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(huì)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(huì)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(huì)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(huì)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(huì)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(huì)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(dòng)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。