基于方位选择性的灰度图像纹理特征提取的方法
【技术领域】
[0001] 本发明属于图像处理技术领域，特别涉及一种灰度图像的纹理特征提取方法可 用于图像分类。 技术背景
[0002] 随着网络技术和多媒体技术日益飞速的发展，大量不同类型的图像数据涌现在互 联网上。而图像数据又具有一些常规数据所不具备的特点，如：格式不统一，信息内容丰富 多样性，以及时空二维性等。因此如何能够很好地完成图像的分类，已经成为当前一个热门 研宄课题。
[0003] 纹理特征是图像的重要特征，因为在自然界中广泛存在着纹理，它是所有物体表 面所具有的一种内在特性。不依赖于亮度或颜色变化的纹理，是一种视觉特征，能够表现出 图像中的同质现象，图像像素领域灰度空间具备的分布规律也能被刻画出来，因此纹理具 有十分重要的理论和应用价值。
[0004] 芬兰University of Oulu, Timo Ojala教授，在分析比对了基于Laws纹理能量、 灰度共生矩阵、灰度级的纹理算子、灰度矩阵、中心对称协方差等纹理算子之后，于1996年 提出了局部二值模式LBP特征算子用来描述图像纹理。并且由于LBP算子具备计算过程简 单、纹理鉴别能力突出等诸多优点，从出现开始便一直被人们广泛研宄并使用。特别是2002 年 Timo Ojala在 IEEE TPAMI 上发表的文章 "Multiresolution Gray-Scale and Rotation Invariant Texture Classification with Local Binary Patterns"后这种算子更加被人 所知。在LBP算子提出后，Timo Ojala教授就不断针对原有算子的各种缺点，提出各种不 同改进和优化方法，从而得到诸如半径为R的圆形区域内含有P个采样点的LBP算子、LBP 旋转不变模式、LBP等价模式等等。但是LBP有一个较大缺陷限制了它的应用，那就是它对 噪声敏感，提取的纹理特性在对含噪声的图像进行分类时效果较差，不适用于处理含噪声 图像的分类问题。
【发明内容】
[0005] 本发明的目的在于针对上述已有技术的缺陷，提出一种基于方向选择性的纹理提 取方法，以降低噪声对图像分类的干扰，提高含噪声图像的分类效果。
[0006] 本发明的技术方案是这样实现的：
[0007] 本发明的思路是：根据人类的初级视皮层对于视觉信息的提取具有显著的方向选 择性特点，在对图像进行纹理分类时，综合考虑图像中局部区域的空间相关性和灰度变化 情况这两个因素，其实现方案如下：
[0008] 技术方案一：
[0009] 一种基于方向选择性的纹理特征提取方法，包括如下步骤：
[0010] (1)输入大小为NXN的待处理图像J·，依据视神经的方位选择原理模拟出任 一像素点X，X e Jiwxw的空间结构分布特性：TOO = τ(χ|幻=Α〇€(χ^))，其中灭= {Xp X2;…，xn}是从该像素点x周围圆形区域中选取的n个像素点的集合，X i表示第i 个像素点。c/Z(〇代表括号内响应的一种编排方式，X(xN)代表该像素点X与其周围区域像 素点的集合32间的相互作用类型；
[0011] (2)判定像素点X的空间结构分布；P(x);
[0012] (2a)计算像素点X的方位角：
[0013]
【主权项】
1. 一种基于方向选择性的纹理特征提取方法，包括如下步骤： (1) 输入大小为NXN的待处理图像？，依据视神经的方位选择原理模拟出任 一像素点X，X e ：FWXW的空间结构分布特性：：P(x) = ；P(x|：?2) = c/Z(￡(x|；72))，其中 W = (X1A2,％…,xn}是从该像素点X周围圆形区域中选取的η个像素点的集合，\表 示第i个像素点。4(0表括号内响应的一种编排方式，代表该像素点X与其周围区 域像素点的集合Wl间的相互作用类型； (2) 判定像素点X的空间结构分布:P(x); (2a)计算像素点X的方位角：
其中Gv(x)，Gh(X)分别表示经过Prewitt算子边缘检测的图像沿垂直方向和水平方向 的梯度幅值，Gv=：F*fv ，Gh=：F*fh，其中，
I垂直方向的Prewitt算子
是水平方向的 Prewitt算子，代表卷积运算； (2b)设定方位角判别阈值：T = 6°，将像素点X的方位角θ (X)与其周围区域像素 点集合戈中每一个像素点方位角Θ (Xi)之差的绝对值I Θ (X)-Θ (Xi) I与!T值进行比 较： 若两个像素点的方位角之差的绝对值小于阈值：T时，则确定这两者之间的相互作用关 系为激励类型，用'1'表示；否则，确定这两者之间的相互作用关系为抑制类型，用'0'表 示； 由η个' Γ、'0'值的分布情况确定像素点X与周围η个像素点的作用类型X(xP)，得 到像素点X的空间结构分布 (3) 将像素点X的空间结构分布^&)归纳为η种基于方向选择性模式:Pn: (3a)根据周围区域像素点集合灭中像素点的个数η，按角度大小将360度圆形局部区 域划分为η类，每类对应的角度为2^，j = 〇、l、"·、η-1，把这η类定义成η种基于方 TL 向选择性模式：Pn; (3b)取所有由激励'1'包围的区域，从中选取最大的区域，该最大区域要满足区域外 不能包含激励'1'，将最大区域对应的角度与（3a)中η种分类的基于方向选择性模式:5^的 角度进行匹配，匹配成功的TOO归入到相应的模式：P n; (4) 根据步骤（2a)中已经算出的梯度幅值Gh(X)和匕〇〇,计算像素点X的灰度变化 值：JVf(X) = V(Gh(x))2 + (Gv(x))2； (5)直接统计像素点X的空间结构模式：P(x)的数量，绘制纹理直方图： (5a)根据步骤（3b)归类的结果，直接统计图像：F中所有符合η种分类中第k种基于方 向选择性模式Pfc的空间结构分布的数量H(k):
其中5(：P(X),；Pk) = U ifJ』x)=pk，N表示输入图像的大小，ke (1~η); (5b)将H(k)占空间结构分布总数量的百分比用MATLAB工具绘制成纹理直方图，该纹 理直方图即为图像进行纹理特征提取的结果。
2. 根据权利要求1所述的方法，其中步骤（3b)所述的将最大区域对应的角度与（3a) 中η种分类的基于方向选择性模式;3^的角度进行匹配，是先将所有以'1'为首尾包围的区 域列出，从中找出面积最大的区域；再将该区域对应的角度与已分类的η种基于方向选择 性模式；Ρ ηΙ的角度一一对比，角度相同的匹配在一起，即相应的空间结构分布P(X),属于匹 配的方向选择性模式：Pn。
3. -种基于方向选择性的纹理特征提取方法，包括如下步骤： 1) 输入大小为NXN的待处理图像T，依据视神经的方位选择原理模拟出任一像 素点X，X E Jlivxiv的空间结构分布特性：POO = P(XlW) = AaOm)，其中：R = (X1.x2>···.Xi.~;x n}是从该像素点X周围圆形区域中选取的η个像素点的集合，Xi表示第 i个像素点。d(_)代表括号内响应的一种编排方式，￡(x|；72)'代表该像素点X与其周围区域 像素点的集合W间的相互作用类型； 2) 判定像素点X的空间结构分布:P(x); 2a)计算像素点X的方位角：
其中Gv(x)，Gh(x)分别表示经过Prewitt算子边缘检测的图像沿垂直方向和水平方向 的梯度幅值，Gv = J7 * fv ，Gj1 = iF * fh，其中，
是垂直方向的Prewitt算子， ：是水平方向的 Prewitt算子，代表卷积运算； 2b)设定方位角判别阈值：T = 6°，将像素点X的方位角θ (X)与其周围区域像素点 集合灭中每一个像素点\的方位角Θ (Xi)之差的绝对值I θ (χ)-θ (Xi) I与；Γ值进行比 较： 若两个像素点的方位角之差的绝对值小于阈值时，则确定这两者之间的相互作用关 系为激励类型，用'1'表示；否则，确定这两者之间的相互作用关系为抑制类型，用'0'表 示； 由η个'1'、'0'值的分布情况确定像素点X与周围η个像素点的作用类型X(xP)，得 到像素点X的空间结构分布75以)； 3) 将像素点X的空间结构分YliP(X)归纳为η种基于方向选择性模式: 3a)根据周围区域像素点集合中像素点的个数n，按角度大小将360度圆形局部区 域划分为η类，每类对应的角度为j = 0、l、"·、η-1，把这η类定义成η种基于方 向选择性模式 3b)取所有由激励'1'包围的区域，从中选取最大的区域，该最大区域要满足区域外不 能包含激励'1'，将最大区域对应的角度与（3a)中η种分类的基于方向选择性模式:P"的角 度进行匹配，匹配成功的W(X)归入到相应的模式 4) 根据步骤（2a)中已经算出的梯度幅值Gh(X)和匕〇〇,计算像素点X的灰度变化值： M(x) = ^/(Gh(X)Y+ (Gv(X)Y-, 5) 将像素点X空间结构模式T(X)和灰度变化值·Μ'(χ)結合，绘制成纹理直方图： 首先，加入灰度变化值M(X)，统计图像^中所有符合η种分类中第k种基于方向选择 性模式:炉啲空间结构分布的数量扎(1〇 : Hw (k) = Σχ=ι w (χ) δ (J3(X)jJ3k), 其中W(X)是根据像素点X的灰度变化值设定的加权值，为简化计算直接取W(X) =3f(x);
4表示输入图像的大小，k e (1~η); 然后，将Hw(k)占空间结构分布总数量的百分比用MATLAB工具绘制成加权的纹理直方 图。最后得到的加权纹理直方图即为图像进行纹理特征提取的结果。
【专利摘要】本发明公开了一种基于方向选择性的纹理特征提取方法，主要解决现有方法LBP在对含噪声图像进行纹理分类时效果差的问题。其实现步骤是：1.依据视神经的方位选择原理模拟图像像素点的空间结构分布；2.通过像素点间的方位角差值与设定阈值的比较来确定像素点的空间结构分布；3.将所有像素点的空间结构分布，归纳为几种基于方向选择性模式；4.计算每个像素点的灰度变化值；5.统计图像中属于某种模式的空间结构分布数量，绘制纹理直方图，并与灰度变化值结合，绘制加权纹理直方图。本发明通过模拟人类视神经对方位的选择敏感性，降低了噪声对图像纹理分类的干扰，可用于图像分类、图像理解等相关的图像处理和计算机视觉。
【IPC分类】G06K9-46, G06K9-62
【公开号】CN104732238
【申请号】CN201510155433
【发明人】吴金建, 万文菲, 张亚中, 石光明
【申请人】西安电子科技大学
【公开日】2015年6月24日
【申请日】2015年4月2日