抗噪声的多尺度局部二值模式特征表示方法技术

一种抗噪声的多尺度局部二值模式特征表示方法，包括：对原图像进行两次降采样形成多尺度下的纹理图像，第一次降采样是对原图像中2×2大小的块经过无重叠区域的块采样后，使采样后图像的尺寸变为原图像的一半，第二次降采样是对原图像中3×3大小的块经过无重叠区域的块采样后，使采样后图像的尺寸变为原图像的1/3；分别对不同尺度下的图像提取LBP特征，或提取LBP改进算法的特征；将所得到的LBP特征或LBP改进算法的特征串联，形成的新特征即为最终的特征。本发明专利技术在保证算法有效性的基础上，达到良好的抗噪声性能。在无噪声的情况下，本发明专利技术依然可以达到较好的分类效果。因此，本发明专利技术不仅适用于有噪声图像的分类，也同样适用无噪声图像的分类。

【技术实现步骤摘要】
抗噪声的多尺度局部二值模式特征表示方法
本专利技术涉及一种多尺度局部二值模式特征表示方法。特别是涉及一种针对含有噪 声图像的纹理特征提取和表示的抗噪声的多尺度局部二值模式特征表示方法。
技术介绍
图像的视觉表示技术是多媒体分析、机器视觉等领域的研究基础，而纹理是其中 重要的一类特征。纹理在自然界中普遍存在，几乎所有自然界事物的表面都是一种纹理。早 期的纹理特征提取方法侧重于对图像的统计分析，主要包括：共生矩阵方法和基于滤波的 方法，例如Gabor滤波、小波变换、灰度共生矩阵等。但通过这些方法提取的特征均不具有 旋转不变性，只有在训练样本和测试样本之间具有相同或者近似的方向时，才能够达到较 好的分类效果。然而，现实中纹理图像的方向大都是任意的，因此，这就要求提取的特征应 具有旋转不变性。 一个重要的具有旋转不变特性的纹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特征通过比较邻域像素和中 心像素灰度值的差异性，生成代表图像局部特征的二进制编码，是一种能够简单，有效的描 述图像局部模式的特征，并且能够在典型的纹理分类数据库上达到令人满意的分类效果。 由于原始LBP特征的简单有效性，学者们对LBP的研究依然还在继续，例如2012年在第11 届亚洲计算机视觉会议（ACCV)上举办了关于LBP改进算法的第一次国际研讨会，2014年在 欧洲计算机视觉会议（ECCV)上举办了关于LBP算法的第二次国际研讨会。因此，LBP特征 不断被改进，并广泛应用于人脸识别、动态纹理识别和目标定位等领域。 近年来已经提出了多种LBP的改进算法。例如，为了解决旋转角度问题，T. Ojala 等人提出了旋转不变的局部二值模式（Rotation Invariant Local Binary Code, RILBP) 特征。但随着采样半径R的增大，特征维度会迅速增加。为提高效率，他们进一步通过统计 特征模式中0/1的变化次数，形成了旋转不变的统一局部二值模式特征。该特征不 仅具有旋转不变性，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 华等人提出完整的局部二值模式（Completed Local Binary Pattern, CLBP)，在原始LBP 的基础上添加了中心像素的灰度值信息和邻域元素与中心元素灰度值的差值信息，增强了 特征的判决能力，同时也使其分类准确度得到很大程度的提升。此外，还有许多典型的LBP 的改进算法，例如局部三值模式（Local Ternary Pattern, LTP)特征，主导的局部二值模式 (Dominant Local Binary Pattern, DLBP)特征，等等。 然而，上述提取的特征基本都是针对无噪声图像的，在图像含有噪声特别是噪声 强度较大的情况下，其视觉特征表示能力会迅速下降。实际上，自然界中采集到的图像大 都含有不同程度的噪声，在一些特定场合（例如傍晚拍摄的图像），图像中的噪声更多。因 此，许多研究人员还对LBP特征的抗噪声能力进行了研究，提出了具有抗噪声性能的LBP算 法，例如具有抗噪声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特征将循环的多数投票滤波 器与统一局部二值模式的改进特征相结合，提高了特征的判决性能和抗噪声的能力；BRINT 算法通过取均值的方法，使LBP特征在不同的采样半径下均能获得相同长度的特征，从而 实现对噪声的鲁棒性。LBP算法虽然对不含噪声的图像较为有效，但是其对噪声的鲁棒性 差。
技术实现思路
本专利技术所要解决的技术问题是，提供一种能够达到对含有较强噪声的图像依然能 有效且鲁棒地提取其纹理特征能力的抗噪声的多尺度局部二值模式特征表示方法。 本专利技术所采用的技术方案是：一种抗噪声的多尺度局部二值模式特征表示方法， 包括如下步骤： 1)对原图像进行两次降采样形成多尺度下的纹理图像，第一次降采样是对原图像 中2X2大小的块经过无重叠区域的块采样后，使采样后图像的尺寸变为原图像的一半，第 二次降采样是对原图像中3X3大小的块经过无重叠区域的块采样后，使采样后图像的尺 寸变为原图像的1/3 ; 2)分别对不同尺度下的图像提取LBP特征，或提取LBP改进算法的特征； 3)将所得到的LBP特征或LBP改进算法的特征串联，形成的新特征即为最终的特 征。 步骤1)所述的对原图像进行降采样是采用均值处理方法、中值处理方法和混合 处理方法中的一种对原图像进行降采样处理。 所述的均值处理方法，是将提取出的2X2和3X3的块取均值后作为新图像对应 元素的灰度值，具体计算公式如下： 本文档来自技高网...

【技术保护点】
一种抗噪声的多尺度局部二值模式特征表示方法，其特征在于，包括如下步骤：1)对原图像进行两次降采样形成多尺度下的纹理图像，第一次降采样是对原图像中2×2大小的块经过无重叠区域的块采样后，使采样后图像的尺寸变为原图像的一半，第二次降采样是对原图像中3×3大小的块经过无重叠区域的块采样后，使采样后图像的尺寸变为原图像的1/3；2)分别对不同尺度下的图像提取LBP特征，或提取LBP改进算法的特征；3)将所得到的LBP特征或LBP改进算法的特征串联，形成的新特征即为最终的特征。

【技术特征摘要】
1. 一种抗噪声的多尺度局部二值模式特征表示方法，其特征在于，包括如下步骤： 1) 对原图像进行两次降采样形成多尺度下的纹理图像，第一次降采样是对原图像中 2X2大小的块经过无重叠区域的块采样后，使采样后图像的尺寸变为原图像的一半，第二 次降采样是对原图像中3X3大小的块经过无重叠区域的块采样后，使采样后图像的尺寸 变为原图像的1/3 ; 2) 分别对不同尺度下的图像提取LBP特征，或提取LBP改进算法的特征； 3) 将所得到的LBP特征或LBP改进算法的特征串联，形成的新特征即为最终的特征。2. 根据权利要求1所述的一种抗噪声的多尺度局部二值模式特征表示方法，其特征在 于，步骤1)所述的对原图像进行降采样是采用均值处理方法、中值处理方法和混合处理方 法中的一种对原图像进行降采样处理。3. 根据权利要求2所述的一种抗噪声的多尺度局部二值模式特征表示方法，其特征在 于，所述的均值处理方法，是将提取出的2X2和3X3的块取均值后作为新图像对应元素的 灰度值，具体计算公式如下：其中，nXn为选取的图像块的大小，gi为图像块中对应元素的灰度值，gn为生成的新 元素的灰度值，由均值处理方法形成的新特征的名称为NTLBP_Mean。4. 根据权利要求2所述的一种抗噪声的多尺度局部二值模式特征表示方法，其特征在 于，所述的中值处...

【专利技术属性】
技术研发人员：冀中，聂林红，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12