CN109086801A - 一种基于改进lbp特征提取的图像分类方法 - Google Patents

一种基于改进lbp特征提取的图像分类方法 Download PDF

Info

Publication number
CN109086801A
CN109086801A CN201810735451.8A CN201810735451A CN109086801A CN 109086801 A CN109086801 A CN 109086801A CN 201810735451 A CN201810735451 A CN 201810735451A CN 109086801 A CN109086801 A CN 109086801A
Authority
CN
China
Prior art keywords
value
lbp
pixel
feature extraction
image
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.)
Pending
Application number
CN201810735451.8A
Other languages
English (en)
Inventor
付波
徐超
罗冷坤
毛嫚嫚
张行星
沈攀
权轶
徐光辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hubei University of Technology
Original Assignee
Hubei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hubei University of Technology filed Critical Hubei University of Technology
Priority to CN201810735451.8A priority Critical patent/CN109086801A/zh
Publication of CN109086801A publication Critical patent/CN109086801A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于改进LBP特征提取的图像分类方法，经典的LBP方法容易使得部分纹理缺失，倘若某中心像素值较大或者较小，就会失去其周围的部分纹理。为了避免这种情况的发生，本发明将阈值处理的方法进行改进，取九个像素值的最大与最小值，然后再取最大值与最小值的平均值作为其阈值，再与其周围八个像素值进行比较，重新计算LBP码，本发明通过新改进的方法将那些可能会失去的一些纹理特征更有可能的保留下来，使得其的鲁棒性更好，也能够将取得的特征效果提高。然后将提取出来的特征通过统计直方图显示出来，并且进一步形成特征向量，然后导入到分类器中，计算所提取特征的分类效果。

Description

一种基于改进LBP特征提取的图像分类方法
技术领域
本发明属于图像处理技术领域，涉及一种图像特征提取以及分类识别的方法，具体涉及一种基于改进LBP特征提取的图像分类方法。
背景技术
特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。特征提取的定义是对某一模式的组测量值进行变换，以突出该模式具有代表性特征的一种方法。通过影像分析和变换，以提取所需特征的方法。特征提取的方法又有那些呢？有HOG(Histogram ofOriented Gradient)特征提取，角点特征提取，SIFT特征提取，LBP(Local BinaryPatterns)特征提取等，然后在这些特征提取的基础上又衍生了一些的新方法，本发明是基于经典的LBP方法提出的一种改进的方法。
传统的LBP特征算法是一种定义简单、扩展方便、运算速度快，效率较高，而且容易实现的算法，但是也有一些不足之处，比如它的鲁棒性不是很好，对光照和旋转等一系列的影响都掌控的不是很好，所以需要在原来的基础上面进行改进，将它的一些性能提升。
发明内容
为了解决上述技术问题，本发明提出了一种基于改进LBP特征提取的图像分类方法。
本发明所采用的技术方案是：一种基于改进LBP特征提取的图像分类方法，其特征在于，包括以下步骤：
步骤1：取原始图像中的3×3的二维矩阵作为移动窗口，，其中二维矩阵的矩阵元素数值是每个像素点的灰度值；
步骤2：以二维矩阵中心像素为阈值，并对阈值进行处理；然后将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0；从而获得8位二进制数；
步骤3：按照权重的比例，将中心像素点周围的二进制数化为十进制数，得到LBP值，从而获得一个新的特征图像；
步骤4：把每个新的特征图像分成3×3的9个模块，并对每个模块进行直方图统计，获得九个统计直方图；
步骤5：连接9个统计直方图，形成一个特征向量，也就是整幅图的LBP纹理特征向量；
步骤6：将提取的特征向量导入到不同的分类器中进行分类。
本发明通过新改进的方法将那些可能会失去的一些纹理特征更有可能的保留下来，使得其的鲁棒性更好，也能够将取得的特征效果提高。然后将提取出来的特征通过统计直方图显示出来，并且进一步形成特征向量，然后导入到分类器中，计算所提取的特征效果。LBP特征已经成功应用于人脸检测，唇语识别，表情检测，动态纹理等等领域。
附图说明
图1流程图
图2为传统的LBP方法中图像进行特征提取矩阵图；
图3为本发明实施例的阈值处理前获得的矩阵图；
图4为本发明实施例的阈值处理后获得的矩阵图；
图5为本发明实施例的转化后的二进制图；
图6为本发明实施例的九个统计直方图；
图7为本发明实施例的原始图像的灰度图像；
图8为传统的LBP方法形成的特征图像；
图9为本发明实施例形成的特征图像。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
请见图2，传统的LBP的方法，就是对图像中的某一像素点的灰度值与其邻域的像素点的灰度值做比较，如图2所示，最左边的是原图，标号为example。要检测某个像素点的某些信息，在图2中，对于9个方格中中间方格(方格中的数字是像素点灰度值大小)，做一个阈值化处理。大于等于中心点像素的，则标记为1，小于的则标记为0，这样就可以产生8位二进制数，如图2中的thresholded(顺时针旋转)，然后在按照权重的比例，如图2中的weights，可以将中心像素点周围的11110001二进制数化为十进制数，得到LBP值。
LBP值计算公式为：
其中i表示中心像素周围八个像素点，Pi表示八个像素值，Pc表示中心像素点的像素值，LBPpc表示计算得到的LBP码，s(x)是符号函数。
该方法原理简单，易于人们理解，但是这种算法存在一些不足，容易使得部分纹理缺失，倘若某中心像素值较大或者较小，就会失去其周围的部分纹理。为了避免这种情况的发生，本发明将阈值的设定重新改进，取九个像素值的最大与最小值，然后再取最大值与最小值的平均值作为其阈值，再与周围八个像素值进行比较，重新计算LBP码；
具体包括以下步骤：
步骤1：取原始图像中的3×3的二维矩阵作为移动窗口(矩阵大小能自己设定，本实施例采用的是3×3)，其中二维矩阵的矩阵元素数值是每个像素点的灰度值；
步骤2：以二维矩阵中心像素为阈值，并对阈值进行处理；然后将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0；从而获得8位二进制数；
请见图3，本实施例对阈值进行处理，是取九个像素值的最大与最小值，然后再取最大值与最小值的平均值作为阈值。
其中最大值Ymax＝9，最小值Ymin＝1，所以他的阈值设定为Yav＝(Ymax+Ymin)/2＝5，所以，新形成的方格(如图4)以及转化后的二进制图(如图5)。
步骤3：按照权重的比例，将中心像素点周围的二进制数化为十进制数，得到LBP值，从而获得一个新的特征图像；
步骤4：把每个新的特征图像分成3×3的9个模块，并对每个模块进行直方图统计，获得九个统计直方图；
本实施例把每个新的特征图像分成3×3的9个模块，然后对每块进行直方图统计，就会形成九个统计直方图，形如图6所示。
步骤5：连接9个统计直方图，形成一个特征向量，也就是整幅图的LBP纹理特征向量；
步骤6：将提取的特征向量导入到不同的分类器中进行分类。
进行分类实验的时候，本实施例选择了三种分类器：SVM(Support VectorMachine)，K近邻以及随机森林。SVM指的是支持向量机，是常见的一种判别方法。在机器学习领域，是一个有监督的学习模型，通常用来进行模式识别、分类以及回归分析。SVM方法是通过一个非线性映射p，把样本空间映射到一个高维乃至无穷维的特征空间中(Hilbert空间)，使得在原来的样本空间中非线性可分的问题转化为在特征空间中的线性可分的问题。K近邻分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。该方法的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。随机森林指的是利用多棵树对样本进行训练并预测的一种分类器。随机森林是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。通过这三种分类器与特征提取算法相结合，从而对数据进行分类。
请见图7，是本实施例的原始图像的灰度图像，图8是经典的LBP形成的特征图像，从图8可以看到，特征图像可以大致的将原图的图片内容以及轮廓表达出来，只是细节的纹理特征在表达上面有点欠缺。图9是通过改进LBP之后得到的特征图像，对比于图8的特征图像，图9有一定程度的提升效果，在图8中，有一些较暗的特征区域，然而图9能够将它们在一定程度上面得到提升，使得纹理能够更好的表达。
特征提取是分类实验的一个准备工作，分类实验需要大量的数据集，本实施例这里取5种不同的物体作为训练对象，每个对象选取95张照片，然后在取100张照片作为测试对象，来完成分类实验的测试，每张图片的大小本实施例都设置为600*500，并且对经典的LBP特征提取进行相同的实验，然后对比实验结果，得出相应的结论。
本实验的操作环境是在CPU为i3-4030U,GPU为Intel(R)HD Graphics Family以及64位的Windows10系统下操作完成的。
利用本发明方法与经典LBP特征提取算法惊醒分类实验的到的实验结果对比如表1：
表1 分类结果比较
从表1中可以看到不同的分类方法有一定的效果差别，然而不同的特征提取算法也是有一定的提高的，相比较与经典的LBP算法，改进的LBP算法在部分物体的分类上面有一定的提高，在分类器的比较中，经典的LBP算法与SVM结合的分类算法效果最好，改进的特征提取算法与随机森林分类器的结合是最好的分类算法，在总体上来说，改进的分类算法在分类效果是要好于经典的LBP算法的分类效果。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (3)

1.一种基于改进LBP特征提取的图像分类方法，其特征在于，包括以下步骤：
步骤1：取原始图像中的3×3的二维矩阵作为移动窗口，其中二维矩阵的矩阵元素数值是每个像素点的灰度值；
步骤2：以二维矩阵中心像素为阈值，并对阈值进行处理；然后将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0；从而获得8位二进制数；
步骤3：按照权重的比例，将中心像素点周围的二进制数化为十进制数，得到LBP值，从而获得一个新的特征图像；
步骤4：把每个新的特征图像分成3×3的9个模块，并对每个模块进行直方图统计，获得九个统计直方图；
步骤5：连接9个统计直方图，形成一个特征向量，也就是整幅图的LBP纹理特征向量；
步骤6：将提取的特征向量导入到不同的分类器中进行分类。
2.根据权利要求1所述的基于改进LBP特征提取的图像分类方法，其特征在于：步骤2中所述对阈值进行处理，是取九个像素值的最大与最小值，然后再取最大值与最小值的平均值作为阈值。
3.根据权利要求1所述的基于改进LBP特征提取的图像分类方法，其特征在于：步骤6中所述分类器包括SVM分类器、K近邻分类器或随机森林分类器。
CN201810735451.8A 2018-07-06 2018-07-06 一种基于改进lbp特征提取的图像分类方法 Pending CN109086801A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810735451.8A CN109086801A (zh) 2018-07-06 2018-07-06 一种基于改进lbp特征提取的图像分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810735451.8A CN109086801A (zh) 2018-07-06 2018-07-06 一种基于改进lbp特征提取的图像分类方法

Publications (1)

Publication Number Publication Date
CN109086801A true CN109086801A (zh) 2018-12-25

Family

ID=64837027

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810735451.8A Pending CN109086801A (zh) 2018-07-06 2018-07-06 一种基于改进lbp特征提取的图像分类方法

Country Status (1)

Country Link
CN (1) CN109086801A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109858353A (zh) * 2018-12-26 2019-06-07 东华理工大学 基于迹变换与lbp的人脸图像特征提取方法
CN110648340A (zh) * 2019-09-29 2020-01-03 惠州学院 一种基于二进制及水平集处理图像的方法及装置
CN113706517A (zh) * 2021-09-01 2021-11-26 什维新智医疗科技(上海)有限公司 一种基于gulbp算子的结节良恶性判断装置
CN116596922A (zh) * 2023-07-17 2023-08-15 山东龙普太阳能股份有限公司 一种太阳能热水器生产质量检测方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103310236A (zh) * 2013-06-27 2013-09-18 上海数据分析与处理技术研究所 基于局部二维特征的拼接图像检测方法及系统
CN103839085A (zh) * 2014-03-14 2014-06-04 中国科学院自动化研究所 一种列车车厢异常人群密度的检测方法
CN104156693A (zh) * 2014-07-15 2014-11-19 天津大学 一种基于多模态序列融合的动作识别方法
CN104504368A (zh) * 2014-12-10 2015-04-08 成都品果科技有限公司 一种图像场景识别方法及系统
CN105005773A (zh) * 2015-07-24 2015-10-28 成都市高博汇科信息科技有限公司 一种融合时域信息和空域信息的行人检测方法
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
CN106682641A (zh) * 2017-01-05 2017-05-17 北京细推科技有限公司 基于fhog‑lbph特征的图像行人识别方法
CN106951863A (zh) * 2017-03-20 2017-07-14 贵州电网有限责任公司电力科学研究院 一种基于随机森林的变电站设备红外图像变化检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103310236A (zh) * 2013-06-27 2013-09-18 上海数据分析与处理技术研究所 基于局部二维特征的拼接图像检测方法及系统
CN103839085A (zh) * 2014-03-14 2014-06-04 中国科学院自动化研究所 一种列车车厢异常人群密度的检测方法
CN104156693A (zh) * 2014-07-15 2014-11-19 天津大学 一种基于多模态序列融合的动作识别方法
CN104504368A (zh) * 2014-12-10 2015-04-08 成都品果科技有限公司 一种图像场景识别方法及系统
CN105005773A (zh) * 2015-07-24 2015-10-28 成都市高博汇科信息科技有限公司 一种融合时域信息和空域信息的行人检测方法
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
CN106682641A (zh) * 2017-01-05 2017-05-17 北京细推科技有限公司 基于fhog‑lbph特征的图像行人识别方法
CN106951863A (zh) * 2017-03-20 2017-07-14 贵州电网有限责任公司电力科学研究院 一种基于随机森林的变电站设备红外图像变化检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CHENGCHENG LI.ET.: "Iris recognition based on a novel variation of local binary pattern", 《THE VISUAL COMPUTER》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109858353A (zh) * 2018-12-26 2019-06-07 东华理工大学 基于迹变换与lbp的人脸图像特征提取方法
CN110648340A (zh) * 2019-09-29 2020-01-03 惠州学院 一种基于二进制及水平集处理图像的方法及装置
CN110648340B (zh) * 2019-09-29 2023-03-17 惠州学院 一种基于二进制及水平集处理图像的方法及装置
CN113706517A (zh) * 2021-09-01 2021-11-26 什维新智医疗科技(上海)有限公司 一种基于gulbp算子的结节良恶性判断装置
CN113706517B (zh) * 2021-09-01 2024-05-24 什维新智医疗科技(上海)有限公司 一种基于gulbp算子的结节良恶性判断装置
CN116596922A (zh) * 2023-07-17 2023-08-15 山东龙普太阳能股份有限公司 一种太阳能热水器生产质量检测方法
CN116596922B (zh) * 2023-07-17 2023-09-12 山东龙普太阳能股份有限公司 一种太阳能热水器生产质量检测方法

Similar Documents

Publication Publication Date Title
CN109086801A (zh) 一种基于改进lbp特征提取的图像分类方法
Nguyen et al. Deep learning for american sign language fingerspelling recognition system
CN105184772B (zh) 一种基于超像素的自适应彩色图像分割方法
Mäenpää et al. Optimising colour and texture features for real-time visual inspection
Lin et al. Image retrieval and classification using adaptive local binary patterns based on texture features
Chang-Yeon Face Detection using LBP features
CN105701495A (zh) 图像纹理特征提取方法
Badiger et al. Leaf and skin disease detection using image processing
Mabrouk et al. Image flower recognition based on a new method for color feature extraction
CN110415222A (zh) 一种基于纹理特征的丝饼侧面缺陷识别方法
Winarno et al. Analysis of color features performance using support vector machine with multi-kernel for batik classification.
Thibault et al. Efficient statistical/morphological cell texture characterization and classification
CN113172002A (zh) 一种基于图像识别的输煤线矸石识别方法及分选系统
CN109829511B (zh) 基于纹理分类的下视红外图像中云层区域检测方法
Caraka et al. Batik parang rusak detection using geometric invariant moment
Rathore et al. A novel approach for ensemble clustering of colon biopsy images
Suri et al. Robust face detection using circular multi block local binary pattern and integral haar features
Sinha et al. Comparative study of preprocessing and classification methods in character recognition of natural scene images
Hasan et al. Application of binary particle swarm optimization in automatic classification of wood species using gray level co-occurrence matrix and k-nearest neighbor
Alobaidi et al. Face detection based on probability of amplitude distribution of local binary patterns algorithm
CN109241886B (zh) 基于olbp与pca的人脸识别方法和系统
Wang et al. Wood surface quality detection and classification using gray level and texture features
Gajalakshmi et al. Hand gesture recognition by histogram based kernel using density measure
Chang et al. A region-based skin color detection algorithm
CN105335762B (zh) 一种基于Legendre矩不变量和PSO-LSSVM分类器的密级标识识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination