向+東++陳+宇++陳廣勝

摘要：針對(duì)傳統(tǒng)木材紋理分類(lèi)的準(zhǔn)確率低且難度大的問(wèn)題，依據(jù)LBP（局部二值）算子和AD-ABOOST（自適應(yīng)增強(qiáng)）算法理論，提出了LBP-ADABOOST模型對(duì)木材紋理進(jìn)行識(shí)別分類(lèi)，通過(guò)均勻旋轉(zhuǎn)不變特性與原始LBP算子相融合，提取紋理的特征值，結(jié)合自適應(yīng)增強(qiáng)算法，從而訓(xùn)練得到每類(lèi)紋理所對(duì)應(yīng)的分類(lèi)器模型參數(shù)，構(gòu)造分類(lèi)器，實(shí)現(xiàn)對(duì)木材紋理準(zhǔn)確高效分類(lèi)，實(shí)驗(yàn)結(jié)果表明相比于BP神經(jīng)網(wǎng)絡(luò)，SVM支持向量機(jī)等分類(lèi)算法，該模型的實(shí)驗(yàn)結(jié)果誤差率為4%左右，準(zhǔn)確率高，實(shí)用性強(qiáng)，

關(guān)鍵詞：木材紋理分類(lèi)；LBP算子；ADABOOST算法；分類(lèi)器

DOI：IO.15938/j.jhust.2015.02.011

中圖分類(lèi)號(hào)：TP391.4

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1007-2683（2015）02-0057-06

0 引 言

木材紋理分類(lèi)是木材優(yōu)化利用過(guò)程的重要部分，木材紋理結(jié)構(gòu)精細(xì)復(fù)雜、無(wú)規(guī)律的天然屬性，使得紋理分類(lèi)一直是木材學(xué)的前沿課題.針對(duì)不同的研究，國(guó)內(nèi)外學(xué)者提出了不同的特征提取及紋理分類(lèi)算法，非負(fù)矩陣分解，灰度共生矩陣法，馬爾可夫隨機(jī)場(chǎng)，尺度不變特征變換法等存特征提取方面取得了一定的突破，而常用的分類(lèi)算法有BP神經(jīng)網(wǎng)絡(luò)，SVM支持向量機(jī)，決策樹(shù)，極限學(xué)習(xí)機(jī)等.大多紋理分類(lèi)模型基于以上算法的結(jié)合，且取得了一定的成果，此外，我國(guó)對(duì)于木材紋理分類(lèi)的研究起步較晚，初期主要是對(duì)國(guó)外的經(jīng)驗(yàn)總結(jié)，優(yōu)化傳統(tǒng)的分類(lèi)算法，現(xiàn)階段我國(guó)的紋理分類(lèi)技術(shù)發(fā)展較好，但也存在一定缺陷，主要由于實(shí)際應(yīng)用的訓(xùn)練樣本在個(gè)體之間存在著差異，導(dǎo)致分類(lèi)算法對(duì)分類(lèi)結(jié)果的差異性較大.如何提高木材紋理分類(lèi)的準(zhǔn)確性至關(guān)重要，也將是本文的重點(diǎn).

近些年，一種簡(jiǎn)單高效的紋理特征分析方法——局部二值模式（logical binary pattern，LBP）成為了眾多學(xué)者研究的對(duì)象，在描述、提取局部紋理特征方面取得了很好的效果.此外，Adaboost自適應(yīng)增強(qiáng)算法是通過(guò)訓(xùn)練樣本特征得到弱分類(lèi)器，對(duì)弱分類(lèi)器的線(xiàn)性組合得到最終的強(qiáng)分類(lèi)器，進(jìn)行分類(lèi)學(xué)習(xí)，其在機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘方面應(yīng)用較廣.基于以上表述，本文采用LBP與ADABOOST的融合嘗試進(jìn)行木材紋理分類(lèi)，且這種分類(lèi)算法在木材紋理分類(lèi)方面應(yīng)用極少.經(jīng)實(shí)驗(yàn)，本文提出的基于LBP-ADABOOST模型的木材紋理分類(lèi)算法達(dá)到預(yù)期目的，并且正確率明顯高于BP神經(jīng)網(wǎng)絡(luò)，SVM支持向量機(jī)，不失為木材紋理分類(lèi)提供一種有效方法.

1 特征提取

局部二值模式（logical binary pattern，LBP）最早是由Ojala等在1996年提出，是一種描述圖像局部紋理特征的算子，原始的LBP算子定義為在3×3的窗體內(nèi)，以窗體中心像素為閾值，與相鄰的8個(gè)像素的灰度值比較，若周?chē)袼刂荡笥谥行南袼刂?，則該像素點(diǎn)的位置被標(biāo)記為1，反之為0.這樣，3×3領(lǐng)域內(nèi)的8個(gè)點(diǎn)可產(chǎn)生8bit的無(wú)符號(hào)數(shù)，即得到該窗體的LBP值，并用這個(gè)值來(lái)反映該區(qū)域的紋理信息，如圖l所示：

隨著LBP算子在圖像中的應(yīng)用，擴(kuò)展定義一個(gè)半徑為R（R>O）的圓形鄰域，B（B>O）個(gè)鄰域像素點(diǎn)均勻分布在圓周上面.設(shè)定該鄰域中心像素值是C，則C可用該鄰域內(nèi)的B+1個(gè)像素的函數(shù)來(lái)定義，即其中：gc為中心像素值；g0，g1，gb-1為B個(gè)鄰域像素值.中心像素的坐標(biāo)是（Xc，Yc），則其鄰域坐標(biāo)（Xi，Yi）為：

當(dāng)坐標(biāo)（Xi，Yi）不在中心，通過(guò)雙線(xiàn)性?xún)?nèi)插法，將鄰域的像素值減去中心的像素值計(jì)算得到局部的紋理特征像素值C：

假定在實(shí)際情況中中心像素值與鄰域像素值的差值g0-gc，gb-1-gc獨(dú)立于gc，則（3）可表示為：

由于c（g。）代表的是中心點(diǎn)的像素值，與圖像的局部紋理特征無(wú)必然聯(lián)系，故可以忽略不計(jì)，得到：

上式（5）中的像素差值描述了每個(gè)紋理模式，若紋理不受像素值單調(diào)變化，只須考慮差值符號(hào)即可：

由此可以得到一個(gè)B為二進(jìn)制數(shù)，乘以相應(yīng)的權(quán)重2i求和得到LBP特征值：

原始LBP算子是灰度不變的，但不是旋轉(zhuǎn)不變的，圖像經(jīng)過(guò)旋轉(zhuǎn)后可得到不同的LBP值.為了便于描述圖像信息，針對(duì)圖像旋轉(zhuǎn)之后還可以得到相同的LBP值，Maenpaa等人提出具有旋轉(zhuǎn)不變的LBP算子（rotation invariant LBP），不斷旋轉(zhuǎn)圓形鄰域得到LBP值，取其最小的作為鄰域的LBP值，表述如下式：其中ROI（x，i）是旋轉(zhuǎn)函數(shù)，表示將x的二進(jìn)制數(shù)按位循環(huán)右移i次，

但隨著鄰域采點(diǎn)集數(shù)的增加，二進(jìn)制模式的種類(lèi)急劇增加，達(dá)到2B個(gè)，這種數(shù)量無(wú)論是對(duì)紋理特征的提取，紋理的分類(lèi)都是不利的.針對(duì)二進(jìn)制模式的降維問(wèn)題，Ojala提出一種均勻模式（uniform pat-tern）.均勻模式即根據(jù)編碼模式出現(xiàn)頻率的高低，在圓形二進(jìn)制編碼中，至多有兩個(gè)0到1或1到0的變化，表示如下：

上式的結(jié)果滿(mǎn)足U≤2的模式時(shí)稱(chēng)為均勻模式，用LBP表示，通過(guò)改進(jìn)，二進(jìn)制的模式減少，且不會(huì)丟失信息，使得原來(lái)2B種減少到B（B-1）+2種，降低了特征矩陣的維數(shù).

基于以上兩種性質(zhì)的優(yōu)越性，可以將LBP的旋轉(zhuǎn)不變性與均勻模式結(jié)合得到更好的效果，稱(chēng)為旋轉(zhuǎn)不變均勻模式用符號(hào)LBPriu2表示，定義如下：其中：U（LBPb，r）的計(jì)算方法是（10）的表述，該模式下不儀保留了圖像的紋理特征，而且鄰域二進(jìn)制編碼的種類(lèi)降到了B+2種，大幅減少了特征總量，本文采用了旋轉(zhuǎn)不變均勻模式LBP算子提取特征值，并對(duì)比了幾種模式下不同分布情況，如圖2所示.可以看出LBP算子在均勻旋轉(zhuǎn)不變模式下的特征維數(shù)相對(duì)較少，同時(shí)保留了圖像信息，效果最佳，

2 算法原理

1995年SChapire和Freund提出的Adaboost算法，相對(duì)于Boosting算法，其自適應(yīng)在于：前一個(gè)分類(lèi)器分錯(cuò)的樣本會(huì)被用來(lái)訓(xùn)練下一個(gè)分類(lèi)器.Asaboost算法訓(xùn)練弱分類(lèi)器的錯(cuò)誤率相對(duì)較大，但是只要它的分類(lèi)效果比隨機(jī)猜測(cè)效果要好即可接受，通過(guò)對(duì)弱分類(lèi)器的線(xiàn)性組合得到最終的強(qiáng)分類(lèi)器.同時(shí)，Adaboost算法也是一種迭代算法，它允許在每一輪的訓(xùn)練中加入一個(gè)新的弱分類(lèi)器，直到達(dá)到某個(gè)預(yù)定足夠小的錯(cuò)誤率.每次訓(xùn)練樣本都被賦予一個(gè)權(quán)重，表明它被某個(gè)分類(lèi)器選人訓(xùn)練集的概率，如果某個(gè)樣本特征已經(jīng)被準(zhǔn)確的分類(lèi)，那么存構(gòu)造下一個(gè)分類(lèi)器的時(shí)候，它再次被選人訓(xùn)練集的概率會(huì)被降低；相反，若沒(méi)有準(zhǔn)確的分類(lèi)，那么他的權(quán)重就會(huì)得到提高，選人下一個(gè)分類(lèi)器訓(xùn)練集的慨率增大.通過(guò)上述迭代過(guò)程，Adaboost算法主要將聚焦那些較“困難”的分類(lèi)樣本上面.