[发明专利]基于局部二值模式和Zernike矩的纹理图像分类方法及系统

说明书

技术领域

本发明涉及图像识别技术领域，特别涉及一种基于局部二值模式和Zernike矩的纹理图像分类方法及系统。

背景技术

纹理分类是图像处理与模式识别中的热门课题之一，在目标的跟踪、识别、遥感以及基于相似性的检索等应用领域中起着至关重要的作用。

由于纹理表观的非一致性、光照变化和多变性等原因，直接分析实物的纹理非常困难。早期阶段，研究者主要利用统计特征分类纹理图像，其中共生矩阵统计方法是最早用来描述纹理特征的方法。

上世纪九十年代，Gabor小波作为纹理分析的重要工具之一，尽管这些方法都获得了优秀的表现，但是一般情况下都是基于如下的假设下完成的，即训练样本与测试样本具有相同或相近的方向，或者从相同的视角捕获等。但是在实际应用中，这种假设很难得到保证。基于认知理论和实际的经验，人们惊奇的发现，不管纹理图像如何旋转，人类都可以将其进行准确地分类，由此可见，旋转不变量纹理分析无论在理论研究还是实际应用中都有重要的需求和意义。

人们逐渐开始关注旋转不变量纹理分析，其中圆形自回归模型被最先用于研究旋转不变量纹理分类的方法。随后还出现了隐马尔可夫、小波分析、分型分析、仿射变换等很多被用于探索旋转不变量纹理分类的有效工具。

LBP(local binary pattern)是公认的高效纹理分析工具之一，并且具有旋转不变的属性。该工具利用中心像素与近邻像素之间灰度差异的统计信息来描述图像的纹理特征，但是现有的LBP纹理描述只考虑了这种差异变化的现象，即，近邻像素比中心像素高，就设为1，反之，就设为0，究竟变化多少则不做关注，并且对于图像的方向信息也没有加以考虑。

现有方法中LBP虽然在纹理图像分类中有很好的表现，但是它只描述了图像局部灰度值的差异，却缺乏图像整体的形状和空间表示，因此，对问题图像的描述不够全面，且其分类结果不够准确。

发明内容

本发明的目的旨在至少解决上述的技术缺陷之一。

为此，本发明的一个目的在于提出一种基于局部二值模式和Zernike矩的纹理图像分类方法。

本发明的另一目的在于提出一种基于局部二值模式和Zernike矩的纹理图像分类系统。

为达到上述目的，本发明一方面的实施例提出一种基于局部二值模式和Zernike矩的纹理图像分类方法，包括以下步骤：

输入待分类的纹理图像；分别根据局部二值模式和Zernike矩提取所述待分类纹理图像和训练纹理图像的局部二值模式旋转不变量纹理特征和Zernike矩旋转不变量形状特征，其中，所述局部二值模式旋转不变量纹理特征包括信号旋转不变量纹理特征、幅值旋转不变量纹理特征和方向旋转不变量纹理特征；将所述局部二值模式的信号旋转不变量纹理特征、幅值旋转不变量纹理特征和所述Zernike矩旋转不变量形状特征进行组合；根据组合结果分别计算所述待分类纹理图像与训练纹理图像的卡方距离；以及根据所述局部二值模式的方向旋转不变量纹理特征对所述待分类纹理图像与训练纹理图像的卡方距离进行修正，并选择距离最小的训练图像的所属类别作为所述待分类纹理图像的类别。

根据本发明实施例的方法，通过获得局部二值模式的旋转不变量纹理特征以及Zernike矩旋转不变量形状特征，并利用其旋转不变特性使纹理图像的纹理信息更加丰富和鲁棒，并且采用局部二值模式的方向旋转不变量纹理特征对分类器进行修正，提高了分类的准确性。

在本发明的一个实施例中，所述组合结果通过如下公式表示，所述公式为，其中，F表示组合结果，为局部二值模式信号旋转不变量纹理特征，为局部二值模式的幅值变化旋转不变量纹理特征，Z^ri为Zernike矩旋转不变量形状特征。

在本发明的一个实施例中，所述Zernike矩旋转不变量形状特征通过如下同时表示，所述公式为，其中，A_nm为Zernike矩旋转不变量形状特征，V_nm(ρ,θ)为复杂的多项式，f(x,y)为输入图像或训练图像，ρ为起始点到像素位置(x,y)处的向量的长度，θ为x轴沿逆时针方向旋转至向量ρ的角度，x和y分别为像素坐标，n为自然数。