CN106372647A - 一种基于韦伯局部二值计数的图像纹理分类方法 - Google Patents
一种基于韦伯局部二值计数的图像纹理分类方法 Download PDFInfo
- Publication number
- CN106372647A CN106372647A CN201610892856.3A CN201610892856A CN106372647A CN 106372647 A CN106372647 A CN 106372647A CN 201610892856 A CN201610892856 A CN 201610892856A CN 106372647 A CN106372647 A CN 106372647A
- Authority
- CN
- China
- Prior art keywords
- local binary
- yardstick
- difference
- texture
- feature
- 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
-
- 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
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
Abstract
一种基于韦伯局部二值计数的图像纹理分类方法,首先对纹理图像进行多尺度分解,构造差分激励向量特征和局部二值计数直方图特征,然后构造L尺度的韦伯局部二值计数描述子特征,最后对提取的纹理图像的L尺度的韦伯局部二值计数特征采用K近邻分类器进行分类,获取分类结果。本发明有益效果:有效地提高了纹理图像的分类精度,有效地适应纹理图像成像条件的变化,有效地提高分类速度。
Description
技术领域
本发明涉及模式识别和计算机视觉领域的纹理图像分类,具体地说是一种基于韦伯局部二值计数的图像纹理分类方法。
背景技术
纹理广泛存在于客观世界,是表达物体表面或结构的一种基本属性,也是计算机视觉中一个很重要的研究方向。纹理的直观意义十分明确。但是对于纹理是什么,人们的概念还是比较模糊。在图形处理中,纹理有着广泛而笼统的含义。基于纹理的分析和应用研究已经进行了近六十年。纹理方面的研究到现在仍然非常活跃,国内外有许多研究机构都在从事这方面的工作,近些年在国际知名杂志和重要会议上,关于纹理识别的研究成果层出不穷,多达数百篇。由此可见,纹理分析和识别是一个非常活跃的研究热点,有着非常重要的理论研究和实际应用价值。但是,由于纹理形式的广泛与多样,与纹理相关的很多问题尚未得到解决,如纹理的定义及对其特征的精确描述。目前,基于纹理的特征提取方法大致可以分为两类:空域和变换域方法。其中,基于变换域的方法已经提出了很多比较好的特征提取方法,并且能够成功的应用于实际的应用程序当中。但是,多数基于变换域的特征只利用变换系数的统计特性来表示纹理图像,例如能量直方图方法。因此,在实际应用中仍然存在着很多亟待解决的问题,例如分类精度不高,特征维数大,处理图片耗时等等。
发明内容
本发明所要解决的技术问题是提供一种基于韦伯局部二值计数的图像纹理分类方法,用于克服现有分类方法分类精度不高、特征维数大、处理图片耗时等问题。
本发明为解决上述技术问题所采用的技术方案是:一种基于韦伯局部二值计数的图像纹理分类方法,包括以下步骤:
步骤一、对纹理图像进行尺度分解,得到其所有个尺度的差分激励分布和局部二值计数模式分布;
步骤二、构造差分激励向量特征和局部二值计数直方图特征;
步骤三、构造L尺度的韦伯局部二值计数描述子特征WLCD L :构造步骤二得到的差分激励向量特征和局部二值计数直方图特征的集合的多尺度特征,即:对于第尺度的差分激励和局部二值计数模式,用表示纹理图像的第尺度的感知信息和局部纹理结构信息,,则纹理图像的尺度的韦伯局部二值计数特征为:;
步骤四、利用步骤三中提取的纹理图像的特征,采用K近邻分类器对纹理图像进行分类,获取分类结果。
本发明所述步骤一中对纹理图像进行多尺度分解的具体方法为:
(1)计算差分激励分布:对输入的纹理图像的像素,获取它的第l尺度的差分:,其中,表示像素的第个邻居像素,P为在第一尺度时像素邻居像素的个数,为符号函数,当时,否则;
根据得到的第尺度的差分计算像素第尺度的差分激励:;
所有个尺度的差分感知的集合即为纹理图像的所有个尺度的差分激励分布,用集合表示;
(2)计算局部二值计数模式分布:对于像素,它的第尺度的局部二值计数模式计算公式为:,其中,表示像素的第个邻居像素,P为在第一尺度时像素邻居像素的个数,为符号函数,当时,否则;
因此,所有个尺度的局部二值计数模式的集合即为纹理图像的所有个尺度的局部二值计数模式分布,用集合表示。
本发明所述步骤二中构造差分激励向量特征和局部二值计数直方图特征的具体方法为:
用局部二值计数模式作为自适应阈值对差分激励分布进行划分:
(1)计算差分激励向量特征:对于第尺度的差分激励分布,从中挑选出每一类局部二值模式对应的差分激励值,同时用表示第类局部二值模式对应的差分激励的和,那么第尺度的差分激励向量表示为:,用表示差分激励向量特征集合;
计算局部二值计数直方图特征:对于第尺度的局部二值计数模式分布,构造它的直方图特征对差分激励向量特征进行补充,用表示局部二值计数直方图特征集合。
本发明所述步骤四中采用K紧邻分类器对纹理图像进行分类时k的取值为1。
本发明的有益效果是:(1)差分激励向量特征是由韦伯定理推导而来,其包含了纹理图像的感知信息,用于表示图像纹理的差分激励,局部二值计数直方图特征是由传统的局部二值计数特征提取方法计算得到,用于表示纹理图像的局部结构信息,本发明方法有效的结合了图像纹理的局部结构信息和差分感知信息,能够很好地描述纹理的特征。
(2)针对不同的成像条件,例如光照变化、图像旋转等,多尺度的韦伯局部二值计数特征都能够获取很好地分类性能,在很大程度上提高了分类精度。
(3)本发明特征提取方法的计算速度很快,特征的维数相对比较小,能够有效地提高纹理图像的分类精度,有效地适应纹理图像成像条件的变化,有效地提高分类速度在保证分类性能的同时能够实现快速的纹理图像分类,对于其他方法具有很好的优越性。
附图说明
图1为本发明图像纹理分类方法的流程示意图;
图2为纹理图像多尺度分解的流程示意图;
图3为构造差分激励向量和局部二值计数直方图特征的流程图;
图4为构造L尺度韦伯局部二值计数描述子特征的流程图;
图5为本发明方法和其它方法的平均分类精度。
具体实施方式
一种基于韦伯局部二值计数的图像纹理分类方法,包括以下步骤:
步骤一、对纹理图像进行尺度分解,得到其所有个尺度的差分激励分布和局部二值计数模式分布;
步骤二、构造差分激励向量特征和局部二值计数直方图特征;
步骤三、构造L尺度的韦伯局部二值计数描述子特征WLCD L :构造步骤二得到的差分激励向量特征和局部二值计数直方图特征的集合的多尺度特征,即:对于第尺度的差分激励和局部二值计数模式,用表示纹理图像的第尺度的感知信息和局部纹理结构信息,,则纹理图像的尺度的韦伯局部二值计数特征为:;
步骤四、利用步骤三中提取的纹理图像的特征,采用K近邻分类器对纹理图像进行分类,获取分类结果。
进一步,所述步骤一中对纹理图像进行多尺度分解的具体方法为:
(1)计算差分激励分布:对输入的纹理图像的像素,获取它的第l尺度的差分:,其中,表示像素的第个邻居像素,P为在第一尺度时像素邻居像素的个数,为符号函数,当时,否则;
根据得到的第尺度的差分计算像素第尺度的差分激励:;
所有个尺度的差分感知的集合即为纹理图像的所有个尺度的差分激励分布,用集合表示;
(2)计算局部二值计数模式分布:对于像素,它的第尺度的局部二值计数模式计算公式为:,其中,表示像素的第个邻居像素,P为在第一尺度时像素邻居像素的个数,为符号函数,当时,否则;
因此,所有个尺度的局部二值计数模式的集合即为纹理图像的所有个尺度的局部二值计数模式分布,用集合表示。
进一步,所述步骤二中构造差分激励向量特征和局部二值计数直方图特征的具体方法为:
用局部二值计数模式作为自适应阈值对差分激励分布进行划分:
(1)计算差分激励向量特征:对于第尺度的差分激励分布,从中挑选出每一类局部二值模式对应的差分激励值,同时用表示第类局部二值模式对应的差分激励的和,那么第尺度的差分激励向量表示为:,用表示差分激励向量特征集合;
计算局部二值计数直方图特征:对于第尺度的局部二值计数模式分布,构造它的直方图特征对差分激励向量特征进行补充,用表示局部二值计数直方图特征集合。
进一步地,步骤四中采用K紧邻分类器对纹理图像进行分类时k的取值为1。
实施例
通过对标准纹理库Outex中的纹理图像进行分类实例阐述本发明的具体实施方式:
步骤一、对纹理图像进行多尺度分解,具体过程为:
(1)以每个像素为中心,对纹理图像进行分块;
(2)计算中心像素到其邻居像素间的差分;
(3)计算差分激励和局部二值计数模式;
(4)构造所有L个尺度的差分激励分布和局部二值计数模式分布;
步骤二、构造差分激励向量特征和局部二值计数直方图特征,具体过程为:
(1)用局部二值计数模式作为自适应阈值对差分激励分布进行划分;
(2)计算差分激励向量特征;
(3)计算局部二值计数直方图特征;
步骤三、构造L尺度的韦伯局部二值计数描述子特征,具体过程为:
(1)对同一尺度的差分激励向量特征和局部二值计数直方图特征进行连接;
(2)对不同尺度的韦伯局部二值计数特征进行连接;
步骤四、对于计算得到的多尺度韦伯局部二值计数特征,用K近邻分类器对纹理图像进行分类,得到分类精度。
将本方法和其它5个纹理特征提取方法进行比较,十次实验的平均分类正确率(ACAR,%)结果如图5所示,图5验证了本方法的有效性和优越性。
通过与其他方法的比较,可以发现本发明提出的方法相对于其他方法具有很好的优越性:有效地提高了纹理图像的分类精度,有效地适应纹理图像成像条件的变化,有效地提高分类速度。
Claims (4)
1.一种基于韦伯局部二值计数的图像纹理分类方法,其特征在于:包括以下步骤:
步骤一、对纹理图像进行尺度分解,得到其所有个尺度的差分激励分布和局部二值计数模式分布;
步骤二、构造差分激励向量特征和局部二值计数直方图特征;
步骤三、构造L尺度的韦伯局部二值计数描述子特征WLCD L :构造步骤二得到的差分激励向量特征和局部二值计数直方图特征的集合的多尺度特征,即:对于第尺度的差分激励和局部二值计数模式,用表示纹理图像的第尺度的感知信息和局部纹理结构信息,,则纹理图像的尺度的韦伯局部二值计数特征为:;
步骤四、利用步骤三中提取的纹理图像的特征,采用K近邻分类器对纹理图像进行分类,获取分类结果。
2.根据权利要求1所述的一种基于韦伯局部二值计数的图像纹理分类方法,其特征在于:所述步骤一中对纹理图像进行多尺度分解的具体方法为:
(1)计算差分激励分布:对输入的纹理图像的像素,获取它的第l尺度的差分:,其中,表示像素的第个邻居像素,P为在第一尺度时像素邻居像素的个数,为符号函数,当时,否则;
根据得到的第尺度的差分计算像素第尺度的差分激励:;
所有个尺度的差分感知的集合即为纹理图像的所有个尺度的差分激励分布,用集合表示;
(2)计算局部二值计数模式分布:对于像素,它的第尺度的局部二值计数模式计算公式为:,其中,表示像素的第个邻居像素,P为在第一尺度时像素邻居像素的个数,为符号函数,当时,否则;
因此,所有个尺度的局部二值计数模式的集合即为纹理图像的所有个尺度的局部二值计数模式分布,用集合表示。
3.根据权利要求1所述的一种基于韦伯局部二值计数的图像纹理分类方法,其特征在于:所述步骤二中构造差分激励向量特征和局部二值计数直方图特征的具体方法为:
用局部二值计数模式作为自适应阈值对差分激励分布进行划分:
(1)计算差分激励向量特征:对于第尺度的差分激励分布,从中挑选出每一类局部二值模式对应的差分激励值,同时用表示第类局部二值模式对应的差分激励的和,那么第尺度的差分激励向量表示为:,用表示差分激励向量特征集合;
计算局部二值计数直方图特征:对于第尺度的局部二值计数模式分布,构造它的直方图特征对差分激励向量特征进行补充,用表示局部二值计数直方图特征集合。
4.根据权利要求1所述的一种基于韦伯局部二值计数的图像纹理分类方法,其特征在于:所述步骤四中采用K紧邻分类器对纹理图像进行分类时k的取值为1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610892856.3A CN106372647B (zh) | 2016-10-13 | 2016-10-13 | 一种基于韦伯局部二值计数的图像纹理分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610892856.3A CN106372647B (zh) | 2016-10-13 | 2016-10-13 | 一种基于韦伯局部二值计数的图像纹理分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106372647A true CN106372647A (zh) | 2017-02-01 |
CN106372647B CN106372647B (zh) | 2019-10-25 |
Family
ID=57895839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610892856.3A Expired - Fee Related CN106372647B (zh) | 2016-10-13 | 2016-10-13 | 一种基于韦伯局部二值计数的图像纹理分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106372647B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109271997A (zh) * | 2018-08-28 | 2019-01-25 | 河南科技大学 | 一种基于跳跃细分局部模式的图像纹理分类方法 |
CN112329518A (zh) * | 2020-09-18 | 2021-02-05 | 南京信息工程大学 | 基于边缘纹理强化和对称差分统计的指纹活性检测的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521561A (zh) * | 2011-11-16 | 2012-06-27 | 湖南大学 | 基于多尺度韦伯局部特征和分层决策融合的人脸识别方法 |
CN102722699A (zh) * | 2012-05-22 | 2012-10-10 | 湖南大学 | 基于多尺度韦伯局部特征和核组稀疏表示的人脸识别方法 |
CN103761507A (zh) * | 2014-01-03 | 2014-04-30 | 东南大学 | 一种基于韦伯法则的局部多值模式的人脸识别方法 |
CN104933418A (zh) * | 2015-06-25 | 2015-09-23 | 西安理工大学 | 一种双像机的人群人数统计方法 |
-
2016
- 2016-10-13 CN CN201610892856.3A patent/CN106372647B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521561A (zh) * | 2011-11-16 | 2012-06-27 | 湖南大学 | 基于多尺度韦伯局部特征和分层决策融合的人脸识别方法 |
CN102722699A (zh) * | 2012-05-22 | 2012-10-10 | 湖南大学 | 基于多尺度韦伯局部特征和核组稀疏表示的人脸识别方法 |
CN103761507A (zh) * | 2014-01-03 | 2014-04-30 | 东南大学 | 一种基于韦伯法则的局部多值模式的人脸识别方法 |
CN104933418A (zh) * | 2015-06-25 | 2015-09-23 | 西安理工大学 | 一种双像机的人群人数统计方法 |
Non-Patent Citations (2)
Title |
---|
JIE CHEN等: "WLD: A Robust Local Image Descriptor", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
郭仙草等: "基于改进WLD的纹理特征提取方法", 《计算机工程》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109271997A (zh) * | 2018-08-28 | 2019-01-25 | 河南科技大学 | 一种基于跳跃细分局部模式的图像纹理分类方法 |
CN109271997B (zh) * | 2018-08-28 | 2022-01-28 | 河南科技大学 | 一种基于跳跃细分局部模式的图像纹理分类方法 |
CN112329518A (zh) * | 2020-09-18 | 2021-02-05 | 南京信息工程大学 | 基于边缘纹理强化和对称差分统计的指纹活性检测的方法 |
CN112329518B (zh) * | 2020-09-18 | 2023-10-13 | 南京信息工程大学 | 基于边缘纹理强化和对称差分统计的指纹活性检测的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106372647B (zh) | 2019-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104599275B (zh) | 基于概率图模型的非参数化的rgb-d场景理解方法 | |
CN104636721B (zh) | 一种基于轮廓与边缘纹理特征融合的掌纹识别方法 | |
CN105740945B (zh) | 一种基于视频分析的人群计数方法 | |
CN101520894B (zh) | 基于区域显著性的显著对象提取方法 | |
CN107330465A (zh) | 一种图像目标识别方法及装置 | |
CN104850825A (zh) | 一种基于卷积神经网络的人脸图像颜值计算方法 | |
Yang et al. | Traffic sign recognition in disturbing environments | |
CN107358245B (zh) | 一种图像协同显著区域的检测方法 | |
CN103996018A (zh) | 基于4dlbp的人脸识别方法 | |
CN103020614B (zh) | 基于时空兴趣点检测的人体运动识别方法 | |
CN105224937A (zh) | 基于人体部件位置约束的细粒度语义色彩行人重识别方法 | |
CN104680545B (zh) | 光学图像中存在显著目标的检测方法 | |
CN110263712A (zh) | 一种基于区域候选的粗精行人检测方法 | |
CN105447492B (zh) | 一种基于二维局部二值模式的图像描述方法 | |
CN102629322A (zh) | 一种基于边界点笔画形状的字符特征提取方法及应用 | |
Zhou et al. | Leukocyte image segmentation based on adaptive histogram thresholding and contour detection | |
CN102147867A (zh) | 一种基于主体的国画图像和书法图像的识别方法 | |
CN107704867A (zh) | 一种视觉定位中基于衡量因子的图像特征点误匹配剔除方法 | |
CN103714340A (zh) | 基于图像分块的自适应特征提取方法 | |
CN107038456A (zh) | 一种基于l1范数的概率线性判别分析的图像分类方法 | |
CN106372647A (zh) | 一种基于韦伯局部二值计数的图像纹理分类方法 | |
CN103077383B (zh) | 基于时空梯度特征的分部位的人体运动识别方法 | |
CN105069455B (zh) | 一种发票公章过滤的方法及装置 | |
CN104376312A (zh) | 基于词袋压缩感知特征提取的人脸识别方法 | |
CN106408029B (zh) | 一种基于结构差分直方图的图像纹理分类方法 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210107 Address after: 450000 Room 601, Zone E, innovation building, 68 Wenhua Road, Jinshui District, Zhengzhou City, Henan Province Patentee after: Zhengzhou Xinma Technology Co.,Ltd. Address before: 471000 No. 48, Xiyuan Road, Jianxi District, Henan, Luoyang Patentee before: HENAN University OF SCIENCE AND TECHNOLOGY |
|
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: 20191025 Termination date: 20211013 |