使用(R,N,P,k)邻域环形对称均值采样模式,像素点(i,j)的各个采样点的坐标(x,y)按照x=i+Rsin(2π-2π/N)和y=j+Rcos(2π-2π/N)计算,因此在采样环上会有一部分采样点的坐标(x,y)不会是实际的像素位置,需要通过相邻位置上的真实像素点的值进行插值。本实施例中采用相邻位置上4个真实像素点(也就是4个方向上与计算坐标(x,y)距离最近的4个真实像素点)的灰度值,通过双线性差值方法来计算得到该采样值的近似值,计算公式为:
其中f(x,y)表示采样值, 表示向下取整,表示向上取整。(x1,y1)、(x1,y2)、(x2,y2)和(x2,y1)分别表示与采样点坐标(x,y)最靠近的四个实际像素点的位置坐标,f(x1,y1)、f(x1,y2)、f(x2,y2)和f(x2,y1)分别表示这四个实际像素点的值。
S105:生成局部三值编码序列:
根据每个像素点(i,j)的P个有效均值编码点的灰度值对像素点(i,j)进行编码,生成局部三值编码序列FLTP(i,j)={TP-1(i,j),TP-2(i,j),…,T0(i,j)},其中Tp(i,j)表示第p个有效均值编码点的编码。在现有技术中,编码常用的算子有灰度差异描述算子S、梯度差异描述算子M和中心像素点描述算子C,这三种算子可以单独使用,也可以联合使用。为便于描述,此处采用简单的灰度差异描述算子来进行说明局部三值编码序列的生成方法。
利用步骤S104得到的P个有效均值编码点,比较非边缘像素点(i,j)的灰度值与这P个有效编码点的灰度值,按照公式(5)进行局部三值模式编码:
其中,Tp(i,j)表示像素点(i,j)对应的第p个有效编码点的编码,p=0,1,…,P-1;g(i,j)表示像素点(i,j)的灰度值;gp(i,j)表示像素点(i,j)第p个有效编码点的灰度值;ε表示预设的阈值,本实施例中ε=1。
图3是局部三值模式编码示例图。如图3所示,按照公式(5)对有效编码点编码后,像素点(i,j)就被编码成了一个长度为P的由三值(-1,0,1)构成的代码序列FLTP(i,j)={TP-1(i,j),TP-2(i,j),…T0(i,j)},FLTP(i,j)即为像素点(i,j)的局部三值模式序列。根据公式(6)计算得到该局部三值编码序列对应的原始模式号:
S106:生成纹理图像的特征向量:
根据步骤S105计算得到的纹理图像中各个非边缘像素点(i,j)对应的原始模式号F(i,j),在模式映射表中查找得到每个非边缘像素点(i,j)对应的最终模式号,然后统计每个最终模式所涵盖的非边缘像素点数量h(m),构建纹理图像的特征向量H={h(0),h(1),…,h(M-1)}。在纹理分类、识别等应用中,H就是用于训练纹理分类器以及进行分类识别的特征依据。
实施例
为了更好说明本发明的技术效果,采用经典纹理数据库Outex_TC_00010(简称为OTC10)和最近邻分类器对本发明进行实验验证。
采用的OTC10数据库总共有24类纹理样本,流明条件为inca,每类纹理包括9个不同角度,每个角度又包括20张纹理图,因此整个数据库包含24×9×20=4320幅图,图像的尺寸大小均为128×128像素。图4是OTC10数据库纹理样本图。在本实施例中,从OTC10中的每类纹理选取前20个样本,共选择480个纹理图作为训练样本,其余纹理图用于测试纹理分类的正确率。
本次实验验证中,分别设置有效编码像素点数量P=8,12,16。因此首先要根据步骤S101至S103中的方法生成每个有效编码像素点对应的模式映射表。在生成模式映射表的过程中α=1、β=3,因此得到的最终模式数量分别为24,36,48。
利用步骤S104中描述的采样模型,分别用(R=1,N=8,P=8,k=0)、(R=2,N=16,P=16,k=0)和(R=3,N=24,P=12,k=0.5)这三种采样方式分别对第1个样本图中的各有效像素进行邻域采样,对于非实际像素点利用公式(4)插值计算采样环上各采样点的值,再利用通过均值方法计算得到各像素的全部有效均值编码点的值。这3种采样方式下样本图实际的非边缘像素数量分别是126×126、124×124和122×122。
根据步骤S105在ε=1的条件下对这个样本的非边缘像素点进行局部三值模式编码,得到三个不同采样方式下该样本中各个非边缘像素点对应的原始模式编号,三个采样方式下对应的模式维度分别为38、316和312。然后根据各自对应的模式映射表得到各非边缘像素点的最终模式。最终统计各个最终模式所涵盖的像素点数量,得到该样本对应的特征向量。表2是本实施例中原始模式与最终模式对应表。
表2
将该样本图像在(R=1,N=8,P=8,k=0)采样下得到的特征向量采用特征直方图的形式进行展示。图5是特征向量直方图示例。如图5所示,采用本发明得到的特征向量能够有效改善原始模式编码的稀疏性问题。
将480个训练样本在三种采样条件下得到的特征向量保存到分类器的训练库中,然后对最近邻分类器进行训练。然后将剩余的3840个纹理图像分别在三种采样条件下得到对应的特征向量,然后输入最近邻分类器进行纹理识别。
在本发明的实施例中,还基于OTC10数据库并在采样点为符号算子S和幅度差算子M的情况下,与其它几种公开的纹理特征提取方法进行了对比。因为评价一个纹理特征提取方法的优劣在于它是否能得到较高的纹理分类准确率,因此在本实施过程中对这些方法进行对比的主要指标是几种不同方法得到的纹理分类准确率(%)。表3是本发明与现有技术的分类准确率对比。
表3
其中,LBP表示局部二值特征提取方法;CLBP_M表示基于梯度差异描述算子M的完备局部二值模式特征提取方法,CLBP_S表示基于灰度差异描述算子S的完备局部二值模式特征提取方法;BRINT_M表示基于梯度差异描述算子M的BRINT特征提取方法,BRINT_S表示基于灰度差异描述算子S的BRINT特征提取方法,其中BRINT(BinaryRotationInvariantandNoiseTolerant)表示二进制旋转不变和耐噪声纹理特征;LTP_U表示基于上模式的局部三值模式特征提取方法,LTP_L表示基于下模式的局部三值模式特征提取方法;FLTP_M表示基于梯度差异描述算子M的本发明局部三值模式纹理特征提取方法,FLTP_S表示基于灰度差异描述算子S的本发明局部三值模式纹理特征提取方法。
从表3中可以发现,在相同的采样测试条件下,本发明提出的纹理特征提取方法无论是针对梯度差异描述算子M和灰度差异描述算子S,大多数时候得到的纹理分类正确率都要比其它几种特征提取方法更高。比如在(R=1,N=8,P=8,k=0)时,基于灰度差异描述算子S的本发明能得到93.10%的正确率,比相同条件下其它几种方法得到的最高值88.31%(LTP_L)高出了大约4.8%;而在(R=3,N=24,P=12,k=0.5)时,基于灰度差异描述算子S的本发明能得到96.77%的分类正确率,也要比同条件下其它几种方法得到的最高正确率95.76%(LTP_L)高出一些。
此外,采样方式的选取对本发明的局部特征提取的好坏也有较大影响。根据表3可看出,大多数特征提取方法在R=3且N=24的采样条件下,能使纹理图的分类准确率最高,比如CLBP_S方法,在(R=1,N=8)时对应的分类正确率为84.87%,但在(R=3,N=24)时可达到95.07%的正确率;本发明提出的方法在针对梯度差异描述算子M和灰度差异描述算子S也具有类似的特点,在(R=1,N=8)时FLBP_S的正确率为93.10%,而在(R=3,N=24)时可达到96.77%。
由此可见,本发明的方法对于提取图像的纹理特征是有效且可靠的,也具有很好的采样适应性,本发明的方法比其它同类的特征提取方法在提高纹理分类正确率方面更优。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (3)
1.一种基于均值采样的局部三值模式纹理特征提取方法,其特征在于,包括以下步骤:
S1:生成3P个P位的局部三值编码序列,P表示纹理图像中像素点的有效编码点数量,局部三值编码序列中每位编码的可能取值为-1,0,1;记第n个局部三值编码序列FLTP(n)={fn,P-1,fn,P-2,…,fn,0},计算对应的原始模式号其中n=0,1,…,3P-1,p=0,1,…,P-1;
S2:对于步骤S101生成的每个三值局部编码序列FLTP(n),获取对应的降维三值编码序列FLTP*(n),计算公式为:
FLTP*(n)=min{ROR(FLTP(n),t)},t=0,1,...,P-1
其中,t表示循环右移的序号,ROR(·,·)表示对局部三值编码序列进行循环右移操作,min(·)表示取P个循环右移结果的最小值;
对降维三值编码序列进行统计,记降维三值编码序列的数量为D,每个降维三值编码序列对应一个初步降维模式,第d个初步降维模式所对应的序列为FLTP*(d),d=0,1,…,D-1,统计每个降维三值编码序列对应的局部三值编码序列的原始模式号F(n),记为集合
判断每个初步降维模式所对应的序列FLTP*(d)是否满足以下公式:
其中,F1(·)表示计算序列中编码“0”出现的次数,U(·)表示计算序列中编码“-1”、“0”和“1”之间的变化次数;α、β分别表示预设的出现次数阈值和变化次数阈值;
如果满足则保留该序列模式,否则将该序列划入混杂模式;记得到的最终模式数量为M,其中第0到第M-2个模式为保留模式,第M-1个模式为混杂模式,记第m个模式所对应的原始模式号集合为
S3:根据步骤S2得到的每个最终模式对应的原始模式号集合生成模式映射表,模式映射表中包含每个原始模式号和最终模式号的对应关系;
S4:对于待提取特征的纹理图像,遍历纹理图像的每个非边缘像素点(i,j),采样以该像素点为中心、半径为R的采样环上各像素点的灰度值,得到N个采样点灰度值,将采样点灰度值按顺序划分为P组,每组包含2k+1个采样点灰度值,求取每组采样点灰度值的均值,得到的P个均值作为像素点(i,j)的有效编码点的灰度值;
S5:根据每个像素点(i,j)的P个有效均值编码点的灰度值对像素点(i,j)进行编码,生成局部三值编码序列FLTP(i,j)={TP\1(i,j),TP\2(i,j),…,T0(i,j)},其中Tp(i,j)表示第p个有效均值编码点的编码,计算得到对应的原始模式号
S6:根据纹理图像中各个非边缘像素点(i,j)对应的原始模式号F(i,j),在模式映射表中查找得到每个非边缘像素点(i,j)对应的最终模式号,然后统计每个最终模式所涵盖的非边缘像素点数量h(m),构建纹理图像的特征向量H={h(0),h(1),…,h(M-1)}。
2.根据权利要求1所述的局部三值模式纹理特征提取方法,其特征在于,所述步骤S2中阈值α=1、β=3。
3.根据权利要求1所述的局部三值模式纹理特征提取方法,其特征在于,所述步骤S4中,当采样环上的采样点坐标不是实际像素位置时,采用以下公式计算得到采样值:
f(x,y)=f(x1,y1)(1-x)(1-y)+f(x1,y2)(1-x)y
+f(x2,y2)xy+f(x2,y1)x(1-y)
其中f(x,y)表示采样值, 表示向下取整,表示向上取整。(x1,y1)、(x1,y2)、(x2,y2)和(x2,y1)分别表示与采样点坐标(x,y)最靠近的四个实际像素点的位置坐标,f(x1,y1)、f(x1,y2)、f(x2,y2)和f(x2,y1)分别表示这四个实际像素点的值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610205851.9A CN105787492B (zh) | 2016-04-01 | 2016-04-01 | 基于均值采样的局部三值模式纹理特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610205851.9A CN105787492B (zh) | 2016-04-01 | 2016-04-01 | 基于均值采样的局部三值模式纹理特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105787492A true CN105787492A (zh) | 2016-07-20 |
CN105787492B CN105787492B (zh) | 2019-03-01 |
Family
ID=56394783
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610205851.9A Expired - Fee Related CN105787492B (zh) | 2016-04-01 | 2016-04-01 | 基于均值采样的局部三值模式纹理特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105787492B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107705280A (zh) * | 2017-10-23 | 2018-02-16 | 北京航空航天大学 | 一种结构驱动的光谱映射遥感图像融合方法 |
CN108764126A (zh) * | 2018-05-25 | 2018-11-06 | 郑州目盼智能科技有限公司 | 一种嵌入式活体人脸跟踪系统 |
CN109035317A (zh) * | 2018-07-04 | 2018-12-18 | 重庆邮电大学 | 基于梯度局部三值模式的光照反转和旋转不变纹理表达方法 |
CN109299653A (zh) * | 2018-08-06 | 2019-02-01 | 重庆邮电大学 | 一种基于改进完备局部三值模式的人脸表情特征提取方法 |
CN110503625A (zh) * | 2019-07-02 | 2019-11-26 | 杭州电子科技大学 | 一种cmos图像信号相关噪声参数估计方法 |
CN111241898A (zh) * | 2019-03-20 | 2020-06-05 | 泰州腾翔信息科技有限公司 | 基于图像处理的数据显示方法 |
CN111461285A (zh) * | 2019-01-21 | 2020-07-28 | 京东数字科技控股有限公司 | 一种电动设备检测的方法和装置 |
CN111612099A (zh) * | 2020-06-03 | 2020-09-01 | 江苏科技大学 | 基于局部排序差值细化模式的纹理图像分类方法及系统 |
CN112785612A (zh) * | 2020-08-28 | 2021-05-11 | 青岛经济技术开发区海尔热水器有限公司 | 基于小波变换的图像边缘检测方法 |
CN114882116A (zh) * | 2022-07-12 | 2022-08-09 | 南通市恒瑞精密机械制造有限公司 | 一种丝杠弯曲定位及校直方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663426A (zh) * | 2012-03-29 | 2012-09-12 | 东南大学 | 一种基于小波多尺度分析和局部三值模式的人脸识别方法 |
CN103279744A (zh) * | 2013-05-28 | 2013-09-04 | 中国科学院自动化研究所 | 基于多尺度三模式纹理特征的仿造指纹检测方法和系统 |
CN105005781A (zh) * | 2015-06-29 | 2015-10-28 | 中国人民解放军国防科学技术大学 | 一种鲁棒扩展局部二值模式纹理特征提取方法 |
-
2016
- 2016-04-01 CN CN201610205851.9A patent/CN105787492B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663426A (zh) * | 2012-03-29 | 2012-09-12 | 东南大学 | 一种基于小波多尺度分析和局部三值模式的人脸识别方法 |
CN103279744A (zh) * | 2013-05-28 | 2013-09-04 | 中国科学院自动化研究所 | 基于多尺度三模式纹理特征的仿造指纹检测方法和系统 |
CN105005781A (zh) * | 2015-06-29 | 2015-10-28 | 中国人民解放军国防科学技术大学 | 一种鲁棒扩展局部二值模式纹理特征提取方法 |
Non-Patent Citations (2)
Title |
---|
ZHENHUA GUO等: "A Completed Modeling of Local Binary Pattern Operator for Texture Classification", 《IEEE》 * |
周志湖: "局部纹理特征及其在对象跟踪中的应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107705280A (zh) * | 2017-10-23 | 2018-02-16 | 北京航空航天大学 | 一种结构驱动的光谱映射遥感图像融合方法 |
CN107705280B (zh) * | 2017-10-23 | 2020-12-15 | 北京航空航天大学 | 一种结构驱动的光谱映射遥感图像融合方法 |
CN108764126A (zh) * | 2018-05-25 | 2018-11-06 | 郑州目盼智能科技有限公司 | 一种嵌入式活体人脸跟踪系统 |
CN108764126B (zh) * | 2018-05-25 | 2021-09-07 | 郑州目盼智能科技有限公司 | 一种嵌入式活体人脸跟踪系统 |
CN109035317A (zh) * | 2018-07-04 | 2018-12-18 | 重庆邮电大学 | 基于梯度局部三值模式的光照反转和旋转不变纹理表达方法 |
CN109299653A (zh) * | 2018-08-06 | 2019-02-01 | 重庆邮电大学 | 一种基于改进完备局部三值模式的人脸表情特征提取方法 |
CN111461285B (zh) * | 2019-01-21 | 2024-03-05 | 京东科技控股股份有限公司 | 一种电动设备检测的方法和装置 |
CN111461285A (zh) * | 2019-01-21 | 2020-07-28 | 京东数字科技控股有限公司 | 一种电动设备检测的方法和装置 |
CN111241898B (zh) * | 2019-03-20 | 2020-11-10 | 吕衍荣 | 基于图像处理的数据显示方法 |
CN111241898A (zh) * | 2019-03-20 | 2020-06-05 | 泰州腾翔信息科技有限公司 | 基于图像处理的数据显示方法 |
CN110503625B (zh) * | 2019-07-02 | 2021-08-17 | 杭州电子科技大学 | 一种cmos图像信号相关噪声参数估计方法 |
CN110503625A (zh) * | 2019-07-02 | 2019-11-26 | 杭州电子科技大学 | 一种cmos图像信号相关噪声参数估计方法 |
CN111612099A (zh) * | 2020-06-03 | 2020-09-01 | 江苏科技大学 | 基于局部排序差值细化模式的纹理图像分类方法及系统 |
CN112785612A (zh) * | 2020-08-28 | 2021-05-11 | 青岛经济技术开发区海尔热水器有限公司 | 基于小波变换的图像边缘检测方法 |
CN112785612B (zh) * | 2020-08-28 | 2022-09-13 | 青岛经济技术开发区海尔热水器有限公司 | 基于小波变换的图像边缘检测方法 |
CN114882116A (zh) * | 2022-07-12 | 2022-08-09 | 南通市恒瑞精密机械制造有限公司 | 一种丝杠弯曲定位及校直方法及系统 |
CN114882116B (zh) * | 2022-07-12 | 2022-09-06 | 南通市恒瑞精密机械制造有限公司 | 一种丝杠弯曲定位及校直方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105787492B (zh) | 2019-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105787492A (zh) | 基于均值采样的局部三值模式纹理特征提取方法 | |
CN109740652B (zh) | 一种病理图像分类方法和计算机设备 | |
CN105574534B (zh) | 基于稀疏子空间聚类和低秩表示的显著性目标检测方法 | |
CN107016677A (zh) | 一种基于fcn和cnn的云图分割方法 | |
CN101847163B (zh) | 一种多特征融合的外观设计专利图像检索方法 | |
CN108154519A (zh) | 眼底图像中血管的分割方法、装置及存储介质 | |
CN105335972B (zh) | 基于小波轮廓波变换与视觉显著性的经编织物疵点检测方法 | |
CN108829711B (zh) | 一种基于多特征融合的图像检索方法 | |
CN108509886B (zh) | 基于静脉像素点判定的掌静脉识别方法 | |
CN103258202B (zh) | 一种鲁棒的纹理特征提取方法 | |
CN101587189B (zh) | 用于合成孔径雷达图像的纹理基元特征提取方法 | |
CN110458812B (zh) | 一种基于颜色描述及稀疏表达的类圆形水果缺陷检测方法 | |
CN110084302A (zh) | 一种基于遥感图像的裂缝检测方法 | |
CN101986295A (zh) | 基于流形稀疏编码的图像聚类的方法 | |
CN104361096A (zh) | 一种基于特征富集区域集合的图像检索方法 | |
CN116630971B (zh) | 基于CRF_ResUnet++网络的小麦赤霉病孢子分割方法 | |
CN115731257A (zh) | 基于图像的叶片形态信息提取方法 | |
CN105761207B (zh) | 基于最大线性块邻域嵌入的图像超分辨重建方法 | |
CN111833432A (zh) | 一种基于岩心二维灰度图像的三维重建方法 | |
CN116310452B (zh) | 一种多视图聚类方法及系统 | |
CN104143191A (zh) | 一种基于纹理元的遥感图像变化检测方法 | |
CN111860668A (zh) | 一种针对原始3d点云处理的深度卷积网络的点云识别方法 | |
CN111539966A (zh) | 一种基于模糊c均值聚类的比色传感器阵列图像分割方法 | |
CN114241303B (zh) | 一种基于计算机视觉技术的流域下垫面特征提取方法 | |
Sebai et al. | Improving high resolution satellite images retrieval using color component features |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190301 |