CN106529547B - 一种基于完备局部特征的纹理识别方法 - Google Patents
一种基于完备局部特征的纹理识别方法 Download PDFInfo
- Publication number
- CN106529547B CN106529547B CN201610896785.4A CN201610896785A CN106529547B CN 106529547 B CN106529547 B CN 106529547B CN 201610896785 A CN201610896785 A CN 201610896785A CN 106529547 B CN106529547 B CN 106529547B
- Authority
- CN
- China
- Prior art keywords
- amplitude
- pixel
- local feature
- histogram
- gray scale
- 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
- G06V10/50—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
- G06V10/507—Summing image-intensity values; Histogram projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明实施例公开了一种基于完备局部特征的纹理识别方法,属于模式识别技术领域。所述方法包括以下步骤:计算训练灰度纹理图像的幅值直方图hm、符号直方图hs和中心编码直方图hc;基于所述直方图形成纹理识别特征向量,利用支持向量机进行训练,得到纹理识别分类模型;获取测试灰度纹理图像的纹理识别特征向量,输入至纹理识别分类模型,得到纹理识别结果。本发明通过利用变换矩阵对灰度纹理图像进行处理,达到自适应环境的目的,从而提高纹理识别的鲁棒性。
Description
技术领域
本发明属于模式识别技术领域,具体涉及一种基于完备局部特征的纹理识别方法。
背景技术
纹理分类在模式识别领域扮演着重要的角色,它可以直接应用到图像检索、遥感、医疗图像分析等领域。在实际应用中,纹理分类是一个很有挑战性的研究方向,因为纹理会受到光照、角度、尺度等外界因素的影响。
近几十年纹理分类被广泛研究,一些早期的方法利用共生矩阵、隐马尔科夫模型、图像滤波等方法提取不变特征。但是,这些方法很难克服光照变化和视角变化的挑战。近年来,大量纹理识别的方法被提出,并取得了较大的进步。其中,最有代表性的工作是基于词包模型的纹理分类方法和基于局部二值模式的纹理分类方法。词包模型利用滤波器的输出或原始图像的像素值构建词典,之后利用词典为每副纹理图像构建直方图。同时,局部二值模式也在公开数据集上达到了前沿水平。局部二值模式由两个步骤组成,第一个步骤为模式编码,利用局部中心像素点与其邻域进行比较,并且根据一定的规则形成二值字符串;第二个步骤为直方图累积,每个二值字符串被转化为十进制数并形成直方图。由于局部二值模式在人脸识别、图像分割、背景建模及医疗图像分析等领域的巨大成功,因此出现了很多局部二值模式的变形。Tan和Triggs提出局部三值模式,它将中心像素点与周围像素比较的差值量化为三个等级,以更精细的描述局部差值。Heikkila等人提出中心对称局部二值模式,该方法将中心像素点的两个对角像素做比较并编码。基于这种对角做差的思想,中心对称局部三值模式被提出。完备局部二值模式将局部差分分解成两个互补的部分,即符号和幅值,并与中心像素点的二值模式一同形成最终的特征表示。基于完备局部二值模式方法,Zhao等人提出完备局部二值计数方法,该方法计算数值1的个数以此克服旋转不变。Liu等人在二值化之前先求周围像素点的平均值,以便得到对噪声稳定的编码方式。Hafiane等人开发出一种自适应中值二值模式,在比较时根据不同的局部区域自适应的调整阈值。虽然以上基于局部二值模式的方法取得了较大的成功,但是所有方法的编码方式都是预先设定的,不能根据不同的环境自适应的调整编码方式。
发明内容
本发明的目的是要解决环境变化对纹理识别结果影响较大的技术问题,为此,本发明提供一种基于完备局部特征的纹理识别方法。
为了实现所述目的,本发明基于完备局部特征的纹理识别方法包括以下步骤:
步骤S1,计算训练灰度纹理图像的局部特征转化幅值k,并为所述转化幅值k学习得到幅值变换矩阵Tm,利用所述幅值变换矩阵Tm对于所述转化幅值k进行变换得到局部特征幅值g,利用所述局部特征幅值g形成局部特征幅值直方图hm;
步骤S2,计算所述训练灰度纹理图像的局部差值幅值f,并为所述局部差值幅值f学习得到符号变换矩阵Ts,利用所述符号变换矩阵Ts对于所述局部差值幅值f进行变换得到符号幅值r,利用所述符号幅值r形成符号直方图hs;
步骤S3,在所述训练灰度纹理图像中,计算每个像素点周围N×N局部区域的像素平均值CL和整个训练灰度纹理图像的像素平均值CI,得到每个像素的局部特征中心编码,然后基于每个像素的局部特征中心编码形成中心编码直方图hc;
步骤S4,基于所述幅值直方图hm、符号直方图hs和中心编码直方图hc形成所述训练灰度纹理图像的纹理识别特征向量;
步骤S5,基于所述纹理识别特征向量,利用支持向量机进行训练,得到纹理识别分类模型;
步骤S6,按照所述步骤S1-S4获取测试灰度纹理图像的纹理识别特征向量,输入至所述纹理识别分类模型得到纹理识别结果。
可选地,利用下式计算所述局部特征转化幅值k:
k=[k0,...,kp,...,kP-1]T=[|x0-xc|-c,...,|xp-xc|-c,...,|xP-1-xc|-c]T,
其中,xc为所述训练灰度纹理图像某一局部区域(R,P)中心像素点的像素值,R为中心像素点到周围像素点的距离,P为到中心像素点距离为R的圆周上采样像素点的个数,xp(p=0,1,…,P-1)为中心像素点周围第p个像素点的像素值,c为所述训练灰度纹理图像中所有差值|xp-xc|的平均值。
可选地,所述步骤S1中,通过下式学习得到所述局部特征转化幅值k的幅值变换矩阵Tm:
g=Tm·k,
其中,g表示利用幅值变换矩阵Tm对转化幅值k进行变换得到的局部特征幅值。
可选地,所述步骤S1中,利用所述局部特征幅值g形成局部特征幅值直方图hm包括:
利用局部特征幅值g将所述训练灰度纹理图像的所有像素点编码为二进制数;
将二进制数转换成十进制数,并求得幅值直方图hm。
可选地,利用下式计算所述训练灰度纹理图像的局部差值f:
f=[f0,...,fp,...,fP-1]T=[x0-xc,...,xp-xc,...,xP-1-xc]T,
其中,xc为所述训练灰度纹理图像某一局部区域(R,P)中心像素点的像素值,R为中心像素点到周围像素点的距离,P为到中心像素点距离为R的圆周上采样像素点的个数,xp(p=0,1,…,P-1)为中心像素点周围第p个像素点的像素值,xp(p=0,1,…,P-1)为中心像素点周围第p个像素点的像素值。
可选地,所述步骤S2中,通过下式学习得到所述局部差值幅值f的符号变换矩阵Ts:
r=Ts·f,
其中,r表示利用符号变换矩阵Ts对局部差值幅值f进行变换得到的符号幅值。
可选地,所述步骤S2中,利用所述符号幅值r形成符号直方图hs包括:
利用符号幅值r将所述训练灰度纹理图像的所有像素点编码为二进制数;
将二进制数转换成十进制数,并求得符号直方图hs。
可选地,所述步骤S3中,利用下式计算每个像素的局部特征中心编码:
θ(CL-CI),
可选地,所述步骤S4进一步包括以下步骤:
将所述幅值直方图hm、符号直方图hs和中心编码直方图hc并联组成三维直方图;
将所述三维直方图变换成一维直方图作为所述训练灰度纹理图像的纹理识别特征向量。
本发明的有益效果为:通过利用变换矩阵对灰度纹理图像进行处理,达到自适应环境的目的,从而提高纹理识别的鲁棒性。
需要说明的是,本发明得到了国家自然科学基金项目No.61401309、No.61501327、天津市应用基础与前沿技术研究计划青年基金项目No.15JCQNJC01700、天津师范大学博士基金项目No.5RL134、No.52XB1405的资助。
附图说明
图1是根据本发明一实施例提出的基于完备局部特征的纹理识别方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
图1是根据本发明一实施例提出的基于完备局部特征的纹理识别方法的流程图,如图1所示,所述方法包括以下步骤:
步骤S1,计算训练灰度纹理图像的局部特征转化幅值k,并为所述转化幅值k学习得到幅值变换矩阵Tm,利用所述幅值变换矩阵Tm对于所述转化幅值k进行变换得到局部特征幅值g,利用所述局部特征幅值g形成局部特征幅值直方图hm;
所述步骤S1进一步包括以下步骤:
步骤S11,计算所述训练灰度纹理图像的局部特征转化幅值k:
k=[k0,...,kp,...,kP-1]T=[|x0-xc|-c,...,|xp-xc|-c,...,|xP-1-xc|-c]T
其中,xc为所述训练灰度纹理图像某一局部区域(R,P)中心像素点的像素值(训练灰度纹理图像像素点的幅值范围为0-255),其中,R为中心像素点到周围像素点的距离,P为到中心像素点距离为R的圆周上均匀或非均匀采样像素点的个数,比如:若局部区域为(R,P)=(1,8),则所述局部区域为以中心像素点为中心,以1为半径的圆周上均匀采样8个像素点所得到的局部区域,xp(p=0,1,…,P-1)为中心像素点周围第p个像素点的像素值,c为所述训练灰度纹理图像中所有差值|xp-xc|的平均值。
步骤S12,学习得到所述局部特征转化幅值k的幅值变换矩阵Tm;
该步骤中,通过下式学习得到所述局部特征转化幅值k的幅值变换矩阵Tm:
g=Tm·k
其中,g表示利用幅值变换矩阵Tm对转化幅值k进行变换得到的局部特征幅值。
多类分类问题可以依靠多个二分类问题解决,所以在求解上式中的Tm时,主要关注二分类问题。在二分类问题中,可利用最大化互信息方法来求解变换矩阵Tm,相应的目标函数可设为:
其中,I表示两个变量的互信息,ga表示有类别标签的局部特征幅值g,l为类别标签(l=0或1)。
由于是二分类问题,可以假设每个类别出现的概率相同,所以上式中的I(ga;l)可以写为:
其中,H为微分熵,gu和gv分别为正样本和负样本。
根据微分熵性质,上式可估计为:
其中,Σa,Σu和∑v分别为ga,gu和gv的协方差矩阵,det为矩阵行列式的值。
因此,利用上式可以估算出目标函数的值,并解出变换矩阵Tm。
步骤S13,利用所述幅值变换矩阵Tm对于所述局部特征转化幅值k进行变换得到局部特征幅值g,然后再利用局部特征幅值g将所述训练灰度纹理图像的所有像素点编码为二进制数,之后再将二进制数转换成十进制数,求得幅值直方图hm。
在本发明一实施例中,可利用阈值判断规则对于所述训练灰度纹理图像的所有像素点进行编码:当局部特征幅值g大于等于一预设阈值时,该像素点编码为1;当局部特征幅值g小于该预设阈值时,该像素点编码为0,其中,所述预设阈值的取值可根据实际应用的需要进行选择,比如可选为0,本发明对于所述预设阈值的取值不作任何限定。当然,也可以使用其他方法对于所述训练灰度纹理图像的所有像素点进行编码,本发明对其亦不作任何限定。
步骤S2,计算所述训练灰度纹理图像的局部差值幅值f,并为所述局部差值幅值f学习得到符号变换矩阵Ts,利用所述符号变换矩阵Ts对于所述局部差值幅值f进行变换得到符号幅值r,利用所述符号幅值r形成符号直方图hs;
所述步骤S2进一步包括以下步骤:
步骤S21,计算所述训练灰度纹理图像的局部差值f:
f=[f0,...,fp,...,fP-1]T=[x0-xc,...,xp-xc,...,xP-1-xc]T
其中,xc为所述训练灰度纹理图像某一局部区域(R,P)中心像素点的像素值(训练灰度纹理图像像素点的幅值范围为0-255),其中,R为中心像素点到周围像素点的距离,P为到中心像素点距离为R的圆周上均匀或非均匀采样像素点的个数,比如:若局部区域为(R,P)=(1,8),则所述局部区域为以中心像素点为中心,以1为半径的圆周上均匀采样8个像素点所得到的局部区域),xp(p=0,1,…,P-1)为中心像素点周围第p个像素点的像素值。
步骤S22,学习得到所述局部差值幅值f的符号变换矩阵Ts;
该步骤中,通过下式学习得到所述局部差值幅值f的符号变换矩阵Ts:
r=Ts·f
其中,r表示利用符号变换矩阵Ts对局部差值幅值f进行变换得到的符号幅值。
在本发明一实施例中,利用最大化互信息方法来求解符号变换矩阵Ts,相应的目标函数可设为:
其中,I表示两个变量的互信息,ra表示有类别标签的符号幅值r,l为类别标签(l=0或1)。
上式描述了二分类问题,并假设每个类别出现的概率相同,所以上式中的I(ra;l)可以写为:
其中,H为微分熵,ru和rv分别为正样本和负样本。
根据微分熵性质,上式可估计为:
其中,Ωa,Ωu和Ωv分别为ra,ru和rv的协方差矩阵,det为矩阵行列式的值。
因此,利用上式可以估算出目标函数的值,并解出符号变换矩阵Ts。
步骤S23,利用所述符号变换矩阵Ts对于所述局部差值幅值f进行变换得到符号幅值r,然后再利用符号幅值r将所述训练灰度纹理图像的所有像素点编码为二进制数,之后再将二进制数转换成十进制数,求得符号直方图hs。
在本发明一实施例中,可利用阈值判断规则对于所述训练灰度纹理图像的所有像素点进行编码:当符号幅值r大于等于一预设阈值时,该像素点编码为1;当符号幅值r小于该预设阈值时,该像素点编码为0,其中,所述预设阈值的取值可根据实际应用的需要进行选择,比如可选为0,本发明对于所述预设阈值的取值不作任何限定。当然,也可以使用其他方法对于所述训练灰度纹理图像的所有像素点进行编码,本发明对其亦不作任何限定。
步骤S3,在所述训练灰度纹理图像中,计算每个像素点周围N×N(比如:3×3)局部区域的像素平均值CL,和整个训练灰度纹理图像的像素平均值CI,得到每个像素的局部特征中心编码为:
θ(CL-CI),
最后基于每个像素的局部特征中心编码形成中心编码直方图hc;
步骤S4,基于所述幅值直方图hm、符号直方图hs和中心编码直方图hc形成所述训练灰度纹理图像的纹理识别特征向量;
该步骤同时利用幅值直方图hm、符号直方图hs和中心编码直方图hc对灰度纹理进行完备表示,具体地,在该步骤中,首先将所述幅值直方图hm、符号直方图hs和中心编码直方图hc并联组成三维直方图,然后再将此三维直方图变换成一维直方图作为所述训练灰度纹理图像的纹理识别特征向量。
步骤S5,基于所述纹理识别特征向量,利用支持向量机进行训练,得到纹理识别分类模型;
步骤S6,按照所述步骤S1-S4获取测试灰度纹理图像的纹理识别特征向量,将测试灰度纹理图像的纹理识别特征向量输入至所述纹理识别分类模型,得到测试灰度纹理图像的纹理类别标签,即测试灰度纹理图像的纹理识别结果。
以网上公开的灰度纹理图像数据库作为测试对象,比如在UIUC数据库上,当局部区域(R,P)为(1,8)、训练样本为20张纹理图像时,纹理识别的正确率为89.57%;训练样本为15张纹理图像时,纹理识别的正确率为87.73%。由此可见本发明方法的有效性。
应当理解的是,本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理,而不构成对本发明的限制。因此,在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。此外,本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (4)
1.一种基于完备局部特征的纹理识别方法,其特征在于,该方法包括以下步骤:
步骤S1,计算训练灰度纹理图像的局部特征转化幅值k,并为所述局部特征转化幅值k学习得到幅值变换矩阵Tm,利用所述幅值变换矩阵Tm对于所述局部特征转化幅值k进行变换得到局部特征幅值g,利用所述局部特征幅值g形成局部特征幅值直方图hm;
步骤S2,计算所述训练灰度纹理图像的局部差值幅值f,并为所述局部差值幅值f学习得到符号变换矩阵Ts,利用所述符号变换矩阵Ts对于所述局部差值幅值f进行变换得到符号幅值r,利用所述符号幅值r形成符号直方图hs;
步骤S3,在所述训练灰度纹理图像中,计算每个像素点周围N×N局部区域的像素平均值CL和整个训练灰度纹理图像的像素平均值CI,得到每个像素的局部特征中心编码,然后基于每个像素的局部特征中心编码形成中心编码直方图hc;
步骤S4,基于所述局部特征幅值直方图hm、符号直方图hs和中心编码直方图hc形成所述训练灰度纹理图像的纹理识别特征向量;
步骤S5,基于所述纹理识别特征向量,利用支持向量机进行训练,得到纹理识别分类模型;
步骤S6,按照所述步骤S1-S4获取测试灰度纹理图像的纹理识别特征向量,输入至所述纹理识别分类模型得到纹理识别结果;
所述步骤S1中,利用下式计算所述局部特征转化幅值k:
k=[k0,...,kp,...,kP-1]T=[|x0-xc|-c,...,|xp-xc|-c,...,|xP-1-xc|-c]T,
其中,xc为所述训练灰度纹理图像局部区域(R,P)中心像素点的像素值,R为中心像素点到周围像素点的距离,P为到中心像素点距离为R的圆周上采样像素点的个数,xp(p=0,1,…,P-1)为中心像素点周围第p个像素点的像素值,c为所述训练灰度纹理图像中所有差值|xp-xc|的平均值;
通过下式学习得到所述局部特征转化幅值k的幅值变换矩阵Tm:
g=Tm·k,
其中,g表示利用幅值变换矩阵Tm对局部特征转化幅值k进行变换得到的局部特征幅值;
所述步骤S2中,利用下式计算所述训练灰度纹理图像的局部差值幅值f:
f=[f0,...,fp,...,fP-1]T=[x0-xc,...,xp-xc,...,xP-1-xc]T,
其中,xc为所述训练灰度纹理图像局部区域(R,P)中心像素点的像素值,R为中心像素点到周围像素点的距离,P为到中心像素点距离为R的圆周上采样像素点的个数,xp(p=0,1,…,P-1)为中心像素点周围第p个像素点的像素值;
通过下式学习得到所述局部差值幅值f的符号变换矩阵Ts:
r=Ts·f,
其中,r表示利用符号变换矩阵Ts对局部差值幅值f进行变换得到的符号幅值;
所述步骤S3中,利用下式计算每个像素的局部特征中心编码:θ(CL-CI),其中
2.根据权利要求1所述的方法,其特征在于,所述步骤S1中,利用所述局部特征幅值g形成局部特征幅值直方图hm包括:
利用局部特征幅值g将所述训练灰度纹理图像的所有像素点编码为二进制数;
将二进制数转换成十进制数,并求得局部特征幅值直方图hm。
3.根据权利要求1所述的方法,其特征在于,所述步骤S2中,利用所述符号幅值r形成符号直方图hs包括:
利用符号幅值r将所述训练灰度纹理图像的所有像素点编码为二进制数;
将二进制数转换成十进制数,并求得符号直方图hs。
4.根据权利要求1所述的方法,其特征在于,所述步骤S4进一步包括以下步骤:
将所述局部特征幅值直方图hm、符号直方图hs和中心编码直方图hc并联组成三维直方图;
将所述三维直方图变换成一维直方图作为所述训练灰度纹理图像的纹理识别特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610896785.4A CN106529547B (zh) | 2016-10-14 | 2016-10-14 | 一种基于完备局部特征的纹理识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610896785.4A CN106529547B (zh) | 2016-10-14 | 2016-10-14 | 一种基于完备局部特征的纹理识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106529547A CN106529547A (zh) | 2017-03-22 |
CN106529547B true CN106529547B (zh) | 2019-05-03 |
Family
ID=58331780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610896785.4A Active CN106529547B (zh) | 2016-10-14 | 2016-10-14 | 一种基于完备局部特征的纹理识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106529547B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229579A (zh) * | 2018-01-26 | 2018-06-29 | 南京信息工程大学 | 基于鲁棒旋转不变纹理特征的花粉图像分类识别方法 |
CN110737893A (zh) * | 2018-11-28 | 2020-01-31 | 哈尔滨安天科技集团股份有限公司 | 恶意文件检测方法、装置、电子设备及存储介质 |
CN112488123B (zh) * | 2020-11-27 | 2022-11-29 | 江苏科技大学 | 一种基于细化局部模式的纹理图像分类方法及系统 |
CN112488233B (zh) * | 2020-12-09 | 2021-12-17 | 中国农业科学院农业资源与农业区划研究所 | 一种基于果纹图谱信息的编码和识别方法及装置 |
CN114581376B (zh) * | 2022-01-31 | 2023-03-24 | 南通摩瑞纺织有限公司 | 基于图像识别的纺织用蚕茧自动拣选方法及系统 |
CN114677376B (zh) * | 2022-05-30 | 2022-08-19 | 南通摩瑞纺织有限公司 | 一种基于光照预处理的织带生产瑕疵测试方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104616016A (zh) * | 2015-01-30 | 2015-05-13 | 天津大学 | 一种全局与局部特征相结合的纹理特征描述方法 |
CN105447492A (zh) * | 2015-11-13 | 2016-03-30 | 重庆邮电大学 | 一种基于二维局部二值模式的图像描述方法 |
CN105740864A (zh) * | 2016-01-22 | 2016-07-06 | 大连楼兰科技股份有限公司 | 一种基于lbp的图像特征提取方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9524449B2 (en) * | 2013-12-16 | 2016-12-20 | Adobe Systems Incorporated | Generation of visual pattern classes for visual pattern recognition |
WO2015180054A1 (zh) * | 2014-05-28 | 2015-12-03 | 北京大学深圳研究生院 | 一种基于图像超分辨率的视频编解码方法及装置 |
-
2016
- 2016-10-14 CN CN201610896785.4A patent/CN106529547B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104616016A (zh) * | 2015-01-30 | 2015-05-13 | 天津大学 | 一种全局与局部特征相结合的纹理特征描述方法 |
CN105447492A (zh) * | 2015-11-13 | 2016-03-30 | 重庆邮电大学 | 一种基于二维局部二值模式的图像描述方法 |
CN105740864A (zh) * | 2016-01-22 | 2016-07-06 | 大连楼兰科技股份有限公司 | 一种基于lbp的图像特征提取方法 |
Non-Patent Citations (2)
Title |
---|
A Completed Modeling of Local Binary Pattern Operator for Texture Classification;Zhenhua Guo 等;《IEEE Transactions on Image Processing》;20100630;第19卷(第6期);第1657-1663页 |
基于改进LBP算子的纹理图像分类方法;李春利 等;《计算机工程与设计》;20160131;第37卷(第1期);第232-236页 |
Also Published As
Publication number | Publication date |
---|---|
CN106529547A (zh) | 2017-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106529547B (zh) | 一种基于完备局部特征的纹理识别方法 | |
CN111401384B (zh) | 一种变电设备缺陷图像匹配方法 | |
Raza et al. | Appearance based pedestrians’ head pose and body orientation estimation using deep learning | |
Tan et al. | Weakly supervised metric learning for traffic sign recognition in a LIDAR-equipped vehicle | |
CN101142584B (zh) | 面部特征检测的方法 | |
CN101980250B (zh) | 基于降维局部特征描述子和隐条件随机场的目标识别方法 | |
CN105224937B (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 | |
CN106022363B (zh) | 一种适用于自然场景下的中文文字识别方法 | |
CN105335725A (zh) | 一种基于特征融合的步态识别身份认证方法 | |
Zhang et al. | Road recognition from remote sensing imagery using incremental learning | |
CN103927511A (zh) | 基于差异特征描述的图像识别方法 | |
Yuan et al. | Learning to count buildings in diverse aerial scenes | |
CN107301643B (zh) | 基于鲁棒稀疏表示与拉普拉斯正则项的显著目标检测方法 | |
Dib et al. | A review on negative road anomaly detection methods | |
Logoglu et al. | Cospair: colored histograms of spatial concentric surflet-pairs for 3d object recognition | |
Li et al. | Place recognition based on deep feature and adaptive weighting of similarity matrix | |
CN106503694A (zh) | 基于八邻域特征的数字识别方法 | |
CN102147867A (zh) | 一种基于主体的国画图像和书法图像的识别方法 | |
WO2022134842A1 (zh) | 一种建筑特征的识别方法及装置 | |
CN109635726A (zh) | 一种基于对称式深度网络结合多尺度池化的滑坡识别方法 | |
Kauba et al. | Towards using police officers’ business smartphones for contactless fingerprint acquisition and enabling fingerprint comparison against contact-based datasets | |
Lakshmanan | Efficient person authentication based on multi‐level fusion of ear scores | |
Roy et al. | Offline signature verification system: a graph neural network based approach | |
Zhang et al. | Category modeling from just a single labeling: Use depth information to guide the learning of 2d models | |
Rosato et al. | Automatic registration of vertex correspondences for 3D facial expression analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |