CN113888747A - 一种基于环向局部三值模式的图像纹理特征提取方法 - Google Patents
一种基于环向局部三值模式的图像纹理特征提取方法 Download PDFInfo
- Publication number
- CN113888747A CN113888747A CN202111101305.8A CN202111101305A CN113888747A CN 113888747 A CN113888747 A CN 113888747A CN 202111101305 A CN202111101305 A CN 202111101305A CN 113888747 A CN113888747 A CN 113888747A
- Authority
- CN
- China
- Prior art keywords
- image
- ternary
- gray
- rcltp
- dcltp
- 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
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供了一种基于环向局部三值模式的图像纹理特征提取方法,通过提取灰度图像中各个位置的环向三角像素并计算其灰度差对,利用三元阈值函数和构造下降、上升和稳态的结构模式来描述灰度差对的波动趋势,将得到的三值表示特征向量CLTP扩展为二值表示的上升向量RCLTP和下降向量DCLTP,最后将RCLTP描述符和DCLTP描述符的统计直方图合并到一个联合直方图中作为待检测图像的纹理特征。在本发明基础上计算的纹理特征量能更直观有效表征图像纹理状况,保证纹理描述能力更健壮和稳定。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种基于环向局部三值模式的图像纹理特征提取方法。
背景技术
图像纹理被定义为局部空间中像素强度和方向的变化。纹理分析在许多应用中承担着重要的作用,因此建立有效的纹理表示方法是许多计算机视觉任务的关键步骤,包括目标识别,视觉导航,图像分割,图像检索,场景理解,工业检测等。到目前为止,已经提出了多种纹理表示和分类方法。它们包括统计方法,结构方法,模型方法和基于变换域的方法等,但每种方法都具有各自特点和不足。其中作为统计方法的典型表示:局部二进制模式(LBP)应用广泛,影响深远,后续还提出了很多变形的纹理特征来增强LBP的判别性。
大多数现有的方法不能很好的兼顾中心和邻域的微妙关系。例如LBP是基于中心像素和邻域像素的二元组比较,完全忽略了邻域像素之间的差异性,而其改进特征BGC是基于中心像素邻域内相邻元素的二元像素比较,完全忽略了具有判别信息的中心像素。因此导致得到的纹理图像信息并不完整,后续研究会存在图像信息缺失的情况。
发明内容
本发明要解决的技术问题是:提供一种基于环向局部三值模式的图像纹理特征提取方法,用于完整提取图像纹理特征。
本发明为解决上述技术问题所采取的技术方案为:一种基于环向局部三值模式的图像纹理特征提取方法,包括以下步骤:
S1:对待测图像进行灰度化预处理得到灰度图像;
S2:通过环向三角结构扫描整幅灰度图像,提取灰度图像中各个位置的环向三角像素并计算三角结构的灰度差对;
S3:利用三元阈值函数和构造下降、上升和稳态的结构模式描述灰度差对的波动趋势,获得三元纹理特征向量CLTP;
S4:将三元纹理特征向量CLTP分解为二值表示的上升向量RCLTP和下降向量DCLTP共两个二元纹理特征向量;
S5:将上升向量RCLTP描述符和下降向量DCLTP描述符的统计直方图合并到一个联合直方图中作为待测图像的纹理特征。
按上述方案,所述的步骤S2中,具体步骤为:
将整幅灰度图像的各像素点取3×3窗口,设灰度图像的中心像素的灰度值为pc,中心像素的3×3的正方形邻域为[p0,p1…p6,p7],中心像素pc的正方形邻域像素点的灰度值为pi;对图像中3×3窗口中的每一条路径都是由中心像素和其邻域中两个相邻的元素按照顺时针顺序构成三角结构,按照顺时针遍历邻域像素组成环向三角结构,每个窗口有8条三角结构的路径,则路径中的像素集定义为:
计算每条路径的灰度差对为:
进一步的,所述的步骤S3中,具体步骤为:
构造下降、上升和稳态三种结构形式用于准确描述灰度差对的波动趋势:
若像素pi满足:
则三元组[pc,pi,pi-1]为上升结构“1”;
若像素pi满足:
则三元组[pc,pi,pi-1]为下降结构“-1”;
若像素pi满足:
则三元组[pc,pi,pi-1]为稳态结构“0”;
定义上升、下降和稳态的三元阈值函数υ(·)如下,其中阈值T根据经验值和灰度可辨识认识程度进行设置:
当υ(·)=1时为上升结构;当υ(·)=-1时为下降结构;当υ(·)=0时为稳态结构;每个像素点的CLTP纹理特征由8个路径的三值元素组合在一起构成8位的三进制数。
进一步的,所述的步骤S4中,具体步骤为:
将CLTP的每个三元模式分解为二元的上升模式RCLTP的特征值和下降模式DCLTP的特征值,对应的三元阈值函数υ(·)分成二元阈值函数rυ(·)和dυ(·):
进一步的,所述的步骤S5中,具体步骤为:
通过二元阈值函数rυ(·)和dυ(·)将每个像素点的二元的上升模式RCLTP的特征值和下降模式DCLTP的特征值对应转换为RCLTP特征描述符fRCLTP(pc)和DCLTP特征描述符fDCLTP(pc):
分别计算RCLTP描述符的直方图和DCLTP描述符的直方图,并将两者使用串联方法组合在一起,构成联合的CLTP描述符直方图:
hCLTP=hRCLTP∪hDCLTP。
一种计算机存储介质,其内存储有可被计算机处理器执行的计算机程序,该计算机程序执行一种基于环向局部三值模式的图像纹理特征提取方法。
本发明的有益效果为:
1.本发明的一种基于环向局部三值模式的图像纹理特征提取方法,提取图像的环向局部三元模式(CLTP)特征,对于图像纹理分析比传统的LBP以及其改进的描述符更有效;实现了完整提取图像纹理特征的功能。
2.本发明基于中心像素和其正方形邻域内相邻元素构成的三元像素进行比较,兼顾了中心像素和邻域像素,提高了纹理特征提取算子的鲁棒性、判别力和适用性。
3.本发明还引入了下降、上升和稳态的结构模式概念,描述了局部波动趋势,提高了图像纹理描述的准确性。
4.本发明将三值表示的CLTP扩展为二值表示的RCLTP和DCLTP,同时将统计直方图合并到一个联合直方图中,使纹理特征量能更直观有效表征图像纹理状况,保证了纹理描述能力更健壮和稳定。
附图说明
图1是本发明实施例的流程图。
图2是本发明实施例的CLTP描述符的布局结构图。
图3是本发明实施例的3×3灰度子图中对应的下降、上升和稳态的三元结构图。
图4是本发明实施例的三个子图像中LBP、BGC1、BGC2、BGC3、LTP和CLTP算子对应的特征值效果图。
图5是本发明实施例的CLTP描述符的三元模式对应的RCLTP和DCLTP效果图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
参见图1,本发明的一种基于环向局部三值模式的图像纹理特征提取方法的具体步骤为:
步骤1:对待检测图像进行灰度化处理;
步骤2:通过环向三角结构扫描整幅图像,并计算三角结构的灰度差对。
在步骤2中,设x和y为像素点pc的坐标,灰度图像函数为f(x,y),利用3×3窗口遍历整幅图像,窗口中的中心像素和其邻域中两个相邻的元素构成三角结构,按照顺时针遍历邻域像素组成环向三角结构,如图2,因此每一个窗口一共有8条三角结构的路径,则路径中的像素集定义为:其中pc为中心像素。各路径对应的像素组合为:
{[pc,p7,p6],[pc,p6,p5],[pc,p5,p4],[pc,p4,p3],[pc,p3,p2],[pc,p2,p1],[pc,p1,p0],[pc,p0,p7]}。
然后计算每条路径的灰度差对:
这样每个像素点pc有8组灰度差对:
步骤3:利用利用三元阈值函数和构造下降、上升和稳态的结构模式,获得三元纹理特征向量CLTP。
在步骤3中,将灰度差异性分为三个级别,采用三元阈值函数来处理灰度差对的取值:
其中阈值T控制转换宽度,取值为60,以区分三个级别。
同时对于三元像素之间的比较,为了更准确的描述灰度差对的波动趋势,构造了三种结构形式:下降、上升和稳态。如果像素pi满足以下条件:
则此三元组[pc,pi,pi-1]为上升结构“1”;
如果满足条件为:
则此三元组[pc,pi,pi-1]为下降结构“-1”;
如果满足条件为:
则此三元组[pc,pi,pi-1]为稳态结构“0”;
如图3所示,使用具体数值来展示图像中上升、下降和稳态的三元结构。这三种结构形式可以用上升、下降和稳态的三元阈值函数υ(·)来定义。
其中阈值T=60。当υ(·)=1时为上升结构;当υ(·)=-1时为下降结构;当υ(·)=0时为稳态结构。
每个像素点的CLTP纹理特征由8个路径的三值元素组合在一起构成8位的三进制数。为了更好的描述纹理特征的可描述的差异性,图4在不同的三个子图像(a)、(b)和(c)上计算LBP、BGC1、BGC2、BGC3、LTP和CLTP算子的特征值,其中LBP,BGC1,BGC2和BGC3在图(a)和(b)的结果是相同的,无法区分其差异性,而LTP虽然能区分图(a)和(b),但在图(b)和(c)的结果是相同的。然而,本发明的CLTP算子能很好的区分图像(a)、(b)和(c)。
步骤4:将三元纹理特征向量CLTP分解为两个二元纹理特征向量:上升特征向量RCLTP和下降特征向量DCLTP。
在步骤4中,为充分展现纹理波动,同时又能够用简单的二值表达,本发明将三元纹理特征向量CLTP分解为两个二元的上升模式RCLTP和下降模式DCLTP的特征值,对应的三元阈值函数υ(·)可分成二元阈值函数rυ(·)和dυ(·):
如图5所示,某个像素点的CLTP=00(-1)(-1)(-1)(-1)(-1)1,则其RCLTP=00000001,DCLTP=00111110。
步骤5:最后将RCLTP特征向量描述符和DCLTP特征向量描述符的统计直方图合并到一个联合直方图中作为待检测图像的纹理特征。
在步骤5中,每个像素点的二元的上升模式RCLTP和下降模式DCLTP的特征值转换为RCLTP特征描述符fRCLTP(pc)和DCLTP特征描述符fDCLTP(pc):
图5中,二进制的RCLTP和DCLTP转换为十进制的特征描述符分别为1和62。
然后对整幅图像的RCLTP和DCLTP描述符的直方图分别计算,并使用串联方法组合在一起构成联合直方图:
hCLTP=hRCLTP∪hDCLTP。
以上实施例仅用于说明本发明的设计思想和特点,其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施,本发明的保护范围不限于上述实施例。所以,凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰,均在本发明的保护范围之内。
Claims (6)
1.一种基于环向局部三值模式的图像纹理特征提取方法,其特征在于:包括以下步骤:
S1:对待测图像进行灰度化预处理得到灰度图像;
S2:通过环向三角结构扫描整幅灰度图像,提取灰度图像中各个位置的环向三角像素并计算三角结构的灰度差对;
S3:利用三元阈值函数和构造下降、上升和稳态的结构模式描述灰度差对的波动趋势,获得三元纹理特征向量CLTP;
S4:将三元纹理特征向量CLTP分解为二值表示的上升向量RCLTP和下降向量DCLTP共两个二元纹理特征向量;
S5:将上升向量RCLTP描述符和下降向量DCLTP描述符的统计直方图合并到一个联合直方图中作为待测图像的纹理特征。
3.根据权利要求2所述的一种基于环向局部三值模式的图像纹理特征提取方法,其特征在于:所述的步骤S3中,具体步骤为:
构造下降、上升和稳态三种结构形式用于准确描述灰度差对的波动趋势:
若像素pi满足:
则三元组[pc,pi,pi-1]为上升结构“1”;
若像素pi满足:
则三元组[pc,pi,pi-1]为下降结构“-1”;
若像素pi满足:
则三元组[pc,pi,pi-1]为稳态结构“0”;
定义上升、下降和稳态的三元阈值函数υ(·)如下,其中阈值T根据经验值和灰度可辨识认识程度进行设置:
当υ(·)=1时为上升结构;当υ(·)=-1时为下降结构;当υ(·)0时为稳态结构;每个像素点的CLTP纹理特征由8个路径的三值元素组合在一起构成8位的三进制数。
6.一种计算机存储介质,其特征在于:其内存储有可被计算机处理器执行的计算机程序,该计算机程序执行如权利要求1至权利要求5中任意一项所述的一种基于环向局部三值模式的图像纹理特征提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111101305.8A CN113888747A (zh) | 2021-09-18 | 2021-09-18 | 一种基于环向局部三值模式的图像纹理特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111101305.8A CN113888747A (zh) | 2021-09-18 | 2021-09-18 | 一种基于环向局部三值模式的图像纹理特征提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113888747A true CN113888747A (zh) | 2022-01-04 |
Family
ID=79010013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111101305.8A Pending CN113888747A (zh) | 2021-09-18 | 2021-09-18 | 一种基于环向局部三值模式的图像纹理特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113888747A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116385414A (zh) * | 2023-04-10 | 2023-07-04 | 哈尔滨耐是智能科技有限公司 | 零部件多尺度缺陷特征提取方法、计算设备及存储介质 |
-
2021
- 2021-09-18 CN CN202111101305.8A patent/CN113888747A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116385414A (zh) * | 2023-04-10 | 2023-07-04 | 哈尔滨耐是智能科技有限公司 | 零部件多尺度缺陷特征提取方法、计算设备及存储介质 |
CN116385414B (zh) * | 2023-04-10 | 2023-11-07 | 哈尔滨耐是智能科技有限公司 | 零部件多尺度缺陷特征提取方法、计算设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108108746B (zh) | 基于Caffe深度学习框架的车牌字符识别方法 | |
Gatos et al. | ICFHR 2010 handwriting segmentation contest | |
CN111611643A (zh) | 户型矢量化数据获得方法、装置、电子设备及存储介质 | |
JP6341650B2 (ja) | 画像処理装置、画像処理方法及びプログラム | |
CN109325507B (zh) | 结合超像素显著性特征与hog特征图像分类方法和系统 | |
Prasad et al. | An efficient classification of flower images with convolutional neural networks | |
WO2021253633A1 (zh) | 一种批量二维码的识别方法及识别终端 | |
CN113963041A (zh) | 一种图像纹理识别方法及系统 | |
CN107578011A (zh) | 视频关键帧的判定方法及装置 | |
CN115937552A (zh) | 一种基于融合手工特征与深度特征的图像匹配方法 | |
CN113888747A (zh) | 一种基于环向局部三值模式的图像纹理特征提取方法 | |
CN108830283B (zh) | 一种图像特征点匹配方法 | |
Rassem et al. | Performance evaluation of completed local ternary patterns (CLTP) for medical, scene and event image categorisation | |
CN111292346B (zh) | 一种噪声环境下浇铸箱体轮廓的检测方法 | |
JP4285640B2 (ja) | オブジェクト識別方法および装置ならびにプログラム | |
Anggraeny et al. | Texture feature local binary pattern for handwritten character recognition | |
Partio et al. | An ordinal co-occurrence matrix framework for texture retrieval | |
Indra | Feature extraction of bisindo alphabets using chain code contour | |
CN111325199A (zh) | 一种文字倾斜角度检测方法及装置 | |
Xiang et al. | The study of Chinese calligraphy font style based on edge-guided filter and convolutional neural network | |
Lu et al. | Clustering based road detection method | |
CN106530300A (zh) | 一种低秩分析的火焰识别算法 | |
CN114782413A (zh) | 一种基于显微镜图像的星杆藻类细胞统计方法 | |
CN114554188A (zh) | 基于图像传感器像素阵列的手机摄像头检测方法及装置 | |
CN113744241A (zh) | 基于改进slic算法的细胞图像分割方法 |
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 |