亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        成對旋轉(zhuǎn)不變的共生自適應(yīng)完全局部三值模式

        2021-01-11 09:12:48陳曉文劉光帥劉望華李旭瑞
        關(guān)鍵詞:魯棒性鄰域共生

        陳曉文,劉光帥,劉望華,李旭瑞

        西南交通大學(xué) 機(jī)械工程學(xué)院,成都610031

        紋理作為圖像的重要底層特征之一,在圖像的分類與識別中有著重要的作用,且被廣泛應(yīng)用于圖像處理、計(jì)算機(jī)視覺等領(lǐng)域中,因此,紋理的研究有著重要的現(xiàn)實(shí)意義[1]。常用的紋理特征提取方法有灰度共生矩陣方法[2]、馬爾可夫隨機(jī)場方法[3]、小波變換方法[4]、分形理論[5]等。但是,以上幾種方法計(jì)算復(fù)雜度較大,且對光照變化、噪聲干擾等問題較為敏感,從而影響圖像的分類效果。

        為了降低紋理特征提取的計(jì)算成本,提高圖像的分類精度,讓圖像分類技術(shù)更有效地應(yīng)用到實(shí)際工程中,一些學(xué)者開始研究更加快速、穩(wěn)健的紋理特征提取算法。局部二值模式(LBP)最早由Ojala等人[6]提出,由于其原理簡單、計(jì)算復(fù)雜度低的特點(diǎn)被廣泛運(yùn)用到工業(yè)檢測、場景分類、人臉識別、醫(yī)學(xué)圖像分析等領(lǐng)域。然而,原始的LBP 算法對圖像旋轉(zhuǎn)、尺度、非均勻光照變化魯棒性較差,學(xué)者們相繼提出LBP改進(jìn)算法。其中,Liu等人[7]對近年來LBP改進(jìn)算法做出了詳細(xì)的總結(jié)與對比,分析了各種算法的優(yōu)劣性。Tan 等人[8]提出的LTP 算法通過引入量化閾值對鄰域像素進(jìn)行正負(fù)編碼,提高了算法對光照變化和噪聲的魯棒性。Guo等人[9]提出的完全局部二進(jìn)制模式(CLBP)算法,通過提取局部紋理結(jié)構(gòu)的中心像素信息(CLBP_C)、中心像素值與其鄰域像素的差分符號信息(CLBP_S)和幅度信息(CLBP_M)這三種信息增強(qiáng)了算法的鑒別能力和對光照變化的魯棒性。文獻(xiàn)[10-11]提出的完全局部三值模式(CLTP)算法則是上述提到的LTP與CLBP算法的結(jié)合改進(jìn),將量化閾值引入到CLBP算法中,從而使改進(jìn)后的算法鑒別能力更強(qiáng),且增強(qiáng)了算法對噪聲和光照變化的魯棒性。Liu 等人[12]提出的擴(kuò)展局部二值模式(ELBP)主要提取的是局部鄰域像素灰度特征和徑向灰度差分特征,在光照和旋轉(zhuǎn)變化的紋理分類中有較好的效果;隨后Liu等人[13]為了增強(qiáng)算法對噪聲的魯棒性提出了中值抗噪的擴(kuò)展局部二值模式(MRELBP),其是在ELBP 的基礎(chǔ)上用局部鄰域塊的中值代替中心像素的灰度值,具有較好的抗噪能力,同時(shí)多尺度的密集采樣增強(qiáng)了算法的分類性能。以上幾種方法主要集中在單個(gè)紋理特征的提取,多個(gè)特征間的共生往往能夠描述更復(fù)雜的局部紋理結(jié)構(gòu)。Qi等人[14]提出的PRICoLBP算法,通過聯(lián)合編碼空間上下文共生特征可以描述更復(fù)雜的紋理結(jié)構(gòu)和高階特征信息,然而PRICoLBP算法選取的空間點(diǎn)對之間的梯度方向會隨圖像旋轉(zhuǎn)而發(fā)生變化,因此算法對圖像旋轉(zhuǎn)變化較為敏感。高攀等人[15]對PRICoLBP算法做出了相應(yīng)改進(jìn),提出了EPRICoELBP 算法,其利用像素點(diǎn)LBP 特征極值對應(yīng)的鄰域起始編碼點(diǎn)與局部中心像素點(diǎn)來確定方向矢量選取空間上下文共生點(diǎn),增強(qiáng)算法對旋轉(zhuǎn)變化的魯棒性,但其存在的問題是沒有對算法的抗噪性進(jìn)行進(jìn)一步研究,算法對噪聲的魯棒性較差。

        綜上,本文提出一種增強(qiáng)成對旋轉(zhuǎn)不變的共生自適應(yīng)完全局部三值模式。算法的內(nèi)容包括:(1)利用LTP算法對鄰域像素進(jìn)行正負(fù)編碼得到兩個(gè)局部二值模式(Upper 模式和Lower 模式),在兩個(gè)模式中分別利用像素點(diǎn)LBP 特征極值對應(yīng)的鄰域起始編碼點(diǎn)與局部中心像素點(diǎn)來確定方向矢量選取空間上下文共生點(diǎn),減少噪聲對共生點(diǎn)對選取的干擾;(2)利用CLTP算法分別提取兩個(gè)模式共生點(diǎn)的局部紋理特征;(3)在原始的LTP、CLTP 算法的基礎(chǔ)上,將固定的量化閾值優(yōu)化為適應(yīng)各個(gè)圖像紋理特征的自適應(yīng)閾值。

        本文算法的貢獻(xiàn)和優(yōu)點(diǎn)主要有:(1)通過引入LTP改善了原始PRICoLBP 和EPRICoELBP 算法對噪聲較為敏感的缺點(diǎn),增強(qiáng)了算法對噪聲的魯棒性;(2)更多的共生點(diǎn)能夠提取更加豐富的紋理特征,提升了算法的鑒別性能;(3)自適應(yīng)閾值代替原始固定閾值,使算法適用于各類圖像,能夠更好地適應(yīng)環(huán)境和光照變化。

        1 局部二值模式及相關(guān)改進(jìn)算法

        1.1 局部二值模式(LBP)

        局部二值模式是一種簡單、典型的紋理分類特征提取算法,如圖1 所示,它將中心像素的每個(gè)鄰域點(diǎn)灰度值以該鄰域中心的灰度值為閾值進(jìn)行二值量化,當(dāng)鄰域點(diǎn)灰度值大于或等于中心灰度值時(shí)編碼為1,小于則編碼為0,以此形成一個(gè)二進(jìn)制模式,然后將該二進(jìn)制模式以x正半軸方向?yàn)槠瘘c(diǎn)逆時(shí)針旋轉(zhuǎn)串聯(lián)得到一個(gè)二進(jìn)制串,最后將該二進(jìn)制串轉(zhuǎn)換為十進(jìn)制數(shù)作為該像素點(diǎn)的LBP特征值。LBP的數(shù)學(xué)表達(dá)為:

        其中,r表示鄰域半徑,P表示半徑為r的圓形鄰域上采樣點(diǎn)的個(gè)數(shù)(圖1中,P為8),gc表示局部鄰域中心點(diǎn)的灰度值,gi(i=0,1,…,P-1)表示鄰域點(diǎn)的灰度值。

        圖1 原始LBP算子計(jì)算示例

        然而,當(dāng)圖像旋轉(zhuǎn)變化時(shí),某中心像素的圓形鄰域像素也會發(fā)生變化,從而引起LBP特征值的變化。為了使LBP 具有旋轉(zhuǎn)不變性,Ojala 等人[16]提出了一種旋轉(zhuǎn)不變的算子LBPrir,p,即不斷變化圓形鄰域的起始編碼序列,得到一系列LBP 特征值,選取其中的最小值作為該鄰域的LBP特征值,其數(shù)學(xué)描述為:

        其中,ROR( )a,i表示將a對應(yīng)的二進(jìn)制數(shù)循環(huán)右移i位。在引入旋轉(zhuǎn)不變模式后,LBP算法對有旋轉(zhuǎn)紋理變化圖像的分類有了更穩(wěn)定的識別率。

        但隨著鄰域點(diǎn)數(shù)P的增加,算法的特征維度呈指數(shù)型上漲。為了滿足LBP 算法的時(shí)效性,Ojala 等人[16]在旋轉(zhuǎn)不變模式的基礎(chǔ)上,提出了LBP旋轉(zhuǎn)不變均勻模式(riu2)和旋轉(zhuǎn)不變的非均勻模式,具體定義為:

        其中,U值表示LBP 模式中圓周上相鄰兩個(gè)元值1/0(或0/1)的變換次數(shù),當(dāng)U值小于等于2時(shí),旋轉(zhuǎn)不變均勻模式被歸為P+1 類,所有的旋轉(zhuǎn)不變的非均勻模式被歸為一類,最后用于表示整幅圖像紋理的LBPriu2r,p直方圖矢量特征僅為P+2 維,有效地降低了特征維度,使得運(yùn)算速度取得了較大幅度地提升,因此,LBPriu2r,p被研究者廣泛應(yīng)用。

        1.2 局部三值模式(LTP)

        LTP算子是對LBP算子的擴(kuò)展,它將鄰域像素灰度值gi和中心像素灰度值gc的差值與閾值t做比較,當(dāng)差值大于等于t時(shí),則該鄰域點(diǎn)像素值量化為1;當(dāng)差值在[-t,t]之間,則該鄰域點(diǎn)像素值量化為0;當(dāng)差值小于等于-t時(shí),則該鄰域點(diǎn)像素值量化為-1。其數(shù)學(xué)表達(dá)式如下:

        其中,P,r,gc,gi已在式(1)中定義過,t代表LTP的閾值。

        由于閾值t的引入,使得LTP 的抗噪性比LBP 要好。為了簡化算法的計(jì)算,Tan等人將局部三值模式進(jìn)一步分解為正值計(jì)算部分和負(fù)值計(jì)算部分,將除1以外的值標(biāo)記為0后得到的編碼,定義為Upper模式;將除-1以外的值標(biāo)記為0并用1取代原來的-1得到的編碼,定義為Lower模式,如圖2所示。由此可見,LTP分解成了兩個(gè)局部二值模式。

        1.3 成對旋轉(zhuǎn)不變的共生局部二值模式(PRICoLBP)

        文獻(xiàn)[17-18]表明特征間的空間共生能夠提高算法對紋理特征的識別能力,因此,多種特征間的相關(guān)共生往往能夠描述比單個(gè)特征更大、更復(fù)雜的局部紋理結(jié)構(gòu)。Qi 等人[14]提出了一種成對旋轉(zhuǎn)不變的共生局部二值模式,其通過計(jì)算圖中任意像素點(diǎn)A的梯度方向和法向方向來確定兩個(gè)共生點(diǎn)B1和B2,再根據(jù)A點(diǎn)的局部信息編碼B1、B2點(diǎn)的特征,最后,利用(A,B1)、(A,B2)兩個(gè)點(diǎn)對共同描述A點(diǎn)處較大范圍內(nèi)的局部紋理信息,同時(shí),(A,B1)和(A,B2)兩個(gè)點(diǎn)對之間的夾角能夠描述高階的局部特征信息,因此,PRICoLBP 算法在處理圖像分類時(shí)具有較好的識別能力,其數(shù)學(xué)描述如下:

        其中,(A) 表示A點(diǎn)的局部紋理特征,i(A) 表示A點(diǎn)最大LBP 特征值對應(yīng)的鄰域起始編碼點(diǎn)序號,(B,i(A) )表示共生點(diǎn)B以第i(A) 個(gè)鄰域點(diǎn)為編碼起始點(diǎn)對應(yīng)的局部紋理特征,G(A) 、N(A) 分別表示像素點(diǎn)A的單位梯度方向和單位法向方向,a、b表示共生點(diǎn)對間的空間尺度模板,分別為(a,0)和(0,b)。

        圖2 LTP算子計(jì)算示例

        以上三種算法雖然廣泛運(yùn)用于紋理特征提取中,但優(yōu)缺點(diǎn)也很明顯。其中,LBP 算法計(jì)算維度較低,運(yùn)算速度快,但對紋理特征的描述較少,且對噪聲敏感;LTP算法因?yàn)橐肓碎撝祎使算法對噪聲具有一定的魯棒性,但依然不能較好地描述紋理特征;PRICoLBP 算法通過兩點(diǎn)共生使算法能夠提取更復(fù)雜的紋理結(jié)構(gòu),增強(qiáng)了算法的鑒別能力,但其對噪聲干擾、旋轉(zhuǎn)變化較敏感。

        2 增強(qiáng)成對旋轉(zhuǎn)不變的共生自適應(yīng)完全局部三值模式

        原始的PRICoLBP 算法選取的上下文共生點(diǎn)對之間的梯度方向會隨圖像的旋轉(zhuǎn)發(fā)生變化,因此對圖像的旋轉(zhuǎn)變化較敏感,文獻(xiàn)[15]對PRICoLBP 算法做出了改進(jìn),其利用像素點(diǎn)LBP特征極值對應(yīng)的鄰域起始編碼點(diǎn)與局部中心像素點(diǎn)來確定方向矢量選取共生點(diǎn),增強(qiáng)了算法對圖像旋轉(zhuǎn)變化的魯棒性,但存在受噪聲影響較大的缺點(diǎn),輕微的噪聲干擾可能會影響共生點(diǎn)對的選取,從而影響分類精度。針對以上問題,本文提出了一種對圖像旋轉(zhuǎn)、光照變化、噪聲干擾魯棒性較強(qiáng)的算法,記為增強(qiáng)成對旋轉(zhuǎn)不變的共生自適應(yīng)完全局部三值模式。

        2.1 具有抗噪性的共生點(diǎn)對選取

        為了減少噪聲干擾對選取共生點(diǎn)的影響,本文引入LTP 算法將共生點(diǎn)的計(jì)算過程分為兩個(gè)模式,即Upper模式和Lower 模式。LTP 算法在抗噪性方面要優(yōu)于普通的LBP 算法[8],由于設(shè)置了閾值區(qū)間,能夠減少計(jì)算結(jié)果受像素灰度差異變化帶來的影響,因此,在計(jì)算共生點(diǎn)的位置時(shí)受噪聲影響較小,增強(qiáng)了算法對噪聲的魯棒性。如圖3 所示,在LTP 兩個(gè)模式中,分別以像素點(diǎn)A1、A2(由于在兩個(gè)模式中A 點(diǎn)鄰域編碼不同,這里分為A1、A2點(diǎn))和其LBP 特征極值對應(yīng)的鄰域編碼起始點(diǎn)確定兩個(gè)方向矢量m、n,通過這兩個(gè)方向矢量來確定和像素點(diǎn)A1、A2共生的四個(gè)點(diǎn)B1、B2、C1、C2,更多的共生點(diǎn)對能夠提取到更多的局部紋理信息,增強(qiáng)了算法的分類性能。同時(shí),從圖3 中看出,A1、A2點(diǎn)的LBP特征極值對應(yīng)的鄰域起始編碼點(diǎn)具有旋轉(zhuǎn)不變性,因此,由LBP特征極值確定的上下文共生點(diǎn)的相對位置信息和高階夾角特征并不會隨圖像旋轉(zhuǎn)而改變,從而有效地增強(qiáng)了算法對圖像旋轉(zhuǎn)變化的魯棒性。圖4~6 給出了本文共生點(diǎn)對的選取方法與文獻(xiàn)[15]中方法在噪聲干擾下的對比。

        圖3 改進(jìn)算法的旋轉(zhuǎn)不變示意圖

        圖4 左側(cè)是TC10 紋理庫中的一張普通圖像,右側(cè)表示在這張圖像中添加了高斯噪聲,然后分別提取這兩張圖像相同位置處大小為3×3的局部鄰域,由于噪聲的干擾局部鄰域發(fā)生了較大的變化;圖5 表示文獻(xiàn)[15]的共生點(diǎn)選取方法,左圖為處理普通圖像所選取的共生點(diǎn),右圖為處理噪聲圖像所選取的共生點(diǎn),可以看出,因?yàn)樵肼暤母蓴_導(dǎo)致像素點(diǎn)LBP 特征極值對應(yīng)的鄰域起始編碼點(diǎn)發(fā)生了改變,共生點(diǎn)的位置也因此發(fā)生改變;圖6表示本文的共生點(diǎn)對選取方法,因?yàn)樵O(shè)置了容忍區(qū)間[-t,t](此處t取5),本文方法選取的共生點(diǎn)對的位置并沒有因?yàn)樵肼暩蓴_的影響而發(fā)生改變。因此,本文算法通過引入LTP能夠減少噪聲對共生點(diǎn)對選取的影響,從而使算法對噪聲具有一定的魯棒性,同時(shí)由兩點(diǎn)共生變?yōu)樗狞c(diǎn)共生,能夠提取到更豐富的局部紋理信息。

        圖4 普通圖像(左)和添加了高斯噪聲的圖像(右)

        圖5 文獻(xiàn)[15]選取共生點(diǎn)對的方法

        圖6 本文選取共生點(diǎn)對的方法

        2.2 融合CLTP的局部紋理特征

        考慮到LBP 算子對紋理信息提取不足等問題,文獻(xiàn)[10-11]提出了一種CLTP 算法,CLTP 是CLBP 與LTP算法的結(jié)合。文獻(xiàn)[10]表明,CLTP 具有比CLBP 和LTP更強(qiáng)的紋理特征描述能力和抗噪能力,因此,本文用CLTP 算法能夠提取更豐富的局部紋理特征,且對噪聲有較好的魯棒性。CLTP與CLBP一樣被分為了三部分(CLTP_S、CLTP_M、CLTP_C),同時(shí)由于LTP 的引入每個(gè)部分也會有兩個(gè)模式(Upper 模式和Lower 模式),因此,分別使用CLTPUpper和CLTPLower算法提取兩個(gè)模式共生點(diǎn)的局部紋理特征。

        CLTP_S 即為原始的LTP,也是將鄰域像素灰度值gi和中心像素灰度值gc的差值與閾值t做比較,其數(shù)學(xué)描述如下:

        其中,gc、gi、t已在式(7)定義過,這里不再闡述。

        CLTP_M主要提取像素值的差值幅度信息,其數(shù)學(xué)描述如下:

        其中,|gi-(gc+t)|,|gi-(gc-t)|,cupper和clower則分別為兩個(gè)模式中全部與的均值。

        CLTP_C 則是提取圖像的中心像素信息,其數(shù)學(xué)描述如下:

        其中,u已在式(14)中定義過,cI為整幅圖像的平均灰度值,=gc-t。

        為了提取更為充分、準(zhǔn)確的局部紋理信息,使算法對噪聲有較強(qiáng)的魯棒性,本文提取上下文共生點(diǎn)A、B、C的CLTP 特征,在Upper 模式中的A1、B1、C1點(diǎn)采用CLTPUpper進(jìn)行編碼;在Lower 模式中的A2、B2、C2點(diǎn)采用CLTPLower來編碼。編碼時(shí)采用旋轉(zhuǎn)不變均勻描述子(riu2)。其數(shù)學(xué)描述可表示為:

        其中,imax(A) 、imin(A) 分別表示A點(diǎn)最大LBP 特征值和最小LBP特征值對應(yīng)的鄰域起始編碼點(diǎn)序號。

        2.3 自適應(yīng)閾值

        由于傳統(tǒng)的LTP算子的閾值t一般為定值,單一的閾值無法適應(yīng)不同紋理的圖像,且噪聲圖像不同區(qū)域的噪聲強(qiáng)度有所差別,因此固定閾值的LTP算子的抗噪性并不強(qiáng)。根據(jù)定義知LTP將鄰域像素灰度值gi和中心像素灰度值gc的差值與閾值t進(jìn)行比較,因此本文將局部鄰域的各像素點(diǎn)和中心像素點(diǎn)的標(biāo)準(zhǔn)偏差作為自適應(yīng)閾值,局部標(biāo)準(zhǔn)偏差反應(yīng)了中心像素點(diǎn)與局部鄰域像素點(diǎn)的離散程度,能夠降低圖像受噪聲干擾的影響,其具體計(jì)算如下所示。

        (1)計(jì)算中心像素與鄰域像素點(diǎn)的差值Δgi:

        其中,P與式(1)中P的含義相同,表示鄰域采樣點(diǎn)個(gè)數(shù)。

        本文通過引入自適應(yīng)閾值算法,使閾值t根據(jù)圖像的局部紋理進(jìn)行自適應(yīng)選取,從而對光照變化和噪聲干擾有了更好的魯棒性,使圖像的每個(gè)區(qū)域都有其相適應(yīng)的動態(tài)閾值,并且將自適應(yīng)閾值T用于上述所使用的LTP和CLTP當(dāng)中。

        2.4 本文算法的計(jì)算流程

        本文算法的具體流程如下:

        (1)提取圖像的LTP特征,得到Upper和Lower兩個(gè)模式。

        (2)分別計(jì)算兩個(gè)模式中A1、A2點(diǎn)極大、極小值對應(yīng)的鄰域起始編碼點(diǎn)序號,并設(shè)定中心像素點(diǎn)與共生點(diǎn)對的距離為4,找出A1的共生點(diǎn)B1、C1,A2的共生點(diǎn)B2、C2。

        (3)使用CLTP 算法提取A1、A2、B1、B2、C1、C2點(diǎn)的局部紋理特征。對于Upper模式的A1、B1、C1點(diǎn)使用CLTPUpper編碼;對于Lower 模式的A2、B2、C2點(diǎn)使用CLTPLower編碼。將得到的特征結(jié)果聯(lián)合生成直方圖(LTP和CLTP均采用自適應(yīng)閾值t)。

        (4)將得到的直方圖送入支持向量機(jī)(SVM)進(jìn)行紋理分類訓(xùn)練。本文算法的流程圖如圖7所示。

        3 實(shí)驗(yàn)和分析

        3.1 實(shí)驗(yàn)參數(shù)選擇及數(shù)據(jù)庫選取

        為了驗(yàn)證本文算法對光照多樣性和圖像旋轉(zhuǎn)變化的魯棒性,本文選取標(biāo)準(zhǔn)紋理庫Brodatz、Outex(TC10、TC12-h、TC12-t、TC14)、CUReT、KTH_TIPS,UIUC進(jìn)行實(shí)驗(yàn),在這些紋理庫中用LBP、LTP、CLBP、MRELBP 和PRICoLBP及文獻(xiàn)[15]中改進(jìn)算法EPRICoELBP與本文算法進(jìn)行對比,同時(shí),在存在光照、旋轉(zhuǎn)、尺度變化的KTH_TIPS 紋理庫中添加不同強(qiáng)度的高斯噪聲和椒鹽噪聲,來進(jìn)一步驗(yàn)證算法對噪聲干擾的抵抗能力。為了確保實(shí)驗(yàn)對比的公平性,本文算法和所有的LBP及其改進(jìn)算法均采用旋轉(zhuǎn)不變均勻模式,鄰域采樣點(diǎn)數(shù)為8,MRELBP 的鄰域半徑根據(jù)文獻(xiàn)[13]設(shè)置為2、4、6、8,其余算法的鄰域半徑設(shè)置為2,LTP 算法的閾值t設(shè)定為5。然后利用卡方核支持向量機(jī)(SVM)來評估各類算法的分類性能,SVM的懲罰因子c選取默認(rèn)值1。為了避免誤差,在每個(gè)紋理庫進(jìn)行分類實(shí)驗(yàn)時(shí)采用100次獨(dú)立隨機(jī)采樣的平均分類值作為評估算法性能的指標(biāo)。實(shí)驗(yàn)中所用的數(shù)據(jù)庫的紋理特征和訓(xùn)練集樣本數(shù)如表1 所示。Brodatz 和KTH_TIPS 部分紋理樣本如圖8、9所示。

        圖7 算法流程圖

        表1 實(shí)驗(yàn)中所用紋理庫的特征

        圖8 Brodatz部分紋理樣本

        圖9 KTH_TIPS部分紋理樣本

        3.2 實(shí)驗(yàn)結(jié)果和分析

        3.2.1 無噪聲環(huán)境下的分類結(jié)果

        由表2 知:對于相同光照、視角和尺寸不變的Brodatz紋理庫分類,本文算法的識別率均高于其他LBP算法,這說明本文算法有較強(qiáng)的特征鑒別能力;對于僅存在光照變化的TC14 紋理庫,本文算法均明顯高于其他LBP算法,說明本文算法通過引入自適應(yīng)閾值t能夠較大地提升算法對光照的魯棒性,減輕外界環(huán)境變化對圖像分類帶來的影響;對于存在視角、尺度變化的UIUC紋理庫,本文算法識別率比原始的PRICoLBP 提升了5.01%,這說明本文算法利用像素點(diǎn)LBP特征極值對應(yīng)的鄰域起始編碼點(diǎn)與鄰域中心像素點(diǎn)確定方向矢量來選取空間上下文共生點(diǎn),能夠有效地增強(qiáng)算法對圖像旋轉(zhuǎn)的魯棒性;KTH_TIPS紋理庫不僅存在劇烈的光照變化,還存在旋轉(zhuǎn)和尺度的變化,本文算法在KTH_TIPS紋理庫的識別率比PRICoLBP、EPRICoELBP、MRELBP算法分別提高了1.83%、0.71%、1.04%,這表明本文算法通過融合多個(gè)上下文共生點(diǎn)的局部CLTP特征,對光照、旋轉(zhuǎn)、尺度變化有較強(qiáng)的魯棒性,有效增強(qiáng)了算法的鑒別能力。在TC12、TC10、CUReT紋理庫中,本文算法相對于各類LBP算法依舊取得了較高的識別率,進(jìn)一步驗(yàn)證了本文算法對光照變化和圖像旋轉(zhuǎn)變化有較強(qiáng)的魯棒性。

        表2 不同算法在各紋理庫上分類識別率對比 %

        3.2.2 有噪聲環(huán)境下的分類結(jié)果

        為了驗(yàn)證本文算法對噪聲的魯棒性,選取PRICoLBP、EPRICoELBP、LTP和抗噪性能較好的MRELBP算法與本文算法進(jìn)行對比。圖10 和圖11 分別是在KTH_TIPS紋理庫中測試不同算法對椒鹽噪聲和高斯噪聲的魯棒性。其中,椒鹽噪聲的密度用ρ表示,數(shù)值設(shè)置為0.1、0.2、0.3、0.4、0.5;高斯噪聲的方差用ν表示,數(shù)值設(shè)置為0.01、0.02、0.03、0.04、0.05。由圖知:隨著圖像噪聲強(qiáng)度的增加,PRICoLBP 和其改進(jìn)算法EPRICoELBP 的識別率較低,而本文算法依舊保持著較高的識別率,這說明利用LTP 兩個(gè)模式中像素點(diǎn)的特征極值來確定上下文共生點(diǎn),減少了噪聲干擾對選取共生點(diǎn)的影響。在添加椒鹽噪聲的紋理分類實(shí)驗(yàn)中,本文算法的識別率要高于除MRELBP 外的算法,MRELBP 算法由于對圖像進(jìn)行了中值濾波處理,中值濾波在處理椒鹽噪聲的圖像時(shí)效果較好,因此MRELBP 算法對椒鹽噪聲的魯棒性要更強(qiáng);在添加高斯噪聲的紋理分類實(shí)驗(yàn)中,本文算法均高于其余算法,這表明本文算法對高斯噪聲有較強(qiáng)的魯棒性。綜上所述,通過引入自適應(yīng)閾值t并應(yīng)用到LTP和CLTP中能夠使算法具有較強(qiáng)的抗噪能力。

        3.2.3 特征維度和特征提取時(shí)間對比

        表3 給出了不同算法在KTH_TIPS 紋理庫中特征維度和特征提取時(shí)間的對比情況,特征提取時(shí)間表示提取一張圖片的紋理特征所消耗的時(shí)間。從表中數(shù)據(jù)知,本文算法相比于原始的PRICoLBP算法特征維度僅僅提高了20 維,但在分類性能上有了明顯的提升。EPRICoELBP 算法雖然僅有600 維,但該算法在計(jì)算時(shí)使用了多尺度梯度幅值加權(quán),成倍增加了特征提取時(shí)間,本文算法不僅提高了計(jì)算效率,且增強(qiáng)了算法對噪聲的魯棒性。

        圖10 不同算法在不同強(qiáng)度椒鹽噪聲分類識別率對比

        圖11 不同算法在不同強(qiáng)度高斯噪聲分類識別率對比

        表3 不同算法在KTH_TIPS紋理庫上計(jì)算復(fù)雜度

        4 結(jié)論

        本文提出了一種增強(qiáng)成對旋轉(zhuǎn)不變的共生自適應(yīng)完全局部三值模式,其主要針對原始的PRICoLBP對圖像旋轉(zhuǎn)、光照變化魯棒性較差和改進(jìn)算法EPRICoELBP對噪聲較為敏感的問題進(jìn)行改進(jìn)。通過在無噪聲和有噪聲的紋理庫上的分類實(shí)驗(yàn)表明,本文算法相比于其他算法取得了較好的識別結(jié)果。本文算法通過利用LTP兩個(gè)模式中像素點(diǎn)的特征極值來確定上下文共生點(diǎn),使算法具有旋轉(zhuǎn)不變性,且減少了噪聲干擾對選取共生點(diǎn)的影響,然后用CLTP算法提取更豐富、有效的共生局部紋理特征,同時(shí),引入自適應(yīng)閾值t應(yīng)用到LTP和CLTP中,使算法能夠根據(jù)圖像自身的紋理特征確定閾值,具有較強(qiáng)的抗噪性和適應(yīng)性。

        由于本文所用的數(shù)據(jù)庫均為灰度紋理圖像,缺乏對彩色圖像的討論。因此,下一步的研究方向,是將圖像的顏色信息融入到本文算法中,圍繞算法對彩色圖像的分類展開研究。

        猜你喜歡
        魯棒性鄰域共生
        人與熊貓 和諧共生
        共生
        稀疏圖平方圖的染色數(shù)上界
        荒漠綠洲區(qū)潛在生態(tài)網(wǎng)絡(luò)增邊優(yōu)化魯棒性分析
        優(yōu)生共生圈培養(yǎng)模式探索
        基于確定性指標(biāo)的弦支結(jié)構(gòu)魯棒性評價(jià)
        優(yōu)生共生圈培養(yǎng)模式探索
        基于鄰域競賽的多目標(biāo)優(yōu)化算法
        關(guān)于-型鄰域空間
        基于非支配解集的多模式裝備項(xiàng)目群調(diào)度魯棒性優(yōu)化
        蜜桃视频中文在线观看| 精品无码国产污污污免费| 亚洲国产精品激情综合色婷婷| 国产成人精品日本亚洲语音1| 日韩中文字幕不卡在线| 亚洲国产18成人中文字幕久久久久无码av| 国产精品日本一区二区在线播放 | 天天爽夜夜爱| 美女午夜福利视频网址| 亚洲一区二区视频蜜桃| 成人激情四射网| 男女一边摸一边做爽爽的免费阅读| av在线一区二区精品| 亚洲一级毛片免费在线观看| 欧美精品欧美人与动人物牲交 | 98bb国产精品视频| 国产人妻久久精品二区三区老狼| 91成人自拍国语对白| 国内精品少妇久久精品| 久久久www成人免费无遮挡大片| 俺来也俺去啦久久综合网| 中文字幕日韩一区二区不卡| av在线观看一区二区三区| 国产精品国产三级国产an| 亚洲国产精品一区二区久| 午夜免费电影| 亚洲女同恋av中文一区二区| 国产精品黄页免费高清在线观看| 亚洲地区一区二区三区| 国产精品夜间视频香蕉| 国产精品乱码人妻一区二区三区| 久久亚洲中文字幕伊人久久大| 日韩亚洲国产av自拍| 国产精品igao视频网| 青青草在线免费视频播放| 日韩av天堂综合网久久| 久久精品国产亚洲av热九九热| 欧美性一区| 亚洲欧洲高潮| 丰满少妇被猛烈进入| 色欲av永久无码精品无码蜜桃|