CN108876832B - 基于分组-次序模式的鲁棒纹理特征提取方法 - Google Patents

基于分组-次序模式的鲁棒纹理特征提取方法 Download PDF

Info

Publication number
CN108876832B
CN108876832B CN201810540860.2A CN201810540860A CN108876832B CN 108876832 B CN108876832 B CN 108876832B CN 201810540860 A CN201810540860 A CN 201810540860A CN 108876832 B CN108876832 B CN 108876832B
Authority
CN
China
Prior art keywords
pixel
grouping
pixels
values
coding
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
CN201810540860.2A
Other languages
English (en)
Other versions
CN108876832A (zh
Inventor
罗林
宋铁成
张刚
张天骐
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201810540860.2A priority Critical patent/CN108876832B/zh
Publication of CN108876832A publication Critical patent/CN108876832A/zh
Application granted granted Critical
Publication of CN108876832B publication Critical patent/CN108876832B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration

Landscapes

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

Abstract

本发明请求保护一种基于分组‑次序模式的鲁棒纹理特征提取方法，属于图像处理、模式识别领域。主要思路是：首先采用双线性插值获取待处理图像每个中心像素及其近邻像素，并对插值所得像素进行均值滤波。然后通过对近邻像素进行分组以降低特征维度，并对分组后各组中的近邻像素值间的大小次序进行编码。最后对图像中所有像素在不同分组中所得编码值进行直方图统计，并将各组的直方图级联构成最终的纹理特征直方图。

Description

基于分组-次序模式的鲁棒纹理特征提取方法
技术领域
本发明涉及图像处理、计算机视觉领域中的图像特征提取，具体涉及一种基于分组-次序模式的鲁棒纹理特征提取方法。
背景技术
随着网络技术和多媒体技术日益飞速的发展，大量不同类型的图像数据涌现在互联网上。而图像数据又具有一些常规数据所不具备的特点，如：格式不统一，信息内容丰富多样性，以及时空二维性等。
纹理是自然界中物体外观所呈现的一种基本属性，对纹理的感知是人类辨别不同物体、认识外部世界的重要方式。特征提取的目的是降低数据的维数，得到能反映物体属性的特征，从而方便分类。好的特征应当具有区分能力强、计算简单、鲁棒性强和形式简单等特点。如何有效地提取对噪声干扰，旋转、光照和尺度等变化具有鲁棒性的纹理特征，一直是图像处理、计算机视觉和模式识别领域研究的重要内容。
局部二值模式(Local Binary Pattern,LBP)是机器视觉领域中用于描述图像局部纹理特征的描述符，它具有计算简单、旋转不变性、灰度不变性等显著的优点。但是LBP有一个较大缺陷限制了它的应用，那就是它对噪声敏感，提取的纹理特性在对含噪声的图像进行分类时效果较差，且忽视了近邻像素之间的关系。
中国科学院ZhenhuaWang基于感兴趣区域的局部强度次序模式(Local IntensityOrderPattern,LIOP)对图像的近邻像素强度顺序进行编码，捕获了近邻像素间的关系。但LIOP在对近邻像素强度编码之前需对感兴趣区域进行预处理，以获取具有旋转不变性的特征，并且仅编码少量的近邻像素。针对以上问题，本发明提出了一种可用于图像分类的基于分组-次序模式的鲁棒纹理特征提取方法。
发明内容
本发明提供了一种基于分组-次序模式的鲁棒纹理特征提取方法。本发明能够提取具有较好鲁棒性和较高特征鉴别力的纹理特征，提高了图像分类任务中的分类准确性，并且简单易行。
为达到以上技术目的，本发明采用如下技术方案予以实现。
一种基于分组-次序模式的鲁棒纹理特征提取方法，包括以下步骤：
步骤1，输入待处理图像，通过双线性插值法获取每个中心像素xc及其近邻像素xp，并采用均值滤波器对以插值像素为中心的3×3的区域Xp(和Xc)进行滤波，得到滤波后的中心像素
Figure BDA0001678766390000021
和近邻像素
Figure BDA0001678766390000022
步骤2，计算每一中心像素
Figure BDA0001678766390000023
及其近邻像素
Figure BDA0001678766390000024
绝对差值，并以绝对差值最大的近邻像素点为参考点对近邻像素进行间隔分组。
步骤3，获取分组后每组中各近邻像素值间的次序值，并对所得的次序值进行编码。
步骤4，图像中，每个像素的近邻像素被编码成n组编码值，对每组编码值进行统计，并形成直方图。最后将n组直方图进行级联，构成最终的特征直方图。
附图说明
图1为本发明基于分组-次序模式的鲁棒纹理特征提取方法流程图。
图2为本发明中在采样半径r＝1时的双线性插值及均值滤波示意图。
图3为本发明中近邻像素分组示意图。
图4为本发明中近邻像素次序编码示意图。
图5为本发明中直方图统计与级联示意图。
图6为本发明中不同(r,P)组合下所提取纹理特征对分类性能的影响。
具体实施方式
以下结合附图和实施方法对本发明作进一步的说明。
参照图1，本发明基于分组-次序模式的鲁棒纹理特征提取方法，包括以下步骤：获取中心像素xc和近邻像素xp、近邻像素间隔分组、编码分组后的近邻像素、直方图统计、直方图级联。
步骤1，参照图2，首先通过双线性插值法获取待处理图像的每个中心像素xc及其P(P＝8+4(r-1))个近邻像素xp(p＝0,1,…P-1)。如果xc的坐标是(0,0)，则xp的坐标由下式给出：(-rsin(2πp/P),rcos(2πp/P))。对于不完全落在像素中心的近邻像素通过内插来估计。然后采用均值滤波器对以插值像素为中心的3×3的区域Xp(和Xc)进行滤波，得到滤波后的中心像素
Figure BDA0001678766390000031
和近邻像素
Figure BDA0001678766390000032
记为：
Figure BDA0001678766390000033
和
Figure BDA0001678766390000034
φ(·)表示均值滤波函数。
步骤2，参照图3，计算中心像素
Figure BDA0001678766390000041
及其近邻像素
Figure BDA0001678766390000042
的绝对差值
Figure BDA0001678766390000043
通过将绝对差值最大的
Figure BDA0001678766390000044
作为参考像素点对近邻像素进行间隔分组，并将含参考点
Figure BDA0001678766390000045
的组设为组1。可以分成n组，n＝P/4，每组含4个像素。每组像素分别为：
Figure BDA0001678766390000046
j(j＝1,2,…,n)表示像素所在的组别。通过对近邻像素分组，能够有效降低特征维度。图3中P＝8，因此将近邻像素分成2组。假设x3与
Figure BDA0001678766390000047
的绝对差值最大，以像素值为108的
Figure BDA0001678766390000048
为参考点进行分组，并将含像素值为108的组设为组1，即组1为
Figure BDA0001678766390000049
组2为
Figure BDA00016787663900000410
步骤3，参照图4，对分组后的像素值
Figure BDA00016787663900000411
的大小进行排序，获取像素间的次序值，记为：
Figure BDA00016787663900000412
f(·)为排序函数。然后通过查找表对次序值进行编码得到相应的编码值，记为：LOcode＝index(F)，index(·)为索引函数。因为通过分组，已经固定每组的像素个数为4，所以共有24种不同编码值。若不对近邻像素进行分组而直接编码，将会产生P！种不同编码值。图4中对分组后组1中的像素值
Figure BDA00016787663900000413
进行排序可得(1,3,2,4)，最后通过查找表可得到相应得编码值为3。
步骤4，参照图5，经上述步骤，每个像素的近邻像素被编码成n组编码值。分别对每组所得编码值进行统计并构成直方图，可得对应于n个分组的n幅直方图。最终将n幅直方图进行级联，得到24*n维的纹理特征直方图。
本实验采用已公开的专门用于纹理分类的Outex纹理数据库。本实验采用两个系列的Outex纹理数据库：Outex_TC10和Outex_TC12(含TC12_000和TC12_001)。
仿真1，在数据库Outex_TC10中，测试了本发明在不同信噪比下不同(r,P)组合下所提取纹理特征对分类性能的影响。首先分别给训练样本和测试样本加入加性高斯白噪声，然后用本发明的特征提取方法提取图像的特征并形成直方图，再由卡方距离计算测试图像特征直方图与训练图像特征直方图之间的相似度，之后通过最近邻分类器对图像进行分类。最后将仿真的结果依据所加噪声的强度变化绘制成纹理分类精度变化图，如图6所示。图6中横坐标为所加噪声的信噪比(SNR)，反应了所加噪声的强度，纵坐标为分类精度，反应了不同(r,P)组合下本发明的分类性能。实验所加SNRs分别为30，15，10和5(对应14.78dB，11.76dB，10dB和7dB)。
从图6可见，随着所加噪声强度的增加(即，SNR减小)，不同(r,P)组合下基于本发明中特征提取方法的分类性能均有不同程度的下降，但在r＝5,P＝24时，本发明的分类性能最优。因此，在后续的仿真中本发明方法采用r＝5,P＝24的实验设置。
仿真2，对数据库Outex_TC10和Outex_TC12采用上述相同步骤分别用已有LBP技术和本发明的分组-次序模式进行分类性能测试，LBP的参数设置是：r＝3，P＝8。分类结果如表1所示。
表1：采用两种方法对不同噪声强度下纹理图像的分类精度比较表
Figure BDA0001678766390000061
从表1可见，与LBP相比，在无噪声的条件下，基于本发明的特征提取方法具有最好的分类性能。在TC10数据库中，基于分组-次序模式的特征提取方法比LBP的分类精度高4％；在TC12数据库中，基于分组-次序模式的特征提取方法比LBP的分类精度高3％～6％；说明基于本发明所提取的特征具有较好的旋转不变性和一定的光照不变性。当加入噪声干扰后，随噪声的增强LBP方法的分类准确性下降幅度较大而基于本发明特征提取的分类准确性下降幅度较小，抗噪声干扰能力较强。当SNR＝5时，基于分组-次序模式的特征提取方法具有60％以上的分类精度。因此本发明在图像的纹理分类方面具有较强的优势。

Claims (3)

1.一种基于分组-次序模式的鲁棒纹理特征提取方法，其步骤为：
步骤1，输入待处理图像，通过双线性插值法获取每个中心像素xc及其近邻像素xp，并采用均值滤波器对以xc和xp为中心的3×3的区域进行滤波，得到滤波后的中心像素
Figure FDA0003333965480000011
和近邻像素
Figure FDA0003333965480000012
步骤2，计算每一中心像素
Figure FDA0003333965480000013
及其近邻像素
Figure FDA0003333965480000014
的绝对差值，并以绝对差值最大的近邻像素点为参考点对近邻像素进行分组；
步骤3，获取分组后每组中各近邻像素值之间的次序值，并对所得的次序值进行编码；
步骤4，每个像素的近邻像素被编码成n组编码值，对所有像素的每组编码值进行统计，并形成直方图，最后将n组直方图进行级联，构成最终的特征直方图。
2.根据权利要求1所述的方法，其特征在于，步骤2中所述的计算近邻像素
Figure FDA0003333965480000015
与中心像素
Figure FDA0003333965480000016
的绝对差值，找出绝对差值最大的像素点
Figure FDA0003333965480000017
并以
Figure FDA0003333965480000018
为参考像素点对近邻像素进行分组，分成n组，并将含参考点
Figure FDA0003333965480000019
的组设为组1。
3.根据权利要求1所述的方法，其特征在于，步骤3、4中所述的首先对分组后的像素值
Figure FDA00033339654800000110
的大小进行排序，获取像素间的次序值
Figure FDA00033339654800000111
然后通过查找表对次序值进行编码得到相应的编码值，即LOcode＝index(F)；再对各组编码值进行统计，并形成直方图；最后将n幅直方图进行级联，构成最终的特征直方图。
CN201810540860.2A 2018-05-30 2018-05-30 基于分组-次序模式的鲁棒纹理特征提取方法 Active CN108876832B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810540860.2A CN108876832B (zh) 2018-05-30 2018-05-30 基于分组-次序模式的鲁棒纹理特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810540860.2A CN108876832B (zh) 2018-05-30 2018-05-30 基于分组-次序模式的鲁棒纹理特征提取方法

Publications (2)

Publication Number Publication Date
CN108876832A CN108876832A (zh) 2018-11-23
CN108876832B true CN108876832B (zh) 2022-04-26

Family

ID=64335661

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810540860.2A Active CN108876832B (zh) 2018-05-30 2018-05-30 基于分组-次序模式的鲁棒纹理特征提取方法

Country Status (1)

Country Link
CN (1) CN108876832B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103258202A (zh) * 2013-05-02 2013-08-21 电子科技大学 一种鲁棒的纹理特征提取方法
CN103440646A (zh) * 2013-08-19 2013-12-11 成都品果科技有限公司 用于颜色分布和纹理分布图像检索的相似度获取方法
CN103700119A (zh) * 2013-11-26 2014-04-02 上海交通大学 基于局部分组对比模式直方图的局部纹理描述方法
US20140185959A1 (en) * 2012-11-01 2014-07-03 Deepmind Technologies Limited Method and Apparatus for Image Processing
CN104331447A (zh) * 2014-10-29 2015-02-04 邱桃荣 布料色卡图像检索方法
CN104881676A (zh) * 2015-05-05 2015-09-02 昆明理工大学 一种人脸图像凸凹模式纹理特征提取及识别方法
CN105046262A (zh) * 2015-06-29 2015-11-11 中国人民解放军国防科学技术大学 一种鲁棒扩展局部二值模式纹理特征提取方法
CN106373177A (zh) * 2016-04-08 2017-02-01 华东交通大学 一种用于实现优化图像场景光照估计的设计方法
CN107665324A (zh) * 2016-07-27 2018-02-06 腾讯科技（深圳）有限公司 一种图像识别方法及终端

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140185959A1 (en) * 2012-11-01 2014-07-03 Deepmind Technologies Limited Method and Apparatus for Image Processing
CN103258202A (zh) * 2013-05-02 2013-08-21 电子科技大学 一种鲁棒的纹理特征提取方法
CN103440646A (zh) * 2013-08-19 2013-12-11 成都品果科技有限公司 用于颜色分布和纹理分布图像检索的相似度获取方法
CN103700119A (zh) * 2013-11-26 2014-04-02 上海交通大学 基于局部分组对比模式直方图的局部纹理描述方法
CN104331447A (zh) * 2014-10-29 2015-02-04 邱桃荣 布料色卡图像检索方法
CN104881676A (zh) * 2015-05-05 2015-09-02 昆明理工大学 一种人脸图像凸凹模式纹理特征提取及识别方法
CN105046262A (zh) * 2015-06-29 2015-11-11 中国人民解放军国防科学技术大学 一种鲁棒扩展局部二值模式纹理特征提取方法
CN106373177A (zh) * 2016-04-08 2017-02-01 华东交通大学 一种用于实现优化图像场景光照估计的设计方法
CN107665324A (zh) * 2016-07-27 2018-02-06 腾讯科技（深圳）有限公司 一种图像识别方法及终端

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Local Intensity Order Pattern for feature description;Zhenhua Wang等;《2011 International Conference on Computer Vision》;20120112;第603-610页 *
纹理的特征提取与分类研究;谢世朋;《中国优秀硕士学位论文全文数据库 信息科技辑》;20061215(第12期);I138-1334 *

Also Published As

Publication number Publication date
CN108876832A (zh) 2018-11-23

Similar Documents

Publication Publication Date Title
CN109815357B (zh) 一种基于非线性降维及稀疏表示的遥感图像检索方法
CN104463195A (zh) 基于模板匹配的印刷体数字识别方法
CN106874942B (zh) 一种基于正则表达式语义的目标模型快速构建方法
CN108681737A (zh) 一种复杂光照下图像特征提取方法
CN110659374A (zh) 一种基于神经网络提取车辆特征值及属性的以图搜图方法
CN111563577B (zh) 基于Unet的跳跃层分频和多尺度鉴别的本征图像分解方法
Beirami et al. Band grouping SuperPCA for feature extraction and extended morphological profile production from hyperspectral images
Varish A modified similarity measurement for image retrieval scheme using fusion of color, texture and shape moments
CN111353472A (zh) 一种基于LBP和Gabor方向韦伯局部描述子的指静脉识别方法
CN111242056B (zh) 一种最大-最小距离嵌入的无监督高光谱图像分类方法
CN113222062A (zh) 烟叶分类的方法、装置和计算机可读取介质
Bi et al. Genetic programming-based discriminative feature learning for low-quality image classification
CN115033721A (zh) 基于大数据的图像检索方法
Mata-Montero et al. A texture and curvature bimodal leaf recognition model for identification of costa rican plant species
CN108710836B (zh) 一种基于级联特征提取的唇部检测及读取方法
CN112070116B (zh) 一种基于支持向量机的艺术画作自动分类***及方法
CN1790374A (zh) 一种基于模板匹配的人脸识别方法
CN111401434B (zh) 一种基于无监督特征学习的图像分类方法
Boudra et al. Plant identification from bark: A texture description based on Statistical Macro Binary Pattern
CN108876832B (zh) 基于分组-次序模式的鲁棒纹理特征提取方法
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
CN105512682B (zh) 一种基于Krawtchouk矩和KNN-SMO分类器的密级标识识别方法
CN109299295B (zh) 蓝印花布图像数据库搜索方法
Partio et al. An ordinal co-occurrence matrix framework for texture retrieval
Hu et al. Flower image retrieval based on saliency map

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