[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

说明书

本发明公开了一种细化局部模式的纹理图像分类方法及系统，该方法包括：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；提取平滑纹理图像的幅值细化局部符号二值模式MRLBP_S，提取平滑纹理图像的中心细化局部幅值二值模式CRLBP_M，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，级联多个采样半径下的特征直方图MCRLBP，建立多尺度直方图特征表示，进而得到训练结果；本发明有效避免每幅图像中相似但属于不同类别的局部邻域具有相同的特征标签；能够有效捕获局部像素间的纹理细节，不仅具有旋转，光照和尺度鲁棒性，而且能在具有低特征维度的同时获得较高分类性能。

技术领域

本发明涉及图像处理和模式识别技术领域，具体涉及一种基于细化局部模式的纹理图像分类方法及系统。

背景技术

纹理分析在计算机视觉和模式识别中起着至关重要的作用。通过分析纹理，可以开发许多应用程序，例如，纹理分类，人脸识别，对象识别和基于内容的图像检索等。其中，纹理分类作为纹理分析的主要任务之一，也受到了广泛的关注。在纹理分类中，良好的特征表示不仅需要高度区分不同类别的纹理，而且需要对各种图像变换(例如旋转，照明，比例尺和视点变化)具有鲁棒性。但由于自然图像的复杂多样性以及成像过程中光照和噪声的干扰，使得提取具有高度区分性和鲁棒性的纹理特征成为一个具有挑战性的问题。

在过去的几十年间，已经研发了众多用于纹理图像特征提取的方法。所有方法的共同目的都是在提取强大的纹理特征的同时保持较低的计算复杂度。其中，Ojala等人于2002年提出的局部二值模式(LBP)已成为最著名和研究最广泛的纹理描述符之一。但由于LBP仅对差分矢量的符号信息进行编码，因此存在一些明显的缺点，包括：1)对噪声、尺度以及像素值的轻微波动敏感。2)不能有效反映局部邻域像素间的差分幅值；3)忽略非均匀模式的重要信息；4)没有将局部结构和全局图像信息之间的关系融入特征编码中。为了克服这些缺点和增强LBP的分类性能，众多基于LBP的改进算法被提出。虽然LBP的改进算法已经产生了良好的纹理分类性能，但是它们却无法有效地描述和区分具有相同特征标签的弱局部模式与强局部模式。

发明内容

发明目的：为了克服现有技术的不足，本发明提供一种基于细化局部模式的纹理图像分类方法，该方法可以解决传统局部二值模式及其扩展方法无法有效地描述和区分纹理图像中具有相同特征标签的弱局部模式与强局部模式的问题，即解决不同的局部邻域拥有相同的特征标签的问题，本发明还提供一种细化局部模式的纹理图像分类系统。

技术方案：一方面，本发明所述的细化局部模式的纹理图像分类方法，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；

(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；

(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；

(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。

进一步的，包括：

所述步骤(2)中，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；