CN111612099B - 基于局部排序差值细化模式的纹理图像分类方法及系统 - Google Patents

基于局部排序差值细化模式的纹理图像分类方法及系统 Download PDF

Info

Publication number
CN111612099B
CN111612099B CN202010493328.7A CN202010493328A CN111612099B CN 111612099 B CN111612099 B CN 111612099B CN 202010493328 A CN202010493328 A CN 202010493328A CN 111612099 B CN111612099 B CN 111612099B
Authority
CN
China
Prior art keywords
lsdrp
feature
binary sequence
image
descriptor
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
Application number
CN202010493328.7A
Other languages
English (en)
Other versions
CN111612099A (zh
Inventor
束鑫
潘慧
赵新铭
石亮
邵长斌
史金龙
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.)
Jiangsu University of Science and Technology
Original Assignee
Jiangsu University of Science and 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 Jiangsu University of Science and Technology filed Critical Jiangsu University of Science and Technology
Priority to CN202010493328.7A priority Critical patent/CN111612099B/zh
Publication of CN111612099A publication Critical patent/CN111612099A/zh
Application granted granted Critical
Publication of CN111612099B publication Critical patent/CN111612099B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/241Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/50Extraction 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于局部排序差值细化模式的纹理图像分类方法及系统,该方法包括:根据选择的采样半径对数据集中的每幅纹理图像进行高斯滤波,得到对应半径下的平滑纹理图像;在平滑后的图像上提取局部排序差值细化模式LSDRP描述子,以获取纹理图像在不同尺度下的灰度差值信息;选择LSDRP特征直方图中的前T维高频特征所对应的模式表征纹理图像,得到降维后的LSDRP_T特征向量;级联多个采样半径下所述降维后的LSDRP_T特征向量,并进行分类训练,得到训练结果;本发明将局部像素间的关系分为上部和下部,并分别将上下部的差值信息融入纹理特征的编码模式中,不仅提高了LSDRP描述子的稳定性,也弥补了原始LBP忽视局部像素间灰度差值大小信息的问题。

Description

基于局部排序差值细化模式的纹理图像分类方法及系统
技术领域
本发明涉及图像处理和模式识别技术领域,具体涉及一种基于局部排序差值细化模式的纹理图像分类方法及系统。
背景技术
纹理特征作为图像的底层特征之一,在图像分析、机器视觉和模式识别领域一直占据重要地位。无论是对自然图像、医学图像还是遥感图像而言,纹理特征的提取和分析都是首要解决的基本问题。因此,如何有效的获取具有表征性的纹理特征是图像分析和理解的关键所在。
早期的纹理特征提取方法,主要包括灰度共生矩阵、马尔可夫随机场、分形理论、小波变换等。这些方法在纹理分类中能够取得较好的效果,但却存在计算过程复杂、计算量大及实时性差等问题。2002年Ojala等人提出了一种局部二值模式LBP,因其具有计算简单、复杂度低、线性灰度不变等优点而被广泛用于人脸检测和识别、图像检索、场景重建等诸多应用领域。随后,众多基于LBP的拓展算法被提出,以解决LBP面对自然环境中纹理的复杂多样性及图像成像过程中存在的光照、旋转、噪声干扰等带来的问题。实验表明,LBP的拓展算法在一定程度上解决了原始LBP中存在的问题,但仍存在特征维度高、局部区域像素间差值没有得到充分体现等问题。
发明内容
发明目的:为了克服现有技术的不足,本发明提供一种基于局部排序差值细化模式的纹理图像分类方法,该方法可以解决传统局部二值模式及其扩展方法存在特征维度高、局部区域像素间差值没有得到充分体现的问题,本发明还提供一种基于局部排序差值细化模式的纹理图像分类系统。
技术方案:本发明所述的基于局部排序差值细化模式的纹理图像分类方法,包括:
(1)根据选择的采样半径对数据集中的每幅纹理图像进行高斯滤波,得到对应半径下的平滑纹理图像;
(2)提取所述平滑纹理图像的上部描述子的特征直方图和下部描述子的特征直方图,进而得到每幅图像的LSDRP特征直方图,其中,所述上部描述子为在将图像局部邻域内的采样点和中心点阈值化操作后,大于等于中心点对应值的采样点的二值序列对应的描述子,所述下部描述子为小于中心点对应值的采样点的二值序列对应的描述子;
(3)选择LSDRP特征直方图中的前T维高频特征所对应的模式表征纹理图像,得到降维后的LSDRP_T特征向量;
(4)级联多个采样半径下所述降维后的LSDRP_T特征向量,建立多尺度直方图特征表示,并进行分类训练,得到训练结果。
进一步的,包括:
步骤(2)中,所述得到每幅图像的LSDRP特征直方图的方法包括:
(21)根据灰度值大小将图像局部邻域内的采样点排序,得到局部排序区域中的各个采样点和中心点;
(22)将采样点和中心点进行阈值化操作,得到上部排序二值序列,将采样点和中心点再次进行阈值化操作,得到下部排序二值序列;
(23)分别为上部排序二值序列和下部排序二值序列分配初始权值,使得上部排序二值序列对应位置处的权值为2p,下部排序二值序列对应位置处的权值为2P-1-p,其中,P为采样点的总数,p=0,1,...,P-1;
(24)计算局部排序区域内的采样点和中心点的灰度差值,并将差值归一化,使归一化差值在[0,1]之间;
(25)采用所述归一化的差值分别更新上部排序二值序列和下部排序二值序列对应位置处的权值,从而得到包含局部像素间差值大小信息的新权值;
(26)将该局部邻域的上部排序二值序列和各值对应位置处的新权值相乘,再累加,得到上部LSDRPup描述子对应的十进制编码;将该局部邻域的下部排序二值序列和各值对应位置处的新权值相乘,再累加,得到下部LSDRPlow描述子对应的十进制编码,;
(27)分别构建每幅图像上部LSDRPup描述子直方图和下部LSDRPlow描述子的直方图,再将LSDRPup和LSDRPlow的直方图级联,由此得到每幅图像的LSDRP特征直方图。
进一步的,包括:
步骤(24)中,所述归一化差值表示为:
Figure BDA0002521920610000021
其中,gc表示局部邻域的中心点(i,j)处的灰度值,g'p表示排序后的局部邻域内第p位采样点的灰度值。
进一步的,包括:
步骤(25)中,所述归一化的差值分别更新上部排序二值序列的权值,表示为:
Figure BDA0002521920610000031
所述下部排序二值序列对应位置处的权值,表示为:
Figure BDA0002521920610000032
进一步的,包括:
步骤(26)中,所述上部排序二值序列对应的十进制编码,表示为:
Figure BDA0002521920610000033
Figure BDA0002521920610000034
所述下部排序二值序列对应的十进制编码,表示为:
Figure BDA0002521920610000035
Figure BDA0002521920610000036
其中,参数R和P分别表示局部邻域采样半径和采样点数,z(x)和f(x)为符号描述符。
进一步的,包括:
步骤(27)中,所述得到每幅图像的LSDRP特征直方图,具体包括:
首先,构建每幅图像上部LSDRPup描述子直方图,表示为:
Figure BDA0002521920610000037
其次,构建每幅图像下部LSDRPlow描述子的直方图,表示为:
Figure BDA0002521920610000038
Figure BDA0002521920610000041
每幅图像的LSDRP特征直方图,表示为:
Figure BDA0002521920610000042
其中,M和N表示一幅大小为M*N的纹理图像。
进一步的,包括:
步骤(3)中,所述选择LSDRP特征直方图中带有模式类别的高频模式表征纹理图像,包括:
(31)用G1,G2,...,Gn代表高斯滤波后的训练图像,n为训练集中图像的总数;
(32)计算G1,G2,...,Gn的LSDRP特征直方图,表示为H1,H2,...,Hn,将所有直方图按模式类别累加,得到行向量H=H1+H2+...+Hn
(32)根据模式频数将H降序排列得到Hsort,保留Hsort的前T维高频特征所对应的模式类别,并作为最终所提取的特征模式类别。
进一步的,包括:
步骤(3)中,所述T维是以分类性能达到最佳为标准,即当特征模式数小于T,特征频数随着特征模式数的增加仍有变化,当特征模式数大于等于T,特征频数趋于稳定,T位后的特征模式基本不包含有效信息。
另一方面,本发明还提供一种基于局部排序差值细化模式的纹理图像分类系统,包括:
图像预处理模块,用于根据选择的采样半径对训练集中的每幅原始纹理图像进行高斯滤波,得到对应半径下的平滑纹理图像;
特征提取模块,用于提取所述平滑纹理图像的上部描述子的特征直方图和下部描述子的特征直方图,进而得到每幅图像的LSDRP特征直方图,其中,所述上部描述子为在将图像局部邻域内的采样点和中心点阈值化操作后,大于等于中心点对应值的采样点的二值序列对应的描述子,所述下部描述子为小于中心点对应值的采样点的二值序列对应的描述子;
特征降维模块,用于选择LSDRP特征直方图中的前T维高频特征所对应的模式表征纹理图像,得到降维后的LSDRP_T特征向量;
分类模块,用于级联多个采样半径下所述降维后的LSDRP_T特征向量,建立多尺度直方图特征表示,并进行分类训练,得到训练结果。
在上面的基础上,本发明还提供一种计算机存储介质,其上存储有计算机程序,其特征在于:所述计算机程序在被计算机处理器执行时实现上述所述的方法。
有益效果:(1)本发明根据灰度值大小对局部邻域采样点排序,使得纹理描述子具有高效的旋转鲁棒性;(2)本发明将局部像素间的关系分为上部和下部,并分别将上下部的差值信息融入纹理特征的编码模式中,不仅提高了LSDRP描述子的稳定性,也弥补了原始LBP忽视局部像素间灰度差值大小信息的问题;(3)本发明采用LSDRP特征向量中带有模式类别的高频特征模式表征纹理图像,在降低特征向量维度的同时也避免了低频模式对纹理分类性能的影响;(4)本发明的LSDRP描述子能够有效捕获局部像素间的纹理信息,且能在低维度、低密度采样条件下有效解决纹理分类中存在的光照、旋转变化问题,具有较好的纹理分类能力。
附图说明
图1为本发明的纹理图像分类方法流程图;
图2为本发明的提取局部排序差值细化模式中LSDRPup和LSDRPlow描述子的流程图;
图3为本发明的方法分类精度和特征维度关系图,其中,图3a1为采样半径为1时在不同子库中的关系图,图3b1为采样半径为2时在不同子库中的关系图,图3c1为采样半径为3时在不同子库中的关系图,图3a2为采样半径为1时前100维下在不同子库中的关系图,图3b2为采样半径为2时前100维下在不同子库中的关系图,图3c2为采样半径为3时前100维下在不同子库中的关系图;
图4为本发明的方法与其他方法的对比实验结果图;
图5为本发明所述的电子设备结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,并不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参阅图1所示,本实施例通过在标准纹理库Outex的TC10、TC12_000和TC12_001三个子库上进行分类,本发明提供一种基于局部排序差值细化模式的纹理图像分类方法,包括训练部分和测试部分,训练部分包括以下步骤:
步骤1、图像预处理:在提取特征前先对输入图片进行预处理,使得每个纹理样本的平均强度为128,标准偏差为20,具体包括:
(11)确定滤波器窗口大小,使得滤波器窗口面积和局部区域面积相同,如R=3时,局部区域面积为7*7,则滤波窗口面积也设为7*7;
(12)确定标准差σ的取值,由于σ的大小反应了周围像素对当前像素的影响程度,且σ越大,远处像素对中心像素的影响也就越大,因此,σ应随着半径的增大而增大。
根据选择的采样半径对训练集中的每幅纹理图像进行高斯滤波,得到对应半径下的平滑纹理图像,由于采用了不同的采样半径进行高斯滤波,因此,每幅图像都可以获取不同程度的平滑图像;本实施例的采样半径R选择为1,2,3,4,5,本发明实施例设定的采样半径与高斯滤波规格的对应关系如表1所示:
表1采样半径与高斯滤波规格的对应关系
Figure BDA0002521920610000061
步骤2、特征提取:在平滑后的图像上提取相应半径下的局部排序差值细化模式LSDRP描述子,以获取纹理图像在不同尺度下的灰度差值信息;具体的,
首先,提取平滑纹理图像的上部描述子的特征直方图和下部描述子的特征直方图,进而得到每幅图像的LSDRP特征直方图,其中,上部描述子为在将图像局部邻域内的采样点和中心点阈值化操作后,大于等于中心点对应值的采样点的二值序列对应的描述子,下部描述子为小于中心点对应值的采样点的二值序列对应的描述子。
本实施例中,步骤2包括以下步骤:
(21)根据灰度值大小将图像局部邻域内的采样点排序,得到局部排序区域;
如图2所示,原图像局部邻域为采样点8个,中心点1个,中心点的灰度值为119,将采样点重新排序,可采用从左上到左下顺时针的方向采样点灰度值由大到小的顺序进行排序,得到局部排序区域,排序方法没有具体限制,
(22)在局部排序区域中将采样点和中心点进行两次阈值化操作,即得到大于等于中心点的上部排序二值序列和小于中心点的下部排序二值序列,再分别为上下部二值序列分配初始权值,使得上部对应位置处的权值为2p,下部对应位置处的权值为2P-1-p。其中,P为采样点的总数,p=0,1,...,P-1。
如图2所示,将采样点从小到大的顺序排序,每个采样点和中心点进行一次二值化操作,即得到各个具有二值编码的采样点的二值化序列,由于100,106和113小于中心点的灰度值,因此在上部排序二值序列中二值编码为0,其他均为1,对应的初始权值依次为27,26,...,20
对应的,下部排序二值序列中小于中心点灰度值对应的采样点的二值编码为1,大于等于的二值编码为0,对应的初始权值依次为20,21,...,27
(23)计算局部排序区域中邻域采样点和中心点的灰度差值,并将差值归一化,使其值在[0,1]之间,表示为:
Figure BDA0002521920610000071
其中,gc表示局部区域中心(i,j)处的灰度值,g'p表示排序后的局部区域内第p位采样点的灰度值;
(24)用Dp分别更新上部排序二值序列中对应位置处的权值和下部排序二值序列中对应位置处的权值,从而得到包含局部像素间差值大小信息的新权值
Figure BDA0002521920610000072
Figure BDA0002521920610000073
描述如下:
Figure BDA0002521920610000074
Figure BDA0002521920610000075
(25)将该局部区域的上下部排序二值序列编码和对应位置处的新权值相乘,再累加,得到各自十进制编码,描述如下:
Figure BDA0002521920610000076
Figure BDA0002521920610000081
其中,参数R和P分别表示局部邻域采样半径和采样点数,z(x)和f(x)为符号描述符。
如图2所示,本实施例中上部排序二值序列对应的十进制编码为32,下部排序二值序列对应的十进制编码为7。
(26)分别构建每幅图像LSDRPup和LSDRPlow描述子的直方图,再将LSDRPup和LSDRPlow的直方图级联,由此,得到每幅图像的LSDRP特征直方图,描述如下:
Figure BDA0002521920610000082
Figure BDA0002521920610000083
Figure BDA0002521920610000084
Figure BDA0002521920610000085
其中,M和N表示一幅大小为M*N的纹理图像。
步骤3、选择LSDRP特征直方图中的前T维高频特征所对应的模式表征纹理图像,得到降维后的LSDRP_T特征向量;
(31)用G1,G2,...,Gn代表高斯滤波后的训练图像,n为训练集中图像的总数;
(32)计算G1,G2,...,Gn的LSDRP特征直方图,表示为H1,H2,...,Hn,将所有直方图按模式类别累加,得到行向量H=H1+H2+...+Hn
(33)根据模式频数将H降序排列得到Hsort,保留Hsort的前T位高频特征所对应的模式类别并作为最终所提取的特征模式类别;
本实施例,首先在TC10、TC12_000和TC12_001数据集上进行了三个单尺度条件下的实验,采样半径R的取值为{1,2,3},采样点数P固定取值为8,以观察分类精度与特征维度的关系,即图中的特征模式数,从而确定参数T的取值,以便后续在其他半径和其他数据库中直接提取前T维高频特征模式并用于分类,如图3所示,可以看到当描述子的维度为30至40时,分类性能达到最佳,即40维以后的特征模式基本不包含有效信息,特征频数趋于零。
假设一幅图像由1,2,…,100种特征模式组成,那该幅图像的特征向量就是分别统计该幅图像中1,2,…,100种特征模式的个数,每个特征模式的个数就是特征频数;
当只统计1,2,…,30种特征模式的特征向量所得到的分类精度就可以达到统计1,2,…,100种特征模式的特征向量所得的分类精度时,就可以只统计这30个特征模式,舍弃其他的特征模式,从而由原先的100维特征降低到30维。
因此,从图3可知,本文最终确定T的取值为40,并用LSDRP_40表示每幅图像降维后的特征向量。
步骤4、级联多个采样半径下所述降维后的LSDRP_40特征向量,建立多尺度直方图特征表示,并进行分类训练,得到训练结果。
本实施例选择的局部邻域采样半径R的取值为{1,3,5},采样点数P固定取值为8,将三个采样半径下降维后的LSDRP_40特征向量级联,以建立多尺度直方图特征表示,并采用卡方距离和最近邻分类器进行分类,获取分类结果。
具体的,假设在TC10数据库中进行试验,训练集中图像总数为n,测试集中图像总数为m,TC10数据库的图像总数为n+m,采样半径R的取值为{1,3,5},采样点数P固定取值为8。
首先提取训练集中每幅图像的特征向量表示为H1,H2,...,Hn,其中,每幅图像的特征向量维数为512,可以看成是一个n*512大小的矩阵;然后所有特征向量按模式类别累加,得到一个行向量H,大小为(1*512);根据模式频数将H降序排列得到Hsort,保留Hsort的前40位高频特征所对应的模式类别。
测试阶段:采用测试集对上述方法进行分类测试,将本方法和其他16个纹理特征提取方法进行比较,结果如图4所示,本发明采用的方法在子库TC10中的分类精度100%,其他两个子库中的分类精度相较于其他方法也较高。
训练集和测试集中每幅图像在提取到的特征向量中都只保留在训练阶段中学习得到的40种特征模式,从而形成每幅图像降维后的特征向量,并用于分类。
通过与其他方法的比较,可以验证本发明所提出的方法相对于其他16种方法具有很好的优越性:有效的提高分类精度,有效的降低特征向量的维度,有效的表征局部像素间的差值信息。另外,本发明所提方法计算简单且能在特征低维度、低密度采样点下有效解决纹理分类中存在的光照、旋转变化问题。
另一方面,本发明还提供一种基于局部排序差值细化模式的纹理图像分类系统,包括:
图像预处理模块,用于根据选择的采样半径对数据集中的每幅纹理图像进行高斯滤波,得到对应半径下的平滑纹理图像;
特征提取模块,用于提取所述平滑纹理图像的上部描述子的特征直方图和下部描述子的特征直方图,进而得到每幅图像的LSDRP特征直方图,其中,所述上部描述子为在将图像局部邻域内的采样点和中心点阈值化操作后,大于等于中心点对应值的采样点的二值序列对应的描述子,所述下部描述子为小于中心点对应值的采样点的二值序列对应的描述子;
特征降维模块,用于选择LSDRP特征直方图中带有前T维高频特征所对应的模式表征纹理图像,得到降维后的LSDRP_T特征向量;
分类模块,用于级联多个采样半径下所述降维后的LSDRP_T特征向量,建立多尺度直方图特征表示,并进行分类训练,得到训练结果。
参阅图5所示,本发明实施例中,一种电子设备结构示意图。
本发明实施例提供了一种电子设备,该电子设备可以包括处理器310(CenterProcessing Unit,CPU)、存储器320、输入设备330和输出设备340等,输入设备330可以包括键盘、鼠标、触摸屏等,输出设备340可以包括显示设备,如液晶显示器(Liquid CrystalDisplay,LCD)、阴极射线管(Cathode Ray Tube,CRT)等。
存储器320可以包括只读存储器(ROM)和随机存取存储器(RAM),并向处理器310提供存储器320中存储的程序指令和数据。在本发明实施例中,存储器320可以存储基于局部排序差值细化模式的纹理图像分类方法的程序。
处理器310通过调用存储器320存储的程序指令,处理器310用于按照获得的程序指令执行上述任一种基于静态纹理的人脸欺诈检测方法的步骤。
基于上述实施例,本发明实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意方法实施例中的基于静态纹理的人脸欺诈检测方法。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样,倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。

Claims (9)

1.一种基于局部排序差值细化模式的纹理图像分类方法,其特征在于,包括:
(1)根据选择的采样半径对数据集中的每幅纹理图像进行高斯滤波,得到对应半径下的平滑纹理图像;
(2)提取所述平滑纹理图像的上部描述子的特征直方图和下部描述子的特征直方图,进而得到每幅图像的LSDRP特征直方图,其中,所述上部描述子为在将图像局部邻域内的采样点和中心点阈值化操作后,大于等于中心点对应值的采样点的二值序列对应的描述子,所述下部描述子为小于中心点对应值的采样点的二值序列对应的描述子;
所述得到每幅图像的LSDRP特征直方图的方法包括:
(21)根据灰度值大小将图像局部邻域内的采样点排序,得到局部排序区域中的各个采样点和中心点;
(22)将采样点和中心点进行阈值化操作,得到上部排序二值序列,将采样点和中心点再次进行阈值化操作,得到下部排序二值序列;
(23)分别为上部排序二值序列和下部排序二值序列分配初始权值,使得上部排序二值序列对应位置处的权值为2p,下部排序二值序列对应位置处的权值为2P-1-p,其中,P为采样点的总数,p=0,1,...,P-1;
(24)计算局部排序区域内的采样点和中心点的灰度差值,并将差值归一化,使归一化差值在[0,1]之间;
(25)采用所述归一化的差值分别更新上部排序二值序列和下部排序二值序列对应位置处的权值,从而得到包含局部像素间差值大小信息的新权值;
(26)将该局部邻域的上部排序二值序列和各值对应位置处的新权值相乘,再累加,得到上部LSDRPup描述子对应的十进制编码;将该局部邻域的下部排序二值序列和各值对应位置处的新权值相乘,再累加,得到下部LSDRPlow描述子对应的十进制编码;
(27)分别构建每幅图像上部LSDRPup描述子直方图和下部LSDRPlow描述子的直方图,再将LSDRPup和LSDRPlow的直方图级联,由此得到每幅图像的LSDRP特征直方图;
(3)选择LSDRP特征直方图中的前T维高频特征所对应的模式表征纹理图像,得到降维后的LSDRP_T特征向量;
(4)级联多个采样半径下所述降维后的LSDRP_T特征向量,建立多尺度直方图特征表示,并进行分类训练,得到训练结果。
2.根据权利要求1所述的基于局部排序差值细化模式的纹理图像分类方法,其特征在于,步骤(24)中,所述归一化差值表示为:
Figure FDA0003904481080000021
其中,gc表示局部邻域的中心点(i,j)处的灰度值,g'p表示排序后的局部邻域内第p位采样点的灰度值。
3.根据权利要求2所述的基于局部排序差值细化模式的纹理图像分类方法,其特征在于,步骤(25)中,所述采用所述归一化的差值分别更新上部排序二值序列的权值,表示为:
Figure FDA0003904481080000022
所述下部排序二值序列对应位置处的权值,表示为:
Figure FDA0003904481080000023
4.根据权利要求3所述的基于局部排序差值细化模式的纹理图像分类方法,其特征在于,步骤(26)中,所述上部排序二值序列对应的十进制编码,表示为:
Figure FDA0003904481080000024
Figure FDA0003904481080000025
所述下部排序二值序列对应的十进制编码,表示为:
Figure FDA0003904481080000026
Figure FDA0003904481080000027
其中,参数R和P分别表示局部邻域采样半径和采样点数,z(x)和f(x)为符号描述符。
5.根据权利要求4所述的基于局部排序差值细化模式的纹理图像分类方法,其特征在于,步骤(27)中,所述得到每幅图像的LSDRP特征直方图,具体包括:
首先,构建每幅图像上部LSDRPup描述子直方图,表示为:
Figure FDA0003904481080000031
其次,构建每幅图像下部LSDRPlow描述子的直方图,表示为:
Figure FDA0003904481080000032
Figure FDA0003904481080000033
每幅图像的LSDRP特征直方图,表示为:
Figure FDA0003904481080000034
其中,M和N表示一幅大小为M*N的纹理图像。
6.根据权利要求1所述的基于局部排序差值细化模式的纹理图像分类方法,其特征在于,步骤(3)中,所述选择LSDRP特征直方图中带有模式类别的高频模式表征纹理图像,包括:
(31)用G1,G2,...,Gn代表高斯滤波后的训练图像,n为训练集中图像的总数;
(32)计算G1,G2,...,Gn的LSDRP特征直方图,表示为H1,H2,...,Hn,将所有直方图按模式类别累加,得到行向量H=H1+H2+...+Hn
(32)根据模式频数将H降序排列得到Hsort,保留Hsort的前T维高频特征所对应的模式类别,并作为最终所提取的特征模式类别。
7.根据权利要求1所述的基于局部排序差值细化模式的纹理图像分类方法,其特征在于,步骤(3)中,所述T维是以分类性能达到最佳为标准,即当特征模式数小于T,特征频数随着特征模式数的增加仍有变化,当特征模式数大于等于T,特征频数趋于稳定,T位后的特征模式基本不包含有效信息。
8.一种基于局部排序差值细化模式的纹理图像分类系统,其特征在于,包括:
图像预处理模块,用于根据选择的采样半径对数据集中的每幅纹理图像进行高斯滤波,得到对应半径下的平滑纹理图像;
特征提取模块,用于提取所述平滑纹理图像的上部描述子的特征直方图和下部描述子的特征直方图,进而得到每幅图像的LSDRP特征直方图,其中,所述上部描述子为在将图像局部邻域内的采样点和中心点阈值化操作后,大于等于中心点对应值的采样点的二值序列对应的描述子,所述下部描述子为小于中心点对应值的采样点的二值序列对应的描述子;
所述得到每幅图像的LSDRP特征直方图的方法包括:
(21)根据灰度值大小将图像局部邻域内的采样点排序,得到局部排序区域中的各个采样点和中心点;
(22)将采样点和中心点进行阈值化操作,得到上部排序二值序列,将采样点和中心点再次进行阈值化操作,得到下部排序二值序列;
(23)分别为上部排序二值序列和下部排序二值序列分配初始权值,使得上部排序二值序列对应位置处的权值为2p,下部排序二值序列对应位置处的权值为2P-1-p,其中,P为采样点的总数,p=0,1,...,P-1;
(24)计算局部排序区域内的采样点和中心点的灰度差值,并将差值归一化,使归一化差值在[0,1]之间;
(25)采用所述归一化的差值分别更新上部排序二值序列和下部排序二值序列对应位置处的权值,从而得到包含局部像素间差值大小信息的新权值;
(26)将该局部邻域的上部排序二值序列和各值对应位置处的新权值相乘,再累加,得到上部LSDRPup描述子对应的十进制编码;将该局部邻域的下部排序二值序列和各值对应位置处的新权值相乘,再累加,得到下部LSDRPlow描述子对应的十进制编码;
(27)分别构建每幅图像上部LSDRPup描述子直方图和下部LSDRPlow描述子的直方图,再将LSDRPup和LSDRPlow的直方图级联,由此得到每幅图像的LSDRP特征直方图;
特征降维模块,用于选择LSDRP特征直方图中的前T维高频特征所对应的模式表征纹理图像,得到降维后的LSDRP_T特征向量;
分类模块,用于级联多个采样半径下所述降维后的LSDRP_T特征向量,建立多尺度直方图特征表示,并进行分类训练,得到训练结果。
9.一种计算机存储介质,其上存储有计算机程序,其特征在于:所述计算机程序在被计算机处理器执行时实现权利要求1至7任一项所述的方法。
CN202010493328.7A 2020-06-03 2020-06-03 基于局部排序差值细化模式的纹理图像分类方法及系统 Active CN111612099B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010493328.7A CN111612099B (zh) 2020-06-03 2020-06-03 基于局部排序差值细化模式的纹理图像分类方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010493328.7A CN111612099B (zh) 2020-06-03 2020-06-03 基于局部排序差值细化模式的纹理图像分类方法及系统

Publications (2)

Publication Number Publication Date
CN111612099A CN111612099A (zh) 2020-09-01
CN111612099B true CN111612099B (zh) 2022-11-29

Family

ID=72202217

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010493328.7A Active CN111612099B (zh) 2020-06-03 2020-06-03 基于局部排序差值细化模式的纹理图像分类方法及系统

Country Status (1)

Country Link
CN (1) CN111612099B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112434712B (zh) * 2020-11-27 2022-12-09 西安交通大学 一种基于尺度和角度自适应选取的局部二值模式纹理图像特征提取方法及系统
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

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103955690A (zh) * 2014-04-15 2014-07-30 合肥工业大学 一种紧凑的图像局部特征描述子的构造方法
CN104616013A (zh) * 2014-04-30 2015-05-13 北京大学 获取低维局部特征描述子的方法
CN104778701A (zh) * 2015-04-15 2015-07-15 浙江大学 一种基于rgb-d传感器的局部图像描述方法
CN107292313A (zh) * 2016-03-30 2017-10-24 北京大学 纹理图像的特征提取方法和系统
WO2018081929A1 (zh) * 2016-11-01 2018-05-11 深圳大学 一种高光谱遥感图像特征提取和分类方法及其系统
CN111192304A (zh) * 2019-02-25 2020-05-22 中南大学 一种基于改进局部二值模式的纹理描述方法及其系统
CN111191658A (zh) * 2019-02-25 2020-05-22 中南大学 基于广义局部二值模式的纹理描述方法及图像分类方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100067799A1 (en) * 2008-09-17 2010-03-18 Microsoft Corporation Globally invariant radon feature transforms for texture classification
CN105787492B (zh) * 2016-04-01 2019-03-01 电子科技大学 基于均值采样的局部三值模式纹理特征提取方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103955690A (zh) * 2014-04-15 2014-07-30 合肥工业大学 一种紧凑的图像局部特征描述子的构造方法
CN104616013A (zh) * 2014-04-30 2015-05-13 北京大学 获取低维局部特征描述子的方法
CN104778701A (zh) * 2015-04-15 2015-07-15 浙江大学 一种基于rgb-d传感器的局部图像描述方法
CN107292313A (zh) * 2016-03-30 2017-10-24 北京大学 纹理图像的特征提取方法和系统
WO2018081929A1 (zh) * 2016-11-01 2018-05-11 深圳大学 一种高光谱遥感图像特征提取和分类方法及其系统
CN111192304A (zh) * 2019-02-25 2020-05-22 中南大学 一种基于改进局部二值模式的纹理描述方法及其系统
CN111191658A (zh) * 2019-02-25 2020-05-22 中南大学 基于广义局部二值模式的纹理描述方法及图像分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
一种基于二维局部二值模式的纹理图像分类方法;王凯丽等;《电子学报》;20181015(第10期);第2519-2526页 *

Also Published As

Publication number Publication date
CN111612099A (zh) 2020-09-01

Similar Documents

Publication Publication Date Title
CN115861135B (zh) 一种应用于箱体全景探测的图像增强及识别方法
Liao Region description using extended local ternary patterns
CN104778457B (zh) 基于多示例学习的视频人脸识别方法
Ghosh et al. Unsupervised grow-cut: cellular automata-based medical image segmentation
CN107683469A (zh) 一种基于深度学习的产品分类方法及装置
Zhang et al. The Bayesian operating point of the Canny edge detector
CN110188763B (zh) 一种基于改进图模型的图像显著性检测方法
CN111612099B (zh) 基于局部排序差值细化模式的纹理图像分类方法及系统
CN110378313A (zh) 细胞团识别方法、装置及电子设备
CN104038792B (zh) 用于iptv监管的视频内容分析方法及设备
CN112115291B (zh) 一种基于深度学习的三维室内模型检索方法
Sen et al. Histogram thresholding using fuzzy and rough measures of association error
CN111951283A (zh) 一种基于深度学习的医学图像识别方法及系统
Zhou et al. Fast circle detection using spatial decomposition of Hough transform
Lan et al. An edge-located uniform pattern recovery mechanism using statistical feature-based optimal center pixel selection strategy for local binary pattern
CN108764245B (zh) 一种提高商标图形相似度判定准确性的方法
CN111414930A (zh) 深度学习模型训练方法及装置、电子设备及存储介质
CN111340139B (zh) 一种图像内容复杂度的判别方法及装置
CN112101283A (zh) 一种交通标志智能识别方法及系统
CN112488123B (zh) 一种基于细化局部模式的纹理图像分类方法及系统
CN113658238B (zh) 一种基于改进特征检测的近红外静脉图像高精度匹配方法
Dundar et al. Sparse Fisher discriminant analysis for computer aided detection
CN115631370A (zh) 一种基于卷积神经网络的mri序列类别的识别方法及装置
CN114095268A (zh) 用于网络入侵检测的方法、终端及存储介质
Hadavi et al. Classification of normal and abnormal lung ct-scan images using cellular learning automata

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
GR01 Patent grant
GR01 Patent grant