基于局部排序差值细化模式的纹理图像分类方法及系统技术方案

本发明专利技术公开了一种基于局部排序差值细化模式的纹理图像分类方法及系统，该方法包括：根据选择的采样半径对数据集中的每幅纹理图像进行高斯滤波，得到对应半径下的平滑纹理图像；在平滑后的图像上提取局部排序差值细化模式LSDRP描述子，以获取纹理图像在不同尺度下的灰度差值信息；选择LSDRP特征直方图中的前T维高频特征所对应的模式表征纹理图像，得到降维后的LSDRP_T特征向量；级联多个采样半径下所述降维后的LSDRP_T特征向量，并进行分类训练，得到训练结果；本发明专利技术将局部像素间的关系分为上部和下部，并分别将上下部的差值信息融入纹理特征的编码模式中，不仅提高了LSDRP描述子的稳定性，也弥补了原始LBP忽视局部像素间灰度差值大小信息的问题。

【技术实现步骤摘要】
基于局部排序差值细化模式的纹理图像分类方法及系统
本专利技术涉及图像处理和模式识别
，具体涉及一种基于局部排序差值细化模式的纹理图像分类方法及系统。
技术介绍
纹理特征作为图像的底层特征之一，在图像分析、机器视觉和模式识别领域一直占据重要地位。无论是对自然图像、医学图像还是遥感图像而言，纹理特征的提取和分析都是首要解决的基本问题。因此，如何有效的获取具有表征性的纹理特征是图像分析和理解的关键所在。早期的纹理特征提取方法，主要包括灰度共生矩阵、马尔可夫随机场、分形理论、小波变换等。这些方法在纹理分类中能够取得较好的效果，但却存在计算过程复杂、计算量大及实时性差等问题。2002年Ojala等人提出了一种局部二值模式LBP，因其具有计算简单、复杂度低、线性灰度不变等优点而被广泛用于人脸检测和识别、图像检索、场景重建等诸多应用领域。随后，众多基于LBP的拓展算法被提出，以解决LBP面对自然环境中纹理的复杂多样性及图像成像过程中存在的光照、旋转、噪声干扰等带来的问题。实验表明，LBP的拓展算法在一定程度上解决了原始LBP中存在的问题，但仍存本文档来自技高网...

【技术保护点】
1.一种基于局部排序差值细化模式的纹理图像分类方法，其特征在于，包括：/n(1)根据选择的采样半径对数据集中的每幅纹理图像进行高斯滤波，得到对应半径下的平滑纹理图像；/n(2)提取所述平滑纹理图像的上部描述子的特征直方图和下部描述子的特征直方图，进而得到每幅图像的LSDRP特征直方图，其中，所述上部描述子为在将图像局部邻域内的采样点和中心点阈值化操作后，大于等于中心点对应值的采样点的二值序列对应的描述子，所述下部描述子为小于中心点对应值的采样点的二值序列对应的描述子；/n(3)选择LSDRP特征直方图中的前T维高频特征所对应的模式表征纹理图像，得到降维后的LSDRP_T特征向量；/n(4)级联...

【技术特征摘要】
1.一种基于局部排序差值细化模式的纹理图像分类方法，其特征在于，包括：
(1)根据选择的采样半径对数据集中的每幅纹理图像进行高斯滤波，得到对应半径下的平滑纹理图像；
(2)提取所述平滑纹理图像的上部描述子的特征直方图和下部描述子的特征直方图，进而得到每幅图像的LSDRP特征直方图，其中，所述上部描述子为在将图像局部邻域内的采样点和中心点阈值化操作后，大于等于中心点对应值的采样点的二值序列对应的描述子，所述下部描述子为小于中心点对应值的采样点的二值序列对应的描述子；
(3)选择LSDRP特征直方图中的前T维高频特征所对应的模式表征纹理图像，得到降维后的LSDRP_T特征向量；
(4)级联多个采样半径下所述降维后的LSDRP_T特征向量，建立多尺度直方图特征表示，并进行分类训练，得到训练结果。


2.根据权利要求1所述的基于局部排序差值细化模式的纹理图像分类方法，其特征在于，步骤(2)中，所述得到每幅图像的LSDRP特征直方图的方法包括：
(21)根据灰度值大小将图像局部邻域内的采样点排序，得到局部排序区域中的各个采样点和中心点；
(22)将采样点和中心点进行阈值化操作，得到上部排序二值序列，将采样点和中心点再次进行阈值化操作，得到下部排序二值序列；
(23)分别为上部排序二值序列和下部排序二值序列分配初始权值，使得上部排序二值序列对应位置处的权值为2p，下部排序二值序列对应位置处的权值为2P-1-p，其中，P为采样点的总数，p＝0,1,...,P-1；
(24)计算局部排序区域内的采样点和中心点的灰度差值，并将差值归一化，使归一化差值在[0,1]之间；
(25)采用所述归一化的差值分别更新上部排序二值序列和下部排序二值序列对应位置处的权值，从而得到包含局部像素间差值大小信息的新权值；
(26)将该局部邻域的上部排序二值序列和各值对应位置处的新权值相乘，再累加，得到上部LSDRPup描述子对应的十进制编码；将该局部邻域的下部排序二值序列和各值对应位置处的新权值相乘，再累加，得到下部LSDRPlow描述子对应的十进制编码；
(27)分别构建每幅图像上部LSDRPup描述子直方图和下部LSDRPlow描述子的直方图，再将LSDRPup和LSDRPlow的直方图级联，由此得到每幅图像的LSDRP特征直方图。


3.根据权利要求2所述的基于局部排序差值细化模式的纹理图像分类方法，其特征在于，步骤(24)中，所述归一化差值表示为：



其中，gc表示局部邻域的中心点(i,j)处的灰度值，g'p表示排序后的局部邻域内第p位采样点的灰度值。


4.根据权利要求3所述的基于局部排序差值细化模式的纹理图像分类方法，其特征在于，步骤(25)中，所述采用所述归一化的差值分别更新上部排序二值序列的权值，表示为：



所述下部排序二值序列对应位置处的权值，表示为：





5.根据权利要求4所述的基于局部排序差值细化模式的纹理...

【专利技术属性】
技术研发人员：束鑫，潘慧，赵新铭，石亮，邵长斌，史金龙，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：江苏;32