CN113963041A - 一种图像纹理识别方法及系统 - Google Patents

一种图像纹理识别方法及系统 Download PDF

Info

Publication number
CN113963041A
CN113963041A CN202111005171.XA CN202111005171A CN113963041A CN 113963041 A CN113963041 A CN 113963041A CN 202111005171 A CN202111005171 A CN 202111005171A CN 113963041 A CN113963041 A CN 113963041A
Authority
CN
China
Prior art keywords
image
value
texture
gray
pixel
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.)
Withdrawn
Application number
CN202111005171.XA
Other languages
English (en)
Inventor
张春美
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.)
Nanjing Chenhuang Software Technology Co ltd
Original Assignee
Nanjing Chenhuang Software Technology Co ltd
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 Nanjing Chenhuang Software Technology Co ltd filed Critical Nanjing Chenhuang Software Technology Co ltd
Priority to CN202111005171.XA priority Critical patent/CN113963041A/zh
Publication of CN113963041A publication Critical patent/CN113963041A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding

Landscapes

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

Abstract

本发明提出了一种图像纹理识别方法及系统，其中所述方法具体包括：步骤1、获取作业过程中的图像数据；步骤2、对图像数据进行编码；步骤3、通过图像空间位置信息和图像灰度之间的关系，对图像局部区域进行灰度值的逐点计算，并分别统计不同LBP值出现的次数，从而描述该区域内图像的纹理特征，并对编码后的数据进行纹理特征的提取；步骤4、将提取到的纹理特征输入图像识别模型进行识别分类；步骤5、输出识别分类的结果用关于辅助工业作业过程。本发明通过对图像数据的纹理特征进行分析，更好的使得图像特征得到提取，从而使得图像分析的结果更贴合实时作业的需求。

Description

一种图像纹理识别方法及系统
技术领域
本发明涉及一种图像纹理识别方法及系统，特别是图像数据处理的技术领域。
背景技术
计算机网络信息化技术的发展，使得对图像数据的分析成了现代工业中不可获取的分析因素。利用图像特征的提取分析可以极高的提高图像分析的效率，使计算机反馈给人类的信息更符合人类的视觉。
现有技术中，在进行图像数据分析时，其中的纹理特征是表示图像特征的重要描绘，因此被广泛应用于描述目标图像的平滑度、粗糙度等特点。但是在特征提取过程中，往往会存在因为图像的梯度信息造成全丢失的情况。
发明内容
发明目的：提出一种图像纹理识别方法及系统，以解决现有技术存在的上述问题。
技术方案：第一方面，提出了一种图像纹理识别方法，该方法具体包括以下步骤：
步骤1、获取作业过程中的图像数据；
步骤2、对图像数据进行编码；
步骤3、通过图像空间位置信息和图像灰度之间的关系，对图像局部区域进行灰度值的逐点计算，并分别统计不同LBP值出现的次数，从而描述该区域内图像的纹理特征，并对编码后的数据进行纹理特征的提取；
步骤4、将提取到的纹理特征输入图像识别模型进行识别分类；
步骤5、输出识别分类的结果用关于辅助工业作业过程。
通过对图像数据的纹理特征进行分析，使得图像分析的结果更贴合实时作业的需求。
在第一方面的一些可实现方式中，所述步骤3对图像数据进行纹理特征提取时，进一步包括：
步骤3.1、采用加权平均的方法对图像数据RGB通道的分量值进行处理，并转化为灰度图像；
步骤3.2、将转化后的灰度图像划分成预设数量的方形局部区域后，再将获取到的局部区域等比例划分为3*3的9个像素区域，并获取对应的9个像素值；
步骤3.3、将9个像素区域中的中心点像素作为阈值，并分别与领域像素进行灰度比较，将大于阈值的数值转换为1，反之转换为0，得到一个8位的二进制序列；
步骤3.4、根据计算机计算规则进行数值之间的进制转换，结合二进制位对应的权值，将二进制转换为十进制的表述方式，从得到局部中心像素点的特征值。
其中，所述加权平均的表达式为：
Figure 100002_DEST_PATH_IMAGE002
式中，Gray表示经过处理后的灰度值，R表示红色通道的亮度值；G表示绿色通道的亮度值；B表示蓝色通道的亮度值。
所述二进制序列的计算表达式为：
Figure 100002_DEST_PATH_IMAGE004
Figure 100002_DEST_PATH_IMAGE006
式中，
Figure 100002_DEST_PATH_IMAGE008
表示中心点像素的坐标；p表示领域的第p个像素；
Figure 100002_DEST_PATH_IMAGE010
表示领域像素的灰度值；
Figure 100002_DEST_PATH_IMAGE012
表示中心像素的灰度值；
Figure 100002_DEST_PATH_IMAGE014
表示符号函数。
在第一方面的一些可实现方式中，所述步骤3对图像数据进行纹理特征提取时，获取LBP值的方式进一步为：以划分区域中心像素点的灰度值为阈值，产生LBP 编码和以两个相邻点为阈值产生的 LBP 编码。以中心像素点灰度值为阈值，产生LBP 编码和以两个相邻点为阈值产生的 LBP 编码，通过加入了邻域点之间灰度值变化的方向信息，在一定程度上改善了传统 LBP 算子中仅以某一个点作为阈值而决定整体 LBP 编码造成纹理特征提取结果不佳的问题。
在第一方面的一些可实现方式中，产生LBP 编码和以两个相邻点为阈值产生的LBP 编码的过程进一步为：
根据设定阈值的不同将划分区域内的邻域点分为两大类，按照角度划分，一类为
Figure 100002_DEST_PATH_IMAGE016
方向和
Figure 100002_DEST_PATH_IMAGE018
方向上的四个点，另一类为除
Figure 87322DEST_PATH_IMAGE016
方向和
Figure 473304DEST_PATH_IMAGE018
方向上的剩余领域点；其中，设定的阈值为划分区域中心像素点的灰度值。
设划分的9个像素点的编号为别为
Figure 100002_DEST_PATH_IMAGE020
、
Figure 100002_DEST_PATH_IMAGE022
、
Figure 100002_DEST_PATH_IMAGE024
、
Figure 100002_DEST_PATH_IMAGE026
、
Figure 100002_DEST_PATH_IMAGE028
、
Figure 100002_DEST_PATH_IMAGE030
、
Figure 100002_DEST_PATH_IMAGE032
、
Figure 100002_DEST_PATH_IMAGE034
、
Figure 100002_DEST_PATH_IMAGE036
、
Figure 100002_DEST_PATH_IMAGE038
，其中，
Figure 158101DEST_PATH_IMAGE038
表示中心位置的点；
Figure 287731DEST_PATH_IMAGE022
、
Figure 570945DEST_PATH_IMAGE030
表示与
Figure 111517DEST_PATH_IMAGE038
在同一垂直面，即
Figure 847392DEST_PATH_IMAGE018
垂直方向上的点；
Figure 515133DEST_PATH_IMAGE026
、
Figure 652854DEST_PATH_IMAGE034
表示与
Figure 66124DEST_PATH_IMAGE038
在同一水平面，即
Figure 289295DEST_PATH_IMAGE016
水平方向上的点；
在划分的区域中，针对
Figure 760728DEST_PATH_IMAGE018
方向上的位置编码由其左右相邻的两个灰度值决定，当
Figure 736643DEST_PATH_IMAGE018
方向上位置点的灰度值同时大于或同时小于左右相邻两点的灰度值时，该位置的编码值设为1，反之则设为0；
针对
Figure 635329DEST_PATH_IMAGE016
方向上的位置编码由其上下相邻的两个灰度值决定，当
Figure 345796DEST_PATH_IMAGE016
方向上位置点的灰度值同时大于或同时小于上下相邻两点的灰度值时，该位置的编码值设为1，反之则设为0；
除
Figure 89761DEST_PATH_IMAGE016
方向和
Figure 952806DEST_PATH_IMAGE018
方向上的剩余领域点的位置编码方式为与中心位置点的灰度值进行比较，当领域点的灰度值大于中心点的灰度值时，则该位置的编码值设为1，反之则设为0。
针对两个不同邻域灰度值得出同样的二进制序列，以及两个虽然不同但确实很接近的邻域灰度值会得出截然相反的二进制序列，通过将邻域采样点之间的灰度值大小关系加入考虑范围，与中心阈值共同作为决定 LBP 编码情况的影响因子，充分利用邻域点之间所隐藏的方向特征，提高纹理特征提取的精确度与全面性，使得最终图像识别的结果更具备说服力。
在第一方面的一些可实现方式中，针对纹理分析在光照条件下的变化情况，以及梯度信息造成全丢失的情况，通过梯度方向分布表征物体纹理和形状的特点，同时基于局部二值模式构建纹理权重函数，采用像素及其邻域的参考权重值生成加权方向共生矩阵；然后，以各位置偏移量生成该矩阵的集合以表明目标的局部和全局特征。
在第一方面的一些可实现方式中，针对图像中不同像素对方向辨别能力的差异，设L为梯度方向上的量化等级数，对于预设的位置偏移量(x,y)，每个像素元素的表达式为：
Figure 100002_DEST_PATH_IMAGE040
式中，
Figure 100002_DEST_PATH_IMAGE042
；
Figure 100002_DEST_PATH_IMAGE044
表示当前像素；
Figure 100002_DEST_PATH_IMAGE046
表示当前像素的领域；
Figure 100002_DEST_PATH_IMAGE048
扩展了 2个像素对方向的感知能力，其梯度方向分别为 i 和 j；
针对图像中不同像素对方向辨别能力的差异，通过赋给图像中不同类型像素适当权重，充分捕获图像中每个像素周围的方向变化， 其中通过权重函数更新
Figure 819131DEST_PATH_IMAGE048
，其更新表达式为：
Figure 100002_DEST_PATH_IMAGE050
式中，
Figure 100002_DEST_PATH_IMAGE052
表示预设的权重函数。
在第一方面的一些可实现方式中，通过图像纹理结构图对权重函数进行构建。
进一步的，在光照条件较稳定情况下，图像的梯度幅值相对稳定，作为纹理结构图的近似值，由于像素的梯度幅度越大，意味着对应的方向感知能力越大，因此，使用梯度幅度函数来表征图像像素的类型辨别力。
在光照条件较不稳定情况下，梯度幅度也会产生较大波动，将 LBP 算子引入梯度图像，进一步的，权重函数的构造表达式为：
Figure 100002_DEST_PATH_IMAGE054
式中，
Figure 100002_DEST_PATH_IMAGE056
表示像素
Figure 100002_DEST_PATH_IMAGE058
的LBP值；
Figure 100002_DEST_PATH_IMAGE060
表示像素
Figure 100002_DEST_PATH_IMAGE062
的LBP值。
第二方面，提出一种图像纹理识别系统，该系统具体包括：
用于获取图像数据的第一模块；
用于对图像数据进行编码的第二模块；
用于分析图像数据并提取纹理特征的第三模块；
用于对提取到的纹理特征进行识别分类的第四模块；
用于输出识别分类的结果的第五模块。
在第二方面的一些可实现方式中，在实际进行工业作业过程中，在遇到对图像数据进行数据处理时，首先，通过所述第一模块获取作业过程中的图像数据；其次，所述第二模块接收所述第一模块获取到的图像数据并通过数字化处理对其进行数字编码，并送至所述第三模块中；再次，所述第三模块接收经过所述第二模块编码后的图像数据，并通过图像空间位置信息和图像灰度之间的关系，对图像局部区域进行灰度值的逐点计算，随后分别统计不同LBP值出现的次数，从而描述该区域内图像的纹理特征，用于对编码后的数据进行纹理特征的提取；从次，所述第四模块将第三模块提取到的纹理特征输入图像识别模型进行识别分类；最后，所述第五模块根据所述第四模块输出的识别分类结果，驱动工业作业的后续过程。
有益效果：本发明提出了一种图像纹理识别方法及系统，为了更好的贴近工作作业过程中对图像数据的分析需求，对图像数据进行纹理特征的提取分析。通过以下步骤：对图像特征进行提取分析：步骤1、获取作业过程中的图像数据；步骤2、对图像数据进行编码；步骤3、通过图像空间位置信息和图像灰度之间的关系，对图像局部区域进行灰度值的逐点计算，并分别统计不同LBP值出现的次数，从而描述该区域内图像的纹理特征，并对编码后的数据进行纹理特征的提取；步骤4、将提取到的纹理特征输入图像识别模型进行识别分类；步骤5、输出识别分类的结果用关于辅助工业作业过程。通过对图像数据的纹理特征进行分析，使得图像分析的结果更贴合实时作业的需求；同时针对环境光照对图像纹理特征提取过程中的影响，本申请提出的方法也可极好的解决该问题。
附图说明
图1为本发明实施例的数据处理流程图。
图2为本发明实施例空间架构示意图。
具体实施方式
在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明发生混淆，对于本领域公知的一些技术特征未进行描述。
实施例一
为了更好的贴近工作作业过程中对图像数据的分析需求，针对图像特征中纹理分析，本实施例提出了一种图像纹理识别方法，如图1所示，该方法具体包括以下步骤：
步骤1、获取作业过程中的图像数据；
步骤2、对图像数据进行编码；
步骤3、通过图像空间位置信息和图像灰度之间的关系，对图像局部区域进行灰度值的逐点计算，并分别统计不同LBP值出现的次数，从而描述该区域内图像的纹理特征，并对编码后的数据进行纹理特征的提取；
步骤4、将提取到的纹理特征输入图像识别模型进行识别分类；
步骤5、输出识别分类的结果用关于辅助工业作业过程。
在进一步的实施例中，步骤3对图像数据进行纹理特征提取时，首先采用加权平均的方法对图像数据RGB通道的分量值进行处理，从而转化为灰度图像。其次，将转化后的灰度图像划分成预设数量的方形局部区域后，再将获取到的局部区域等比例划分为3*3的9个像素区域，并获取对应的9个像素值。从次，将9个像素区域中的中心点像素作为阈值，并分别与领域像素进行灰度比较，将大于阈值的数值转换为1，反之转换为0，从而得到一个8位的二进制序列。最后，根据计算机计算规则进行数值之间的进制转换，并结合二进制位对应的权值，将二进制转换为十进制的表述方式，从得到局部中心像素点的特征值。
其中，加权平均的表达式为：
Figure DEST_PATH_IMAGE002A
式中，Gray表示经过处理后的灰度值，R表示红色通道的亮度值；G表示绿色通道的亮度值；B表示蓝色通道的亮度值。
得到二进制序列的计算表达式为：
Figure DEST_PATH_IMAGE004A
Figure DEST_PATH_IMAGE006A
式中，
Figure 263232DEST_PATH_IMAGE008
表示中心点像素的坐标；p表示领域的第p个像素；
Figure 810888DEST_PATH_IMAGE010
表示领域像素的灰度值；
Figure 777707DEST_PATH_IMAGE012
表示中心像素的灰度值；
Figure 18195DEST_PATH_IMAGE014
表示符号函数。
本实施例通过对图像数据的纹理特征进行分析，使得图像分析的结果更贴合实时作业的需求。
实施例二
在实施例一基础上的进一步实施例中，在进行图像纹理特征分析时，由于两个邻域像素点的灰度值相差较小，且处于零差值边缘，因此，在强烈光照的条件下，局部二值模式下得出的二进制序列可能会出现两个极端值，从而导致传统的编码方式仅仅依赖于每组关键点的灰度值大小关系。针对上述情况，本实施例以中心像素点灰度值为阈值，产生LBP编码和以两个相邻点为阈值产生的 LBP 编码，通过加入了邻域点之间灰度值变化的方向信息，在一定程度上改善了传统 LBP 算子中仅以某一个点作为阈值而决定整体 LBP 编码造成纹理特征提取结果不佳的问题。
具体的，在获取LBP值时，根据设定阈值的不同将划分区域内的邻域点分为两大类，按照角度划分，一类为
Figure 686943DEST_PATH_IMAGE016
方向和
Figure 38290DEST_PATH_IMAGE018
方向上的四个点，另一类为除
Figure 859615DEST_PATH_IMAGE016
方向和
Figure 271005DEST_PATH_IMAGE018
方向上的剩余领域点。其中，设定的阈值为划分区域中心像素点的灰度值，获取LBP值的表达式为：
Figure DEST_PATH_IMAGE064
式中，i=0,…,7表示8个领域点。在进一步的实施例中，如图2所示，设划分的9个像素点的编号为别为
Figure 131776DEST_PATH_IMAGE020
、
Figure 21234DEST_PATH_IMAGE022
、
Figure 211913DEST_PATH_IMAGE024
、
Figure 794204DEST_PATH_IMAGE026
、
Figure 188276DEST_PATH_IMAGE028
、
Figure 881426DEST_PATH_IMAGE030
、
Figure 183005DEST_PATH_IMAGE032
、
Figure 936197DEST_PATH_IMAGE034
、
Figure 817565DEST_PATH_IMAGE036
、
Figure 314406DEST_PATH_IMAGE038
，其中，
Figure 214097DEST_PATH_IMAGE038
表示中心位置的点；
Figure 607033DEST_PATH_IMAGE022
、
Figure 241276DEST_PATH_IMAGE030
表示与
Figure 276228DEST_PATH_IMAGE038
在同一垂直面，即
Figure 797471DEST_PATH_IMAGE018
垂直方向上的点；
Figure 626886DEST_PATH_IMAGE026
、
Figure 482847DEST_PATH_IMAGE034
表示与
Figure 321490DEST_PATH_IMAGE038
在同一水平面，即
Figure 930195DEST_PATH_IMAGE016
水平方向上的点。在划分的区域中，针对
Figure 196091DEST_PATH_IMAGE018
方向上的位置编码由其左右相邻的两个灰度值决定，当
Figure 273768DEST_PATH_IMAGE018
方向上位置点的灰度值同时大于或同时小于左右相邻两点的灰度值时，该位置的编码值设为1，反之则设为0。针对
Figure 916102DEST_PATH_IMAGE016
方向上的位置编码由其上下相邻的两个灰度值决定，当
Figure 143428DEST_PATH_IMAGE016
方向上位置点的灰度值同时大于或同时小于上下相邻两点的灰度值时，该位置的编码值设为1，反之则设为0。除
Figure 580226DEST_PATH_IMAGE016
方向和
Figure 145199DEST_PATH_IMAGE018
方向上的剩余领域点的位置编码方式为与中心位置点的灰度值进行比较，当领域点的灰度值大于中心点的灰度值时，则该位置的编码值设为1，反之则设为0。
本实施例提出的方案针对两个不同邻域灰度值得出同样的二进制序列，以及两个虽然不同但确实很接近的邻域灰度值会得出截然相反的二进制序列，通过将邻域采样点之间的灰度值大小关系加入考虑范围，与中心阈值共同作为决定 LBP 编码情况的影响因子，充分利用邻域点之间所隐藏的方向特征，提高纹理特征提取的精确度与全面性，使得最终图像识别的结果更具备说服力。
实施例三
在实施例一基础上的进一步实施例中，在进行图像数据分析时，针对纹理分析在光照条件下的变化情况，以及梯度信息造成全丢失的情况，本实施例通过梯度方向分布表征物体纹理和形状的特点，同时基于局部二值模式构建纹理权重函数，采用像素及其邻域的参考权重值生成加权方向共生矩阵；然后，以各位置偏移量生成该矩阵的集合以表明目标的局部和全局特征。
具体的，针对图像中不同像素对方向辨别能力的差异，设L为梯度方向上的量化等级数，对于预设的位置偏移量(x,y)，每个像素元素的表达式为：
Figure DEST_PATH_IMAGE040A
式中，；
Figure 512595DEST_PATH_IMAGE044
表示当前像素；
Figure 49887DEST_PATH_IMAGE046
表示当前像素的领域；
Figure 408318DEST_PATH_IMAGE048
扩展了2个像素对方向的感知能力，其梯度方向分别为 i 和 j。实际应用时，可通过权重函数更新
Figure 460588DEST_PATH_IMAGE048
，其更新表达式为：
Figure DEST_PATH_IMAGE050A
式中，
Figure 631675DEST_PATH_IMAGE052
表示预设的权重函数。
在进一步的实施例中，通过图像纹理结构图对权重函数进行构建，在光照条件较稳定情况下，图像的梯度幅值相对稳定，作为纹理结构图的近似值。像素的梯度幅度越大，意味着对应的方向感知能力越大，因此，使用梯度幅度函数来表征图像像素的类型辨别力。在光照条件较不稳定情况下，梯度幅度也会产生较大波动，不利于目标类型的判断。为解决该问题，本实施例将 LBP 算子引入梯度图像，以提高目标纹理特征对光照变化的稳健性。具体的，权重函数的构造表达式为：
Figure DEST_PATH_IMAGE054A
式中，
Figure 757894DEST_PATH_IMAGE056
表示像素
Figure 284297DEST_PATH_IMAGE058
的LBP值；
Figure 823863DEST_PATH_IMAGE060
表示像素
Figure 611690DEST_PATH_IMAGE062
的LBP值。
本实施例提出的方案通过在共生矩阵中引入合适的权重函数估计像素及其邻域对方向感知的相对贡献量；构造合适的权函数，将局部二值模式（LBP）算子引入梯度图像，获得纹理结构图，并将该结构图中合适的纹理值与具有不同类别区分的像素相关联，解决图像数据无显著特征目标在光照条件变化情况下的分类问题。
实施例四
提出一种图像纹理识别系统，用于实现图像纹理识别方法，该系统具体包括：
用于获取图像数据的第一模块；
用于对图像数据进行编码的第二模块；
用于分析图像数据并提取纹理特征的第三模块；
用于对提取到的纹理特征进行识别分类的第四模块；
用于输出识别分类的结果的第五模块。
在进一步的实施例中，在实际进行工业作业过程中，在遇到对图像数据进行数据处理时，首先，通过第一模块获取作业过程中的图像数据；其次，第二模块接收第一模块获取到的图像数据并通过数字化处理对其进行数字编码，并送至第三模块中；再次，第三模块接收经过第二模块编码后的图像数据，并通过图像空间位置信息和图像灰度之间的关系，对图像局部区域进行灰度值的逐点计算，随后分别统计不同LBP值出现的次数，从而描述该区域内图像的纹理特征，用于对编码后的数据进行纹理特征的提取；从次，第四模块将第三模块提取到的纹理特征输入图像识别模型进行识别分类；最后，第五模块根据第四模块输出的识别分类结果，驱动工业作业的后续过程。
在进一步的实施例中，第三模块对图像数据进行纹理特征提取时，首先采用加权平均的方法对图像数据RGB通道的分量值进行处理，从而转化为灰度图像。其次，将转化后的灰度图像划分成预设数量的方形局部区域后，再将获取到的局部区域等比例划分为3*3的9个像素区域，并获取对应的9个像素值。从次，将9个像素区域中的中心点像素作为阈值，并分别与领域像素进行灰度比较，将大于阈值的数值转换为1，反之转换为0，从而得到一个8位的二进制序列。最后，根据计算机计算规则进行数值之间的进制转换，并结合二进制位对应的权值，将二进制转换为十进制的表述方式，从得到局部中心像素点的特征值。
在进一步的实施例中，针对两个不同邻域灰度值得出同样的二进制序列，以及两个虽然不同但确实很接近的邻域灰度值会得出截然相反的二进制序列，通过将邻域采样点之间的灰度值大小关系加入考虑范围，与中心阈值共同作为决定 LBP 编码情况的影响因子，充分利用邻域点之间所隐藏的方向特征，提高纹理特征提取的精确度与全面性，使得最终图像识别的结果更具备说服力。
如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上做出各种变化。

Claims (10)

1.一种图像纹理识别方法，其特征在于，具体包括以下步骤：
步骤1、获取作业过程中的图像数据；
步骤2、对图像数据进行编码；
步骤3、通过图像空间位置信息和图像灰度之间的关系，对图像局部区域进行灰度值的逐点计算，并分别统计不同LBP值出现的次数，从而描述该区域内图像的纹理特征，并对编码后的数据进行纹理特征的提取；
步骤4、将提取到的纹理特征输入图像识别模型进行识别分类；
步骤5、输出识别分类的结果用关于辅助工业作业过程。
2.根据权利要求1所述的一种图像纹理识别方法，其特征在于，所述步骤3对图像数据进行纹理特征提取时，进一步包括：
步骤3.1、采用加权平均的方法对图像数据RGB通道的分量值进行处理，并转化为灰度图像；
步骤3.2、将转化后的灰度图像划分成预设数量的方形局部区域后，再将获取到的局部区域等比例划分为3*3的9个像素区域，并获取对应的9个像素值；
步骤3.3、将9个像素区域中的中心点像素作为阈值，并分别与领域像素进行灰度比较，将大于阈值的数值转换为1，反之转换为0，得到一个8位的二进制序列；
步骤3.4、根据计算机计算规则进行数值之间的进制转换，结合二进制位对应的权值，将二进制转换为十进制的表述方式，从得到局部中心像素点的特征值。
3.根据权利要求2所述的一种图像纹理识别方法，其特征在于，
所述加权平均的表达式为：
Figure DEST_PATH_IMAGE002
式中，Gray表示经过处理后的灰度值，R表示红色通道的亮度值；G表示绿色通道的亮度值；B表示蓝色通道的亮度值；
所述二进制序列的计算表达式为：
Figure DEST_PATH_IMAGE004
Figure DEST_PATH_IMAGE006
式中，
Figure DEST_PATH_IMAGE008
表示中心点像素的坐标；p表示领域的第p个像素；
Figure DEST_PATH_IMAGE010
表示领域像素的灰度值；
Figure DEST_PATH_IMAGE012
表示中心像素的灰度值；
Figure DEST_PATH_IMAGE014
表示符号函数。
4.根据权利要求2所述的一种图像纹理识别方法，其特征在于，
所述步骤3对图像数据进行纹理特征提取时，获取LBP值的方式进一步为：以划分区域中心像素点的灰度值为阈值，产生LBP 编码和以两个相邻点为阈值产生的 LBP 编码。
5. 根据权利要求4所述的一种图像纹理识别方法，其特征在于，产生LBP 编码和以两个相邻点为阈值产生的 LBP 编码的过程进一步为：
根据设定阈值的不同将划分区域内的邻域点分为两大类，按照角度划分，一类为
Figure DEST_PATH_IMAGE016
方向和
Figure DEST_PATH_IMAGE018
方向上的四个点，另一类为除
Figure 54345DEST_PATH_IMAGE016
方向和
Figure 456376DEST_PATH_IMAGE018
方向上的剩余领域点；其中，设定的阈值为划分区域中心像素点的灰度值；
设划分的9个像素点的编号为别为
Figure DEST_PATH_IMAGE020
、
Figure DEST_PATH_IMAGE022
、
Figure DEST_PATH_IMAGE024
、
Figure DEST_PATH_IMAGE026
、
Figure DEST_PATH_IMAGE028
、
Figure DEST_PATH_IMAGE030
、
Figure DEST_PATH_IMAGE032
、
Figure DEST_PATH_IMAGE034
、
Figure DEST_PATH_IMAGE036
、
Figure DEST_PATH_IMAGE038
，其中，
Figure 614998DEST_PATH_IMAGE038
表示中心位置的点；
Figure 206516DEST_PATH_IMAGE022
、
Figure 822174DEST_PATH_IMAGE030
表示与
Figure 208156DEST_PATH_IMAGE038
在同一垂直面，即
Figure 722314DEST_PATH_IMAGE018
垂直方向上的点；
Figure 537430DEST_PATH_IMAGE026
、
Figure 820644DEST_PATH_IMAGE034
表示与
Figure 830057DEST_PATH_IMAGE038
在同一水平面，即
Figure 565932DEST_PATH_IMAGE016
水平方向上的点；
在划分的区域中，针对
Figure 499253DEST_PATH_IMAGE018
方向上的位置编码由其左右相邻的两个灰度值决定，当
Figure 371394DEST_PATH_IMAGE018
方向上位置点的灰度值同时大于或同时小于左右相邻两点的灰度值时，该位置的编码值设为1，反之则设为0；
针对
Figure 849911DEST_PATH_IMAGE016
方向上的位置编码由其上下相邻的两个灰度值决定，当
Figure 276344DEST_PATH_IMAGE016
方向上位置点的灰度值同时大于或同时小于上下相邻两点的灰度值时，该位置的编码值设为1，反之则设为0；
除
Figure 747777DEST_PATH_IMAGE016
方向和
Figure 989271DEST_PATH_IMAGE018
方向上的剩余领域点的位置编码方式为与中心位置点的灰度值进行比较，当领域点的灰度值大于中心点的灰度值时，则该位置的编码值设为1，反之则设为0。
6.根据权利要求2所述的一种图像纹理识别方法，其特征在于，
针对纹理分析在光照条件下的变化情况，以及梯度信息造成全丢失的情况，通过梯度方向分布表征物体纹理和形状的特点，同时基于局部二值模式构建纹理权重函数，采用像素及其邻域的参考权重值生成加权方向共生矩阵；然后，以各位置偏移量生成该矩阵的集合以表明目标的局部和全局特征。
7.根据权利要求6所述的一种图像纹理识别方法，其特征在于，
针对图像中不同像素对方向辨别能力的差异，设L为梯度方向上的量化等级数，对于预设的位置偏移量(x,y)，每个像素元素的表达式为：
Figure DEST_PATH_IMAGE040
式中，
Figure DEST_PATH_IMAGE042
；
Figure DEST_PATH_IMAGE044
表示当前像素；
Figure DEST_PATH_IMAGE046
表示当前像素的领域；
Figure DEST_PATH_IMAGE048
扩展了 2个像素对方向的感知能力，其梯度方向分别为 i 和 j；
针对图像中不同像素对方向辨别能力的差异，通过赋给图像中不同类型像素适当权重，充分捕获图像中每个像素周围的方向变化， 其中通过权重函数更新
Figure 839022DEST_PATH_IMAGE048
，其更新表达式为：
Figure DEST_PATH_IMAGE050
式中，
Figure DEST_PATH_IMAGE052
表示预设的权重函数。
8.根据权利要求7所述的一种图像纹理识别方法，其特征在于，通过图像纹理结构图对权重函数进行构建；
进一步的，在光照条件较稳定情况下，图像的梯度幅值相对稳定，作为纹理结构图的近似值，由于像素的梯度幅度越大，意味着对应的方向感知能力越大，因此，使用梯度幅度函数来表征图像像素的类型辨别力；
在光照条件较不稳定情况下，梯度幅度也会产生较大波动，将 LBP 算子引入梯度图像，进一步的，权重函数的构造表达式为：
Figure DEST_PATH_IMAGE054
式中，
Figure DEST_PATH_IMAGE056
表示像素
Figure DEST_PATH_IMAGE058
的LBP值；
Figure DEST_PATH_IMAGE060
表示像素
Figure DEST_PATH_IMAGE062
的LBP值。
9.一种图像纹理识别系统，用于实现权利要求1-8任意一项方法，其特征在于，具体包括：
用于获取图像数据的第一模块；
用于对图像数据进行编码的第二模块；
用于分析图像数据并提取纹理特征的第三模块；
用于对提取到的纹理特征进行识别分类的第四模块；
用于输出识别分类的结果的第五模块。
10.根据权利要求9所述的一种图像纹理识别系统，其特征在于，
在实际进行工业作业过程中，在遇到对图像数据进行数据处理时，首先，通过所述第一模块获取作业过程中的图像数据；其次，所述第二模块接收所述第一模块获取到的图像数据并通过数字化处理对其进行数字编码，并送至所述第三模块中；再次，所述第三模块接收经过所述第二模块编码后的图像数据，并通过图像空间位置信息和图像灰度之间的关系，对图像局部区域进行灰度值的逐点计算，随后分别统计不同LBP值出现的次数，从而描述该区域内图像的纹理特征，用于对编码后的数据进行纹理特征的提取；从次，所述第四模块将第三模块提取到的纹理特征输入图像识别模型进行识别分类；最后，所述第五模块根据所述第四模块输出的识别分类结果，驱动工业作业的后续过程。
CN202111005171.XA 2021-08-30 2021-08-30 一种图像纹理识别方法及系统 Withdrawn CN113963041A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111005171.XA CN113963041A (zh) 2021-08-30 2021-08-30 一种图像纹理识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111005171.XA CN113963041A (zh) 2021-08-30 2021-08-30 一种图像纹理识别方法及系统

Publications (1)

Publication Number Publication Date
CN113963041A true CN113963041A (zh) 2022-01-21

Family

ID=79460570

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111005171.XA Withdrawn CN113963041A (zh) 2021-08-30 2021-08-30 一种图像纹理识别方法及系统

Country Status (1)

Country Link
CN (1) CN113963041A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114998614A (zh) * 2022-08-08 2022-09-02 浪潮电子信息产业股份有限公司 一种图像处理方法、装置、设备及可读存储介质
CN115019159A (zh) * 2022-08-09 2022-09-06 济宁安泰矿山设备制造有限公司 一种泵轴承故障快速识别方法
CN115131296A (zh) * 2022-06-08 2022-09-30 南京轩景乐敏科技有限公司 一种用于图像识别的分布式计算方法及系统
CN116563911A (zh) * 2023-04-07 2023-08-08 北京宜领网络科技有限公司 一种具有人像识别功能的大数据云平台系统
CN116593493A (zh) * 2023-04-21 2023-08-15 江苏精益智控科技有限公司 一种高速检测钢管内表面缺陷的装置和方法
CN117011507A (zh) * 2023-09-04 2023-11-07 南京诺源医疗器械有限公司 一种2cmos图像识别数据分析方法和系统

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115131296A (zh) * 2022-06-08 2022-09-30 南京轩景乐敏科技有限公司 一种用于图像识别的分布式计算方法及系统
CN115131296B (zh) * 2022-06-08 2024-02-27 广州东朝智能科技有限公司 一种用于图像识别的分布式计算方法及系统
CN114998614A (zh) * 2022-08-08 2022-09-02 浪潮电子信息产业股份有限公司 一种图像处理方法、装置、设备及可读存储介质
CN115019159A (zh) * 2022-08-09 2022-09-06 济宁安泰矿山设备制造有限公司 一种泵轴承故障快速识别方法
CN115019159B (zh) * 2022-08-09 2022-10-25 济宁安泰矿山设备制造有限公司 一种泵轴承故障快速识别方法
CN116563911A (zh) * 2023-04-07 2023-08-08 北京宜领网络科技有限公司 一种具有人像识别功能的大数据云平台系统
CN116593493A (zh) * 2023-04-21 2023-08-15 江苏精益智控科技有限公司 一种高速检测钢管内表面缺陷的装置和方法
CN117011507A (zh) * 2023-09-04 2023-11-07 南京诺源医疗器械有限公司 一种2cmos图像识别数据分析方法和系统
CN117011507B (zh) * 2023-09-04 2024-01-26 南京诺源医疗器械有限公司 一种2cmos图像识别数据分析方法和系统

Similar Documents

Publication Publication Date Title
CN113963041A (zh) 一种图像纹理识别方法及系统
US10311322B2 (en) Character information recognition method based on image processing
CN108596197B (zh) 一种印章匹配方法及装置
CN107784669A (zh) 一种光斑提取及其质心确定的方法
CN107038416B (zh) 一种基于二值图像改进型hog特征的行人检测方法
CN106408025B (zh) 基于图像处理的航拍图像绝缘子分类识别方法
CN104794502A (zh) 一种基于图像处理和模式识别技术的稻瘟病孢子显微图像识别方法
CN109740572A (zh) 一种基于局部彩色纹理特征的人脸活体检测方法
CN107146258B (zh) 一种图像显著区域检测方法
CN110766708A (zh) 基于轮廓相似度的图像比较方法
CN112258525B (zh) 一种基于鸟类高帧频序列图像丰度统计和种群识别算法
CN116386090B (zh) 一种基于扫描图谱的浮游生物识别方法、系统及介质
CN108520215A (zh) 基于多尺度联合特征编码器的单样本人脸识别方法
CN111274964A (zh) 一种基于无人机视觉显著性分析水面污染物的检测方法
CN112509026A (zh) 一种绝缘子裂缝长度识别方法
CN103544488A (zh) 一种人脸识别方法及装置
CN109902751B (zh) 融合卷积神经网络和半字模板匹配的表盘数字字符识别法
CN115272350A (zh) 一种计算机pcb主板生产质量检测方法
CN110334581B (zh) 一种多源遥感影像变化检测方法
JP4915678B2 (ja) 特徴抽出装置および特徴抽出方法
CN113223098B (zh) 图像颜色分类的预处理优化方法
CN108877030B (zh) 图像处理方法、装置、终端和计算机可读存储介质
CN107358635B (zh) 一种基于模糊相似性的彩色形态学图像处理方法
CN116664431B (zh) 一种基于人工智能的图像处理系统及方法
CN117037075A (zh) 一种基于图像处理的工程检测方法及系统

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20220121

WW01 Invention patent application withdrawn after publication