一種有效多尺度紋理識別方法
【專利摘要】本發(fā)明公開了一種有效多尺度紋理識別方法，本方法首先計算輸入圖像的圖像金字塔，然后將LBP算子施加在每個尺度的圖像金字塔上。接著，每個尺度圖像金字塔將產(chǎn)生一個特征向量。通過D-S證據(jù)理論將多尺度信息在每個尺度上通過相似性融合進行整合。特別是，測試圖像和目標樣本之間的相似度是通過融合測試圖像和每個尺度的樣品之間的相似度進行計算。本發(fā)明提供的方法對于公用數(shù)據(jù)集Brodatz’salbum以及MIT視頻紋理數(shù)據(jù)庫（VisTex）識別精度達到96.43%和91.67%，同時對圖像旋轉(zhuǎn)不變性具有一定魯棒性，在實際應用中具有一定的應用價值。
【專利說明】一種有效多尺度紋理識別方法

【技術領域】
[0001] 本發(fā)明屬于模式識別【技術領域】，涉及一種紋理識別方法，尤其涉及一種有效多尺 度紋理識別方法。

【背景技術】
[0002] 圖像紋理是一種重要的視覺手段，是圖像中普遍存在而又難以描述的特征。紋理 分析技術一直是計算機視覺、圖像處理、圖像檢索等的活躍研究領域。紋理分析作為諸如上 述應用的基礎性研究領域之一，其研究內(nèi)容主要包括：紋理分類和分割、紋理合成、紋理檢 索和由紋理恢復形狀。這些研究內(nèi)容的一個最基本的問題是紋理特征提取，紋理的微觀異 構性，復雜性以及應用的廣泛性和概念的不明確性給紋理研究帶來很大挑戰(zhàn)。紋理特征提 取的目標是：提取的紋理特征維數(shù)不大、鑒別能力強、穩(wěn)健性好，提取過程計算量小，能夠指 導實際運用。紋理的定義一直為人們所關注，但是圖像紋理定義問題至今沒有得到圓滿的 解決，仍然不存在為眾人所公認的定義。其中的共識是一：紋理不同于灰度和顏色等圖像特 征，它通過像素及其周圍空間鄰域的灰度分布來表現(xiàn)，即局部紋理信息；二：局部紋理信息 不同程度的重復性，即全局紋理信息。
[0003] 局部二值模式為一種有效的紋理描述算子，度量和提取圖像局部的紋理信息，對 光照具有不變性。Damper-Shafter的證據(jù)理論是Dempster于1967年首先提出，由他的學 生Shafer于1976年進一步發(fā)展起來的一種不精確推理理論，也稱為Dempster/Shafer證 據(jù)理論（D-S證據(jù)理論），最早應用于專家系統(tǒng)中，具有處理不確定信息的能力。作為一種不 確定推理方法，證據(jù)理論的主要特點是：滿足比貝葉斯概率論更弱的條件；具有直接表達 "不確定"和"不知道"的能力。在此基礎上進行推理，為融合不確定信息提供了一條新的途 徑。但是其在沖突證據(jù)組合、模糊信息處理及相關證據(jù)組合方面存在不足之處。目前通過 D-S證據(jù)理論進行多特征數(shù)據(jù)融合進行圖像識別已經(jīng)得到廣泛的研究。


【發(fā)明內(nèi)容】

[0004] 為了解決上述的技術問題，本發(fā)明提供了一種基于局部二值模式（local Binary Pattern,簡稱LBP)和Dempster-Shafer證據(jù)理論（以下簡稱D-S證據(jù)理論）的紋理識別 方法。
[0005] 本發(fā)明所采用的技術方案是：一種有效多尺度紋理識別方法，其特征在于，包括以 下步驟：
[0006] 步驟1 :輸入測試圖像T ;
[0007] 步驟2 :計算測試圖像T的圖像金字塔，圖像金字塔通過一個預定義的低通濾波器 對輸入圖像進行迭代濾波；
[0008] 步驟3:將基本的LBP算子應用到圖像的每一個尺度上，將產(chǎn)生若干個直方圖 {H。，氏，…HJ，對每個與之匹配尺度的直方圖，其中L代表圖像金字塔的最高層；
[0009] 步驟4:用直方圖相交計算兩兩直方圖之間的相似度，計算出圖像金字塔上每一 尺度上的基本信任分配；
[0010] 步驟5 :將各尺度提供基本信任分配當作一個信息源，利用D-S證據(jù)理論去組合；
[0011] 步驟6 :最終的判定由設定的分配的最大值選擇決定。
[0012] 作為優(yōu)選，步驟2中所述的圖像金字塔通過一個預定義的低通濾波器對輸入圖像 進行迭代濾波，其具體實現(xiàn)過程是當輸入測試圖像T成為金字塔的最底層或者第0層時，第 1層包含測試圖像?\，它是圖像I的一個濾波版本，而且第2層的測試圖像T 2是通過測試圖 像?\濾波獲得，依次進行迭代濾波。
[0013] 作為優(yōu)選，步驟4中所述的兩兩直方圖之間的相似度為
[0014]

【權利要求】
1. 一種有效多尺度紋理識別方法，其特征在于，包括以下步驟： 步驟1:輸入測試圖像T; 步驟2 :計算測試圖像T的圖像金字塔，圖像金字塔通過一個預定義的低通濾波器對輸 入圖像進行迭代濾波； 步驟3 :將基本的LBP算子應用到圖像的每一個尺度上，將產(chǎn)生若干個直方圖{%，H1，…HJ，對每個與之匹配尺度的直方圖，其中L代表圖像金字塔的最高層； 步驟4 :用直方圖相交計算兩兩直方圖之間的相似度，計算出圖像金字塔上每一尺度 上的基本信任分配； 步驟5 :將各尺度提供基本信任分配當作一個信息源，利用D-S證據(jù)理論去組合； 步驟6 :最終的判定由設定的分配的最大值選擇決定。
2. 根據(jù)權利要求1所述的有效多尺度紋理識別方法，其特征在于：步驟2中所述的圖 像金字塔通過一個預定義的低通濾波器對輸入圖像進行迭代濾波，其具體實現(xiàn)過程是當輸 入測試圖像T成為金字塔的最底層或者第O層時，第1層包含測試圖像T1，它是測試圖像T 的一個濾波版本，而且第2層的測試圖像T2是通過測試圖像T1濾波獲得，依次進行迭代濾 波。
3. 根據(jù)權利要求1所述的有效多尺度紋理識別方法，其特征在于：步驟4中所述的兩 兩直方圖之間的相似度為
其中HX，HY分別表示測試圖像和訓練圖像的直方圖，其中訓練圖像來自Brodatz's album以及MIT視頻紋理數(shù)據(jù)庫，B是兩個直方圖中bin的數(shù)量；基本信任分配ms為
其中，Ht表示測試圖像直方圖，％"表示測試圖像數(shù)據(jù)集中第i行j列圖像^，仏,） 表示兩個直方圖之間的相似度，通過上式計算在尺度s上的基本信任分配ms，當作一個信息 源去判定測試圖像T屬于哪一類。
4. 根據(jù)權利要求1所述的有效多尺度紋理識別方法，其特征在于：步驟5中所述的將 各尺度提供基本信任分配當作一個信息源，利用D-S證據(jù)理論去組合，即ms =Hi1 ?m2 ?… ? ，其中，Hl1，…，Hi1，表示來自J個不同的信息源，操作算子?表示關聯(lián)的和可交換的。
5. 根據(jù)權利要求4所述的有效多尺度紋理識別方法，其特征在于：步驟6中所述的最 終的判定由設定的分配的最大值選擇決定，即： Copt =argmax{m(TGCi)}； 其中，argmax表示尋找具有最大評分的參量，ms代表J個信息源的組合。
【文檔編號】G06K9/62GK104268562SQ201410468974
【公開日】2015年1月7日 申請日期:2014年9月15日 優(yōu)先權日:2014年9月15日
【發(fā)明者】何發(fā)智, 孫俊, 陳曉 申請人:武漢大學