抗噪聲的多尺度局部二值模式特征表示方法
【專利摘要】一種抗噪聲的多尺度局部二值模式特征表示方法，包括：對(duì)原圖像進(jìn)行兩次降采樣形成多尺度下的紋理圖像，第一次降采樣是對(duì)原圖像中2×2大小的塊經(jīng)過(guò)無(wú)重疊區(qū)域的塊采樣后，使采樣后圖像的尺寸變?yōu)樵瓐D像的一半，第二次降采樣是對(duì)原圖像中3×3大小的塊經(jīng)過(guò)無(wú)重疊區(qū)域的塊采樣后，使采樣后圖像的尺寸變?yōu)樵瓐D像的1/3；分別對(duì)不同尺度下的圖像提取LBP特征，或提取LBP改進(jìn)算法的特征；將所得到的LBP特征或LBP改進(jìn)算法的特征串聯(lián)，形成的新特征即為最終的特征。本發(fā)明在保證算法有效性的基礎(chǔ)上，達(dá)到良好的抗噪聲性能。在無(wú)噪聲的情況下，本發(fā)明依然可以達(dá)到較好的分類效果。因此，本發(fā)明不僅適用于有噪聲圖像的分類，也同樣適用無(wú)噪聲圖像的分類。
【專利說(shuō)明】抗噪聲的多尺度局部二值模式特征表示方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種多尺度局部二值模式特征表示方法。特別是涉及一種針對(duì)含有噪 聲圖像的紋理特征提取和表示的抗噪聲的多尺度局部二值模式特征表示方法。

【背景技術(shù)】
[0002] 圖像的視覺(jué)表示技術(shù)是多媒體分析、機(jī)器視覺(jué)等領(lǐng)域的研究基礎(chǔ)，而紋理是其中 重要的一類特征。紋理在自然界中普遍存在，幾乎所有自然界事物的表面都是一種紋理。早 期的紋理特征提取方法側(cè)重于對(duì)圖像的統(tǒng)計(jì)分析，主要包括：共生矩陣方法和基于濾波的 方法，例如Gabor濾波、小波變換、灰度共生矩陣等。但通過(guò)這些方法提取的特征均不具有 旋轉(zhuǎn)不變性，只有在訓(xùn)練樣本和測(cè)試樣本之間具有相同或者近似的方向時(shí)，才能夠達(dá)到較 好的分類效果。然而，現(xiàn)實(shí)中紋理圖像的方向大都是任意的，因此，這就要求提取的特征應(yīng) 具有旋轉(zhuǎn)不變性。
[0003] 一個(gè)重要的具有旋轉(zhuǎn)不變特性的紋理特征表示方法就是T. Ojala等人于1996年 提出的局部二值模式（Local Binary Pattern, LBP)特征。LBP特征通過(guò)比較鄰域像素和中 心像素灰度值的差異性，生成代表圖像局部特征的二進(jìn)制編碼，是一種能夠簡(jiǎn)單，有效的描 述圖像局部模式的特征，并且能夠在典型的紋理分類數(shù)據(jù)庫(kù)上達(dá)到令人滿意的分類效果。 由于原始LBP特征的簡(jiǎn)單有效性，學(xué)者們對(duì)LBP的研究依然還在繼續(xù)，例如2012年在第11 屆亞洲計(jì)算機(jī)視覺(jué)會(huì)議（ACCV)上舉辦了關(guān)于LBP改進(jìn)算法的第一次國(guó)際研討會(huì)，2014年在 歐洲計(jì)算機(jī)視覺(jué)會(huì)議（ECCV)上舉辦了關(guān)于LBP算法的第二次國(guó)際研討會(huì)。因此，LBP特征 不斷被改進(jìn)，并廣泛應(yīng)用于人臉識(shí)別、動(dòng)態(tài)紋理識(shí)別和目標(biāo)定位等領(lǐng)域。
[0004] 近年來(lái)已經(jīng)提出了多種LBP的改進(jìn)算法。例如，為了解決旋轉(zhuǎn)角度問(wèn)題，T. Ojala 等人提出了旋轉(zhuǎn)不變的局部二值模式（Rotation Invariant Local Binary Code, RILBP) 特征。但隨著采樣半徑R的增大，特征維度會(huì)迅速增加。為提高效率，他們進(jìn)一步通過(guò)統(tǒng)計(jì) 特征模式中0/1的變化次數(shù)，形成了旋轉(zhuǎn)不變的統(tǒng)一局部二值模式特征。該特征不 僅具有旋轉(zhuǎn)不變性，而且在很大程度上提高了原始LBP特征的效率和性能。2010年，郭振 華等人提出完整的局部二值模式（Completed Local Binary Pattern, CLBP)，在原始LBP 的基礎(chǔ)上添加了中心像素的灰度值信息和鄰域元素與中心元素灰度值的差值信息，增強(qiáng)了 特征的判決能力，同時(shí)也使其分類準(zhǔn)確度得到很大程度的提升。此外，還有許多典型的LBP 的改進(jìn)算法，例如局部三值模式（Local Ternary Pattern, LTP)特征，主導(dǎo)的局部二值模式 (Dominant Local Binary Pattern, DLBP)特征，等等。
[0005] 然而，上述提取的特征基本都是針對(duì)無(wú)噪聲圖像的，在圖像含有噪聲特別是噪聲 強(qiáng)度較大的情況下，其視覺(jué)特征表示能力會(huì)迅速下降。實(shí)際上，自然界中采集到的圖像大 都含有不同程度的噪聲，在一些特定場(chǎng)合（例如傍晚拍攝的圖像），圖像中的噪聲更多。因 此，許多研究人員還對(duì)LBP特征的抗噪聲能力進(jìn)行了研究，提出了具有抗噪聲性能的LBP算 法，例如具有抗噪聲能力的局部二值模式（Noise Tolerate LBP，LBPNT)特征，BRINT(Binary Rotation Invariant and Noise Tolerant)算法，等等。LBPNT特征將循環(huán)的多數(shù)投票濾波 器與統(tǒng)一局部二值模式的改進(jìn)特征相結(jié)合，提高了特征的判決性能和抗噪聲的能力；BRINT 算法通過(guò)取均值的方法，使LBP特征在不同的采樣半徑下均能獲得相同長(zhǎng)度的特征，從而 實(shí)現(xiàn)對(duì)噪聲的魯棒性。LBP算法雖然對(duì)不含噪聲的圖像較為有效，但是其對(duì)噪聲的魯棒性 差。


【發(fā)明內(nèi)容】

[0006] 本發(fā)明所要解決的技術(shù)問(wèn)題是，提供一種能夠達(dá)到對(duì)含有較強(qiáng)噪聲的圖像依然能 有效且魯棒地提取其紋理特征能力的抗噪聲的多尺度局部二值模式特征表示方法。
[0007] 本發(fā)明所采用的技術(shù)方案是：一種抗噪聲的多尺度局部二值模式特征表示方法， 包括如下步驟：
[0008] 1)對(duì)原圖像進(jìn)行兩次降采樣形成多尺度下的紋理圖像，第一次降采樣是對(duì)原圖像 中2X2大小的塊經(jīng)過(guò)無(wú)重疊區(qū)域的塊采樣后，使采樣后圖像的尺寸變?yōu)樵瓐D像的一半，第 二次降采樣是對(duì)原圖像中3X3大小的塊經(jīng)過(guò)無(wú)重疊區(qū)域的塊采樣后，使采樣后圖像的尺 寸變?yōu)樵瓐D像的1/3 ;
[0009] 2)分別對(duì)不同尺度下的圖像提取LBP特征，或提取LBP改進(jìn)算法的特征；
[0010] 3)將所得到的LBP特征或LBP改進(jìn)算法的特征串聯(lián)，形成的新特征即為最終的特 征。
[0011] 步驟1)所述的對(duì)原圖像進(jìn)行降采樣是采用均值處理方法、中值處理方法和混合 處理方法中的一種對(duì)原圖像進(jìn)行降采樣處理。
[0012] 所述的均值處理方法，是將提取出的2X2和3X3的塊取均值后作為新圖像對(duì)應(yīng) 元素的灰度值，具體計(jì)算公式如下：
[0013]

【權(quán)利要求】
1. 一種抗噪聲的多尺度局部二值模式特征表示方法，其特征在于，包括如下步驟： 1) 對(duì)原圖像進(jìn)行兩次降采樣形成多尺度下的紋理圖像，第一次降采樣是對(duì)原圖像中 2X2大小的塊經(jīng)過(guò)無(wú)重疊區(qū)域的塊采樣后，使采樣后圖像的尺寸變?yōu)樵瓐D像的一半，第二 次降采樣是對(duì)原圖像中3X3大小的塊經(jīng)過(guò)無(wú)重疊區(qū)域的塊采樣后，使采樣后圖像的尺寸 變?yōu)樵瓐D像的1/3 ; 2) 分別對(duì)不同尺度下的圖像提取LBP特征，或提取LBP改進(jìn)算法的特征； 3) 將所得到的LBP特征或LBP改進(jìn)算法的特征串聯(lián)，形成的新特征即為最終的特征。
2. 根據(jù)權(quán)利要求1所述的一種抗噪聲的多尺度局部二值模式特征表示方法，其特征在 于，步驟1)所述的對(duì)原圖像進(jìn)行降采樣是采用均值處理方法、中值處理方法和混合處理方 法中的一種對(duì)原圖像進(jìn)行降采樣處理。
3. 根據(jù)權(quán)利要求2所述的一種抗噪聲的多尺度局部二值模式特征表示方法，其特征在 于，所述的均值處理方法，是將提取出的2X2和3X3的塊取均值后作為新圖像對(duì)應(yīng)元素的 灰度值，具體計(jì)算公式如下：
其中，nXn為選取的圖像塊的大小，gi為圖像塊中對(duì)應(yīng)元素的灰度值，gn"為生成的新 元素的灰度值，由均值處理方法形成的新特征的名稱為NTLBP_Mean。
4. 根據(jù)權(quán)利要求2所述的一種抗噪聲的多尺度局部二值模式特征表示方法，其特征在 于，所述的中值處理方法，是將提取出的2X2和3X3的塊取中值后作為新圖像對(duì)應(yīng)元素的 灰度值，具體計(jì)算公式如下： Snew=Middle{sort(gi|i= 1,......,nXn)} (2) 其中，sort(x)表示將x按照由小到大的順序重新排序，Middle(x)表示取x中位于 中間的值；若圖像塊大小為2X2,則取中間兩個(gè)值的均值作為新元素的灰度值；若圖像塊 大小為3X3則取第5個(gè)值作為新元素的灰度值，由中值處理方法形成的新特征的名稱為 NTLBP_Middle。
5. 根據(jù)權(quán)利要求2所述的一種抗噪聲的多尺度局部二值模式特征表不方法，其特征在 于，所述的混合處理方法是綜合了中值處理方法和均值處理方法的處理方法，是對(duì)2X2的 塊采取和中值相同的方法，對(duì)3X3的塊先對(duì)灰度值進(jìn)行排序后，再對(duì)中間的5個(gè)元素的灰 度值取均值得到新圖像對(duì)應(yīng)元素的灰度值，形成的新特征的名稱為NTLBP_MM。
6. 根據(jù)權(quán)利要求1所述的一種抗噪聲的多尺度局部二值模式特征表不方法，其特征在 于，步驟2)所述的不同尺度下的圖像，包括有原圖像、第一次降采樣得到的圖像以及第二 次降采樣得到的圖像。
7. 根據(jù)權(quán)利要求1所述的一種抗噪聲的多尺度局部二值模式特征表示方法，其特征在 于，步驟2)所述的LBP改進(jìn)算法的特征為CLBP特征，或DLBP特征，或特征，或ULBP 特征。
【文檔編號(hào)】G06K9/46GK104268549SQ201410472006
【公開(kāi)日】2015年1月7日 申請(qǐng)日期:2014年9月16日 優(yōu)先權(quán)日:2014年9月16日
【發(fā)明者】冀中, 聶林紅 申請(qǐng)人:天津大學(xué)