一种基于结构差分直方图的图像纹理分类方法与流程

本发明涉及模式识别和计算机视觉领域的纹理图像分类，具体地说是一种基于结构差分直方图的图像纹理分类方法。

背景技术：

纹理广泛存在于客观世界，是表达物体表面或结构的一种基本属性，也是计算机视觉中一个很重要的研究方向。纹理的直观意义十分明确。但是对于纹理是什么，人们的概念还是比较模糊。在图形处理中，纹理有着广泛而笼统的含义。基于纹理的分析和应用研究已经进行了近六十年。纹理方面的研究到现在仍然非常活跃，国内外有许多研究机构都在从事这方面的工作，近些年在国际知名杂志和重要会议上，关于纹理识别的研究成果层出不穷，多达数百篇。由此可见，纹理分析和识别是一个非常活跃的研究热点，有着非常重要的理论研究和实际应用价值。但是，由于纹理形式的广泛与多样，与纹理相关的很多问题尚未得到解决，如纹理的定义及对其特征的精确描述。目前，基于纹理的特征提取方法大致可以分为两类：空域和变换域方法。其中，基于变换域的方法已经提出了很多比较好的特征提取方法，并且能够成功的应用于实际的应用程序当中。但是，多数基于变换域的特征只利用变换系数的统计特性来表示纹理图像，例如能量直方图方法。因此，在实际应用中仍然存在着很多亟待解决的问题，例如分类精度不高，特征维数大，处理图片耗时等等。

技术实现要素：

本发明所要解决的技术问题是提供一种基于结构差分直方图的图像纹理分类方法，用于克服现有分类方法分类精度不高、特征维数大、处理图片耗时等问题。

本发明为解决上述技术问题所采用的技术方案是：一种基于结构差分直方图的图像纹理分类方法，包括以下步骤：

步骤一、采用分割算法提取图像纹理的分割结构模式特征，具体方法为：

（1）根据输入的纹理图像Ⅰ，获取它的最大像素值MaxG、最小像素值MinG和平均像素值MeanG；

（2）根据步骤（1）中得到的三个像素值得到分割阈值t_n的表达式：

，

其中，N为奇数，是分割阈值的个数，t₁=MinG，t_(N+1)/2=MeanG，t_N=MaxG；

（3）利用分割阈值t_n把纹理图像I转化为分割结构：

，其中，是纹理图像I在点(x,y)处的像素值；

（4）利用分割结构计算分割结构模式集：对于分割结构中的一个值，它的分割结构模式SSP表示为，其中，是该值的第i个邻居，Lt是该值的邻居的个数；通过对分割结构模式进行统计计数，获取分割结构模式的直方图特征；

步骤二、对传统完整局部二值模式中的非统一模式进行细分，建立细分模式的直方图作为细分的局部二值模式特征；

步骤三、利用局部邻域相邻像素间的差分信息，计算分割结构模式特征和局部二值模式特征的邻域差分模式特征：分割结构模式特征和局部二值模式特征的差分模式用NDP表示，则，其中是纹理图像I和分割结构的第i个邻居值，Lt是邻居的个数；通过对NDP集进行统计，建立邻域差分模式的直方图作为邻域差分模式特征；

步骤四、对规范化的分割结构模式直方图特征、细分的局部二值模式直方图特征和邻域差分模式直方图特征进行联合，把联合的特征作为纹理图像的结构差分直方图分类特征，并利用该特征，采用KNN分类器对纹理图像进行分类，获取分类结果。

本发明所述步骤二中对传统完整局部二值模式进行细分的具体方法为：对于给定的纹理图像I，它的局部二值模式用LBP表示，则，其中是纹理图像I的像素的第i个邻居值，P是邻居值的总数，为符号函数，当时，否则；则细分的局部二值模式RLBP为：

，

其中U(LBP)是局部二值模式序列中0/1和1/0转换的次数，通过对每一类细分的局部二值模式进行统计即得到细分的局部二值模式直方图。

本发明所述邻居值的总数P的取值为8。

本发明所述步骤一中分割阈值的个数N的取值为5。

本发明所述步骤一和步骤三中Lt的取值均为32。

本发明所述步骤四中采用KNN分类器对纹理图像进行分类时，k的取值为1。

本发明的有益效果是：（1）本发明所述的图像纹理分类方法有效地结合了图像纹理的局部特征信息和宏观纹理结构信息，首先分割结构模式特征包含了图像纹理的完整轮廓结构，用于表示图像纹理的整体轮廓信息，细分的局部二值模式特征是对传统的完整局部二值模式进行细分，使传统完整局部二值模式方法中的非统一模式得到了充分的利用，利用分割结构模式和细分局部二值模式的邻居像素间的差分信息，得到邻域差分模式特征，其中，细分局部二值模式和邻域差分模式特征获取的是图像纹理的局部纹理信息，这三个部分的特征通过标准化，形成了用于描述纹理图像的结构差分直方图表示特征。因此该图像纹理表示方法有效的结合了图像纹理的局部和宏观纹理信息，能够很好地描述纹理的特征。

（2）针对不同的成像条件，例如光照变化、图像旋转和放缩等，结构差分直方图特征都能够获取很好地分类性能，在很大程度上提高了分类精度。

（3）本发明特征提取方法的计算速度很快，特征的维数相对比较小，在保证分类性能的同时能够实现快速的纹理图像分类。

附图说明

图1为本发明图像纹理分类方法的流程示意图；

图2为计算分割结构模式特征的流程示意图；

图3为计算细分局部二值模式特征的流程图；

图4为计算邻域差分模式特征的流程图；

图5为本发明方法和其它方法的平均分类精度对比图。

具体实施方式

一种基于结构差分直方图的图像纹理分类方法，包括以下步骤：

步骤一、采用分割算法提取图像纹理的分割结构模式特征，具体方法为：

（1）根据输入的纹理图像Ⅰ，获取它的最大像素值MaxG、最小像素值MinG和平均像素值MeanG；

（2）根据步骤（1）中得到的三个像素值得到分割阈值t_n的表达式：

，

其中，N为奇数，是分割阈值的个数，t₁=MinG，t_(N+1)/2=MeanG，t_N=MaxG；

（3）利用分割阈值t_n把纹理图像I转化为分割结构：

，其中，是纹理图像I在点(x,y)处的像素值；

（4）利用分割结构计算分割结构模式集：对于分割结构中的一个值，它的分割结构模式SSP表示为，其中，是该值的第i个邻居，Lt是该值的邻居的个数；通过对分割结构模式进行统计计数，获取分割结构模式的直方图特征。

步骤二、对传统完整局部二值模式中的非统一模式进行细分，建立细分模式的直方图作为细分的局部二值模式特征；

步骤三、利用局部邻域相邻像素间的差分信息，计算分割结构模式特征和局部二值模式特征的邻域差分模式特征：分割结构模式特征和局部二值模式特征的差分模式用NDP表示，则，其中是纹理图像I和分割结构的第i个邻居值，Lt是邻居的个数；通过对NDP集进行统计，建立邻域差分模式的直方图作为邻域差分模式特征；

步骤四、对规范化的分割结构模式直方图特征、细分的局部二值模式直方图特征和邻域差分模式直方图特征进行联合，把联合的特征作为纹理图像的结构差分直方图分类特征，并利用该特征，采用KNN分类器对纹理图像进行分类，获取分类结果。

进一步，步骤二中对传统完整局部二值模式进行细分的具体方法为：对于给定的纹理图像I，它的局部二值模式用LBP表示，则，其中是纹理图像I的像素的第i个邻居值，P是邻居值的总数，为符号函数，当时，否则；则细分的局部二值模式RLBP为：

，

其中U(LBP)是局部二值模式序列中0/1和1/0转换的次数，通过对每一类细分的局部二值模式进行统计即得到细分的局部二值模式直方图。

进一步，邻居值的总数P的取值为8。

进一步，步骤一中分割阈值的个数N的取值为5。

进一步，步骤一和步骤三中Lt的取值均为32。

进一步，步骤四中采用KNN分类器对纹理图像进行分类时，k的取值为1。

实施例

下面通过对标准纹理库CUReT中的纹理图像进行分类实例阐述本发明的具体实施方式：

步骤一：利用分割结构算法提取图像纹理的分割结构模式特征。

对输入的纹理图像计算邻域差分模式特征的具体过程如下：

1）. 获取输入图像的最大、最小和平均像素值；

2）. 利用这三个像素值计算分割阈值；

3）. 根据分割阈值把输入图像转化成分割结构；

4）. 计算分割结构的模式集，对整个输入图像的局部结构模式建立统计直方图作为分割结构模式特征。

步骤二：计算细分的局部二值模式特征。

在传统完整局部二值模式的基础上，对计算出的非统一模式进行进一步的划分，得到细分的局部二值模式特征；

步骤三：计算分割结构模式和细分局部二值模式局部邻域的邻域差分模式特征。

邻域差分特征主要根据分割结构模式和细分局部二值模式提取的，首先获取它们局部邻域中相邻两个像素间的差分信息，通过相邻像素间的差值来量化它们间的关系，当差值不小于0时量化值为1，反之为0；然后对每个局部邻域形成的0/1序列求和，把这个和值作为邻域差分模式，最后对它们的邻域差分模式集进行统计计数建立模式直方图，即邻域差分模式特征。

步骤四：对得到的三部分规范化的直方图特征，通过联合形成纹理图像的结构差分直方图表示特征，用K近邻分类器对纹理图像进行分类，得到分类精度。

将本方法和其它7个纹理特征提取方法进行比较，十次实验的平均分类正确率（ACAR，%）结果如图5所示，图5验证了本方法的有效性和优越性。

通过与其他方法的比较，可以验证本发明所提出的方法相对于其它7个算法具有很好的优越性：有效地提高了纹理图像的分类精度，有效地适应纹理图像成像条件的变化，有效地提高分类速度。另外，本发明所提出的方法相对于传统局部二值模式（LBP）方法在保留计算简单的基础上，充分的利用了传统方法丢失的信息，具有广泛的应用价值。