一种基于尺度和角度自适应选取的局部二值模式纹理图像特征提取方法及系统与流程

[0001]
本发明属于纹理图像特征提取处理技术领域，特别涉及一种基于尺度和角度自适应选取的局部二值模式纹理图像特征提取方法及系统。


背景技术：

[0002]
纹理由许多周期性重复、相互接近且交织的结构所组成，作为物体表面的固有属性，它具有三大特征：局部序列周期性变化、排列有序、局部范围内的呈现均匀的统一分布。不同于物体的颜色和边缘特征，局部纹理特征描述了像素及其周围邻域空间的分布特征，而全局特征则是局部纹理特征有规律的重复组成。人类通过自身的视觉系统，就可以对物体的颜色、边缘和纹理特征等具有辨识性的可区分特征进行提取，从而达到快速分类识别的目的；但是，对于计算机系统来说，要想有效的对物体或图像进行分类就必须要借助相关算法的支持。
[0003]
纹理分类作为计算机视觉和模式识别领域中的重要问题，对其相关算法的研究受到越来越多的关注。现有的纹理图像特征提取算法，主要通过相似度度量对属于不同类别的纹理图像进行分类，或将某一未知种类的纹理图像进行归类。目前纹理特征提取算法已经广泛应用到卫星探测、地质探索、工业检测和医疗救助等重要领域中，并产生了不可替代的作用。随着对纹理特征研究的不断深入，其应用领域也越来越广泛，应用价值也越来越高。
[0004]
局部二值模式(local binary pattern，lbp)由ojala等人于2002年提出，凭借着计算复杂度低，具有较高特征提取能力的特点，自提出以来，受到计算机视觉和模式识别领域越来越多的关注。科研工作者也尝试从不同的方向对局部二值模式进行改进，针对局部二值模式量化粗糙从而导致对噪声敏感的问题，tan等人提出局部三值模式(local ternary pattern，ltp)，将量化级数由局部二值模式拓展为三级。liao等人，针对统一模式始终占有绝大多数不一定成立的问题，提出了一种基于训练学习的局部二值模式改进算法dlbp(dominant lbp)。针对局部二值模式描述信息单一的问题，guo等人提出了经典的改进算法完备局部二值模式clbp(complete lbp)。虽然这些改进算法提升了局部二值模式提取纹理特征时对环境变化的鲁棒性，也取得了较好的分类准确率。然而，现有的lbp算法及其诸多改进算法仍存在着局限性，具体包括：(1)受到固定半径邻域的限制，无法获得多尺度特征；(2)对光照和旋转变化敏感，严重影响算法最终的分类性能。
[0005]
综上，亟需一种新的基于尺度和角度自适应选取的局部二值模式纹理图像特征提取方法及系统。


技术实现要素：

[0006]
本发明的目的在于提供一种基于尺度和角度自适应选取的局部二值模式纹理图像特征提取方法及系统，以解决上述存在的一个或多个技术问题。本发明能够增强局部二
值模式算法对旋转、光照和尺度变化的鲁棒性；能够提升分类准确率。
[0007]
为达到上述目的，本发明采用以下技术方案：
[0008]
本发明的一种基于尺度和角度自适应选取的局部二值模式纹理图像特征提取方法，包括以下步骤：
[0009]
步骤1，获取待提取特征的纹理图像，从待提取特征的纹理图像中依次选取每个像素作为中心像素；使用kirsch梯度算子求取获得每个中心像素8个方向的梯度值；
[0010]
步骤2，对每个中心像素8个方向的梯度值取绝对值；基于每个中心像素8个方向梯度值的绝对值进行内部排序，取绝对值最大的梯度值作为衡量每个中心像素所在局部区域变化快慢的梯度值；
[0011]
将整幅纹理图像中所有中心像素8个方向的梯度值的绝对值进行排序，获得排序结果；基于排序结果，对所有中心像素8个方向梯度值的绝对值进行等分分类，获得分类结果；
[0012]
步骤3，基于步骤2获得的分类结果，自适应选取邻域像素的极径大小、极角大小；根据极径大小提取每个中心像素8个方向的邻域像素；根据极角大小，融合每个中心像素8个方向上相隔极角角度的两个邻域像素，获得每个中心像素8个方向上最终的邻域像素；
[0013]
步骤4，基于步骤3获得的最终的邻域像素，提取每个中心像素与其8个方向上最终的邻域像素之间差值矢量的符号信息及幅值信息；提取整幅纹理图像每个中心像素的中心像素信息；根据整幅纹理图像中每个中心像素与其8个邻域像素的差值矢量的符号信息、差值矢量的幅值信息、和中心像素信息生成联合的特征直方图，完成局部二值模式纹理图像特征提取。
[0014]
本发明的进一步改进在于，步骤1中，使用kirsch梯度算子求取获得中心像素8个方向的梯度值的具体步骤包括：
[0015]
使用中心像素值3*3邻域像素，与8个方向3*3的kirsch梯度算子模板进行二维卷积得到中心像素8个方向的梯度值；
[0016]
其中，梯度值的表达式为，
[0017]
g
x，y
＝[g
x，y，0
，g
x，y，1
，g
x，y，2
，g
x，y3
，g
x，y，4
，g
x，y，5
，g
x，y6
，g
x，y，7
]，
[0018]
式中，x，y为中心像素的坐标值。
[0019]
本发明的进一步改进在于，步骤2具体包括：
[0020]
对每个中心像素8个方向的梯度值取绝对值，表达式为g
x，y
＝|g
x，y
|；
[0021]
对衡量中心像素所处局部区域变化情况的梯度值排序，表达式为sort(a
x，y
)，x∈h，y∈w；α
x，y
＝max(g
x，y，0
，g
x，y，1
，g
x，y，2
，g
x，y3
，g
x，y，4
，g
x，y，5
，g
x，y6
，g
x，y，7
)；
[0022]
式中，w和h分别代表纹理图像的长和宽，x和y分别代表当前中心像素在纹理图像中的横坐标值和纵坐标值；
[0023]
将中心像素坐标分为两类，排序位于前一半的中心像素所处区域定义为局部变化平缓区域，标记这部分中心像素的位置为(x
min
，y
min
)；排序位于后一半的中心像素所处区域定义为局部变化剧烈区域，标记这部分中心像素的位置为(x
max
，y
max
)；
[0024]
将整幅纹理图像中所有中心像素8个方同的梯度值由小到大排序，表达式为，
[0025]
sort(g
x，y，0
，g
x，y，1
，g
x，y，2
，g
x，y3
，g
x，y，4
，g
x，y，5
，g
x，y6
，g
x，y，7
)，x∈h，y∈w，
[0026]
按排序结果将整幅纹理图像8个方向梯度值的绝对值分为三等份，梯度值的绝对
值位于前三分之一为g
little
类，梯度值的绝对值位于中间三分之一为g
middle
类，梯度值的绝对值位于后三分之一为g
large
类；
[0027]
或者，将整幅纹理图像8个方向梯度值的绝对值二等份，分别为g
little
和g
large
两类。
[0028]
本发明的进一步改进在于，步骤3具体包括：
[0029]
根据每个中心像素8个方向的梯度值所属类别，自适应选取邻域像素的极径大小，表达式为，r
x，y
＝[r
x，y，0
，r
x，y，1
，r
x，y，2
，r
x，y，3
，r
x，y，4
，r
x，y，5
，r
x，y，6
，r
x，y，7
]，
[0030]
式中，r
x，y，i
∈[1，2，3，4，5]，i为中心像素的第i个方向i∈[0，1，2，3，4，5，6，7，8]；
[0031]
将按照r
x，y
＝[r
x，y，0
，r
x，y，1
，r
x，y，2
，r
x，y，3
，r
x，y，4
，r
x，y，5
，r
x，y，6
，r
x，y，7
]得到的8个邻域像素值记为
[0032]
根据每个中心像素8个方向的梯度值所属类别，自适应选取极角大小，表达式为，
[0033]
φ
x，y
＝[θ
x，y，0
，θ
x，y，1
，θ
x，y，2
，θ
x，y，3
，θ
x，y，4
，θ
x，y，5
，θ
x，y，6
，θ
x，y，7
]，
[0034]
式中，θ
x，y，i
∈[0
°
，45
°
，90
°
]；
[0035]
根据步骤三的分类结果，当g
x，y，i
∈g
little
类时，r
x，y，i
应取较大的值，因为当中心像素的某个方向处于梯度较小的平滑区域时，采用较大的采样尺度半径，得到的邻域像素更能提取到有利的特征信息；但是当中心像素的某个方向处在灰度值变化剧烈的区域时，即g
x，y，i
∈g
large
类时，应该使用较小的采样半径，获取邻域像素(r
x，y，i
取较小的值)因为采样半径太大可能会捕捉不到邻域的变化；相同的，当g
x，y，i
∈g
little
类时，θ
x，y，i
应选取较大的值，当g
x，y，i
∈g
large
类时，θ
x，y，i
应选取较小的值。
[0036]
根据极角θ
x，y，i
，融合相邻两个邻域像素；按照当前邻域像素逆时针旋转θ
x，y，i
得到对应的邻域像素其中，j＝(i+(θ
x，y，i
/45
°
))％8，％为取余操作；最终的邻域像素表示为最终选取八个邻域像素为
[0037]
本发明的进一步改进在于，步骤4具体包括：
[0038]
根据得到的整幅纹理图像每个中心像素8个方向的邻域像素，提取中心像素w
x，y，c
与其8个方向最终邻域像素之间差值矢量的符号信息saalbp
x，y
_s，表达式为，
[0039][0040]
提取整幅纹理图像中心像素w
x，y，c
与其8个方向最终邻域像素之间差值矢量的幅值信息saalbp
x，y
_m，表达式为，
[0041][0042]
式中，表示每个中心像素w
x，y，c
与其8个方向的最终邻域像素之间的差值的幅值矢量，μ
m
为整幅纹理图像中所有m
x，y，i
的均值，
[0043]
提取整幅纹理图像每个中心像素w
x，y，c
的中心像素信息saalbp
x，y-c表达式为，
[0044]
saalbp
x，y-c＝s(w
x，y，c-μ
c
)；
[0045]
式中，μ
c
为整幅纹理图像中所有中心像素w
x，y，c
的均值。
[0046]
本发明的进一步改进在于，步骤4还包括：
[0047]
对差值矢量的符号信息和差值矢量的幅值信息提取方式进行补充，表达式为，
[0048][0049]
式中，u值为对二进制串变化快慢的度量算法，定义为二进制模式中相邻两比特值之间0/1或1/0的转换次数；
[0050][0051]
当u(saalbp_s
x，y
)≤2时，将中心像素处于x，y位置处的差值矢量的符号信息归为统一模式，否则即为非统一模式；
[0052][0053]
当u(saalbp_m
x，y
)≤2时，将中心像素处于x，y位置处的差值矢量的幅值信息归为统一模式，否则即为非统一模式。
[0054]
本发明的一种基于尺度和角度自适应选取的局部二值模式纹理图像特征提取系统，包括以下步骤：
[0055]
梯度值获取模块，从待提取特征的纹理图像中依次选取每个像素作为中心像素；用于使用kirsch梯度算子求取获得每个中心像素8个方向的梯度值；
[0056]
分类结果获取模块，用于对每个中心像素8个方向的梯度值取绝对值；基于每个中心像素8个方向梯度值的绝对值进行内部排序，取绝对值最大的梯度值作为衡量每个中心像素所在局部区域变化快慢的梯度值；用于将整幅纹理图像中所有中心像素8个方向的梯度值的绝对值进行排序，获得排序结果；基于排序结果，对所有中心像素8个方向的梯度值的绝对值进行等分分类，获得分类结果；
[0057]
邻域像素获取模块，用于根据分类结果，自适应选取邻域像素的极径大小、极角大小；根据极径大小提取每个中心像素8个方向的邻域像素；根据极角大小，融合每个中心像素8个方向上相隔极角角度的两个邻域像素，获得每个8个方向上最终的邻域像素；
[0058]
特征直方图获取模块，用于根据获得的最终的邻域像素，提取获得每个中心像素与其8个方向上最终的邻域像素之间差值矢量的符号信息及幅值信息；提取整幅纹理图像每个中心像素的中心像素信息；根据整幅纹理图像中每个中心像素的差值矢量的符号信息、差值矢量的幅值信息、中心像素信息生成联合的特征直方图，完成局部二值模式纹理图像特征提取。
[0059]
本发明的进一步改进在于，梯度值获取模块中，使用kirsch梯度算子求取获得中心像素8个方向的梯度值的具体步骤包括：
[0060]
使用中心像素值3*3邻域像素，与8个方向3*3的kirsch梯度算子模板进行二维卷积得到中心像素8个方向的梯度值；
[0061]
其中，梯度值的表达式为，
[0062]
g
x，y
＝[g
x，y，0
，g
x，y，1
，g
x，y，2
，g
x，y3
，g
x，y，4
，g
x，y，5
，g
x，y6
，g
x，y，7
]，
[0063]
式中，x，y为中心像素的坐标值。
[0064]
本发明的进一步改进在于，分类结果获取模块中，
[0065]
对每个中心像素8个方向的梯度值取绝对值，表达式为g
x，y
＝|g
x，y
|；
[0066]
对衡量中心像素所处局部区域变化情况的梯度值排序，表达式为sort(a
x，y
)，x∈h，y∈w；a
x，y
＝max(g
x，y，0
，g
x，y，1
，g
x，y，2
，g
x，y3
，g
x，y，4
，g
x，y，5
，g
x，y6
，g
x，y，7
)；
[0067]
式中，w和h分别代表纹理图像的长和宽。
[0068]
将中心像素坐标分为两类，排序位于前一半的中心像素所处区域定义为局部变化平缓区域，标记这部分中心像素的位置为(x
min
，y
min
)；排序位于后一半的中心像素所处区域定义为局部变化剧烈区域，标记这部分中心像素的位置为(x
max
，y
max
)；
[0069]
将整幅纹理图像中所有中心像素8个方向的梯度值由小到大排序，表达式为，
[0070]
sort(g
x，y，0
，g
x，y，1
，g
x，y，2
，g
x，y3
，g
x，y，4
，g
x，y，5
，g
x，y6
，g
x，y，7
)，x∈h，y∈w，
[0071]
按排序结果将整幅纹理图像8个方向梯度值的绝对值分为三等份，梯度值的绝对值位于前三分之一为g
little
类，梯度值的绝对值位于中间三分之一为g
middle
类，梯度值的绝对值位于后三分之一为g
large
类；
[0072]
或者，将整幅纹理图像8个方向的梯度值二等份，分别为g
little
和g
large
两类。
[0073]
本发明的进一步改进在于，邻域像素获取模块中，
[0074]
根据每个中心像素8个方向的梯度值所属类别，自话应洗取邻域像素的极径大小，表达式为，r
x，y
＝[r
x，y，0
，r
x，y，1
，r
x，y，2
，r
x，y，3
，r
x，y，4
，r
x，y，5
，r
x，y，6
，r
x，y，7
]，
[0075]
式中，r
x，y，i
∈[1，2，3，4，5]，i为中心像素的第i个方向i∈[0，1，2，3，4，5，6，7，8]；
[0076]
将按照r
x，y
＝[r
x，y，0
，r
x，y，1
，r
x，y，2
，r
x，y，3
，r
x，y，4
，r
x，y，5
，r
x，y，6
，r
x，y，7
]得到的8个邻域像素值记为
[0077]
根据每个中心像素8个方向的梯度值所属类别，自适应选取极角大小，表达式为，
[0078]
φ
x，y
＝[θ
x，y，0
，θ
x，y，1
，θ
x，y，2
，θ
x，y，3
，θ
x，y，4
，θ
x，y，5
，θ
x，y，6
，θ
x，y，7
]，
[0079]
式中，θ
x，y，i
∈[0
°
，45
°
，90
°
]；
[0080]
根据步骤三的分类结果，当g
x，y，i
∈g
little
类时，r
x，y，i
应取较大的值，因为当中心像素的某个方向处于梯度较小的平滑区域时，采用较大的采样尺度半径，得到的邻域像素更能提取到有利的特征信息；但是当中心像素的某个方向处在灰度值变化剧烈的区域时，即g
x，y，i
∈g
large
类时，应该使用较小的采样半径，获取邻域像素(r
x，y，i
取较小的值)因为采样半径太大可能会捕捉不到邻域的变化；相同的，当g
x，y，i
∈g
little
类时，θ
x，y，i
应选取较大的值，当g
x，y，i
∈g
large
类时，θ
x，y，i
应选取较小的值。
[0081]
根据极角θ
x，y，i
，融合相邻两个邻域像素；按照当前邻域像素i∈[1，2，3，4，5，6，7，8]，逆时针旋转θ
x，y，i
得到对应的邻域像素其中，j＝(i+(θ
x，y，i
/45
°
))％8，％为取余操作；最终的邻域像素表示为最终选取八个旋转的邻域像素为
[0082]
与现有技术相比，本发明具有以下有益效果：
[0083]
本发明针对现有局部二值模式在提取纹理特征时，采样半径和角度单一，无法提取多尺度融合特征的问题，以及对光照，旋转变化不鲁棒的问题，提供了一种基于尺度和角度自适应选取的局部二值模式纹理图像特征提取方法，通过采用极坐标，自适应的选取角度(极角)和尺度(极径)来拓展原始的lbp算法，能够增强局部二值模式(lbp)算法对旋转、光照和尺度变化的鲁棒性。纹理分类作为图像分析中一个重要方向，广泛应用于计算机视觉和模式识别等领域。纹理分类的关键在于提取出具有较强鲁棒性且强区分能力的纹理特
征，本发明在尺度与角度方向拓展了原始的局部二值模式。相较于原始局部二值模式，本发明能够提取更具有鉴别力的纹理特征，在处理纹理图像分类任务时能够取得更高的纹理分类准确率。
附图说明
[0084]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面对实施例或现有技术描述中所需要使用的附图做简单的介绍；显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0085]
图1是本发明实施例的一种基于尺度和角度自适应选取的局部二值模式纹理图像特征提取方法的流程示意图；
[0086]
图2是本发明对比例中，现有技术的局部二值模式生成示意图；
[0087]
图3是本发明实施例中，kirsch梯度算子模板示意图；
[0088]
图4是本发明实施例中，根据本发明的基于尺度和角度自适应选取的局部二值模式生成示意图；
[0089]
图5是本发明实施例中，可公开获取的纹理图像标准测试集outex的示例图像；
[0090]
图6是本发明实施例中，可公开获取的纹理图像标准测试集uiuc的示例图像。
具体实施方式
[0091]
为使本发明实施例的目的、技术效果及技术方案更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述；显然，所描述的实施例是本发明一部分实施例。基于本发明公开的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的其它实施例，都应属于本发明保护的范围。
[0092]
请参阅图1，本发明实施例的一种基于尺度和角度自适应选取的局部二值模式纹理图像特征提取方法，具体包括以下步骤：
[0093]
选择需要提取纹理特征的纹理图像；
[0094]
从待提取特征的纹理图像中依次选取每个像素作为中心像素，使用kirsch梯度算子求取该中心像素8个方向的梯度值；
[0095]
使用当前指定的中心像素值3*3邻域像素，与8个方向3*3的kirsch梯度算子模板进行二维卷积得到中心像素8个方向的梯度值，梯度值的表达式为，
[0096]
g
x，y
＝[g
x，y，0
，g
x，y，1
，g
x，y，2
，g
x，y3
，g
x，y，4
，g
x，y，5
，g
x，y6
，g
x，y，7
]，
[0097]
其中x，y为当前指定中心像素的坐标值；
[0098]
接下来依次对每一个中心像素8个方向的梯度值取绝对值g
x，y
＝|g
x，y
|；
[0099]
继续指定下一个像素作为当前像素值按上述步骤进行处理，直到提取纹理图像中所有像素8个方向的梯度值；
[0100]
针对该中心像素8个方向梯度值进行内部排序取梯度值最大的梯度值作为衡量该局部区域变化快慢的梯度值即，a
x，y
＝max(g
x，y，0
，g
x，y，1
，g
x，y，2
，g
x，y3
，g
x，y，4
，g
x，y，5
，g
x，y6
，g
x，y，7
)；
[0101]
对衡量中心像素所处局部区域变化情况的梯度值由小到大排序sort(a
x，y
)，x∈h，
y∈w，将中心像素坐标分为两类，排序位于前一半的中心像素所处区域定义为局部变化平缓区域，并标记这部分中心像素的位置为(x
min
，y
min
)。排序位于后一半的中心像素所处区域定义为局部变化剧烈区域，并标记这部分中心像素的位置为(x
max
，y
max
)；
[0102]
将整幅纹理图像中所有中心像素8个方向的梯度值由小到大排序，表达式为，
[0103]
sort(g
x，y，0
，g
x，y，1
，g
x，y，2
，g
x，y3
，g
x，y，4
，g
x，y，5
，g
x，y6
，g
x，y，7
)，x∈h，y∈w，
[0104]
其中，w和h分别代表纹理图像的长宽；
[0105]
按排序结果将整幅纹理图像8个方向的梯度值的绝对值分为三等份，梯度值的绝对值位于前三分之一为g
little
类，梯度值的绝对值位于中间三分之一为g
middle
类，梯度值的绝对值位于后三分之一为g
large
类。或将整幅纹理图像8个方向梯度值的绝对值二等份，分别为g
little
，和g
large
两类，为后续自适应选取尺度(极径)和角度(极角)做准备；
[0106]
根据8个方向的梯度值所属类别，自适应选取邻域像素的采样半径(极径的大小)，r
x，y
＝[r
x，y，0
，r
x，y，1
，r
x，y，2
，r
x，y，3
，r
x，y，4
，r
x，y，5
，r
x，y，6
，r
x，y，7
]，中x，y为中心像素的坐标值。r
x，y，i
∈[1，2，3，4，5]，i为当前指定中心像素的第i个方向i∈[0，1，2，3，4，5，6，7，8]；
[0107]
当g
x，y，i
∈g
little
类时，r
x，y，i
应取较大的值，因为当中心像素的某个方向处于梯度较小的平滑区域时，采用较大的采样尺度半径，得到的邻域像素更能提取到有利的特征信息；但是当中心像素的某个方向处在灰度值变化剧烈的区域时，即g
x，y，i
∈g
large
类时，应该使用较小的采样半径，获取邻域像素(r
x，y，i
取较小的值)因为采样半径太大可能会捕捉不到邻域的变化；
[0108]
将按照r
x，y
＝[r
x，y，0
，r
x，y，1
，r
x，y，2
，r
x，y，3
，r
x，y，4
，r
x，y，5
，r
x，y，6
，r
x，y，7
]得到的八个邻域像素值记为
[0109]
根据8个方向的梯度值大小分类结果，自适应选取采样的角度，(极角的大小)。φ
x，y
＝[θ
x，y，0
，θ
x，y，1
，θ
x，y，2
，θ
x，y，3
，θ
x，y，4
，θ
x，y，5
，θ
x，y，6
，θ
x，y，7
]其中x，y为中心像素的坐标值。θ
x，y，i
∈[0
°
，45
°
，90
°
]，i为中心像素的第i个方向，i∈[0，1，2，3，4，5，6，7，8]；
[0110]
与上一步原理相同，当g
x，y，i
∈g
little
类时，θ
x，y，i
应选取较大的值，当g
x，y，i
∈g
large
类时，θ
x，y，i
应选取较小的值；
[0111]
根据采样角度(极角)θ
x，y，i
，融合相邻两个邻域像素，并按照当前邻域像素i∈[1，2，3，4，5，6，7，8]，逆时针旋转θ
x，y，i
得到对应的邻域像素其中j＝(i+(θ
x，y，i
/45
°
))％8，％为取余操作。新的邻域像素值可以表示为最终选取八个邻域像素为
[0112]
得到整幅纹理图像每个中心像素8个方向的邻域像素后，提取指定中心像素w
x，y，c
与其8个方向最终邻域像素之间差值矢量的符号信息，saalbp
x，y
_s；
[0113][0114]
其中，
[0115]
接下来，依次提取整幅纹理图像中心像素w
x，y，c
与其8个方向最终邻域像素之间差值矢量的幅值信息，saalbp
x，y-m；
[0116]
[0117]
其中，表示每个中心像素w
x，y，c
与其8个方向的最终邻域像素之间的差值的幅值矢量，μ
m
为整幅纹理图像中所有m
x，y，i
的均值，
[0118]
接下来，中心像素w
x，y，c
，也携带有纹理特征，依次提取整幅纹理图像每个中心像素w
x，y，c
的中心像素信息，saalbp
x，y-c；
[0119]
saalbp
x，y-c＝s(w
x，y，c-μ
c
)；
[0120]
其中，μ
c
为整幅纹理图像中每个中心像素w
x，y，c
的均值；
[0121]
为了同时最大限度的降低特征维数，和增强算法对旋转的鲁棒性，采取经典的“旋转不变统一模式，riu2”，对上述差值矢量的符号信息和差值矢量的幅值信息进行补充；
[0122][0123]
其中，u值为对二进制串变化快慢的度量算法，定义为二进制模式中相邻两比特值之间0/1或i/0的转换次数。
[0124][0125]
当u(saalbp_s
x，y
)≤2时，将中心像素处于x，y位置处的差值矢量的符号信息归为统一模式，否则即为非统一模式；
[0126][0127]
当u(saalbp_m
x，y
)≤2时，将中心像素处于x，y位置处的差值矢量的幅值信息归为统一模式，否则即为非统一模式；
[0128]
根据整幅纹理图像所有位置的中心像素的和saalbp_c生成联合的特征直方图。
[0129]
综上所述，本发明提供的技术方案从极坐标的角度出发，针对原始局部二值模式算法只能选取固定邻域半径和单一角度θ＝0
°
邻域像素的缺陷。从尺度(极径)和角度(极角)的角度，对原始的局部二值模式(lbp)进行了拓展，使用本技术方案能够获取更加丰富的纹理特征结构从而增强了原始局部二值模式对旋转，光照和尺度变换的鲁棒性。
[0130]
本发明的具体实施例和对比验证，包括：
[0131]
现有技术中原始的局部二值模式(local binary pattern，lbp)通过使用邻域像素与中心像素差值矢量的符号信息来反映局部纹理的空间结构信息。通符号信息形成二值模式，并生成对应的十进制值来标记该位置中心像素w
x，y，c
对应的纹理结构模式。如图2所示，为了提取局部特征，对于待提取纹理特征的纹理图像，指定位置的中心像素w
x，y，c
，lbp通过将其与p个邻域像素进行比较：
[0132][0133]
针对现有技术中局部二值模式(lbp)在提取纹理特征时，采样半径和角度单一，无法提取多尺度融合特征的问题，以及对光照，旋转变化不鲁棒的问题。从待提取特征的纹理图像中依次选取每个像素作为中心像素，使用kirsch梯度算子求取该中心像素8个方向的
梯度值；使用当前指定的中心像素值3*3邻域像素，与8个方向3*3的kirsch梯度算子模板进行二维卷积，得到中心像素8个方向的梯度值g
x，y
＝[g
x，y，0
，g
x，y，1
，g
x，y，2
，g
x，y3
，g
x，y，4
，g
x，y，5
，g
x，y6
，g
x，y，7
]，其中x，y为中心像素在纹理图像中的坐标值。接下来依次对每一个中心像素8个方向的梯度值取绝对值g
x，y
＝|g
x，y
|，如图3所示。
[0134]
继续指定下一个像素作为当前像素值按上述步骤进行处理，直到提取纹理图像中所有像素8个方向的梯度值；
[0135]
针对该中心像素8个方向梯度值进行内部排序取梯度值最大的梯度值作为衡量该区域变化快慢的梯度值即，a
x，y
＝max(g
x，y，0
，g
x，y，1
，g
x，y，2
，g
x，y3
，g
x，y，4
，g
x，y，5
，g
x，y6
，g
x，y，7
)；对衡量中心像素所处局部区域变化情况的梯度值由小到大排序sort(a
x，y
)，x∈h，y∈w，将中心像素坐标分为两类，排序位于前一半的中心像素所处区域定义为局部变化平缓区域，并标记这部分中心像素的位置为(x
min
，y
min
)。排序位于后一半的中心像素所处区域定义为局部变化剧烈区域，并标记这部分中心像素的位置为(x
max
，y
max
)；将整幅纹理图像中所有中心像素8个方向的梯度值由小到大排序sort(g
x，y，0
，g
x，y，1
，g
x，y，2
，g
x，y3
，g
x，y，4
，g
x，y，5
，g
x，y6
，g
x，y，7
)，x∈h，y∈w，其中w和h分别代表纹理图像的长宽；按排序结果将整幅纹理图像8个方向梯度值的绝对值分为三等份，梯度值的绝对值位于前三分之一为g
little
类，梯度值的绝对值位于中间三分之一为g
middle
类，梯度值的绝对值位于后三分之一为g
large
类。或将整幅纹理图像8个方向梯度值的绝对值二等份，分别为g
little
，和g
large
两类，为后续自适应选取尺度(极径)和角度(极角)做准备；根据8个方向的梯度值所属类别，如图4中的(b)所示，自适应选取邻域像素的采样半径(极径的大小)，r
x，y
＝[r
x，y，0
，r
x，y，1
，r
x，y，2
，r
x，y，3
，r
x，y，4
，r
x，y，5
，r
x，y，6
，r
x，y，7
]，中x，y为中心像素的坐标值。r
x，y，i
∈[1，2，3，4，5]，i为当前指定中心像素的第i个方向i∈[0，1，2，3，4，5，6，7，8]；当g
x，y，i
∈g
little
类时，r
x，y，i
应取较大的值，因为当中心像素的某个方向处于梯度较小的平滑区域时，采用较大的采样尺度半径，得到的邻域像素更能提取到有利的特征信息；但是当中心像素的某个方向处在灰度值变化剧烈的区域时，即g
x，y，i
∈g
large
类时，应该使用较小的采样半径，获取邻域像素(r
x，y，i
取较小的值)因为采样半径太大可能会捕捉不到邻域的变化；
[0136]
将按照r
x，y
＝[r
x，y，0
，r
x，y，1
，r
x，y，2
，r
x，y，3
，r
x，y，4
，r
x，y，5
，r
x，y，6
，r
x，y，7
]得到的八个邻域像素值记为根据8个方向的梯度值大小分类结果，自适应选取采样的角度，(极角的大小)。φ
x，y
＝[θ
x，y，0
，θ
x，y，1
，θ
x，y，2
，θ
x，y，3
，θ
x，y，4
，θ
x，y，5
，θ
x，y，6
，θ
x，y，7
]其中x，y为中心像素的坐标值。θ
x，y，i
∈[0
°
，45
°
，90
°
]，i为中心像素的第i个方向，i∈[0，1，2，3，4，5，6，7，8]；与上一步原理相同，当g
x，y，i
∈g
little
类时，θ
x，y，i
应选取较大的值，当g
x，y，i
∈g
large
类时，θ
x，y，i
应选取较小的值；根据采样角度θ
x，y，i
，如图4的(c)所示，融合相邻两个邻域像素，并按照当前邻域像素i∈[1，2，3，4，5，6，7，8]，逆时针旋转θ
x，y，i
得到对应的邻域像素其中j＝(i+(θ
x，y，i
/45
°
))％8，％为取余操作。新的邻域像素值可以表示为最终选取八个邻域像素为得到整幅纹理图像所有中心像素8个方向的邻域像素后，提取指定中心像素w
x，y，c
与其8个方向最终邻域像素之间差值矢量的符号信息，saalbp
x，y
_s；
[0137]
其中，
[0138]
接下来，我们依次提取整幅纹理图像中心像素w
x，y，c
与其8个方向最终邻域像素之间差值矢量的幅值信息，saalbp
x，y
_m；
[0139]
其中，表示指定位置8个方向的最终邻域像素与其中心像素w
x，y，c
之间的差值的幅值矢量，μ
m
为整幅纹理图像中所有m
x，y，i
的均值，
[0140]
接下来，中心像素w
x，y，c
，也携带有纹理特征，依次提取整幅纹理图像中心像素w
x，y，c
的中心像素信息，saalbp
x，y-c；saalbp
x，y-c＝s(w
x，y，c-μ
c
)；
[0141]
其中μ
c
为整幅纹理图像中所有中心像素w
x，y，c
的均值；
[0142]
为了同时最大限度的降低特征维数，和增强算法对旋转的鲁棒性，采取经典的“旋转不变统一模式，riu2”，对上述差值矢量的符号信息和差值矢量的幅值信息进行补充；
[0143][0144]
其中，u值为对二进制串变化快慢的度量算法，定义为二进制模式中相邻两比特值之间0/1或i/0的转换次数。
[0145][0146]
当u(saalbp_s
x，y
)≤2时，将中心像素处于x，y位置处的差值矢量的符号信息归为统一模式，否则即为非统一模式；
[0147][0148]
当u(saalbp_m
x，y
)≤2时，将中心像素处于x，y位置处的差值矢量的幅值信息归为统一模式，否则即为非统一模式；
[0149]
根据整幅纹理图像所有位置的中心像素的和saalbp_c生成联合的特征直方图，并根据联合特征直方图将不同像素归入不同的模式组中，相同模式组的像素可被认为具有相同的局部纹理特征。
[0150]
请参阅图5和图6，本发明利用可公开获得的outex数据库，通过与原始局部二值模式(lbp)和完备局部二值模式(clbp)进行对比，如表1所示，评估本发明saalbp对光照变化和旋转变化的鲁棒性。利用可公开获得的uiuc数据库，通过与原始局部二值模式(lbp)和完备局部二值模式(clbp)进行对比，如表2所示，为了评估本发明对尺度变化和视角变化的鲁棒性。本发明选取了outex数据库中三个最常用的基准纹理数据库：outex_tc10，outex_tc12_000和outex_tc12_001进行试验。图像依次在“inca”，“t184”和“horizon”这3种光照条件下采集得到，具有0
°
，5
°
，10
°
，15
°
，30
°
，45
°
，60
°
，75
°
和90
°
这9种旋转角度，每个旋转角度在同一种光照条件下都有20幅图像。本发明将“inca”光照条件下，旋转角度为0
°
的纹理图像作训练集，其余所有图像作为测试集。uiuc纹理数据库中包含25类纹理图像，每类有40幅图像，都是在真实环境中获取的，图像存在旋转、视角和尺度等的变化。本发明所使用的
分类器为最近邻分类。
[0151]
表1.outex数据库下，本发明与原始局部二值模式和完备局部二值模式数据对比
[0152][0153]
表2.uiuc数据库下，本发明与原始局部二值模式和完备局部二值模式数据对比
[0154][0155]
从表1和表2可以看出saalbp相当大的改进了原始局部二值模式lbp的性能。主要体现在针对原始局部二值模式算法只能选取固定邻域半径和单一角度θ＝0
°
邻域像素的缺陷。本发明从尺度(极径)和角度(极角)的方向，对原始的局部二值模式(lbp)进行了拓展,使用本技术方案能够获取更加丰富的纹理特征结构，从而增强了对旋转，光照，尺度和视角变化的鲁棒性。
[0156]
本发明实施例的一种基于尺度和角度自适应选取的局部二值模式纹理图像特征提取系统，包括以下步骤：
[0157]
梯度值获取模块，用于获取待提取特征的纹理图像，从待提取特征的纹理图像中依次选取每个像素作为中心像素；用于使用kirsch梯度算子求取获得每个中心像素8个方向的梯度值；
[0158]
分类结果获取模块，用于对每个中心像素8个方向的梯度值取绝对值；基于每个中心像素8个方向梯度值的绝对值进行内部排序，取绝对值最大的梯度值作为衡量每个中心像素所在局部区域变化快慢的梯度值；用于将整幅纹理图像中所有中心像素8个方向的梯度值的绝对值进行排序，获得排序结果；基于排序结果，对所有中心像素8个方向的梯度值的绝对值进行等分分类，获得分类结果；
[0159]
邻域像素获取模块，用于根据分类结果，自适应选取邻域像素的极径大小、极角大小；根据极径大小提取每个中心像素8个方向的邻域像素；根据极角大小，融合每个中心像素8个方向上相邻的两个邻域像素，获得每个中心像素8个方向上最终的邻域像素；
[0160]
特征直方图获取模块，用于根据获得的最终的邻域像素，提取获得每个中心像素与其8个方向上最终的邻域像素之间差值矢量的符号信息及幅值信息；提取整幅纹理图像每个中心像素的中心像素信息；根据整幅纹理图像中每个中心像素的差值矢量的符号信息、差值矢量的幅值信息、中心像素信息生成联合的特征直方图，完成局部二值模式纹理图像特征提取。
[0161]
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0162]
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0163]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0164]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0165]
以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。