專(zhuān)利名稱(chēng)：用于光學(xué)紋理圖像和sar圖像的自適應(yīng)特征提取方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，特別涉及一種用于光學(xué)紋理圖像和SAR圖像的自適應(yīng)紋理特征描述子的提取方法。
背景技術(shù)：
紋理分析是紋理研究的主要內(nèi)容之一，也是計(jì)算機(jī)視覺(jué)里一個(gè)重要的研究領(lǐng)域，有著非常廣闊的應(yīng)用背景。紋理特征表征了圖像灰度或色彩內(nèi)在空間的規(guī)律性變化或重復(fù)，作為場(chǎng)景結(jié)構(gòu)和對(duì)象的描述子，對(duì)圖像識(shí)別一不同紋理的分類(lèi)等起到了重要作用。紋理分析的應(yīng)用領(lǐng)域包括遙感圖像分析(Remotely-sensed Image Analysis)、醫(yī)學(xué)圖像分析(Medical Image Analysis)、工業(yè)表面檢測(cè)(Industrial Surface Inspection)、文檔處理
(Document Processing)和圖像檢索等領(lǐng)域。LBP (Local Binary Pattern局部二值模式)描述子是紋理描述的一個(gè)強(qiáng)有力的手段，具有灰度不變性和旋轉(zhuǎn)不變性，且計(jì)算復(fù)雜度低。它是一種點(diǎn)樣本估計(jì)方法，通過(guò)對(duì)以某個(gè)像素為中心的3 X 3鄰域點(diǎn)以該像素點(diǎn)的值為閾值求該像素的標(biāo)號(hào)，再將標(biāo)號(hào)以2的冪為權(quán)重求加權(quán)和作為該像素的標(biāo)號(hào)，最后求得標(biāo)號(hào)直方圖作為圖像的紋理描述子。近年來(lái)，LBP特征因其簡(jiǎn)單和實(shí)用等優(yōu)點(diǎn)在紋理和人臉識(shí)別等研究領(lǐng)域得到了越來(lái)越廣泛的關(guān)注。目前已提出了許多LBP的優(yōu)化算法，包括CSLBP (中心對(duì)稱(chēng)LBP)，ILBP (改進(jìn)LBP)，ELBP (擴(kuò)展LBP)以及BLBP(貝葉斯LBP)。這些紋理描述子在各種應(yīng)用中都得到了很大成功。也有一些對(duì)LBP進(jìn)行許多優(yōu)化處理的工作，如利用PCA (主成分分析法)、LDA (線性判別法)等對(duì)SIFT (尺度不變特征變換)或SURF(快速魯棒特征)等原始描述子進(jìn)行降維處理，或者改變選取關(guān)鍵點(diǎn)的方式，如Michael在近期提出的BRIEF (魯棒獨(dú)立二進(jìn)制特征)，它對(duì)關(guān)鍵點(diǎn)的選取進(jìn)行隨機(jī)采樣，將圖像塊表示為二進(jìn)制比特串的特征描述子，加快計(jì)算速度的同時(shí)減少了存儲(chǔ)空間。但是，普通LBP特征及其相關(guān)擴(kuò)展特征采樣固定性不足，在用于光學(xué)紋理圖像和SAR圖像(合成孔徑雷達(dá)獲取的遙感影像)分類(lèi)時(shí)效果尚不理想。

發(fā)明內(nèi)容
本發(fā)明目的在于解決普通LBP特征及其相關(guān)擴(kuò)展特征采樣固定性的不足，提出了用于光學(xué)紋理圖像和SAR圖像分類(lèi)的自適應(yīng)紋理特征描述子，對(duì)這兩類(lèi)數(shù)據(jù)集有較好的分類(lèi)效果。本發(fā)明的技術(shù)方案為一種用于光學(xué)紋理圖像和SAR圖像的自適應(yīng)特征提取方法，包括以下步驟步驟1，利用訓(xùn)練集中的部分訓(xùn)練圖像學(xué)習(xí)采樣分布，得到采樣位置矩陣G ;學(xué)習(xí)采樣分布的實(shí)現(xiàn)包括以下步驟a)設(shè)訓(xùn)練集中包括M幅訓(xùn)練圖像Tk, k的取值為1，2，... M，訓(xùn)練圖像Tk的大小為NXN ;對(duì)像素Pr進(jìn)行采樣時(shí)，以像素Pr為中心點(diǎn)的圖像塊Pr大小為sXS，r的取值為1，2, ... (N-s+1) X (N-s+1)，圖像塊Pr內(nèi)共有s2個(gè)點(diǎn)，以中心點(diǎn)Pr為起點(diǎn)，按照從內(nèi)到外、從上到下的順時(shí)針螺旋方式標(biāo)號(hào)為0,1,2,... , 2m,m = (sXs_l)/2 ;設(shè)讓=I ;設(shè)『=I,初始的采樣分布為標(biāo)準(zhǔn)的高斯分布Gaussian (0，I)，設(shè)初始的采樣分布為當(dāng)前的采樣分布，將采樣分布的原始范圍[_m，m]記作
；b)將當(dāng)前的采樣分布的零點(diǎn)對(duì)應(yīng)訓(xùn)練圖像Tk的圖像塊P,的中心點(diǎn)，離采樣分布中零點(diǎn)近的點(diǎn)對(duì)應(yīng)訓(xùn)練圖像Tk的圖像塊已內(nèi)離中心點(diǎn)近的點(diǎn)；c)在當(dāng)前的采樣分布的范圍
內(nèi)2m+l個(gè)點(diǎn)中，隨機(jī)采樣出n個(gè)點(diǎn)[I1,I2, , ln]，對(duì)應(yīng)地采樣訓(xùn)練圖像Tk的圖像塊已中標(biāo)號(hào)為[I1, I2, , IJ的n個(gè)點(diǎn) [ZVA，...，巧 ]，作為第k次采樣所得的關(guān)鍵點(diǎn)，將標(biāo)號(hào)I1, I2,..., In保存到采樣位置矩陣G的第r行；d)求步驟C所得關(guān)鍵點(diǎn)[/VA，…，巧 ]的像素值分別與圖像塊Pr中心點(diǎn)的像素值之間差值的絕對(duì)值，并按從小到大的順序排列，將絕對(duì)值小的關(guān)鍵點(diǎn)在當(dāng)前的采樣分布中的縱坐標(biāo)點(diǎn)數(shù)增加，將絕對(duì)值大的關(guān)鍵點(diǎn)在當(dāng)前的采樣分布中的縱坐標(biāo)點(diǎn)數(shù)減少，增加的縱坐標(biāo)總點(diǎn)數(shù)和減少的縱坐標(biāo)總點(diǎn)數(shù)相等，形成一個(gè)新的采樣分布；e)設(shè)r = r+l，以步驟d所得采樣分布為當(dāng)前的采樣分布，返回步驟b對(duì)下一像素執(zhí)行采樣，直到r = (N-s+1) X (N-s+1)，得到共有(N-s+1) X (N-s+1)行的采樣位置矩陣G，進(jìn)入步驟f ；f)設(shè)k = k+l,r = 1，以最近一次執(zhí)行步驟d所得采樣分布為當(dāng)前的采樣分布，返回步驟b利用下一幅訓(xùn)練圖像繼續(xù)采樣，不斷學(xué)習(xí)采樣分布并更新采樣位置矩陣G，直到k=M，訓(xùn)練集中的M幅訓(xùn)練圖像被學(xué)習(xí)完，得到一個(gè)最終的采樣位置矩陣G ；步驟2，對(duì)訓(xùn)練集中所有訓(xùn)練圖像和測(cè)試集中所有測(cè)試圖像內(nèi)每個(gè)像素h計(jì)算相應(yīng)的普通LBP特征；步驟3，利用步驟I所得采樣位置矩陣G對(duì)訓(xùn)練集中所有訓(xùn)練圖像和測(cè)試集中所有測(cè)試圖像內(nèi)每個(gè)像素h計(jì)算相應(yīng)的自適應(yīng)特征；步驟4，對(duì)訓(xùn)練集中所有訓(xùn)練圖像和測(cè)試集中所有測(cè)試圖像內(nèi)每個(gè)像素P,，將步驟2中所得的自適應(yīng)特征與步驟3中所得的普通LBP特征串聯(lián)組合，得到訓(xùn)練集中所有訓(xùn)練圖像和測(cè)試集中所有測(cè)試圖像的自適應(yīng)紋理特征P_LBP。而且，采樣訓(xùn)練圖像Tk的圖像塊已中標(biāo)號(hào)為[I1, 12，. . .，In]的n個(gè)點(diǎn)[/V/V...，巧 ]時(shí)，采用一維采樣方式，點(diǎn)/ 與中心點(diǎn)!^的偏移坐標(biāo)用A表示，j的取值為1，
2 y n o o本發(fā)明通過(guò)利用多幅圖像學(xué)習(xí)出一個(gè)采樣分布，利用了采樣位置的先驗(yàn)知識(shí)改變采樣分布，使得關(guān)鍵信息采樣具有隨機(jī)性，通過(guò)自適應(yīng)的不斷學(xué)習(xí)，從而達(dá)到提高對(duì)關(guān)鍵信息采樣的準(zhǔn)確性的目的。本發(fā)明提出的一種用于光學(xué)紋理圖像和SAR圖像分類(lèi)的自適應(yīng)紋理特征描述子，利用圖像先驗(yàn)不斷學(xué)習(xí)采樣分布，提高光學(xué)紋理圖像和SAR圖像分類(lèi)正確率，從而提高基于紋理基元特征的分類(lèi)、分割等圖像處理應(yīng)用的準(zhǔn)確率。


圖I本發(fā)明實(shí)施例的流程圖；圖2本發(fā)明實(shí)施例的圖像塊內(nèi)標(biāo)號(hào)與中心點(diǎn)坐標(biāo)偏移的說(shuō)明圖3本發(fā)明實(shí)施例的采樣分布與圖像塊像素點(diǎn)對(duì)應(yīng)說(shuō)明圖；圖4本發(fā)明實(shí)施例的采樣分布學(xué)習(xí)過(guò)程；圖5本發(fā)明實(shí)施例的特征原理說(shuō)明圖；圖6本發(fā)明實(shí)施例的特征編碼過(guò)程圖。
具體實(shí)施例方式紋理圖像具有乘性非高斯噪聲和極高信噪比、紋理排列可能隨機(jī)性等特點(diǎn)，本發(fā)明提供的自適應(yīng)濾波利用了訓(xùn)練圖像關(guān)鍵信息的先驗(yàn)知識(shí)，對(duì)后續(xù)采樣有進(jìn)一步指導(dǎo)作用。通過(guò)學(xué)習(xí)多幅圖像，采樣位置具有隨機(jī)性，不斷加強(qiáng)學(xué)習(xí)、采樣，從而達(dá)到提高對(duì)關(guān)鍵信 息采樣的準(zhǔn)確性的目的，自適應(yīng)紋理特征對(duì)光學(xué)紋理圖像和SAR圖像分類(lèi)有較好的效果。自適應(yīng)濾波方法與LBP算子相同之處在于，也是通過(guò)取某個(gè)像素點(diǎn)的鄰域中若干關(guān)鍵點(diǎn)，以該像素點(diǎn)的值為閾值求該像素的標(biāo)號(hào)，再將標(biāo)號(hào)以2的冪為權(quán)重求加權(quán)和作為該像素的標(biāo)號(hào)，最后求得標(biāo)號(hào)直方圖作為圖像的紋理描述子。不同之處在于，自適應(yīng)濾波方法在求取關(guān)鍵點(diǎn)時(shí)，既不是如LBP采用固定的3 X 3 (或其他大小)鄰域，也并非BRIEF采取的在像素點(diǎn)周?chē)S機(jī)選擇關(guān)鍵點(diǎn)，而是通過(guò)對(duì)采樣分布進(jìn)行自適應(yīng)地學(xué)習(xí)，將關(guān)鍵點(diǎn)的位置學(xué)習(xí)出來(lái)。這種通過(guò)自適應(yīng)學(xué)習(xí)出的關(guān)鍵點(diǎn)，既打破了傳統(tǒng)LBP鄰域選擇的固定性，也避免了 BRIEF特征關(guān)鍵點(diǎn)選擇的隨機(jī)性，增強(qiáng)了所得特征的穩(wěn)定性。以下結(jié)合附圖和實(shí)施例詳細(xì)說(shuō)明本發(fā)明技術(shù)方案。本發(fā)明實(shí)施例提供的用于光學(xué)紋理圖像和SAR圖像的自適應(yīng)特征提取方法包括以下步驟，流程圖參見(jiàn)圖I :本發(fā)明是針對(duì)光學(xué)紋理圖像和SAR圖像提取自適應(yīng)紋理特征，因此訓(xùn)練圖像和測(cè)試圖像均為紋理灰度圖像，由于紋理圖像具有乘性非高斯噪聲和極高信噪比，故先將訓(xùn)練圖像和測(cè)試圖像進(jìn)行濾波平滑處理。紋理圖像具有乘性非高斯噪聲和極高信噪比的特點(diǎn)，僅考慮了單個(gè)像素點(diǎn)的信息，得到的結(jié)果將會(huì)對(duì)噪聲十分敏感。因此考慮通過(guò)對(duì)圖像進(jìn)行平滑操作來(lái)消除這種敏感。平滑處理可分為頻域處理和空域處理兩大類(lèi)。通常圖像空域平滑處理是用某像素鄰域內(nèi)的各點(diǎn)灰度級(jí)平均值來(lái)代替該像素原來(lái)的灰度級(jí)，一般鄰域取為N*N方形窗口，窗口沿水平和垂直兩個(gè)方向逐點(diǎn)移動(dòng)，從而平滑了整幅圖像。鄰域平均法的優(yōu)點(diǎn)是便于實(shí)現(xiàn)，計(jì)算速度快，結(jié)果令人滿(mǎn)意，在平滑技術(shù)中是一種重要的處理方法。本發(fā)明建議采用簡(jiǎn)便的領(lǐng)域平均法。具體實(shí)施時(shí)，給定一個(gè)NXN圖像f(x，y)，產(chǎn)生一個(gè)平滑的圖像g(x，y)。平滑的圖像g(x，y)中各像素的灰度由該像素鄰域中各像素灰度的均值來(lái)確定的，即g(x，y) = (I/N' ) Ef(x,y)。其中(x, y) G S, S為不包括f (x, y)本身的一個(gè)鄰域,N'是S鄰域內(nèi)像素的個(gè)數(shù)。然后執(zhí)行以下步驟步驟1，利用訓(xùn)練集中的部分訓(xùn)練圖像學(xué)習(xí)采樣分布，得到采樣位置矩陣G。使用先驗(yàn)知識(shí)指導(dǎo)采樣，能提高對(duì)關(guān)鍵信息采樣率，從而提高圖像分類(lèi)率。本發(fā)明中，對(duì)于NXN的圖像，圖像分塊(patch)的尺寸為sX S，則不處于圖像邊緣的內(nèi)部 (N-s+l)*(N-s+l)個(gè)像素點(diǎn)分別對(duì)應(yīng)了采樣位置矩陣G的(N-s+1) X (N-s+1)行，每行都是在上一行對(duì)采樣分布影響后采樣得到的。通過(guò)多幅訓(xùn)練圖像，不斷采樣、不斷學(xué)習(xí)得到最終的采樣位置矩陣G。例如，若圖像塊的大小為3x3，則圖像上下左右的第一行是不能作為中心點(diǎn)獲得圖像塊的，如圖像塊的大小為5x5，則圖像上下左右的兩行是不能作為中心點(diǎn)獲得圖像塊的，所以要去除，依次類(lèi)推。本步驟利用對(duì)訓(xùn)練集中圖像的前一次關(guān)鍵點(diǎn)的采樣位置，影響采樣分布，從而影響后一次關(guān)鍵點(diǎn)的采樣位置，分布學(xué)習(xí)過(guò)程見(jiàn)圖4:高斯分布中的-m，...，-2，-1,0,1,2， ，m經(jīng)過(guò)M幅圖像Tl、T2. TM學(xué)習(xí)，圖像中的(N-s+1) X (N-s+1)個(gè)像素點(diǎn)相應(yīng)圖像塊中關(guān)鍵點(diǎn)的采樣位置都被M次調(diào)整，也就是采樣位置矩陣G的(N-s+1) X (N-s+1)行中每一行都被M次調(diào)整。實(shí)施例中學(xué)習(xí)采樣分布的實(shí)現(xiàn)包括以下步驟a)設(shè)利用訓(xùn)練集中的M幅訓(xùn)練圖像Tk學(xué)習(xí)采樣分布，k的取值為1，2，...M，訓(xùn)練圖像Tk的大小為N X N ;對(duì)像素Pr進(jìn)行采樣時(shí)，以像素Pr為中心點(diǎn)的圖像塊Pr大小為S X S，r的取值為1，2，. (N-S+1) X (N-S+1)，圖像塊Pr內(nèi)共有S2個(gè)點(diǎn)，以中心點(diǎn)pr為起點(diǎn)，按照從內(nèi)到外、從上到下的順時(shí)針螺旋方式標(biāo)號(hào)為0,1,2, ... ,2m, m = (sXs_l)/2 ;設(shè)k = I ;設(shè)r = I，初始的采樣分布為標(biāo)準(zhǔn)的高斯分布Gaussian (0，I)，設(shè)初始的采樣分布為當(dāng)前的采樣分布，將采樣分布的原始范圍[_m，m]記作
。按照本領(lǐng)域習(xí)慣，從不處于圖像邊緣的內(nèi)部(N-s+1) X (N-s+1)個(gè)像素依次取出進(jìn)行處理時(shí)，按照從左到右從上到下的原則，依次記為Pl、p2、. . . P(N-S+1)X(N-S+1)?，F(xiàn)有紋理基元特征提取時(shí)未提取像素的空間分布特性，本發(fā)明提取紋理基元特征時(shí)考慮了像素的空間分布特性。具體指像素點(diǎn)的紋理基元不僅由該像素鄰域固定采樣點(diǎn)計(jì)算得出，而是在圖像塊中隨機(jī)采樣計(jì)算出中心像素空間分布特性。每個(gè)圖像塊的尺寸為s*s，S 一般建議取5，7，9等奇數(shù)。具體實(shí)施時(shí)，用于學(xué)習(xí)采樣分布的圖像數(shù)目可根據(jù)圖像應(yīng)用需要而定，理論上，利用的圖像越多，學(xué)習(xí)的采樣分布越準(zhǔn)確，但時(shí)間花費(fèi)也更多，本發(fā)明實(shí)施例在對(duì)光學(xué)紋理圖像和SAR圖像分類(lèi)時(shí)，從訓(xùn)練集中取10幅訓(xùn)練圖像學(xué)習(xí)分類(lèi)。m的值由圖像塊的大小決定，如圖像塊大小為9*9，則m = (9*9-1)/2。對(duì)于圖像分塊大小s*s，s —般可取值為5，7，9等奇數(shù)，則在學(xué)習(xí)分布的第一步中的m值為(s*s-l)/2，例如在對(duì)光學(xué)紋理圖像和SAR圖像分類(lèi)時(shí)，s值取9，則m值為40。b)將當(dāng)前的采樣分布的零點(diǎn)對(duì)應(yīng)訓(xùn)練圖像Tk的圖像塊P,的中心點(diǎn)，離采樣分布中零點(diǎn)近的點(diǎn)對(duì)應(yīng)訓(xùn)練圖像Tk的圖像塊已內(nèi)離中心點(diǎn)近的點(diǎn)。設(shè)u = (x,y)是圖像塊Pr中任意一點(diǎn)，P(U)為該點(diǎn)的像素值。第一次執(zhí)行步驟b時(shí)，設(shè)起始采樣分布為標(biāo)準(zhǔn)的高斯分布Gaussian (0，I)，范圍為[_m，m]，將零點(diǎn)對(duì)應(yīng)的中心點(diǎn)，已內(nèi)離中心點(diǎn)近的點(diǎn)對(duì)應(yīng)離高斯分布中零點(diǎn)近的點(diǎn)，則以此構(gòu)建了一維采樣分布。圖像塊像素與分布的對(duì)應(yīng)關(guān)系如圖3 :圖像塊已中，以中心點(diǎn)為起點(diǎn)，按照從內(nèi)到外、從上到下的順時(shí)針螺旋方式標(biāo)號(hào)為0,1, 2, , 2m ;聞斯分布中的n, ~m+l， ，_4，-3，-2，-1, 0，1，2，3，4，…，m-l，m對(duì)應(yīng)點(diǎn)的取值投影到標(biāo)號(hào)為0，I，2，3，4，5，6，7，8， ，2m的分布中。c)在當(dāng)前的采樣分布的范圍
內(nèi)2m+l個(gè)點(diǎn)中，隨機(jī)采樣出n個(gè)點(diǎn)[I1,I2, , ln]，對(duì)應(yīng)地采樣訓(xùn)練圖像Tk的圖像塊已中標(biāo)號(hào)為[I1, I2, , IJ的n個(gè)點(diǎn)[A，/V...，巧 ]，作為第k次采樣所得的關(guān)鍵點(diǎn)，將標(biāo)號(hào)I1, I2,..., In保存到采樣位置矩陣G的第r行。對(duì)學(xué)習(xí)分布的米樣，米樣方式可分為一維米樣和二維米樣，一維米樣時(shí)將中心點(diǎn)外的2m個(gè)點(diǎn)標(biāo)號(hào)為1,2, ... , 2m,每個(gè)標(biāo)號(hào)對(duì)應(yīng)的是與中心點(diǎn)的偏移坐標(biāo),直接米樣出標(biāo)號(hào)，再根據(jù)標(biāo)號(hào)獲得偏移坐標(biāo)，然后對(duì)圖像處理。二維采樣是分別直接采樣出于中心點(diǎn)偏移的橫、縱坐標(biāo)后對(duì)圖像處理。本發(fā)明在對(duì)光學(xué)紋理圖像和SAR圖像分類(lèi)時(shí)應(yīng)用的是一維采樣記采樣訓(xùn)練圖像Tk的圖像塊Pr中標(biāo)號(hào)為[I1, I2,..., In]的n個(gè)點(diǎn)[A，A，...，八]時(shí)，采用一維采樣方式。點(diǎn)巧與中心點(diǎn)h的偏移坐標(biāo)用A表示，j的取值為1，2，. . . n。如圖2，中心點(diǎn)0外的8個(gè)點(diǎn)標(biāo)號(hào)為1，2，...，8，分別與中心點(diǎn)的坐標(biāo)偏移為(_1，0)，(-1,1), (0，
1)，(1,1), (1,0), (1,-1), (0,-1), (_1，-1)。若圖像塊的尺寸大于3X3，從點(diǎn)9開(kāi)始繼續(xù)標(biāo)號(hào)。d)求步驟c所得關(guān)鍵點(diǎn)[/VA，...，巧 ]的像素值分別與圖像塊Pr中心點(diǎn)的像素值 之間差值的絕對(duì)值，并按從小到大的順序排列，將絕對(duì)值小的關(guān)鍵點(diǎn)在當(dāng)前的采樣分布中的縱坐標(biāo)點(diǎn)數(shù)增加，將絕對(duì)值大的關(guān)鍵點(diǎn)在當(dāng)前的采樣分布中的縱坐標(biāo)點(diǎn)數(shù)減少，增加的縱坐標(biāo)總點(diǎn)數(shù)和減少的縱坐標(biāo)總點(diǎn)數(shù)相等,形成一個(gè)新的采樣分布,例如n = 8時(shí),對(duì)采樣出來(lái)的8個(gè)關(guān)鍵點(diǎn)，按距離從小到大排序后，記為al，a2, , a8，減少絕對(duì)值大的關(guān)鍵點(diǎn)a5，a6，a7，a8在當(dāng)前的采樣分布中的縱坐標(biāo)點(diǎn)數(shù)減少5%，相應(yīng)將減少絕對(duì)值小的關(guān)鍵點(diǎn)al, a2，a3，a4在當(dāng)前的采樣分布中的縱坐標(biāo)點(diǎn)數(shù)增加5%，形成一個(gè)新的采樣分布。具體調(diào)整方式本領(lǐng)域人員可以自行根據(jù)情況設(shè)定。求這些關(guān)鍵點(diǎn)的像素值與中心點(diǎn)像素值差值的絕對(duì)值，并按從小到大的順序排列。假設(shè)排列后得到的關(guān)鍵點(diǎn)對(duì)應(yīng)的標(biāo)號(hào)為[13，12，. . .，1N-2，1N]，由于像素值差值的絕對(duì)值表示該點(diǎn)與中心像素點(diǎn)的差異，絕對(duì)值越小，差異越小，該點(diǎn)相對(duì)中心點(diǎn)的重要性就越大。因此，將差值絕對(duì)值小的13，I2等點(diǎn)在原始高斯分布中的點(diǎn)數(shù)增加，同時(shí)將差值絕對(duì)值大的lN-2> In等點(diǎn)在原始聞斯分布中的點(diǎn)數(shù)減少，總增加和總減少的點(diǎn)數(shù)相等以保持聞斯分布函數(shù)總點(diǎn)數(shù)的平衡。改變這些標(biāo)號(hào)對(duì)應(yīng)的點(diǎn)數(shù)后，原始高斯分布將發(fā)生改變，形成一個(gè)新的分布。e)設(shè)r = r+l，以步驟d所得采樣分布為當(dāng)前的采樣分布，返回步驟b對(duì)下一像素執(zhí)行采樣，直到r = (N-s+1) X (N-s+1)，得到共有(N-s+1) X (N-s+1)行的采樣位置矩陣G，進(jìn)入步驟f。r = (N-s+1) X (N-s+1)時(shí)，說(shuō)明對(duì)當(dāng)前的訓(xùn)練圖像學(xué)習(xí)完畢，進(jìn)入步驟f，學(xué)習(xí)下
一幅訓(xùn)練圖像。f)設(shè)k = k+l,r = 1，以最近一次執(zhí)行步驟d所得采樣分布為當(dāng)前的采樣分布，返回步驟b利用下一幅訓(xùn)練圖像繼續(xù)采樣，不斷學(xué)習(xí)采樣分布并更新采樣位置矩陣G，直到k=M，訓(xùn)練集中的M幅訓(xùn)練圖像被學(xué)習(xí)完，得到一個(gè)最終的采樣位置矩陣G。本步驟令r = 1，從下一幅訓(xùn)練圖像的像素P1開(kāi)始，基于上一幅訓(xùn)練圖像學(xué)習(xí)后的采樣分布繼續(xù)學(xué)習(xí)。每次執(zhí)行步驟c時(shí)，根據(jù)當(dāng)前的采樣分布得到第k次采樣所得的關(guān)鍵點(diǎn)，更新到采樣位置矩陣G的第r行，覆蓋第k-1次采樣所得的關(guān)鍵點(diǎn)。在步驟I學(xué)習(xí)得到采樣位置矩陣G后，對(duì)任意圖像執(zhí)行以下步驟都可以提取自適應(yīng)紋理特征。本發(fā)明提出對(duì)訓(xùn)練集中所有訓(xùn)練圖像和測(cè)試集中所有測(cè)試圖像執(zhí)行步驟2、3、4，以完整提供自適應(yīng)紋理特征，便于后續(xù)分類(lèi)使用。步驟2，對(duì)訓(xùn)練集中所有訓(xùn)練圖像和測(cè)試集中所有測(cè)試圖像內(nèi)每個(gè)像素^計(jì)算相應(yīng)的普通LBP特征。如圖5所示，對(duì)圖像內(nèi)每個(gè)像素計(jì)算相應(yīng)的普通LBP特征，r的取值為1，2,... (N-s+1) X (N-s+1)。假設(shè)以像素Pr為中心點(diǎn)的圖像塊Pr中采樣像素點(diǎn)數(shù)為n個(gè)，SP與學(xué)習(xí)采用分布時(shí)圖像塊設(shè)置大小S、從采樣分布中隨機(jī)采樣出的點(diǎn)數(shù)n—致，令g。表示中心點(diǎn)像素的灰度，g1 K，8 表示像素Pi周?chē)徲虻牟蓸酉袼氐幕叶龋瑒t中心點(diǎn)像素的LBP標(biāo)號(hào)LBPp, K(x，y)可以表示為
權(quán)利要求
1.一種用于光學(xué)紋理圖像和SAR圖像的自適應(yīng)特征提取方法，其特征在于包括以下步驟 步驟1，利用訓(xùn)練集中的部分訓(xùn)練圖像學(xué)習(xí)采樣分布，得到采樣位置矩陣G ;學(xué)習(xí)采樣分布的實(shí)現(xiàn)包括以下步驟 a)設(shè)利用訓(xùn)練集中的M幅訓(xùn)練圖像Tk學(xué)習(xí)采樣分布，k的取值為1，2，...M，訓(xùn)練圖像Tk的大小為NXN ;對(duì)像素Pr進(jìn)行采樣時(shí)，以像素Pr為中心點(diǎn)的圖像塊Pr大小為sXs，r的取值為1，2，. . (N-s+1) X (N-s+1)，圖像塊Pr內(nèi)共有S2個(gè)點(diǎn)，以中心點(diǎn)Pr為起點(diǎn)，按照從內(nèi)到外、從上到下的順時(shí)針螺旋方式標(biāo)號(hào)為0,1,2, ... ,2m, m = (sXs_l)/2 ;設(shè)k = I ;設(shè)r=1，初始的采樣分布為標(biāo)準(zhǔn)的高斯分布Gaussian (0，I)，設(shè)初始的采樣分布為當(dāng)前的采樣分布，將采樣分布的原始范圍[_m，m]記作
； b)將當(dāng)前的采樣分布的零點(diǎn)對(duì)應(yīng)訓(xùn)練圖像Tk的圖像塊己的中心點(diǎn)，離采樣分布中零點(diǎn)近的點(diǎn)對(duì)應(yīng)訓(xùn)練圖像Tk的圖像塊已內(nèi)離中心點(diǎn)近的點(diǎn)； c)在當(dāng)前的采樣分布的范圍
內(nèi)2m+l個(gè)點(diǎn)中，隨機(jī)采樣出n個(gè)點(diǎn)[I1,I2,,IJ，對(duì)應(yīng)地采樣訓(xùn)練圖像Tk的圖像塊Pr中標(biāo)號(hào)為[Iply^ln]的n個(gè)點(diǎn)[A，/V...，巧 ]，作為第k次采樣所得的關(guān)鍵點(diǎn)，將標(biāo)號(hào)I1, I2,..., In保存到采樣位置矩陣G的第r行； d)求步驟c所得關(guān)鍵點(diǎn)[A，A，...，八]的像素值分別與圖像塊已中心點(diǎn)的像素值之間差值的絕對(duì)值，并按從小到大的順序排列，將絕對(duì)值小的關(guān)鍵點(diǎn)在當(dāng)前的采樣分布中的縱坐標(biāo)點(diǎn)數(shù)增加，將絕對(duì)值大的關(guān)鍵點(diǎn)在當(dāng)前的采樣分布中的縱坐標(biāo)點(diǎn)數(shù)減少，增加的縱坐標(biāo)總點(diǎn)數(shù)和減少的縱坐標(biāo)總點(diǎn)數(shù)相等，形成一個(gè)新的采樣分布； e)設(shè)r= r+1,以步驟d所得采樣分布為當(dāng)前的采樣分布，返回步驟b對(duì)下一像素執(zhí)行采樣，直到r= (N-s+l)X(N-s+l)，得到共有(N-s+1) X (N-s+1)行的采樣位置矩陣G，進(jìn)入步驟f ; f)設(shè)k= k+l，r= 1，以最近一次執(zhí)行步驟d所得采樣分布為當(dāng)前的采樣分布，返回步驟b利用下一幅訓(xùn)練圖像繼續(xù)采樣，不斷學(xué)習(xí)采樣分布并更新采樣位置矩陣G，直到k = M，訓(xùn)練集中的M幅訓(xùn)練圖像被學(xué)習(xí)完，得到一個(gè)最終的采樣位置矩陣G ； 步驟2，對(duì)訓(xùn)練集中所有訓(xùn)練圖像和測(cè)試集中所有測(cè)試圖像內(nèi)每個(gè)像素&計(jì)算相應(yīng)的普通LBP特征； 步驟3，利用步驟I所得采樣位置矩陣G對(duì)訓(xùn)練集中所有訓(xùn)練圖像和測(cè)試集中所有測(cè)試圖像內(nèi)每個(gè)像素h計(jì)算相應(yīng)的自適應(yīng)特征； 步驟4，對(duì)訓(xùn)練集中所有訓(xùn)練圖像和測(cè)試集中所有測(cè)試圖像內(nèi)每個(gè)像素h，將步驟2中所得的自適應(yīng)特征與步驟3中所得的普通LBP特征串聯(lián)組合，得到訓(xùn)練集中所有訓(xùn)練圖像和測(cè)試集中所有測(cè)試圖像的自適應(yīng)紋理特征P_LBP。
2.如權(quán)利要求I所述的自適應(yīng)紋理特征提取方法，其特征在于采樣訓(xùn)練圖像Tk的圖像塊Pr中標(biāo)號(hào)為[IijI2,. . . ,In]的n個(gè)點(diǎn)[/VA，…，巧 ]時(shí)，采用一維采樣方式，點(diǎn)A與中心點(diǎn)的偏移坐標(biāo)用A表示，j的取值為1，2，... n。
全文摘要
本發(fā)明涉及一種用于光學(xué)紋理圖像和SAR圖像的自適應(yīng)特征提取方法，包括對(duì)訓(xùn)練集中多幅圖像學(xué)習(xí)采樣位置，進(jìn)而不斷學(xué)習(xí)出采樣分布；對(duì)學(xué)習(xí)的采樣分布利用自適應(yīng)濾波對(duì)圖像塊進(jìn)行采樣編碼，提取自適應(yīng)特征；將該自適應(yīng)特征與原始LBP特征串聯(lián)組合，即為圖像的自適應(yīng)紋理特征描述。本發(fā)明融合了圖像的分布特性、空間特性，利用了圖像的先驗(yàn)知識(shí)學(xué)習(xí)，通過(guò)自適應(yīng)采樣的隨機(jī)性，從而克服了普通LBP特征采樣固定性的缺陷，提高光學(xué)紋理圖像和SAR圖像的分類(lèi)正確率，進(jìn)而提高基于紋理特征的分類(lèi)、分割等圖像處理應(yīng)用的準(zhǔn)確率。
文檔編號(hào)G06K9/62GK102663436SQ20121013455
公開(kāi)日2012年9月12日 申請(qǐng)日期2012年5月3日 優(yōu)先權(quán)日2012年5月3日
發(fā)明者何楚, 廖紫纖, 石博, 許連玉 申請(qǐng)人:武漢大學(xué)