[发明专利]一种基于完备局部特征的纹理识别方法

摘要

本发明实施例公开了一种基于完备局部特征的纹理识别方法，属于模式识别技术领域。所述方法包括以下步骤：计算训练灰度纹理图像的幅值直方图h_m、符号直方图h_s和中心编码直方图h_c；基于所述直方图形成纹理识别特征向量，利用支持向量机进行训练，得到纹理识别分类模型；获取测试灰度纹理图像的纹理识别特征向量，输入至纹理识别分类模型，得到纹理识别结果。本发明通过利用变换矩阵对灰度纹理图像进行处理，达到自适应环境的目的，从而提高纹理识别的鲁棒性。

主权项

1.一种基于完备局部特征的纹理识别方法，其特征在于，该方法包括以下步骤：步骤S1，计算训练灰度纹理图像的局部特征转化幅值k，并为所述局部特征转化幅值k学习得到幅值变换矩阵T_m，利用所述幅值变换矩阵T_m对于所述局部特征转化幅值k进行变换得到局部特征幅值g，利用所述局部特征幅值g形成局部特征幅值直方图h_m；步骤S2，计算所述训练灰度纹理图像的局部差值幅值f，并为所述局部差值幅值f学习得到符号变换矩阵T_s,利用所述符号变换矩阵T_s对于所述局部差值幅值f进行变换得到符号幅值r，利用所述符号幅值r形成符号直方图h_s；步骤S3，在所述训练灰度纹理图像中，计算每个像素点周围N×N局部区域的像素平均值C_L和整个训练灰度纹理图像的像素平均值C_I，得到每个像素的局部特征中心编码，然后基于每个像素的局部特征中心编码形成中心编码直方图h_c；步骤S4，基于所述局部特征幅值直方图h_m、符号直方图h_s和中心编码直方图h_c形成所述训练灰度纹理图像的纹理识别特征向量；步骤S5，基于所述纹理识别特征向量，利用支持向量机进行训练，得到纹理识别分类模型；步骤S6，按照所述步骤S1‑S4获取测试灰度纹理图像的纹理识别特征向量，输入至所述纹理识别分类模型得到纹理识别结果；所述步骤S1中，利用下式计算所述局部特征转化幅值k：k＝[k₀,...,k_p,...,k_P‑1]^T＝[|x₀‑x_c|‑c,...,|x_p‑x_c|‑c,...,|x_P‑1‑x_c|‑c]^T，其中，x_c为所述训练灰度纹理图像局部区域(R,P)中心像素点的像素值，R为中心像素点到周围像素点的距离，P为到中心像素点距离为R的圆周上采样像素点的个数，x_p(p＝0,1,…,P‑1)为中心像素点周围第p个像素点的像素值，c为所述训练灰度纹理图像中所有差值|x_p‑x_c|的平均值；通过下式学习得到所述局部特征转化幅值k的幅值变换矩阵T_m：g＝T_m·k，其中，g表示利用幅值变换矩阵T_m对局部特征转化幅值k进行变换得到的局部特征幅值；所述步骤S2中，利用下式计算所述训练灰度纹理图像的局部差值幅值f：f＝[f₀,...,f_p,...,f_P‑1]^T＝[x₀‑x_c,...,x_p‑x_c,...,x_P‑1‑x_c]^T，其中，x_c为所述训练灰度纹理图像局部区域(R,P)中心像素点的像素值，R为中心像素点到周围像素点的距离，P为到中心像素点距离为R的圆周上采样像素点的个数，x_p(p＝0,1,…,P‑1)为中心像素点周围第p个像素点的像素值；通过下式学习得到所述局部差值幅值f的符号变换矩阵T_s：r＝T_s·f，其中，r表示利用符号变换矩阵T_s对局部差值幅值f进行变换得到的符号幅值；所述步骤S3中，利用下式计算每个像素的局部特征中心编码：θ(C_L‑C_I)，其中