[发明专利]用于光学纹理图像和SAR图像的自适应特征提取方法

说明书

技术领域

本发明属于图像处理技术领域，特别涉及一种用于光学纹理图像和SAR图像的自适应纹理特征描述子的提取方法。

背景技术

纹理分析是纹理研究的主要内容之一，也是计算机视觉里一个重要的研究领域，有着非常广阔的应用背景。纹理特征表征了图像灰度或色彩内在空间的规律性变化或重复，作为场景结构和对象的描述子，对图像识别——不同纹理的分类等起到了重要作用。纹理分析的应用领域包括遥感图像分析(Remotely-sensed Image Analysis)、医学图像分析(Medical Image Analysis)、工业表面检测(Industrial Surface Inspection)、文档处理(Document Processing)和图像检索等领域。

LBP(Local Binary Pattern局部二值模式)描述子是纹理描述的一个强有力的手段，具有灰度不变性和旋转不变性，且计算复杂度低。它是一种点样本估计方法，通过对以某个像素为中心的3×3邻域点以该像素点的值为阈值求该像素的标号，再将标号以2的幂为权重求加权和作为该像素的标号，最后求得标号直方图作为图像的纹理描述子。近年来，LBP特征因其简单和实用等优点在纹理和人脸识别等研究领域得到了越来越广泛的关注。目前已提出了许多LBP的优化算法，包括CSLBP(中心对称LBP)，ILBP(改进LBP)，ELBP(扩展LBP)以及BLBP(贝叶斯LBP)。这些纹理描述子在各种应用中都得到了很大成功。也有一些对LBP进行许多优化处理的工作，如利用PCA(主成分分析法)、LDA(线性判别法)等对SIFT(尺度不变特征变换)或SURF(快速鲁棒特征)等原始描述子进行降维处理，或者改变选取关键点的方式，如Michael在近期提出的BRIEF(鲁棒独立二进制特征)，它对关键点的选取进行随机采样，将图像块表示为二进制比特串的特征描述子，加快计算速度的同时减少了存储空间。

但是，普通LBP特征及其相关扩展特征采样固定性不足，在用于光学纹理图像和SAR图像(合成孔径雷达获取的遥感影像)分类时效果尚不理想。

发明内容

本发明目的在于解决普通LBP特征及其相关扩展特征采样固定性的不足，提出了用于光学纹理图像和SAR图像分类的自适应纹理特征描述子，对这两类数据集有较好的分类效果。

本发明的技术方案为一种用于光学纹理图像和SAR图像的自适应特征提取方法，包括以下步骤：

步骤1，利用训练集中的部分训练图像学习采样分布，得到采样位置矩阵G；学习采样分布的实现包括以下步骤：

a)设训练集中包括M幅训练图像Tk，k的取值为1，2，...M，训练图像Tk的大小为N×N；对像素p_r进行采样时，以像素p_r为中心点的图像块P_r大小为s×s，r的取值为1，2，...(N-s+1)×(N-s+1)，图像块P_r内共有s²个点，以中心点p_r为起点，按照从内到外、从上到下的顺时针螺旋方式标号为0，1，2，...，2m，m＝(s×s-1)/2；设k＝1；设r＝1，初始的采样分布为标准的高斯分布Gaussian(0，1)，设初始的采样分布为当前的采样分布，将采样分布的原始范围[-m，m]记作[0，2m]；

b)将当前的采样分布的零点对应训练图像Tk的图像块P_r的中心点，离采样分布中零点近的点对应训练图像Tk的图像块P_r内离中心点近的点；

c)在当前的采样分布的范围[0，2m]内2m+1个点中，随机采样出n个点[l₁，l₂，...，l_n]，对应地采样训练图像Tk的图像块P_r中标号为[l₁，l₂，...，l_n]的n个点作为第k次采样所得的关键点，将标号l₁，l₂，...，l_n保存到采样位置矩阵G的第r行；

d)求步骤c所得关键点的像素值分别与图像块P_r中心点的像素值之间差值的绝对值，并按从小到大的顺序排列，将绝对值小的关键点在当前的采样分布中的纵坐标点数增加，将绝对值大的关键点在当前的采样分布中的纵坐标点数减少，增加的纵坐标总点数和减少的纵坐标总点数相等，形成一个新的采样分布；