基于局部描述子的纹理识别方法及其在叶片识别中的应用

摘要

纹理识别是图像处理和机器视觉的一个基础研究方向，在科学研究和工程技术方面有着广泛的应用，比如遥感、生物医学图像分析、生物特征识别、图像检索等等。提取纹理特征是纹理识别的基础，经过几十年的研究和发展，研究人员取得了关于纹理的一些共识:纹理是由局部纹理的大量重复所表现的，可以通过统计局部特征来描述纹理信息。近年来，随着对局部纹理信息的发掘，局部纹理算子类方法成为了纹理识别的一个热门的研究领域，出现了许多高效的局部纹理算子，例如LBP即是其中一种有代表性的局部算子。在真实的应用情形下，纹理图像是在不同的光照、旋转和视角条件下采集的，如何提高局部算子的判别力同时又要保证局部算子对光照、旋转、尺度和视角的变化具有鲁棒性，依旧是一个需要进一步研究的课题。
　　 本文中我们提出了一系列局部纹理描述子，来研究在局部纹理信息中起到关键作用的判别信息，同时尝试寻找提高判别力但是不损失其旋转不变性的局部算子。在传统的LBP类算子观点中认为，局部纹理信息可以划分为由灰度差描述的灰度差异信息和由邻居结构描述的微结构信息，而其中微结构信息起到主要的判别作用。首先，本文提出了一种舍弃了LBP中微结构编码的局部算子，通过实验证明了局部灰度差异分布才是描述局部纹理的主要信息。为了进一步提高局部算子对灰度差异信息的描述能力，本文中又提出了一种通过提高局部量化等级的局部算子来提取纹理特征，通过实验找出了一个最优的局部量化等级。其次，在本文中又提出了鲁棒的LBP模式，作为对LBP算子的改进，鲁棒的LBP能够很好的提高LBP算子的抗噪性和鲁棒性。再次，本文提出了一种基于局部连通的局部算子，用以描述旋转不变的局部结构信息，作为对局部灰度差异信息的补充能够提高算子的识别能力。最后，本文提出了两种把局部算子类算法应用于植物叶片识别的方法，在叶片识别方面也取得较好的效果。

目录

声明

摘要

插图目录

表格目录

第1章 绪论

1．1 纹理识别及其研究意义

1．2 本文内容安排

1．3 本文主要创新点

第2章 基于局部算子的纹理识别方法

2．1 纹理的定义

2．2 纹理识别方法综述

2．2．1 基于模型的纹理识别算法

2．2．2 基于统计的纹理识别方法

2．2．3 纹理识别中的局部算子方法

2．3 本文使用的纹理图像数据库

2．4 本章小结

第3章 局部计数模式和完备的局部计数模式

3．1 引言与分析

3．2 局部计数模式和完备的局部计数模式

3．2．1 局部计数模式(Local Binary Count LBC)

3．2．2 完备的局部计数模式(Completed LBC)

3．3 在纹理数据库上的实验结果

3．3．1 对比算法及纹理库的选择

3．3．2 相似性测度

3．3．3 在Outex数据库上的实验结果

3．3．4 在CUReT数据库上的实验结果

3．3．5 在UIUC数据库上的实验效果

3．4 本章小结

第4章 鲁棒的LBP算子

4．1 引言与分析

4．2 完备的鲁棒的LBP算子

4．2．1 鲁棒的LBP(Robust LBP)

4．2．2 完备的鲁棒的LBP

4．2．3 分类器和距离测度

4．3 实验结果

4．3．1 在Outex库上的实验结果

4．3．2 在UIUC库上的实验结果

4．3．3 在CUReT库上的实验结果

4．3．4 在XU_HR库上的实验结果

4．3．5 和一些近期非LBP纹理算法做比较

4．4 本章小结

第5章 局部量化算子

5．1 引言与分析

5．2 局部量化模式

5．2．1 局部量化编码(Local Quantization Code LQC)

5．2．2 局部量化等级的讨论

5．3 实验结果

5．3．1 对比方法和距离测度

5．3．2 在XU HR库上的实验结果

5．3．3 在UIUC数据库上的实验结果

5．3．4 在CUReT纹理库上的实验结果

5．4 本章小结

第6章 局部连通编码

6．1 引言

6．2 局部连通模式

6．2．1 局部连通编码(Local Connection Code LCC)

6．2．2 局部连通编码的实验结果

6．3 本章小结

第7章 使用局部纹理算子的植物叶片识别方法

7．1 引言

7．2 灰度共生矩阵

7．3 灰度直方图

7．4 小波变换应用于叶片纹理识别

7．5 结合Gabor和LBP的叶片纹理算子

7．5．1 Gabor纹理特征

7．5．2 局部二值模式(Local Binary Pattern LBP)

7．5．3 Gabor滤波结合LBP的叶片识别方法

7．6 使用聚类叶片纹理元字典的方法进行叶片识别

7．7 MFRAT结合LTP的局部算子方法用于叶片识别

7．7．1 Modifed finite Randon transform (MFRAT)

7．7．2 局部三值模式(Local Ternary Pattern LTP)

7．7．3 结合HFRAT和LTP的叶片识别方法

7．8 在瑞士叶片库上的实验结果

7．9 本章小结

总结与展望

参考文献

攻读博士学位期间发表的论文情况

致谢