一种鲁棒扩展局部二值模式纹理特征提取方法
【技术领域】
[0001] 本发明涉及图像纹理描述与分析技术，特别地，涉及一种鲁棒扩展局部二值模式 纹理特征提取方法。
【背景技术】
[0002] 纹理是一种重要的视觉线索，广泛存在于自然界各种物体的表面。不管是自然图 像、卫星遥感图像还是医学图像，纹理为图像基本特征之一，是图像中像素强度的某种局部 模式重复出现的宏观表现。纹理分类是图像处理、计算机视觉和模式识别的一个基础问题， 在图像处理与模式识别领域占有重要地位。对纹理图像分类的研究，不仅对于人类对自身 视觉机理的理解和研究具有推动作用，而且对计算机视觉和模式识别领域其它问题如人脸 识别、物体识别、场景分类等等有重要支撑作用。纹理分类在视觉导航、场景分类、目标识 另IJ、基于内容的图像检索、遥感图像分析、工业检测、医学图像分析和理解和文本分类等领 域有着广泛的应用。纹理分类问题涉及数字图像处理、计算机视觉、模式识别、机器学习、计 算机图形学、人机交互、认知科学、应用数学、统计学、神经生理学和人工智能等多个研究领 域。纹理分类问题的深入研究和最终解决，可以有力地促进这些学科的成熟和发展。
[0003] 作为一个经典的模式识别问题，纹理分类主要包括两个关键环节：纹理特征提取 和分类器设计。众所周知，有效的纹理特征提取方法占有着相对重要的地位，因为如果使用 不好的纹理特征，即便是最好的分类器也无法达到很好的识别效果。因此，纹理特征提取方 法的研究一直是人们关注的热点，出现了很多纹理特征提取方法。然而，由于自然界纹理图 像种类繁多，纹理分类问题本身的复杂性，加上实际应用中非限定成像环境的影响，要求提 取的纹理特征能够对采集到的纹理图像往往会出现数据缺失、光照变化、旋转变化、尺度变 化、局部变形和模糊等类内差异具有高度鲁棒性；此外，与日倶增的大规模纹理图像数据对 纹理特征提取的实时性要求也越来越高；这些难点使得现有的纹理特征提取方法仍然难以 满足实际应用的需求。
[0004] 提取有效纹理特征的本质困难在于平衡两个相互竞争的目标：高质量的特征描述 和低计算复杂度。高质量的纹理特征描述子需要兼具强可区分力（能够区分不同纹理图像 类别）和高鲁棒性（能够对同一纹理图像类别存在的类内差异如光照变化、旋转变化、尺度 变化、图像模糊、图像随机噪声和图像遮挡等鲁棒）。计算复杂度低和特征维数低的纹理特 征描述子能够使得分类任务实时进行。现有的研究工作都试图在这两个相互竞争的目标中 取得良好折衷，然而往往只能较好的达到其中一个目标，不可避免的牺牲另一个目标。
[0005] 局部二值模式（Local Binary Pattern，LBP)已经发展成为最主要的纹理特征提 取方法之一，并在图像处理和计算机视觉领域受到越来越多的关注，这主要是由于LBP方 法存在如下显著优势：①易于工程实现；②灰度尺度不变性；③低计算复杂度低。正是因为 如此，LBP方法已被成功应用于以纹理分类和人脸识别为代表的图像处理和计算机视觉中 的诸多领域，包括工业检测、遥感图像分析、动态纹理识别、基于内容的图像检索、医学图像 处理、场景分类、运动分析和环境建模等等。LBP方法得到广泛研究，出现了大量基于LBP的 改进方法，
[0006] 这些后续LBP改进方法主要致力于提高其鉴别力，鲁棒性和易用性。
[0007] 在提高原始LBP方法的特征鉴别力方面，引人注目的工作主要包括完全局部二 值模式（Completed Local Binary Pattern，CLBP)、扩展局部二值模式（Extended Local Binary Pattern，ELBP)、鉴别完全局部二值模式（disCLBP)、成对旋转不变共现局部二值模 式（Pairwise Rotaion Invariant Cooccurrence Local Binary Pattern，PRICoLBP)，以 及显著局部二值模式（Dominant Local Binary Pattern，DLBP)和Gabor滤波特征的联合 描述等等。然而，尽管这些改进方法使得特征鉴别力有所提升，但其鲁棒性下降，因为它们 对图像模糊和图像随机噪声相当敏感，并且它们的特征维数往往较高，导致后续分类计算 复杂度增加。
[0008] 在提高原始LBP方法对图像模糊和随机噪声等图像质量下降问题的鲁棒性方 面，研究者们也做出了很多尝试。代表性的改进方法有局部三值模式（Local Ternary Pattern，LTP)、中值二值模式（Median Binary Pattern，MBP)、局部相位量化（Local Phase Quantization，LPQ)、模糊局部二值模式（Fuzzy Local Binary Pattern，FLBP)，容忍噪 声局部二值模式（Noise Tolerant Local Binary Pattern，NTLBP)，鲁棒局部二值模式 (Robust Local Binary Pattern，RLBP)和抗噪声局部二值模式（Noise Resistant Local Binary Pattern，NRLBP)等等。尽管这些改进方法对噪声的鲁棒性较原始LBP方法有所增 强，但其抗噪能力仍然不理想，这一点其它研究者也注意到。我们最近提出的扩展局部二值 模式ELBP方法中给出了四种类似于LBP的描述子一一基于中心强度的局部二值模式ELBP_ CI、基于邻域强度的局部二值模式ELBP_NI、基于径向差分的局部二值模式ELBP_RD和与基 于角向差分的局部二值模式ELBP_AD。我们之前的研究工作已经表明，三个新局部二值模式 特征ELBP_CI、ELBP_NI与ELBP_RD的联合特征描述子即ELBP具有很好的纹理分类性能，遗 憾的是仍然存在一些显著的缺陷：①对图像模糊和随机噪声相当敏感；②不能捕获宏观纹 理结构信息；③特征维数较高。对图像模糊和噪声过于敏感会导致ELBP缺乏鲁棒性，不能 捕获宏观纹理结构信息会难以描述大尺度纹理信息，而特征维数过高则会增加后续纹理分 类的计算复杂度，影响纹理分类方法计算速度。
[0009] 针对现有技术中使用基于局部二值模式LBP方法进行纹理描述时缺乏对图像模 糊和随机噪声鲁棒性、纹理信息描述过于局部而损失宏观纹理信息、以及特征维数较高等 问题，目前尚缺乏有效的解决方案。
【发明内容】
[0010] 针对现有技术中使用局部二值模式LBP进行纹理描述时缺乏对图像模糊和随机 噪声的鲁棒性、纹理信息描述过于局部而导致损失宏观纹理信息、以及高特征维数下计算 复杂度高的问题，本发明的目的在于提出一种鲁棒扩展局部二值模式纹理特征提取方法， 对图像模糊和随机噪声的鲁棒性显著增强，纹理分类性能在高鲁棒性和强鉴别力方面为现 有最高水平，且具有较低的特征维数，使得基于新特征纹理分类系统具有较低的计算复杂 度。
[0011] 基于上述目的，本发明提供的技术方案如下：
[0012] 根据本发明的一个方面，提供了一种鲁棒扩展局部二值模式纹理特征提取方法， 包括：
[0013] 获取待提取特征纹理图像；
[0014] 对待提取特征纹理图像进行预处理；
[0015] 从待提取特征纹理图像中依次指定每个像素，为像素构建像素区域使用高斯平滑 方法将像素区域处理为高斯平滑结果，并根据高斯平滑结果，计算获得对于指定像素的鲁 棒扩展局部二值模式；
[0016] 根据对于指定像素的鲁棒扩展局部二值模式，将指定像素归入固定的模式组中， 被归入同一个固定的模式组中的指定像素被视为具有等价模式；
[0017] 继续指定下一个像素作为当前指定像素按上述方式进行处理，直到待提取特征纹 理图像中的每个像素都被归入固定的组中。
[0018] 其中，对待提取特征纹理图像进行预处理包括：
[0019] 将待提取特征纹理图像无残留地分割为N个像素块，N个像素块均是尺寸为WXW 的正方形像素集合；
[0020] 使用高斯平滑方法Φ处理N个像素块，获得N个像素块的高斯平滑结果，并计算N 个像素块的高斯平滑结果的平均值μ w。
[0021] 并且，根据高斯平滑结果，计算获得对于指定像素的鲁棒扩展局部二值模式，其 中，对于指定像素的鲁棒扩展局部二值模式包括以下至少之一：基于中心强度的鲁棒扩展 局部二值模式、基于邻域强度的鲁棒扩展局部二值模式、基于径向差分的鲁棒扩展局部二 值模式。
[0022] -方面，当对于指定像素的鲁棒扩展局部二值模式为基于中心强度的鲁棒扩展局 部二值模式时，从待提取特征纹理图像中依次指定每个像素，为像素构建像素区域使用高 斯平滑方法将像素区域处理为高斯平滑结果，并根据