CN106529547B - 一种基于完备局部特征的纹理识别方法 - Google Patents

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h_m、符号直方图h_s和中心编码直方图h_c；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

一种基于完备局部特征的纹理识别方法

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T_m，利用所述幅值变换矩阵T_m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h_m；

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T_s,利用所述符号变换矩阵T_s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h_s；

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C_L和整个训练灰度纹理图像的像素平均值C_I，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h_c；

步骤S4，基于所述幅值直方图h_m、符号直方图h_s和中心编码直方图h_c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,...,k_p,...,k_P-1]^T＝[|x₀-x_c|-c,...,|x_p-x_c|-c,...,|x_P-1-x_c|-c]^T，

其中，x_c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，x_p(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|x_p-x_c|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T_m：

g＝T_m·k，

其中，g表示利用幅值变换矩阵T_m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h_m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h_m。

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,...,f_p,...,f_P-1]^T＝[x₀-x_c,...,x_p-x_c,...,x_P-1-x_c]^T，

其中，x_c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，x_p(p＝0,1,…,P-1)为中心像素点周围第p个像素点的像素值，x_p(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T_s：

r＝T_s·f，

其中，r表示利用符号变换矩阵T_s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h_s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h_s。

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(C_L-C_I)，

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h_m、符号直方图h_s和中心编码直方图h_c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T_m，利用所述幅值变换矩阵T_m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h_m；

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,...,k_p,...,k_P-1]^T＝[|x₀-x_c|-c,...,|x_p-x_c|-c,...,|x_P-1-x_c|-c]^T

其中，x_c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，x_p(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|x_p-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T_m；

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T_m：

g＝T_m·k

其中，g表示利用幅值变换矩阵T_m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T_m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T_m，相应的目标函数可设为：

其中，I表示两个变量的互信息，g_a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(g_a；l)可以写为：

其中，H为微分熵，g_u和g_v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，Σ_a，Σ_u和∑_v分别为g_a，g_u和g_v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T_m。

步骤S13，利用所述幅值变换矩阵T_m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h_m。

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T_s,利用所述符号变换矩阵T_s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h_s；

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,...,f_p,...,f_P-1]^T＝[x₀-x_c,...,x_p-x_c,...,x_P-1-x_c]^T

其中，x_c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)，x_p(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T_s；

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T_s：

r＝T_s·f

其中，r表示利用符号变换矩阵T_s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T_s，相应的目标函数可设为：

其中，I表示两个变量的互信息，r_a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(r_a；l)可以写为：

其中，H为微分熵，r_u和r_v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，Ω_a，Ω_u和Ω_v分别为r_a，r_u和r_v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T_s。

步骤S23，利用所述符号变换矩阵T_s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h_s。

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C_L，和整个训练灰度纹理图像的像素平均值C_I，得到每个像素的局部特征中心编码为：

θ(C_L-C_I)，

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h_c；

步骤S4，基于所述幅值直方图h_m、符号直方图h_s和中心编码直方图h_c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h_m、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h_m、符号直方图h_s和中心编码直方图h_c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T_m，利用所述幅值变换矩阵T_m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h_m；

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T_s,利用所述符号变换矩阵T_s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h_s；

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C_L和整个训练灰度纹理图像的像素平均值C_I，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h_c；

步骤S4，基于所述局部特征幅值直方图h_m、符号直方图h_s和中心编码直方图h_c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,...,k_p,...,k_P-1]^T＝[|x₀-x_c|-c,...,|x_p-x_c|-c,...,|x_P-1-x_c|-c]^T，

其中，x_c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，x_p(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|x_p-x_c|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T_m：

g＝T_m·k，

其中，g表示利用幅值变换矩阵T_m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,...,f_p,...,f_P-1]^T＝[x₀-x_c,...,x_p-x_c,...,x_P-1-x_c]^T，

其中，x_c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，x_p(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T_s：

r＝T_s·f，

其中，r表示利用符号变换矩阵T_s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(C_L-C_I)，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h_m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h_m。

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h_s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h_s。

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h_m、符号直方图h_s和中心编码直方图h_c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。