[发明专利]一种基于细化局部模式的纹理图像分类方法及系统有效
| 申请号： | 202011353903.X | 申请日： | 2020-11-27 |
| 公开（公告）号： | CN112488123B | 公开（公告）日： | 2022-11-29 |
| 发明（设计）人： | 潘慧;束鑫;潘磊;张明;史金龙 | 申请（专利权）人： | 江苏科技大学 |
| 主分类号： | G06V10/40 | 分类号： | G06V10/40;G06V10/50;G06V10/774;G06V10/764 |
| 代理公司： | 南京苏高专利商标事务所(普通合伙) 32204 | 代理人： | 王恒静 |
| 地址： | 212008 *** | 国省代码： | 江苏;32 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 一种 基于 细化 局部 模式 纹理 图像 分类 方法 系统 | ||
1.一种基于细化局部模式的纹理图像分类方法，其特征在于，包括：
(1)根据选择的采样半径对数据集中的每幅纹理图像进行高斯滤波，得到对应半径下的平滑纹理图像；
(2)提取所述平滑纹理图像的幅值细化局部符号二值模式MRLBP_S，即根据整幅图像中局部邻域的幅值信息，为图像中具有相同差分符号的局部邻域分配具有强弱对比差异的特征标签，即划分为弱对比局部模式和强对比局部模式；
提取所述平滑纹理图像的幅值细化局部符号二值模式MRLBP_S，包括：
(21)提取所述平滑纹理图像的局部符号模式LBP_S；
提取局部符号模式LBP_S包括：
(211)将所述平滑纹理图像局部邻域内的采样点和中心点阈值化操作；
(212)表示出大于等于中心点对应值的采样点的二值序列对应的描述子，即LBP_S描述为：
其中，l为给定的中心像素，l＝1,2,…,L，L是整个图像局部中心点的总数，gc是中心像素的灰度值，gp是均匀分布在半径为R的圆上的邻域像素的灰度值，P是邻域采样点的个数；
(22)采用扩展编码方案编码所述平滑纹理图像的局部符号模式LBP_S，扩展编码后的局部符号模式表示为LBP_SEC；
LBP_SEC表示为：
其中，U是均匀度量函数，其表示循环二进制序列中0到1之间的状态转换数，LBP_S为局部符号模式的描述，P是邻域采样点的个数，gc是中心像素的灰度值，gp是均匀分布在半径为R的圆上的邻域像素的灰度值，
所述均匀度量函数U表示为：
其中，g0为起始像素点的灰度值，gp-1为p点前一个像素点的灰度值；
(23)根据全局幅值信息细化LBP_SEC，以提取所述平滑纹理图像的幅值细化局部符号二值模式MRLBP_S；
提取所述平滑纹理图像的幅值细化局部符号二值模式MRLBP_S，包括：
(231)计算图像中每个局部邻域内邻域点和中心点的差分幅值mp＝|(gp-gc)|，得到该局部邻域的幅值均值其作为该局部邻域的幅值强度；
(232)将整幅图像中所有的局部邻域的幅值均值降序排列，描述为：
(233)将排序幅值序列α划分为T等间隔段，并为每个间隔计算一个幅值锚点描述为：
其中，是下限函数，T为锚点的数量，是第t个幅值锚点，t＝1,…,T，gc是中心像素的灰度值，gp是均匀分布在半径为R的圆上的邻域像素的灰度值，P是邻域采样点的个数；
(234)将整幅图像中局部邻域的幅值均值与每个幅值锚点进行比较，由此将图像中具有相同LBP_SEC特征标签的局部邻域分散到T+1种子标签中，并将得到的描述符作为幅值细化局部符号二值模式MRLBP_S，描述为：
其中，l＝1,2,…,L，L是整个图像局部中心点的总数；
(3)提取所述平滑纹理图像的中心细化局部幅值二值模式CRLBP_M，即根据整幅图像中局部邻域的中心灰度值信息，为图像中具有相同差分幅值的局部邻域分配具有强弱灰度差异的特征标签，即划分为弱灰度局部模式和强灰度局部模式；
提取所述平滑纹理图像的中心细化局部幅值二值模式CRLBP_M，包括：
(31)提取所述平滑纹理图像的局部幅值模式LBP_M，其为将图像局部邻域内的采样点和中心点的差分幅值与局部邻域幅值均值阈值化操作后，大于等于幅值均值的差分幅值的二值序列对应的描述子；
(32)采用扩展编码方案编码所述平滑纹理图像的局部幅值模式LBP_M，扩展编码后的局部幅值模式表示为LBP_MEC；
(33)将整幅图像中所有局部邻域内的中心灰度值降序排列；
(34)将排序中心灰度值序列分为T等间隔段，并为每个间隔计算一个中心灰度值锚点
(35)将整幅图像中局部邻域的中心灰度值与每个中心灰度值锚点进行比较，由此将图像中具有相同LBP_MEC特征标签的局部邻域分散到T+1种子标签中，并将得到的描述符作为中心细化局部幅值二值模式CRLBP_M；
所述中心细化局部幅值二值模式CRLBP_M描述为：
其中，P是邻域采样点的个数，l＝1,2,…,L，L是整个图像局部中心点的总数；
(4)将每个纹理图像下的MRLBP_S和CRLBP_M的特征直方图连接，以建立每幅图像的单尺度特征直方图MCRLBP；
建立每幅图像的单尺度特征直方图MCRLBP，包括：
(41)构造每幅图像MRLBP_S的特征直方图，表示为：
(42)构造每幅图像CRLBP_M的特征直方图，表示为：
(43)将MRLBP_S和CRLBP_M的特征直方图连接，以建立每幅图像的MCRLBP直方图，表示为：
HMCRLBP＝[HMRLBP_S,HCRLBP_M]
其中，HMRLBP_S和HCRLBP_M的特征维均为(T+1)(2P-1)，因而，特征直方图HMCRLBP的维度为2(T+1)(2P-1)，l＝1,2,…,L，L是整个图像局部中心点的总数；
(5)级联多个采样半径下的所述特征直方图MCRLBP，从而建立多尺度直方图特征表示，用于分类训练，进而得到训练结果。
2.一种基于细化局部模式的纹理图像分类系统，其特征在于，包括：
图像预处理模块，用于根据选择的采样半径对数据集中的每幅纹理图像进行高斯滤波，得到对应半径下的平滑纹理图像；
第一特征提取模块，用于提取所述平滑纹理图像的幅值细化局部符号二值模式MRLBP_S，即根据整幅图像中局部邻域的幅值信息，为图像中具有相同差分符号的局部邻域分配具有强弱对比差异的特征标签，即划分为弱对比局部模式和强对比局部模式；
提取所述平滑纹理图像的幅值细化局部符号二值模式MRLBP_S，包括：
(21)提取所述平滑纹理图像的局部符号模式LBP_S；
提取局部符号模式LBP_S包括：
(211)将所述平滑纹理图像局部邻域内的采样点和中心点阈值化操作；
(212)表示出大于等于中心点对应值的采样点的二值序列对应的描述子，即LBP_S描述为：
其中，l为给定的中心像素，l＝1,2,…,L，L是整个图像局部中心点的总数，gc是中心像素的灰度值，gp是均匀分布在半径为R的圆上的邻域像素的灰度值，P是邻域采样点的个数；
(22)采用扩展编码方案编码所述平滑纹理图像的局部符号模式LBP_S，扩展编码后的局部符号模式表示为LBP_SEC；
LBP_SEC表示为：
其中，U是均匀度量函数，其表示循环二进制序列中0到1之间的状态转换数，LBP_S为局部符号模式的描述，P是邻域采样点的个数，gc是中心像素的灰度值，gp是均匀分布在半径为R的圆上的邻域像素的灰度值，
所述均匀度量函数U表示为：
其中，g0为起始像素点的灰度值，gp-1为p点前一个像素点的灰度值；
(23)根据全局幅值信息细化LBP_SEC，以提取所述平滑纹理图像的幅值细化局部符号二值模式MRLBP_S；
提取所述平滑纹理图像的幅值细化局部符号二值模式MRLBP_S，包括：
(231)计算图像中每个局部邻域内邻域点和中心点的差分幅值mp＝|(gp-gc)|，得到该局部邻域的幅值均值其作为该局部邻域的幅值强度；
(232)将整幅图像中所有的局部邻域的幅值均值ml降序排列，描述为：
(233)将排序幅值序列α划分为T等间隔段，并为每个间隔计算一个幅值锚点描述为：
其中，是下限函数，T为锚点的数量，是第t个幅值锚点，t＝1,…,T，gc是中心像素的灰度值，gp是均匀分布在半径为R的圆上的邻域像素的灰度值，P是邻域采样点的个数；
(234)将整幅图像中局部邻域的幅值均值与每个幅值锚点进行比较，由此将图像中具有相同LBP_SEC特征标签的局部邻域分散到T+1种子标签中，并将得到的描述符作为幅值细化局部符号二值模式MRLBP_S，描述为：
其中，l＝1,2,…,L，L是整个图像局部中心点的总数；
第二特征提取模块，用于提取所述平滑纹理图像的中心细化局部幅值二值模式CRLBP_M，即根据整幅图像中局部邻域的中心灰度值信息，为图像中具有相同差分幅值的局部邻域分配具有强弱灰度差异的特征标签，即划分为弱灰度局部模式和强灰度局部模式；
提取所述平滑纹理图像的中心细化局部幅值二值模式CRLBP_M，包括：
(31)提取所述平滑纹理图像的局部幅值模式LBP_M，其为将图像局部邻域内的采样点和中心点的差分幅值与局部邻域幅值均值阈值化操作后，大于等于幅值均值的差分幅值的二值序列对应的描述子；
(32)采用扩展编码方案编码所述平滑纹理图像的局部幅值模式LBP_M，扩展编码后的局部幅值模式表示为LBP_MEC；
(33)将整幅图像中所有局部邻域内的中心灰度值降序排列；
(34)将排序中心灰度值序列分为T等间隔段，并为每个间隔计算一个中心灰度值锚点
(35)将整幅图像中局部邻域的中心灰度值与每个中心灰度值锚点进行比较，由此将图像中具有相同LBP_MEC特征标签的局部邻域分散到T+1种子标签中，并将得到的描述符作为中心细化局部幅值二值模式CRLBP_M；
所述中心细化局部幅值二值模式CRLBP_M描述为：
其中，P是邻域采样点的个数，l＝1,2,…,L，L是整个图像局部中心点的总数；
特征级联模块，用于将每个纹理图像下的MRLBP_S和CRLBP_M的特征直方图连接，以建立每幅图像的单尺度特征直方图MCRLBP；
建立每幅图像的单尺度特征直方图MCRLBP，包括：
(41)构造每幅图像MRLBP_S的特征直方图，表示为：
(42)构造每幅图像CRLBP_M的特征直方图，表示为：
(43)将MRLBP_S和CRLBP_M的特征直方图连接，以建立每幅图像的MCRLBP直方图，表示为：
HMCRLBP＝[HMRLBP_S,HCRLBP_M]
其中，HMRLBP_S和HCRLBP_M的特征维均为(T+1)(2P-1)，因而，特征直方图HMCRLBP的维度为2(T+1)(2P-1)，l＝1,2,…,L，L是整个图像局部中心点的总数；
分类模块，用于级联多个采样半径下的所述特征直方图MCRLBP，从而建立多尺度直方图特征表示，用于分类训练，进而得到训练结果。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于江苏科技大学，未经江苏科技大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/202011353903.X/1.html，转载请声明来源钻瓜专利网。
