CN112508038B - 一种跨通道局部二值模式的彩色纹理分类方法 - Google Patents
一种跨通道局部二值模式的彩色纹理分类方法 Download PDFInfo
- Publication number
- CN112508038B CN112508038B CN202011394529.8A CN202011394529A CN112508038B CN 112508038 B CN112508038 B CN 112508038B CN 202011394529 A CN202011394529 A CN 202011394529A CN 112508038 B CN112508038 B CN 112508038B
- Authority
- CN
- China
- Prior art keywords
- channel
- local
- cube
- plane
- color
- 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
-
- 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
-
- 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
本发明涉及图像处理和模式识别技术领域,具体的说,是一种跨通道局部二值模式的彩色纹理分类方法,包括以下步骤:步骤一:将彩色纹理图像以R‑G‑B通道顺序分离并排列放置为立方体;步骤二:用一个局部立方体作为模型从局部拓展至全局依次采样;步骤三:将每个局部立方体都划分为3个正交面;步骤四:从三个正交面上提取多通道的局部二值模式MCLBP描述子,构建联合向量;步骤五:轮转通道顺序,重复步骤一至步骤四获得另外两个联合向量,归一化并级联得到最终的彩色图像特征直方图,采用卡方距离和最近邻分类器进行分类。
Description
技术领域
本发明涉及图像处理和模式识别技术领域,具体的说,是一种跨通道局部二值模式的彩色纹理分类方法。
背景技术
纹理分析是模式识别和计算机视觉领域的研究热点之一。具体来说,纹理描述和分类在许多计算机视觉应用中扮演着关键的角色。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。
目前,灰度纹理分析技术越来越成熟,已经开发出许多灰度纹理描述符并成功应用于图像分类的众多领域。然而,由于大多数技术仅对灰度图像进行纹理分类,从中丢弃了色彩信息,而色彩信息是视觉感知的重要线索。如何在提取彩色图像纹理特征的同时充分利用色彩信息具有重要的研究价值和意义。2002年Ojala等人提出了一种局部二值模式(LBP),因其对单调光照变化不变性、易于实现、计算复杂度低、识别能力强等特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LBP拓展算法被提出,可是绝大多数的算法仅针对灰色纹理图像,而无法有效处理彩色纹理图像。尽管彩色纹理图像的特征提取已经取得了很大的进展,但彩色纹理仍然存在许多有待解决的开放问题,特别是不同颜色通道之间的依赖性和相关性问题。因此,设计一种有效利用彩色纹理图像中的色彩信息的描述子将具有十分重要的意义。
发明内容
本发明所要解决的技术问题是提供一种跨通道局部二值模式的彩色纹理分类方法,用于解决传统局部二值模式(LBP)及其拓展算法无法提取色彩信息、无法有效利用色彩通道之间的依赖性与关联性等问题。
本文发明为解决上述技术问题所采用的的技术方案是:
一种跨通道局部二值模式的彩色纹理分类方法,包括以下步骤:
步骤一:将彩色纹理图像以R-G-B通道顺序分离并排列放置为立方体;
步骤二:用一个局部立方体作为模型从局部拓展至全局依次采样;
步骤三:将每个局部立方体都划分为3个正交面;
步骤四:从三个正交面上提取多通道的局部二值模式MCLBP描述子,构建联合向量;
步骤五:轮转通道顺序,重复步骤一至步骤四获得另外两个联合向量,归一化并级联得到最终的彩色图像特征直方图,采用卡方距离和最近邻分类器进行分类。
本发明的进一步改进,步骤一中将彩色纹理图像以R-G-B通道顺序分离并排列放置为立方体,即将一张尺寸大小为M×N的彩色纹理图像,将其颜色通道分离,得到三张单颜色通道的图像,分别是R通道,G通道和B通道,将其以R-G-B的通道顺序分离并排列放置成尺寸为M×N×3的立方体。
本发明的进一步改进,步骤二中的局部立方体是一个尺寸大小为3×3×3的局部立方体;从局部拓展至全局依次采样是将该局部立方体在尺寸为M×N×3的立方体上从左至右从上至下依次移动采样,每次移动的步长为R。
本发明的进一步改进,步骤三中每个局部立方体是指移动采样过程中,在不同位置形成的局部立方体;划分为三个正交面是指以3×3×3的局部立方体的中间通道的中心像素点为中心,将其划分为平面X,平面Y和平面Z共三个正交面。
本发明的进一步改进,步骤四中从三个正交面上提取多通道的局部二值模式MCLBP描述子,即在平面Y上提取单通道的MCLBP特征,在平面X和平面Z上提取跨通道的LBP特征,提取过程如下:
其中,f为所在平面,f=1,2,3分别表示平面X,平面Y和平面Z。R和P分别表示半径和采样点数量,rc表示局部区域中心(i,j)处的像素值,rn表示局部区域内第n位采样点的像素值。
本发明的进一步改进,步骤五中转轮通道顺序,即将R-G-B通道排列顺序分别轮转为G-B-R和B-R-G通道顺序,重复步骤一至步骤四获得另外两个联合向量,分别是和最终的彩色图像特征直方图HMCLBP构建过程如下:
归一化,使其值在(0,1)之间,描述如下:
级联得到最终的彩色图像特征直方图:
本发明的有益效果:(1)不仅编码不同颜色通道之间的色彩相关性信息,还包含了各通道的色彩纹理信息;(2)联合编码彩色图像中每个像素的通道内和通道间的特征,一次从三个通道提取局部特性,其中包含不同通道之间的依赖关系和关联关系;(3)不仅提取了单通道的纹理特征,而且通过对单通道的LBP直方图和多通道的MCLBP直方图的结合,提取了多通道的复合色彩纹理特征。
具体实施方式
为了加深对本发明的理解,下面将结合实施例对本发明做进一步详细描述,该实施例仅用于解释本发明,并不对本发明的保护范围构成限定。
实施例:
一种跨通道局部二值模式的彩色纹理分类方法,包括以下步骤:
步骤一:将彩色纹理图像以R-G-B通道顺序分离并排列放置为立方体;
步骤二:用一个局部立方体作为模型从局部拓展至全局依次采样;
步骤三:将每个局部立方体都划分为3个正交面;
步骤四:从三个正交面上提取多通道的局部二值模式MCLBP描述子,构建联合向量;
步骤五:轮转通道顺序,重复步骤一至步骤四获得另外两个联合向量,归一化并级联得到最终的彩色图像特征直方图,采用卡方距离和最近邻分类器进行分类。
在本实施例中,步骤一中将彩色纹理图像以R-G-B通道顺序分离并排列放置为立方体,即将一张尺寸大小为M×N的彩色纹理图像,将其颜色通道分离,得到三张单颜色通道的图像,分别是R通道,G通道和B通道,将其以R-G-B的通道顺序分离并排列放置成尺寸为M×N×3的立方体。
步骤二中的局部立方体是一个尺寸大小为3×3×3的局部立方体;从局部拓展至全局依次采样是将该局部立方体在尺寸为M×N×3的立方体上从左至右从上至下依次移动采样,每次移动的步长为R。
步骤三中每个局部立方体是指移动采样过程中,在不同位置形成的局部立方体;划分为三个正交面是指以3×3×3的局部立方体的中间通道的中心像素点为中心,将其划分为平面X,平面Y和平面Z共三个正交面。
步骤四中从三个正交面上提取多通道的局部二值模式MCLBP描述子,即在平面Y上提取单通道的MCLBP特征,在平面X和平面Z上提取跨通道的LBP特征,提取过程如下:
其中,f为所在平面,f=1,2,3分别表示平面X,平面Y和平面Z。R和P分别表示半径和采样点数量,rc表示局部区域中心(i,j)处的像素值,rn表示局部区域内第n位采样点的像素值。
归一化,使其值在(0,1)之间,描述如下:
级联得到最终的彩色图像特征直方图:
下面通过在四个标准纹理库Outex-TC-00031、KTH-TIPS、CUReT和STex上进行分类实例阐述本发明的具体实施方式:
(1)色彩空间选择:除了RGB空间,还有一些其他常用的数字图像颜色空间,如HSV、YCbCr和L*a*b等。在4个标准数据库上进行的大量实验表明,不同的颜色空间会影响纹理图像的分类性能。多尺度分类结果如表1所示。从表1可以看出,本文提出的MCLBP方法在不同尺度、不同颜色空间下都能达到令人满意且稳定的分类精度。但是,MCLBP在RGB色彩空间中具有更稳定的作用,总体上比在其他色彩空间中具有更高的分类精度。
表1
(2)将本方法和其他12个纹理特征提取方法进行比较,结果如表2所示;
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12种方法具有很好的优越性:有效的提高分类精度;有效的利用不同颜色通道之间的色彩相关性信息,还包含了各通道的色彩纹理信息;有效的联合编码彩色图像中每个像素的通道内和通道间的特征。包含不同通道之间的依赖关系和关联关系。
表2
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.一种跨通道局部二值模式的彩色纹理分类方法,其特征在于,包括以下步骤:
步骤一:将彩色纹理图像以R-G-B通道顺序分离并排列放置为M×N×3的立方体;
步骤二:用一个局部立方体作为模型从局部拓展至全局依次采样;
步骤三:将每个局部立方体都划分为3个正交面;
步骤四:从三个正交面上提取多通道的局部二值模式MCLBP描述子,构建联合向量;
步骤五:轮转通道顺序,重复步骤一至步骤四获得另外两个联合向量,归一化并级联得到最终的彩色图像特征直方图,采用卡方距离和最近邻分类器进行分类;
归一化,使其值在(0,1)之间,描述如下:
级联得到最终的彩色图像特征直方图:
2.根据权利要求1所述的跨通道局部二值模式的彩色纹理分类方法,其特征在于,所述步骤一中将彩色纹理图像以R-G-B通道顺序分离并排列放置为M×N×3的立方体,即将一张尺寸大小为M×N的彩色纹理图像,将其颜色通道分离,得到三张单颜色通道的图像,分别是R通道,G通道和B通道,将其以R-G-B的通道顺序分离并排列放置成尺寸为M×N×3的立方体。
3.根据权利要求1所述的跨通道局部二值模式的彩色纹理分类方法,其特征在于,所述步骤二中的局部立方体是一个尺寸大小为3×3×3的局部立方体;从局部拓展至全局依次采样是将该局部立方体在尺寸为M×N×3的立方体上从左至右从上至下依次移动采样,每次移动的步长为R。
4.根据权利要求1所述的跨通道局部二值模式的彩色纹理分类方法,其特征在于,所述步骤三中每个局部立方体是指移动采样过程中,在不同位置形成的局部立方体;划分为三个正交面是指以3×3×3的局部立方体的中间通道的中心像素点为中心,将其划分为平面X,平面Y和平面Z共三个正交面。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011394529.8A CN112508038B (zh) | 2020-12-03 | 2020-12-03 | 一种跨通道局部二值模式的彩色纹理分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011394529.8A CN112508038B (zh) | 2020-12-03 | 2020-12-03 | 一种跨通道局部二值模式的彩色纹理分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112508038A CN112508038A (zh) | 2021-03-16 |
CN112508038B true CN112508038B (zh) | 2022-11-08 |
Family
ID=74969419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011394529.8A Active CN112508038B (zh) | 2020-12-03 | 2020-12-03 | 一种跨通道局部二值模式的彩色纹理分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112508038B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114037847B (zh) * | 2021-11-23 | 2023-04-18 | 江苏科技大学 | 一种抗噪声的局部彩色纹理特征提取方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107491726A (zh) * | 2017-07-04 | 2017-12-19 | 重庆邮电大学 | 一种基于多通道并行卷积神经网络的实时表情识别方法 |
CN107730508A (zh) * | 2017-09-01 | 2018-02-23 | 上海微元计算机系统集成有限公司 | 彩色文本图像多通道二值化处理方法 |
CN108090472A (zh) * | 2018-01-12 | 2018-05-29 | 浙江大学 | 基于多通道一致性特征的行人重识别方法及其系统 |
CN110415223A (zh) * | 2019-07-17 | 2019-11-05 | 西安邮电大学 | 一种无参考的拼接图像质量评价方法及系统 |
CN110751087A (zh) * | 2019-10-17 | 2020-02-04 | 湖南波尔坤雷信息科技有限公司 | 一种基于eof的无人机信号识别系统和方法 |
US10743809B1 (en) * | 2019-09-20 | 2020-08-18 | CeriBell, Inc. | Systems and methods for seizure prediction and detection |
CN111816200A (zh) * | 2020-07-01 | 2020-10-23 | 电子科技大学 | 一种基于时频域二值掩膜的多通道语音增强方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6889216B2 (en) * | 2002-03-12 | 2005-05-03 | Knowm Tech, Llc | Physical neural network design incorporating nanotechnology |
EP2102991B1 (en) * | 2006-12-05 | 2019-07-17 | Commonwealth Scientific and Industrial Research Organisation | Wireless frequency-domain multi-channel communications |
US8825131B2 (en) * | 2009-10-14 | 2014-09-02 | Nocimed, Llc | MR spectroscopy system and method for diagnosing painful and non-painful intervertebral discs |
-
2020
- 2020-12-03 CN CN202011394529.8A patent/CN112508038B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107491726A (zh) * | 2017-07-04 | 2017-12-19 | 重庆邮电大学 | 一种基于多通道并行卷积神经网络的实时表情识别方法 |
CN107730508A (zh) * | 2017-09-01 | 2018-02-23 | 上海微元计算机系统集成有限公司 | 彩色文本图像多通道二值化处理方法 |
CN108090472A (zh) * | 2018-01-12 | 2018-05-29 | 浙江大学 | 基于多通道一致性特征的行人重识别方法及其系统 |
CN110415223A (zh) * | 2019-07-17 | 2019-11-05 | 西安邮电大学 | 一种无参考的拼接图像质量评价方法及系统 |
US10743809B1 (en) * | 2019-09-20 | 2020-08-18 | CeriBell, Inc. | Systems and methods for seizure prediction and detection |
CN110751087A (zh) * | 2019-10-17 | 2020-02-04 | 湖南波尔坤雷信息科技有限公司 | 一种基于eof的无人机信号识别系统和方法 |
CN111816200A (zh) * | 2020-07-01 | 2020-10-23 | 电子科技大学 | 一种基于时频域二值掩膜的多通道语音增强方法 |
Non-Patent Citations (3)
Title |
---|
"Automatic Cattle Identification based on Multi-Channel LBP on Muzzle Images";Worapan Kusakunniran等;《 2018 International Conference on Sustainable Information Engineering and Technology (SIET)》;20190418;正文第1-5页 * |
"多通道多模式融合 LBP 特征的纹理相似度计算";刘涛等;《计算机应用研究》;20180208;第35卷(第12期);第3803-3806页 * |
面向增强现实的移动视点下室外视频的阴影检测;魏后胜等;《计算机辅助设计与图形学学报》;20190615(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112508038A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jain et al. | Content based image retrieval | |
Wang et al. | A novel method for image retrieval based on structure elements’ descriptor | |
Dubey et al. | Rotation and scale invariant hybrid image descriptor and retrieval | |
Kekre et al. | Image retrieval by Kekre's transform applied on each row of Walsh transformed VQ codebook | |
Shu et al. | Multiple channels local binary pattern for color texture representation and classification | |
CN108629783A (zh) | 基于图像特征密度峰值搜索的图像分割方法、系统及介质 | |
CN103679192A (zh) | 基于协方差特征的图像场景类型判别方法 | |
CN109388727A (zh) | 一种基于聚类的bgp人脸快速检索方法 | |
CN110659608A (zh) | 基于多特征融合的场景分类方法 | |
CN112508038B (zh) | 一种跨通道局部二值模式的彩色纹理分类方法 | |
Singhal et al. | Directional local ternary co-occurrence pattern for natural image retrieval | |
Zhan et al. | Instance search via instance level segmentation and feature representation | |
Sadique et al. | Content-based image retrieval using color layout descriptor, gray-level co-occurrence matrix and k-nearest neighbors | |
Ai et al. | Color independent components based SIFT descriptors for object/scene classification | |
Pavithra et al. | An efficient seed points selection approach in dominant color descriptors (DCD) | |
CN110490210B (zh) | 一种基于紧致通道间t采样差分的彩色纹理分类方法 | |
CN108536772B (zh) | 一种基于多特征融合和扩散过程重排序的图像检索方法 | |
Asif et al. | Composite description based on color vector quantization and visual primary features for CBIR tasks | |
Geetha et al. | Efficient hybrid multi-level matching with diverse set of features for image retrieval | |
CN113963164A (zh) | 一种基于分组邻域强度差异编码的纹理特征提取方法 | |
Gao et al. | Spatial multi-scale gradient orientation consistency for place instance and Scene category recognition | |
CN108596034B (zh) | 一种基于目标中心编码外观模型的行人重识别方法 | |
Palai et al. | Content-based image retrieval using adaptive CIE color feature fusion | |
Kilicaslan et al. | Image Retrieval using One-Dimensional Color Histogram Created with Entropy. | |
Lian | Rotation invariant color texture classification using multiple sub-DLBPs |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20221219 Address after: No. 88, Wufang Road, Wujiang Economic and Technological Development Zone, Suzhou City, Jiangsu Province, 215228 Patentee after: Suzhou Sanrun Precision Electronic Technology Co.,Ltd. Address before: 212003, No. 2, Mengxi Road, Zhenjiang, Jiangsu Patentee before: JIANGSU University OF SCIENCE AND TECHNOLOGY |