基于改进LBP纹理图像特征提取与分类研究

摘要

纹理是几乎所有自然物体表面外观的基本特征，在自然界中无处不在。纹理作为许多类型图像的重要特征和视觉线索，在计算机视觉和图像分析的各种应用中发挥关键作用。为了有效地提取纹理特征，研究人员提出了许多纹理描述子。其中局部二值模式（Local Binary Pattern，LBP）及其诸多变体是最为广泛应用的纹理描述子之一。LBP原理简单，易于理解，具有特征计算效率高、特征判别力强，计算复杂度低等优点，在计算机视觉领域得到广泛的应用。然而，传统LBP仅对单点像素邻域提取纹理信息，没有考虑局部区域及全局纹理信息，这就导致了纹理分类的精度不够理想。 本文重点研究了LBP基本理论及局部二值模式方差(Local Binary Pattern Variance，LBPV)。为了克服传统LBP的缺陷，解决局部纹理信息和全局纹理信息的融合问题，本文借鉴LBPV兼顾局部纹理信息和全局纹理信息的优势，引入了基于采样半径的自适应权重，为更加全面的描述纹理信息提出了一种新的解决方案。 首先，针对传统LBP没有考虑局部区域和全局纹理信息的问题，本文重点研究了LBPV的基本理论，在此基础上，为了更准确地表达局部纹理特征，本文采用局部方差的平方作为直方图累计权重，提出了一种新的局部二值模式方差平方(Local Binary Pattern Variance Square，LBPV2)纹理描述子。仿真实验表明，LBPV2能够在一定程度上提升纹理分类的性能。其次，由于传统LBP仅在单一尺度下进行邻域编码，其特征表达能力过于单一，本文重点研究了基于联合多尺度局部二值模式(Joint-scale Local Binary Pattern，JLBP)。虽然该方法能够在保持特征维数不变的前提下融合多尺度的纹理信息，但是其融合方案没有考虑局部区域信息量的多少，为了解决这一问题，本文提出了一种基于自适应权重联合多尺度局部二值模式(Adaptive Weight Joint-scale Local Binary Pattern，AWJLBP)。实验表明，与传统LBP和JLBP相比，AWJLBP明显提升了纹理分类性能。最后，为了获得更全面、更合理的纹理描述子，本文提出了一种联合多尺度LBPV（Joint-scale Local Binary Pattern Variance，JLBPV）纹理描述子。为了进一步提升其纹理分类性能，本文引入局部方差平方和自适应权重方案，提出了一种新的基于自适应权重的联合多尺度LBPV2(Adaptive Weight Joint-scale LBPV2descriptor，AWJLBPV2)纹理描述子。对比实验表明，与传统方法相比，AWJLBPV2有明显的性能提升。

目录

声明

摘要

第1章绪论

1．1研究背景及意义

1．2国内外研究及发展现状

1．3论文主要研究内容及章节安排

第2章基本纹理描述方法

2．1纹理的描述

2．1．1结构方法

2．1．2统计方法

2．1．3模型方法

2．1．4变换方法

2．2纹理图像集

2．2．1 Outex纹理图像集

2．2．2 CUReT纹理图像集

2．2．3 UIUC纹理图像集

2．3 LBP基本算法

2．3．1原始LBP

2．3．2旋转不变LBP

2．3．3统一旋转不变LBP

2．3．4 LBP与早期纹理描述子的关系

2．4最近邻分类器

2．5本章小结

第3章基于LBPV及改进的LBPV2的纹理图像分类

3．1 LBPV基本算法

3．2基于主方向LBPV的纹理图像分类

3．3改进的LBPV2算法

3．4仿真实验

3．4．1纹理分类数据集

3．4．2 LBPV与传统LBP方法对比实验

3．4．3 LBPV与LBPV2方法对比实验

3．5本章小结

第4章基于自适应权重联合多尺度LBP的纹理图像分类

4．1基于联合多尺度LBP的纹理图像分类

4．2基于自适应权重联合多尺度LBP的纹理图像分类

4．3仿真实验

4．3．1JLBP纹理描述子的对比实验

4．3．2 AWJLBP纹理描述子的对比实验

4．4本章小结

第5章基于自适应权重联合多尺度LBPV2的纹理图像分类

5．1基于联合多尺度LBPV的纹理图像分类

5．2基于自适应权重多尺度LBPV2的纹理图像分类

5．3仿真实验

5．3．2AWJLBPV2纹理描述子的对比实验

5．3．3JLBPV2和AWJLBPV2与经典算法的对比

5．4本章小结

结论

参考文献

攻读硕士学位期间发表的论文和取得的科研成果

致谢