一種魯棒擴展局部二值模式紋理特征提取方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及圖像紋理描述與分析技術(shù)，特別地，涉及一種魯棒擴展局部二值模式 紋理特征提取方法。
【背景技術(shù)】
[0002] 紋理是一種重要的視覺線索，廣泛存在于自然界各種物體的表面。不管是自然圖 像、衛(wèi)星遙感圖像還是醫(yī)學(xué)圖像，紋理為圖像基本特征之一，是圖像中像素強度的某種局部 模式重復(fù)出現(xiàn)的宏觀表現(xiàn)。紋理分類是圖像處理、計算機視覺和模式識別的一個基礎(chǔ)問題， 在圖像處理與模式識別領(lǐng)域占有重要地位。對紋理圖像分類的研究，不僅對于人類對自身 視覺機理的理解和研究具有推動作用，而且對計算機視覺和模式識別領(lǐng)域其它問題如人臉 識別、物體識別、場景分類等等有重要支撐作用。紋理分類在視覺導(dǎo)航、場景分類、目標(biāo)識 另IJ、基于內(nèi)容的圖像檢索、遙感圖像分析、工業(yè)檢測、醫(yī)學(xué)圖像分析和理解和文本分類等領(lǐng) 域有著廣泛的應(yīng)用。紋理分類問題涉及數(shù)字圖像處理、計算機視覺、模式識別、機器學(xué)習(xí)、計 算機圖形學(xué)、人機交互、認(rèn)知科學(xué)、應(yīng)用數(shù)學(xué)、統(tǒng)計學(xué)、神經(jīng)生理學(xué)和人工智能等多個研究領(lǐng) 域。紋理分類問題的深入研究和最終解決，可以有力地促進這些學(xué)科的成熟和發(fā)展。
[0003] 作為一個經(jīng)典的模式識別問題，紋理分類主要包括兩個關(guān)鍵環(huán)節(jié)：紋理特征提取 和分類器設(shè)計。眾所周知，有效的紋理特征提取方法占有著相對重要的地位，因為如果使用 不好的紋理特征，即便是最好的分類器也無法達(dá)到很好的識別效果。因此，紋理特征提取方 法的研究一直是人們關(guān)注的熱點，出現(xiàn)了很多紋理特征提取方法[]□。然而，由于自然界紋 理圖像種類繁多，紋理分類問題本身的復(fù)雜性，加上實際應(yīng)用中非限定成像環(huán)境的影響，要 求提取的紋理特征能夠?qū)Σ杉降募y理圖像往往會出現(xiàn)數(shù)據(jù)缺失、光照變化、旋轉(zhuǎn)變化、尺 度變化、局部變形和模糊等類內(nèi)差異具有高度魯棒性；此外，與日倶增的大規(guī)模紋理圖像數(shù) 據(jù)對紋理特征提取的實時性要求也越來越高；這些難點使得現(xiàn)有的紋理特征提取方法仍然 難以滿足實際應(yīng)用的需求。
[0004] 提取有效紋理特征的本質(zhì)困難在于平衡兩個相互競爭的目標(biāo)：高質(zhì)量的特征描述 和低計算復(fù)雜度。高質(zhì)量的紋理特征描述子需要兼具強可區(qū)分力（能夠區(qū)分不同紋理圖像 類別）和高魯棒性（能夠?qū)ν患y理圖像類別存在的類內(nèi)差異如光照變化、旋轉(zhuǎn)變化、尺度 變化、圖像模糊、圖像隨機噪聲和圖像遮擋等魯棒）。計算復(fù)雜度低和特征維數(shù)低的紋理特 征描述子能夠使得分類任務(wù)實時進行?，F(xiàn)有的研究工作都試圖在這兩個相互競爭的目標(biāo)中 取得良好折衷，然而往往只能較好的達(dá)到其中一個目標(biāo)，不可避免的犧牲另一個目標(biāo)。
[0005] 局部二值模式（Local Binary Pattern, LBP)已經(jīng)發(fā)展成為最主要的紋理特征提 取方法之一，并在圖像處理和計算機視覺領(lǐng)域受到越來越多的關(guān)注，這主要是由于LBP方 法存在如下顯著優(yōu)勢：①易于工程實現(xiàn)；②灰度尺度不變性；③低計算復(fù)雜度低。正是因為 如此，LBP方法已被成功應(yīng)用于以紋理分類和人臉識別為代表的圖像處理和計算機視覺中 的諸多領(lǐng)域，包括工業(yè)檢測、遙感圖像分析、動態(tài)紋理識別、基于內(nèi)容的圖像檢索、醫(yī)學(xué)圖像 處理、場景分類、運動分析和環(huán)境建模等等。LBP方法得到廣泛研究，出現(xiàn)了大量基于LBP的 改進方法，
[0006] 這些后續(xù)LBP改進方法主要致力于提高其鑒別力，魯棒性和易用性。
[0007] 在提高原始LBP方法的特征鑒別力方面，引人注目的工作主要包括完全局部二 值模式（Completed Local Binary Pattern, CLBP)、擴展局部二值模式（Extended Local Binary Pattern，ELBP)、鑒別完全局部二值模式（disCLBP)、成對旋轉(zhuǎn)不變共現(xiàn)局部二值模 式（Pairwise Rotaion Invariant Cooccurrence Local Binary Pattern, PRICoLBP)，以及 顯著局部二值模式（Dominant Local Binary Pattern, DLBP)和Gabor濾波特征的聯(lián)合描 述等等。然而，盡管這些改進方法使得特征鑒別力有所提升，但其魯棒性下降，因為它們對 圖像模糊和圖像隨機噪聲相當(dāng)敏感，并且它們的特征維數(shù)往往較高，導(dǎo)致后續(xù)分類計算復(fù) 雜度增加。
[0008] 在提高原始LBP方法對圖像模糊和隨機噪聲等圖像質(zhì)量下降問題的魯棒性方 面，研究者們也做出了很多嘗試。代表性的改進方法有局部三值模式（Local Ternary Pattern, LTP)、中值二值模式（Median Binary Pattern, MBP)、局部相位量化（Local Phase Quantization, LPQ)、模糊局部二值模式（Fuzzy Local Binary Pattern, FLBP)，容忍噪 聲局部二值模式（Noise Tolerant Local Binary Pattern, NTLBP)，魯棒局部二值模式 (Robust Local Binary Pattern, RLBP)和抗噪聲局部二值模式（Noise Resistent Local Binary Pattern，NRLBP)等等。盡管這些改進方法對噪聲的魯棒性較原始LBP方法有所增 強，但其抗噪能力仍然不理想，這一點其它研究者也注意到。我們最近提出的擴展局部二值 模式ELBP方法中給出了四種類似于LBP的描述子一一基于中心強度的局部二值模式ELBP_ CI、基于鄰域強度的局部二值模式ELBP_NI、基于徑向差分的局部二值模式ELBP_RD和與基 于角向差分的局部二值模式ELBP_AD。我們之前的研究工作已經(jīng)表明，三個新局部二值模式 特征ELBP_CI、ELBP_NI與ELBP_RD的聯(lián)合特征描述子即ELBP具有很好的紋理分類性能，遺 憾的是仍然存在一些顯著的缺陷：①對圖像模糊和隨機噪聲相當(dāng)敏感；②不能捕獲宏觀紋 理結(jié)構(gòu)信息；③特征維數(shù)較高。對圖像模糊和噪點過于敏感會導(dǎo)致ELBP缺乏魯棒性，不能 捕獲宏觀紋理結(jié)構(gòu)信息會難以描述大尺度紋理信息，而特征維數(shù)過高則會增加后續(xù)紋理分 類的計算復(fù)雜度，影響紋理分類方法計算速度。
[0009] 針對現(xiàn)有技術(shù)中使用基于局部二值模式LBP方法進行紋理描述時缺乏對圖像模 糊和隨機噪聲魯棒性、紋理信息描述過于局部而損失宏觀紋理信息、以及特征維數(shù)較高等 問題，目前尚缺乏有效的解決方案。

【發(fā)明內(nèi)容】

[0010] 針對現(xiàn)有技術(shù)中使用局部二值模式LBP進行紋理描述時缺乏對圖像模糊和隨機 噪聲的魯棒性、紋理信息描述過于局部而導(dǎo)致?lián)p失宏觀紋理信息、以及高特征維數(shù)下計算 復(fù)雜度高的問題，本發(fā)明的目的在于提出一種魯棒擴展局部二值模式紋理特征提取方法， 對圖像模糊和隨機噪聲的魯棒性顯著增強，紋理分類性能在高魯棒性和強鑒別力方面為現(xiàn) 有最高水平，且具有較低的特征維數(shù)，使得基于新特征紋理分類系統(tǒng)具有較低的計算復(fù)雜 度。
[0011] 基于上述目的，本發(fā)明提供的技術(shù)方案如下：
[0012] 根據(jù)本發(fā)明的一個方面，提供了一種魯棒擴展局部二值模式紋理特征提取方法， 包括：
[0013] 獲取待提取特征紋理圖像；
[0014] 對待提取特征紋理圖像進行預(yù)處理；
[0015] 從待提取特征紋理圖像中依次指定每個像素，為像素構(gòu)建像素區(qū)域使用取平均方 法將像素區(qū)域處理為取平均結(jié)果，并根據(jù)取平均結(jié)果，計算獲得對于指定像素的魯棒擴展 局部二值模式；
[0016] 根據(jù)對于指定像素的魯棒擴展局部二值模式，將指定像素歸入固定的模式組中， 被歸入同一個固定的模式組中的指定像素被視為具有等價模式；
[0017] 繼續(xù)指定下一個像素作為當(dāng)前指定像素按上述方式進行處理，直到待提取特征紋 理圖像中的每個像素都被歸入固定的組中。
[0018] 其中，對待提取特征紋理圖像進行預(yù)處理包括：
[0019] 將待提取特征紋理圖像無殘留地分割為N個像素塊，N個像素塊均是尺寸為WXW 的正方形像素集合；
[0020] 使用取平均方法φ處理N個像素塊，獲得N個像素塊的取平均結(jié)果，并計算N個像 素塊的取平均結(jié)果的平均值μ w。
[0021] 并且，根據(jù)取平均結(jié)果，計算獲得對于指定像素的魯棒擴展局部二值模式，其中， 對于指定像素的魯棒擴展局部二值模式包括以下至少之一：基于中心強度的魯棒擴展局部 二值模式、基于鄰域強度的魯棒擴展局部二值模式、基于徑向差分的魯棒擴展局部二值模 式。
[0022] -方面，當(dāng)對于指定像素的魯棒擴展局部二值模式為基于中心強度的魯棒擴展局 部二值模式時，從待提取特征紋理圖像中依次指定每個像素，為像素構(gòu)建像素區(qū)域使用取 平均方法將像素區(qū)域處理為取平均結(jié)果，并根據(jù)取平均結(jié)果，計算獲得對于指定像素的魯 棒擴展局部二值模式為：
[0023] 從待提取特征紋理圖像中依次選定每個像素 X。；
[0024] 以指定像素 X。為中心，從待提取特征紋理圖像中截取出中心塊X e,w，中心塊xc,w 是尺寸為WXW的、以指定像素X。為中心的正方形像素集合；
[0025] 使用取平均方法中處理中心塊X _，獲得中心塊X的取平均結(jié)果Φ (X _);
[0026] 根據(jù)中心塊Xw的取平均結(jié)果Φ ( Xw)與N個像素塊的取平均結(jié)果的平均值 μ w，獲得對于指定像素X。的基于中心強度的魯棒擴展局部二值模式RELBP_CI (X。）
[0029] 另一方面，當(dāng)對于指定像素的魯棒擴展局部二值模式為基于鄰域強度的魯棒擴展 局部二值模式時，從待提取特征紋理圖像中依次指定每個像素，為像素構(gòu)建像素區(qū)域使用 取平均方法將像素區(qū)域處理為取平均結(jié)果，并根據(jù)取平均結(jié)果，計算獲得對于指定像素的 魯棒擴展局部二值模式為：
[0030] 從待提取特征紋理圖像中依次選定每個像素 X。；
[0031] 以指定像素X。為中心，從待提取特征紋理圖像中選取到P個鄰域像素X np,n，P個鄰 域像素 \,P,n等角間隔的均勻分布在以X。為圓心以r為半徑的圓周上，其中η = 0，...，P-1， 鄰域像素 XhP, "的坐標(biāo)值為（-r sin(2Jin/p)，r cos(2Jin