王軍敏，李 寧，王艷輝

(平頂山學院 信息工程學院，河南 平頂山 467036)

0 引言

紋理特征是一種重要的視覺特征，對人類認知周圍的世界具有重要的作用，因此，對紋理圖像識別的研究一直是人工智能領域的研究熱點.目前，紋理圖像識別技術已經(jīng)在醫(yī)學圖像處理[1]、材料分類[2]、遙感圖像處理[3-4]、掌紋識別[5-6]、目標跟蹤[7]等領域獲得了廣泛應用.

在現(xiàn)實場景中，紋理圖像可能受到光照條件、目標旋轉、尺度變化等因素的影響，這使得紋理圖像識別變得非常困難.而傳統(tǒng)的紋理圖像識別方法，例如，灰度共生矩陣(Gray Level Co-occurrence Matrix,GLCM)方法[8]、 Gabor濾波方法[9]、VZ-MR8算法[10]、VZ-Joint算法[11]、局部二值模式(Local Binary Pattern,LBP)算法[12]等，在識別精度、實時性或尺度穩(wěn)健性等方面都存在自己的不足之處，缺乏好的綜合性能，導致這些算法在實際工程中的應用效果不佳.因此，在對紋理圖像進行識別時，必須綜合考慮算法的識別精度、實時性和尺度穩(wěn)健性等指標，從而在不同的工程應用場景中能夠實現(xiàn)快速穩(wěn)健的紋理圖像識別.

1 相關工作

Zhao等[13]提出了CLBC算法，該算法是對傳統(tǒng)LBP算法的改進，CLBC算法同時利用了局部鄰域像素與中心像素灰度差分的符號信息、幅值信息和中心像素的灰度等級信息，在計算局部編碼值時不再進行加權求和運算，而是直接將二值編碼串中“1”的個數(shù)作為局部編碼值.CLBC算法的計算公式為

(1)

和傳統(tǒng)的LBP算法相比，CLBC算法不但能提取更加豐富的紋理特征，并且顯著降低了局部編碼的計算量和最終直方圖特征向量的維數(shù)，即顯著降低了特征提取階段和特征對比階段的計算量，從而能夠同時獲得較好的識別精度和實時性.

2 本文算法

為了實現(xiàn)快速和尺度穩(wěn)健的紋理圖像識別，筆者采用如圖1所示的基本原理框架.

圖1 本文算法的基本原理框架

本文算法的具體實現(xiàn)步驟如下：

1)針對輸入的原始紋理圖像I，構造如式(2)所示的高斯濾波器g(x,y)：

(2)

其中，σ是高斯濾波器的標準差.然后，利用高斯濾波器g(x,y)對原始的紋理圖像I進行n次高斯濾波，可獲得n個濾波后圖像，則利用原始的紋理圖像I和n個高斯濾波后圖像構建一個多尺度圖像空間，用它描述原始紋理圖像I在不同尺度的底層視覺特征變化情況.其中，最佳的高斯濾波次數(shù)n和高斯濾波器的標準差σ可通過實驗確定.

2)在多尺度圖像空間中，選擇參數(shù)(P,R)=(1,8)，對每個圖像執(zhí)行CLBC算法，獲得該分辨率下每個圖像的聯(lián)合直方圖CLBC_S/M/C，并將其轉換成行向量形式，即獲得每個尺度圖像的CLBC模式特征.

3)受深度學習算法中最大池化(max-pooling)思想和SSLBP算法[14]的啟發(fā)，針對多尺度空間中n+1個圖像的CLBC直方圖行向量，跨尺度對每個直方條(bin)取最大值，可獲得一個相同維數(shù)的直方圖行向量，將其作為原始紋理圖像的CLBC最大模式特征.顯然，在不同尺度提取的CLBC模式最大值體現(xiàn)了不同尺度下的顯著特征，該特征對尺度變化具有更好的穩(wěn)健性.

4)改變參數(shù)(P,R)的值，分別選擇R=[3,5,7,9]，P總等于8，重復利用上述第2)、3)步的方法提取多個分辨率(即多個半徑R)的CLBC最大模式特征，并將這些最大模式特征進行級聯(lián)再開平方，將其作為原始紋理圖像I的最終特征描述.顯然，在多個半徑R提取CLBC特征，不但能夠獲得更加豐富的紋理特征，提高特征的鑒別能力，而且能夠進一步提高特征的尺度穩(wěn)健性.

5)利用NSC分類器[14]對紋理圖像的特征描述進行判定，獲得原始紋理圖像I的類別標簽，從而實現(xiàn)紋理圖像識別任務.具體原理如下：設一共有C類紋理，每類有n個訓練樣本，把這n個訓練樣本的特征轉換成列向量的形式，然后組成一個矩陣.

H=[h1,h2,…,hn].

(3)

對一個測試紋理樣本y，將其特征hy投影到H張成的子空間，可得投影值為

ρ=(HTH)-1HThy) .

(4)

其中，上標T表示矩陣轉置.然后，計算特征的投影殘差為

(5)

最后，將測試的紋理樣本劃分到投影殘差最小的紋理類別，獲得測試樣本的類別標簽，即

(6)

3 實驗與結果分析

3.1 紋理數(shù)據(jù)庫和實驗設置

為了評估筆者提出的紋理圖像識別方法的性能，選擇在兩個基準的紋理數(shù)據(jù)庫上開展實驗，即CUReT紋理庫和KTH-TIPS紋理庫.CUReT紋理庫含有61類紋理材料，每類有92個樣本圖像，這些樣本圖像是在不同的光照條件下拍攝的，是一個極具挑戰(zhàn)性的紋理庫.圖2列出了CUReT紋理庫的一些樣本圖像.

圖2 CUReT紋理庫的光照變化挑戰(zhàn)性

KTH-TIPS紋理庫含有10類紋理材料，每類紋理圖像分別是在3種不同的照明條件、3個不同的視角和9個不同的尺度條件下拍攝的.和CUReT紋理庫相比，KTH-TIPS紋理庫含有非常明顯的尺度變化，使得KTH-TIPS紋理庫更具挑戰(zhàn)性.圖3展示了KTH-TIPS紋理庫的一些樣本圖像.

圖3 KTH-TIPS紋理庫的尺度變化挑戰(zhàn)性

實驗設置：高斯濾波的次數(shù)n=2，高斯濾波器的標準差σ=2；對CUReT和KTH-TIPS紋理庫，從每類樣本中隨機挑選一半樣本作為訓練集，另一半樣本作為測試集，獨立重復實驗1 000次，用這 1 000次實驗結果的平均值作為最終的實驗結果.

實驗的軟硬件平臺：計算機(i5-4440 CPU @ 3.10 GHz,8 GB RAM)，MATLAB R2019a軟件.

3.2 識別精度對比

通常情況下，識別精度是評價一種紋理圖像識別方法最重要的指標.為了對本文方法的識別精度進行評估，選擇在基準的CUReT和KTH-TIPS紋理庫上開展實驗，并將本文方法的識別精度與其他一些先進方法的識別精度進行對比，結果見表1.

表1 本文算法與其他算法的識別精度對比 %

從表1的結果對比可以看出，筆者提出的方法在基準的CUReT和KTH-TIPS紋理庫上都獲得了最高的識別精度，其中，在CUReT紋理庫上的識別精度是99.72%，在KTH-TIPS紋理庫上的識別精度是99.68%，一致超過了參與比較的其他方法的識別精度，這表明筆者提出的方法不但能夠捕獲更具鑒別力的紋理特征，并且對紋理圖像的尺度變化也具有更好的穩(wěn)健性，從而在具有挑戰(zhàn)性的紋理圖像識別任務中具有更好的性能表現(xiàn).

3.3 時間消耗對比

在實際的工程應用中，紋理圖像識別方法的實時性也是一個重要的指標.為了評估本文方法的實時性，在基準的CUReT和KTH-TIPS紋理庫上開展實驗，計算一個樣本圖像的平均時間消耗，將其作為算法實時性的度量.同時，也將本文方法的實時性與其他一些算法進行了對比，結果如表2所示.

表2 本文算法與其他算法的時間消耗對比 s

從表2的結果對比可以看出，筆者提出的方法所需的平均時間消耗最少，具有更好的實時性，這在實時性要求較高的場合，以及在大規(guī)模的紋理圖像序列、視頻圖像分析等工程領域具有重要的應用價值.

4 結論

筆者提出了一種快速和尺度穩(wěn)健的紋理圖像識別方法，該方法利用CLBC算法快速提取紋理圖像的局部特征，利用多尺度圖像空間內跨尺度取模式最大值以及在多個分辨率提取局部特征實現(xiàn)尺度穩(wěn)健性.和現(xiàn)有的其他算法相比，筆者提出的紋理圖像識別方法不但能獲得很高的識別精度，而且在實時性方面具有顯著的優(yōu)勢，可廣泛應用于紋理圖像特征提取和識別領域.