[发明专利]一种基于多尺度阈值的CLBP纹理图像处理方法

说明书

本发明公开了一种基于多尺度阈值的CLBP纹理图像处理方法。其方法包括以下步骤：在训练阶段和测试阶段，其中训练阶段训练好KNN分类器；在测试阶段，对输入的测试纹理图像数据集做类似操作，通过基于多尺度阈值的CLBP操作提取到特征后，将其输入到训练好的KNN分类器中，输出测试纹理图像的图像标签。根据本发明实施例的方法，通过一种基于多尺度阈值的CLBP方法，使提取的纹理特征同时包含了纹理图像局部区域和全局信息，特征提取的纹理信息更加全面，从而提高了分类准确性。

技术领域

本发明涉及纹理图像分类技术，特别涉及一种基于多尺度阈值的CLBP纹理图像处理方法。

背景技术

纹理是几乎所有自然表面的固有特征，包含了图像表面结构的重要信息。纹理分类作为图像处理、模式识别、计算机识别等相关领域的一个基本问题，在织物检测、基于内容的图像检索、遥感和医学图像分析等领域具有非常广泛的应用。

真实世界的纹理图像可能在各种光照环境和姿态角度上拍摄，因此，一个好的纹理分类方法通常需要能够处理灰度、旋转和尺度的变化。自20世纪60年代以来，研究者提出了各种各样的纹理分类方法来解决这些问题，其大致可以分为五大类：基于统计的、基于几何的、基于结构的、基于模型的以及基于信号处理的纹理分类方法。实际上，基于统计的、基于模型的和基于信号处理的方法是最为通用的。基于统计的纹理分类方法通常采用纹理图像的统计特征来描述纹理。而在基于模型的纹理分类方法通常将纹理图像建模为一个概率模型或一系列基本函数的线性组合，如自回归模型和正交多项式模式。基于信号处理的纹理分类方法也被称为滤波器方法，其使用滤波器来分析纹理图像，如傅里叶滤波器、Gabor滤波器、小波滤波器和空间滤波器等。

局部二值模式(Local Binary Pattern,LBP)方法是最为成功的基于统计的纹理分类方法之一，由于其具有算法易于实现，在执行分类任务时不需要进行预训练，对单调的光照变化具有不变性且计算复杂度较低等突出优势，因此LBP在图像处理和计算机视觉领域得到了越来越广泛的关注。2010年，提出的完整LBP(Completed LBP,CLBP)给出了局部二值模式的一种完整建模，其将纹理图像的局部特征用中心像素、局部差分符号和局部差分大小来表示，并采用融合特征来作为最终的纹理图像特征。

然而，在传统的CLBP中，局部差分的符号编码方案中的阈值为单点像素值，只描述了图像的像素级差异，得到的特征过于局部，而缺乏了对图像区域或全局信息的表达，此外单点像素的阈值方案易受到图像变换的干扰，导致特征的稳定性较差；而其他两个分量却采用全局阈值，丢失了特征的细节和区域信息。因此，CLBP的阈值方案对图像特征的描述性并不全面，因此其分类结果并不准确。

发明内容

本发明的目的是解决上述方法的技术缺陷，以获得更加全面的纹理信息表达。提出一种基于多尺度阈值的CLBP纹理图像处理方法。

本发明的技术方案是：一种基于多尺度阈值的CLBP纹理图像处理方法，包括在训练阶段和测试阶段，

所述的训练阶段包括以下步骤：

步骤1-1、输入待训练的纹理图像数据集；

步骤1-2、对待训练的纹理图像数据集进行图像的标准化；

步骤1-3、对待训练的纹理图像进行分层多尺度区域划分，分别求出每个划分层的分区域均值，通过对所有多尺度阈值层求和并取平均，得到最后的多尺度阈值；

步骤1-4、根据多尺度阈值方案求取纹理图像多尺度阈值，基于多尺度阈值，提出基于多尺度阈值的CLBP特征，将CLBP的三个特征分量，通过融合和拼接的方式形成最终的联合特征直方图，得到训练纹理的图像特征；

步骤1-5、将训练纹理图像特征和对应标签输入KNN分类器，训练KNN分类器；

步骤1-6、输出训练好的KNN分类器；