11/^)，1'008(2 3111/^))与指定像素1(:的坐标 的叠加和；
[0114] 分别以P个邻域像素\,p,n中的每一个为中心，从待提取特征纹理图像中截取出P 个邻域块, P个邻域块都是尺寸为~X W1?的、分别以每个邻域像素 X p, n为 中心的正方形像素集合；
[0115] 以指定像素 X。为中心，从待提取特征纹理图像中选取到P个亚邻域像素 X p, n， P个亚邻域像素 XH,p,n等角间隔的均匀分布在以x。为圆心以r-1为半径的圆周上，其中 Μ· = 0 ,, ^ > ，'邻域像素 xr 1>ρ, n的坐标值为（-(r-l)sin(2Jin/p)，（r-l)cos(23in/p))与 指定像素 X。的坐标的置加和；
[0116] 分别以p个亚邻域像素 Xl^,p,n中的每一个为中心，从待提取特征纹理图像中截取 出P个亚邻域块娜..沐,p个亚邻域块足'-咕^ 为中心的正方形像素集合；
[0117] 使用高斯平滑方法φ处理p个亚邻域块％-1,妙V..,、《，获得p个亚邻域块 :萬一!、_^方的高斯平滑结果卜切秦
[0118] 根据ρ个邻域块的高斯平滑结果割与P个亚邻域块 签.、一 的高斯平滑结果__、:、-_ 获得对于指定像素 X。的基于径向差分的 rvr - .??^·· ?,；?
鲁棒扩展局部二值模式RH..BF.RD
[0119]
[0120]
[0121] 图3示出的是对于某一指定像素 x。，其中心块X、邻域像素 xnp, n、邻域块 亚邻域像素 Xl^,p,n以及亚邻域块的截取方式。如图3所示，指定像素 X。的 中心块的边长w。= 3,故中心块为X。,3;其亚邻域像素^^的亚邻域块边长w H= 3,故亚 邻域块为&其邻域像素 Xn p, n的邻域块边长w 5,故邻域块为其邻域像素与 亚邻域像素均为P = 8,亚邻域像素到指定像素 X。的距离为rl，邻域像素到指定像素 X。的 距离为r2,故可以表示出亚邻域像素集合MsJLs与邻域像素集合因此有：
[0122]
[0123]
[0124]
[0125] 上述的邻域像素与亚邻域像素之间只是相对关系，任何取样半径小于亚邻域像素 的取样半径所取到的像素可以被认为是亚邻域像素的亚邻域像素。对于指定像素 X。，我们 可以同时选取两个以上的不同半径数值进行像素取样，并将按照上述方法获得的鲁棒扩展 局部二值模式相叠加，以丰富关于指定像素 X。的纹理信息。图4示出的是对于指定像素 X。， 其邻域与多层亚邻域的截取数据处理方法示意图，如图4所示，从原始图像中指定像素 X。 并在4个不同的半径尺度上采集邻域像素与亚邻域像素，并使用高斯平滑方法分别获取他 们的RELBP，在进行叠加，以获得指定像素 X。更丰富的纹理信息。
[0126] 上述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组中包括：
[0127]根据所述鲁棒扩展局部二值模式RELBP分别计算GRELBP_.NI#与GRELBP._.RD$2，
其中，所述
[0128]
[0129]
[0130]
[0131] )
[0132] U值是指一个二进制模式串的均匀度度量，定义为二进制模式中圆周上相邻的两 个比特值的0/1或1/0转移次数，以GRELBP_NI" p为例给出U值的定义，设GRELBP_NI W的 二进制模式比特串为：
[0133] GRELBP NL "= bnb,......b" ,
[0136] 平例米况，误TT昇侍到二T 谀GKbUjlKUn p) 一进市?悮A刀00000000,01110000和01100101，那么 U(OOOOOOO) =0，U(01110000) = 2 以及U(01100101) =6,所以00000000和01110000为均匀模式，而01100101则为非均匀模式。[0137] 判断所述U(GRELBP_NInp< 2) (U(GRELBP_RDr,p彡2))是否成立，若是，则将其归
[0134]
[0135] 入均匀模式下，并根据Σ!^ - ^ViPtWr) (Σ!：:^(Φ(ΧΛΡ馬.,n) _ 0(Xr -)的取值而划入所述均匀模式下组〇至组P 中的一个；若否，则将其归入非均匀模式下的唯一组P+1中；
[0138] 根据GRELBP_NIrr$ 2、GRELBP_RD；52 与 GRELBP_CIrriJ 2 生成联合概率直 方图，并以联合概率直方图为分组依据将指定像素归入固定的模式组中。
[0139] 图5示出的是指定像素分组的各组特征示意图。如图5所示的O-U坐标轴中， P = 8, 0值为符合邻域块高斯平滑灰度值大于中心块高斯平滑灰度值的邻域块个数，U值 即U(GRELBP_NIr, p)、或U(GRELBP_RDr,p)，组0至组p+1分别对应图中数字编号1-10。对于 U < 2的情况，我们采用均匀模式进行编码并按照0值不同分出9个不同的组，分别对应图 中数字1-9所代表的局部二值模式；当U > 2时，我们采用非均匀模式进行编码并编入同一 个组中，对应图中数字10所代表的局部二值模式。
[0140]根据计算出的基于像素X。的GRELBP...NI&12与GRELBP_RD$ 2的值与不需要 计算的grelb:p_ci；5 2的值，我们生成像素X。的联合概率直方图，联合概率直方图中包含 了像素 X。的三种局部二值模式的分组信息。通过比对不同像素之间的联合概率直方图，我 们得以判断不同像素是否表征出相同的模式，并根据联合概率直方图的差异将不同像素归 入固定的模式组中，具有相同联合概率直方图的不同像素被归入同一个模式组中，被分入 同一个组的像素被认为可能具有相同的纹理特征。
[0141] 我们利用可公开获得的数据评估GRELBP在三个不同问题方法上的有效性。我们 选取三个最常用的公开基准纹理数据测试集进行试验：0utex_TC10, 0utex_TC12_000和 0utex_TC12_001。0utex_TC10数据集适用于测试纹理特征描述子的旋转不变性，而0utex_ TC12_000和0uteX_TC12_001则用于测试特征描述子的光照不变性以及旋转不变性，因此 这两个基准测试集难度高于0ute X_TC10数据集。使用比较方法所推荐的riu2编码，涉及 参数如Table 1所示。每个纹理样品被预处理，归一化到零均值和单位标准偏差。分类器 采用最简单的最近邻分类器。分类结果列于表1。
[0142] TABLEl
[0143] Classification scores(%)on 0utex_TCI0,0utex_TC12000 and 0utex_TC12001 test suites. The parameters wc and wr involved in RELBP Set ss Wc= 3 and Wr= (3， 3,5,7).
[0144]
[0145] 从上表1可以看出，提出的赚ELBPJO^I2相当大的改进了ELBI^RD丨:|s的性 能。提出的GRELBP_NI@2也提高了性能，但是不如GRELBPwRDg2显著。联合描述符 GRELBF^2使得纹理分类性能大幅度提升，显著优于EL_fQ
[0146] 多尺度描述子的性能较了单尺度方法的性能有了明显提高。多尺度GRELBf^i2 的精准分类率，对光照和旋转变化的纹理分类清楚地表明，单个特征GRELBP_CI、 GRELBP__NI#2与GKELB:P_m)#2的联合分布能有效反映图像纹理特征，对灰度和旋 转变化具有鲁棒性。这些结果表明，该方法能有效地利用微观结构信息和宏观纹理特征。根 据我们的知识，我们提出的方法在这三个基准数据集上获得了目前最高分类正确率。
[0147] 综上所述，借助于本发明的上述技术方案，通过以超像素集合代替单像素进行纹 理分类、并使用高斯平滑方法对多尺度正方形像素集合进行加权处理的技术方案，继承传 统LBP方法的优势，克服其劣势，新的鲁棒扩展局部二值模式纹理特征对图像模糊和随机 噪声的鲁棒性显著增强，并且具有灰度尺度不变性和旋转不变性，与此同时还具有优秀的 特征鉴别力，其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，在具备这些优 点的同时，新的扩展局部二值模式特征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。
[0148] 所属领域的普通技术人员应当理解：以上所述仅为本发明的具体实