專利名稱：用于光學(xué)紋理圖像和sar圖像的自適應(yīng)特征提取方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，特別涉及一種用于光學(xué)紋理圖像和SAR圖像的自適應(yīng)紋理特征描述子的提取方法。
背景技術(shù)：
紋理分析是紋理研究的主要內(nèi)容之一，也是計算機視覺里一個重要的研究領(lǐng)域，有著非常廣闊的應(yīng)用背景。紋理特征表征了圖像灰度或色彩內(nèi)在空間的規(guī)律性變化或重復(fù)，作為場景結(jié)構(gòu)和對象的描述子，對圖像識別一不同紋理的分類等起到了重要作用。紋理分析的應(yīng)用領(lǐng)域包括遙感圖像分析(Remotely-sensed Image Analysis)、醫(yī)學(xué)圖像分析(Medical Image Analysis)、工業(yè)表面檢測(Industrial Surface Inspection)、文檔處理
(Document Processing)和圖像檢索等領(lǐng)域。LBP (Local Binary Pattern局部二值模式)描述子是紋理描述的一個強有力的手段，具有灰度不變性和旋轉(zhuǎn)不變性，且計算復(fù)雜度低。它是一種點樣本估計方法，通過對以某個像素為中心的3 X 3鄰域點以該像素點的值為閾值求該像素的標(biāo)號，再將標(biāo)號以2的冪為權(quán)重求加權(quán)和作為該像素的標(biāo)號，最后求得標(biāo)號直方圖作為圖像的紋理描述子。近年來，LBP特征因其簡單和實用等優(yōu)點在紋理和人臉識別等研究領(lǐng)域得到了越來越廣泛的關(guān)注。目前已提出了許多LBP的優(yōu)化算法，包括CSLBP (中心對稱LBP)，ILBP (改進LBP)，ELBP (擴展LBP)以及BLBP(貝葉斯LBP)。這些紋理描述子在各種應(yīng)用中都得到了很大成功。也有一些對LBP進行許多優(yōu)化處理的工作，如利用PCA (主成分分析法)、LDA (線性判別法)等對SIFT (尺度不變特征變換)或SURF(快速魯棒特征)等原始描述子進行降維處理，或者改變選取關(guān)鍵點的方式，如Michael在近期提出的BRIEF (魯棒獨立二進制特征)，它對關(guān)鍵點的選取進行隨機采樣，將圖像塊表示為二進制比特串的特征描述子，加快計算速度的同時減少了存儲空間。但是，普通LBP特征及其相關(guān)擴展特征采樣固定性不足，在用于光學(xué)紋理圖像和SAR圖像(合成孔徑雷達獲取的遙感影像)分類時效果尚不理想。

發(fā)明內(nèi)容
本發(fā)明目的在于解決普通LBP特征及其相關(guān)擴展特征采樣固定性的不足，提出了用于光學(xué)紋理圖像和SAR圖像分類的自適應(yīng)紋理特征描述子，對這兩類數(shù)據(jù)集有較好的分類效果。本發(fā)明的技術(shù)方案為一種用于光學(xué)紋理圖像和SAR圖像的自適應(yīng)特征提取方法，包括以下步驟步驟1，利用訓(xùn)練集中的部分訓(xùn)練圖像學(xué)習(xí)采樣分布，得到采樣位置矩陣G ;學(xué)習(xí)采樣分布的實現(xiàn)包括以下步驟a)設(shè)訓(xùn)練集中包括M幅訓(xùn)練圖像Tk, k的取值為1，2，... M，訓(xùn)練圖像Tk的大小為NXN ;對像素Pr進行采樣時，以像素Pr為中心點的圖像塊Pr大小為sXS，r的取值為1，2, ... (N-s+1) X (N-s+1)，圖像塊Pr內(nèi)共有s2個點，以中心點Pr為起點，按照從內(nèi)到外、從上到下的順時針螺旋方式標(biāo)號為0,1,2,... , 2m,m = (sXs_l)/2 ;設(shè)讓=I ;設(shè)『=I,初始的采樣分布為標(biāo)準(zhǔn)的高斯分布Gaussian (0，I)，設(shè)初始的采樣分布為當(dāng)前的采樣分布，將采樣分布的原始范圍[_m，m]記作
；b)將當(dāng)前的采樣分布的零點對應(yīng)訓(xùn)練圖像Tk的圖像塊P,的中心點，離采樣分布中零點近的點對應(yīng)訓(xùn)練圖像Tk的圖像塊已內(nèi)離中心點近的點；c)在當(dāng)前的采樣分布的范圍
內(nèi)2m+l個點中，隨機采樣出n個點[I1,I2, , ln]，對應(yīng)地采樣訓(xùn)練圖像Tk的圖像塊已中標(biāo)號為[I1, I2, , IJ的n個點 [ZVA，...，巧 ]，作為第k次采樣所得的關(guān)鍵點，將標(biāo)號I1, I2,..., In保存到采樣位置矩陣G的第r行；d)求步驟C所得關(guān)鍵點[/VA，…，巧 ]的像素值分別與圖像塊Pr中心點的像素值之間差值的絕對值，并按從小到大的順序排列，將絕對值小的關(guān)鍵點在當(dāng)前的采樣分布中的縱坐標(biāo)點數(shù)增加，將絕對值大的關(guān)鍵點在當(dāng)前的采樣分布中的縱坐標(biāo)點數(shù)減少，增加的縱坐標(biāo)總點數(shù)和減少的縱坐標(biāo)總點數(shù)相等，形成一個新的采樣分布；e)設(shè)r = r+l，以步驟d所得采樣分布為當(dāng)前的采樣分布，返回步驟b對下一像素執(zhí)行采樣，直到r = (N-s+1) X (N-s+1)，得到共有(N-s+1) X (N-s+1)行的采樣位置矩陣G，進入步驟f ；f)設(shè)k = k+l,r = 1，以最近一次執(zhí)行步驟d所得采樣分布為當(dāng)前的采樣分布，返回步驟b利用下一幅訓(xùn)練圖像繼續(xù)采樣，不斷學(xué)習(xí)采樣分布并更新采樣位置矩陣G，直到k=M，訓(xùn)練集中的M幅訓(xùn)練圖像被學(xué)習(xí)完，得到一個最終的采樣位置矩陣G ；步驟2，對訓(xùn)練集中所有訓(xùn)練圖像和測試集中所有測試圖像內(nèi)每個像素h計算相應(yīng)的普通LBP特征；步驟3，利用步驟I所得采樣位置矩陣G對訓(xùn)練集中所有訓(xùn)練圖像和測試集中所有測試圖像內(nèi)每個像素h計算相應(yīng)的自適應(yīng)特征；步驟4，對訓(xùn)練集中所有訓(xùn)練圖像和測試集中所有測試圖像內(nèi)每個像素P,，將步驟2中所得的自適應(yīng)特征與步驟3中所得的普通LBP特征串聯(lián)組合，得到訓(xùn)練集中所有訓(xùn)練圖像和測試集中所有測試圖像的自適應(yīng)紋理特征P_LBP。而且，采樣訓(xùn)練圖像Tk的圖像塊已中標(biāo)號為[I1, 12，. . .，In]的n個點[/V/V...，巧 ]時，采用一維采樣方式，點/ 與中心點!^的偏移坐標(biāo)用A表示，j的取值為1，
2 y n o o本發(fā)明通過利用多幅圖像學(xué)習(xí)出一個采樣分布，利用了采樣位置的先驗知識改變采樣分布，使得關(guān)鍵信息采樣具有隨機性，通過自適應(yīng)的不斷學(xué)習(xí)，從而達到提高對關(guān)鍵信息采樣的準(zhǔn)確性的目的。本發(fā)明提出的一種用于光學(xué)紋理圖像和SAR圖像分類的自適應(yīng)紋理特征描述子，利用圖像先驗不斷學(xué)習(xí)采樣分布，提高光學(xué)紋理圖像和SAR圖像分類正確率，從而提高基于紋理基元特征的分類、分割等圖像處理應(yīng)用的準(zhǔn)確率。


圖I本發(fā)明實施例的流程圖；圖2本發(fā)明實施例的圖像塊內(nèi)標(biāo)號與中心點坐標(biāo)偏移的說明圖3本發(fā)明實施例的采樣分布與圖像塊像素點對應(yīng)說明圖；圖4本發(fā)明實施例的采樣分布學(xué)習(xí)過程；圖5本發(fā)明實施例的特征原理說明圖；圖6本發(fā)明實施例的特征編碼過程圖。
具體實施例方式紋理圖像具有乘性非高斯噪聲和極高信噪比、紋理排列可能隨機性等特點，本發(fā)明提供的自適應(yīng)濾波利用了訓(xùn)練圖像關(guān)鍵信息的先驗知識，對后續(xù)采樣有進一步指導(dǎo)作用。通過學(xué)習(xí)多幅圖像，采樣位置具有隨機性，不斷加強學(xué)習(xí)、采樣，從而達到提高對關(guān)鍵信 息采樣的準(zhǔn)確性的目的，自適應(yīng)紋理特征對光學(xué)紋理圖像和SAR圖像分類有較好的效果。自適應(yīng)濾波方法與LBP算子相同之處在于，也是通過取某個像素點的鄰域中若干關(guān)鍵點，以該像素點的值為閾值求該像素的標(biāo)號，再將標(biāo)號以2的冪為權(quán)重求加權(quán)和作為該像素的標(biāo)號，最后求得標(biāo)號直方圖作為圖像的紋理描述子。不同之處在于，自適應(yīng)濾波方法在求取關(guān)鍵點時，既不是如LBP采用固定的3 X 3 (或其他大小)鄰域，也并非BRIEF采取的在像素點周圍隨機選擇關(guān)鍵點，而是通過對采樣分布進行自適應(yīng)地學(xué)習(xí)，將關(guān)鍵點的位置學(xué)習(xí)出來。這種通過自適應(yīng)學(xué)習(xí)出的關(guān)鍵點，既打破了傳統(tǒng)LBP鄰域選擇的固定性，也避免了 BRIEF特征關(guān)鍵點選擇的隨機性，增強了所得特征的穩(wěn)定性。以下結(jié)合附圖和實施例詳細(xì)說明本發(fā)明技術(shù)方案。本發(fā)明實施例提供的用于光學(xué)紋理圖像和SAR圖像的自適應(yīng)特征提取方法包括以下步驟，流程圖參見圖I :本發(fā)明是針對光學(xué)紋理圖像和SAR圖像提取自適應(yīng)紋理特征，因此訓(xùn)練圖像和測試圖像均為紋理灰度圖像，由于紋理圖像具有乘性非高斯噪聲和極高信噪比，故先將訓(xùn)練圖像和測試圖像進行濾波平滑處理。紋理圖像具有乘性非高斯噪聲和極高信噪比的特點，僅考慮了單個像素點的信息，得到的結(jié)果將會對噪聲十分敏感。因此考慮通過對圖像進行平滑操作來消除這種敏感。平滑處理可分為頻域處理和空域處理兩大類。通常圖像空域平滑處理是用某像素鄰域內(nèi)的各點灰度級平均值來代替該像素原來的灰度級，一般鄰域取為N*N方形窗口，窗口沿水平和垂直兩個方向逐點移動，從而平滑了整幅圖像。鄰域平均法的優(yōu)點是便于實現(xiàn)，計算速度快，結(jié)果令人滿意，在平滑技術(shù)中是一種重要的處理方法。本發(fā)明建議采用簡便的領(lǐng)域平均法。具體實施時，給定一個NXN圖像f(x，y)，產(chǎn)生一個平滑的圖像g(x，y)。平滑的圖像g(x，y)中各像素的灰度由該像素鄰域中各像素灰度的均值來確定的，即g(x，y) = (I/N' ) Ef(x,y)。其中(x, y) G S, S為不包括f (x, y)本身的一個鄰域,N'是S鄰域內(nèi)像素的個數(shù)。然后執(zhí)行以下步驟步驟1，利用訓(xùn)練集中的部分訓(xùn)練圖像學(xué)習(xí)采樣分布，得到采樣位置矩陣G。使用先驗知識指導(dǎo)采樣，能提高對關(guān)鍵信息采樣率，從而提高圖像分類率。本發(fā)明中，對于NXN的圖像，圖像分塊(patch)的尺寸為sX S，則不處于圖像邊緣的內(nèi)部 (N-s+l)*(N-s+l)個像素點分別對應(yīng)了采樣位置矩陣G的(N-s+1) X (N-s+1)行，每行都是在上一行對采樣分布影響后采樣得到的。通過多幅訓(xùn)練圖像，不斷采樣、不斷學(xué)習(xí)得到最終的采樣位置矩陣G。例如，若圖像塊的大小為3x3，則圖像上下左右的第一行是不能作為中心點獲得圖像塊的，如圖像塊的大小為5x5，則圖像上下左右的兩行是不能作為中心點獲得圖像塊的，所以要去除，依次類推。本步驟利用對訓(xùn)練集中圖像的前一次關(guān)鍵點的采樣位置，影響采樣分布，從而影響后一次關(guān)鍵點的采樣位置，分布學(xué)習(xí)過程見圖4:高斯分布中的-m，...，-2，-1,0,1,2， ，m經(jīng)過M幅圖像Tl、T2. TM學(xué)習(xí)，圖像中的(N-s+1) X (N-s+1)個像素點相應(yīng)圖像塊中關(guān)鍵點的采樣位置都被M次調(diào)整，也就是采樣位置矩陣G的(N-s+1) X (N-s+1)行中每一行都被M次調(diào)整。實施例中學(xué)習(xí)采樣分布的實現(xiàn)包括以下步驟a)設(shè)利用訓(xùn)練集中的M幅訓(xùn)練圖像Tk學(xué)習(xí)采樣分布，k的取值為1，2，...M，訓(xùn)練圖像Tk的大小為N X N ;對像素Pr進行采樣時，以像素Pr為中心點的圖像塊Pr大小為S X S，r的取值為1，2，. (N-S+1) X (N-S+1)，圖像塊Pr內(nèi)共有S2個點，以中心點pr為起點，按照從內(nèi)到外、從上到下的順時針螺旋方式標(biāo)號為0,1,2, ... ,2m, m = (sXs_l)/2 ;設(shè)k = I ;設(shè)r = I，初始的采樣分布為標(biāo)準(zhǔn)的高斯分布Gaussian (0，I)，設(shè)初始的采樣分布為當(dāng)前的采樣分布，將采樣分布的原始范圍[_m，m]記作
。按照本領(lǐng)域習(xí)慣，從不處于圖像邊緣的內(nèi)部(N-s+1) X (N-s+1)個像素依次取出進行處理時，按照從左到右從上到下的原則，依次記為Pl、p2、. . . P(N-S+1)X(N-S+1)?，F(xiàn)有紋理基元特征提取時未提取像素的空間分布特性，本發(fā)明提取紋理基元特征時考慮了像素的空間分布特性。具體指像素點的紋理基元不僅由該像素鄰域固定采樣點計算得出，而是在圖像塊中隨機采樣計算出中心像素空間分布特性。每個圖像塊的尺寸為s*s，S 一般建議取5，7，9等奇數(shù)。具體實施時，用于學(xué)習(xí)采樣分布的圖像數(shù)目可根據(jù)圖像應(yīng)用需要而定，理論上，利用的圖像越多，學(xué)習(xí)的采樣分布越準(zhǔn)確，但時間花費也更多，本發(fā)明實施例在對光學(xué)紋理圖像和SAR圖像分類時，從訓(xùn)練集中取10幅訓(xùn)練圖像學(xué)習(xí)分類。m的值由圖像塊的大小決定，如圖像塊大小為9*9，則m = (9*9-1)/2。對于圖像分塊大小s*s，s —般可取值為5，7，9等奇數(shù)，則在學(xué)習(xí)分布的第一步中的m值為(s*s-l)/2，例如在對光學(xué)紋理圖像和SAR圖像分類時，s值取9，則m值為40。b)將當(dāng)前的采樣分布的零點對應(yīng)訓(xùn)練圖像Tk的圖像塊P,的中心點，離采樣分布中零點近的點對應(yīng)訓(xùn)練圖像Tk的圖像塊已內(nèi)離中心點近的點。設(shè)u = (x,y)是圖像塊Pr中任意一點，P(U)為該點的像素值。第一次執(zhí)行步驟b時，設(shè)起始采樣分布為標(biāo)準(zhǔn)的高斯分布Gaussian (0，I)，范圍為[_m，m]，將零點對應(yīng)的中心點，已內(nèi)離中心點近的點對應(yīng)離高斯分布中零點近的點，則以此構(gòu)建了一維采樣分布。圖像塊像素與分布的對應(yīng)關(guān)系如圖3 :圖像塊已中，以中心點為起點，按照從內(nèi)到外、從上到下的順時針螺旋方式標(biāo)號為0,1, 2, , 2m ;聞斯分布中的n, ~m+l， ，_4，-3，-2，-1, 0，1，2，3，4，…，m-l，m對應(yīng)點的取值投影到標(biāo)號為0，I，2，3，4，5，6，7，8， ，2m的分布中。c)在當(dāng)前的采樣分布的范圍
內(nèi)2m+l個點中，隨機采樣出n個點[I1,I2, , ln]，對應(yīng)地采樣訓(xùn)練圖像Tk的圖像塊已中標(biāo)號為[I1, I2, , IJ的n個點[A，/V...，巧 ]，作為第k次采樣所得的關(guān)鍵點，將標(biāo)號I1, I2,..., In保存到采樣位置矩陣G的第r行。對學(xué)習(xí)分布的米樣，米樣方式可分為一維米樣和二維米樣，一維米樣時將中心點外的2m個點標(biāo)號為1,2, ... , 2m,每個標(biāo)號對應(yīng)的是與中心點的偏移坐標(biāo),直接米樣出標(biāo)號，再根據(jù)標(biāo)號獲得偏移坐標(biāo)，然后對圖像處理。二維采樣是分別直接采樣出于中心點偏移的橫、縱坐標(biāo)后對圖像處理。本發(fā)明在對光學(xué)紋理圖像和SAR圖像分類時應(yīng)用的是一維采樣記采樣訓(xùn)練圖像Tk的圖像塊Pr中標(biāo)號為[I1, I2,..., In]的n個點[A，A，...，八]時，采用一維采樣方式。點巧與中心點h的偏移坐標(biāo)用A表示，j的取值為1，2，. . . n。如圖2，中心點0外的8個點標(biāo)號為1，2，...，8，分別與中心點的坐標(biāo)偏移為(_1，0)，(-1,1), (0，
1)，(1,1), (1,0), (1,-1), (0,-1), (_1，-1)。若圖像塊的尺寸大于3X3，從點9開始繼續(xù)標(biāo)號。d)求步驟c所得關(guān)鍵點[/VA，...，巧 ]的像素值分別與圖像塊Pr中心點的像素值 之間差值的絕對值，并按從小到大的順序排列，將絕對值小的關(guān)鍵點在當(dāng)前的采樣分布中的縱坐標(biāo)點數(shù)增加，將絕對值大的關(guān)鍵點在當(dāng)前的采樣分布中的縱坐標(biāo)點數(shù)減少，增加的縱坐標(biāo)總點數(shù)和減少的縱坐標(biāo)總點數(shù)相等,形成一個新的采樣分布,例如n = 8時,對采樣出來的8個關(guān)鍵點，按距離從小到大排序后，記為al，a2, , a8，減少絕對值大的關(guān)鍵點a5，a6，a7，a8在當(dāng)前的采樣分布中的縱坐標(biāo)點數(shù)減少5%，相應(yīng)將減少絕對值小的關(guān)鍵點al, a2，a3，a4在當(dāng)前的采樣分布中的縱坐標(biāo)點數(shù)增加5%，形成一個新的采樣分布。具體調(diào)整方式本領(lǐng)域人員可以自行根據(jù)情況設(shè)定。求這些關(guān)鍵點的像素值與中心點像素值差值的絕對值，并按從小到大的順序排列。假設(shè)排列后得到的關(guān)鍵點對應(yīng)的標(biāo)號為[13，12，. . .，1N-2，1N]，由于像素值差值的絕對值表示該點與中心像素點的差異，絕對值越小，差異越小，該點相對中心點的重要性就越大。因此，將差值絕對值小的13，I2等點在原始高斯分布中的點數(shù)增加，同時將差值絕對值大的lN-2> In等點在原始聞斯分布中的點數(shù)減少，總增加和總減少的點數(shù)相等以保持聞斯分布函數(shù)總點數(shù)的平衡。改變這些標(biāo)號對應(yīng)的點數(shù)后，原始高斯分布將發(fā)生改變，形成一個新的分布。e)設(shè)r = r+l，以步驟d所得采樣分布為當(dāng)前的采樣分布，返回步驟b對下一像素執(zhí)行采樣，直到r = (N-s+1) X (N-s+1)，得到共有(N-s+1) X (N-s+1)行的采樣位置矩陣G，進入步驟f。r = (N-s+1) X (N-s+1)時，說明對當(dāng)前的訓(xùn)練圖像學(xué)習(xí)完畢，進入步驟f，學(xué)習(xí)下
一幅訓(xùn)練圖像。f)設(shè)k = k+l,r = 1，以最近一次執(zhí)行步驟d所得采樣分布為當(dāng)前的采樣分布，返回步驟b利用下一幅訓(xùn)練圖像繼續(xù)采樣，不斷學(xué)習(xí)采樣分布并更新采樣位置矩陣G，直到k=M，訓(xùn)練集中的M幅訓(xùn)練圖像被學(xué)習(xí)完，得到一個最終的采樣位置矩陣G。本步驟令r = 1，從下一幅訓(xùn)練圖像的像素P1開始，基于上一幅訓(xùn)練圖像學(xué)習(xí)后的采樣分布繼續(xù)學(xué)習(xí)。每次執(zhí)行步驟c時，根據(jù)當(dāng)前的采樣分布得到第k次采樣所得的關(guān)鍵點，更新到采樣位置矩陣G的第r行，覆蓋第k-1次采樣所得的關(guān)鍵點。在步驟I學(xué)習(xí)得到采樣位置矩陣G后，對任意圖像執(zhí)行以下步驟都可以提取自適應(yīng)紋理特征。本發(fā)明提出對訓(xùn)練集中所有訓(xùn)練圖像和測試集中所有測試圖像執(zhí)行步驟2、3、4，以完整提供自適應(yīng)紋理特征，便于后續(xù)分類使用。步驟2，對訓(xùn)練集中所有訓(xùn)練圖像和測試集中所有測試圖像內(nèi)每個像素^計算相應(yīng)的普通LBP特征。如圖5所示，對圖像內(nèi)每個像素計算相應(yīng)的普通LBP特征，r的取值為1，2,... (N-s+1) X (N-s+1)。假設(shè)以像素Pr為中心點的圖像塊Pr中采樣像素點數(shù)為n個，SP與學(xué)習(xí)采用分布時圖像塊設(shè)置大小S、從采樣分布中隨機采樣出的點數(shù)n—致，令g。表示中心點像素的灰度，g1 K，8 表示像素Pi周圍鄰域的采樣像素的灰度，則中心點像素的LBP標(biāo)號LBPp, K(x，y)可以表示為
權(quán)利要求
1.一種用于光學(xué)紋理圖像和SAR圖像的自適應(yīng)特征提取方法，其特征在于包括以下步驟 步驟1，利用訓(xùn)練集中的部分訓(xùn)練圖像學(xué)習(xí)采樣分布，得到采樣位置矩陣G ;學(xué)習(xí)采樣分布的實現(xiàn)包括以下步驟 a)設(shè)利用訓(xùn)練集中的M幅訓(xùn)練圖像Tk學(xué)習(xí)采樣分布，k的取值為1，2，...M，訓(xùn)練圖像Tk的大小為NXN ;對像素Pr進行采樣時，以像素Pr為中心點的圖像塊Pr大小為sXs，r的取值為1，2，. . (N-s+1) X (N-s+1)，圖像塊Pr內(nèi)共有S2個點，以中心點Pr為起點，按照從內(nèi)到外、從上到下的順時針螺旋方式標(biāo)號為0,1,2, ... ,2m, m = (sXs_l)/2 ;設(shè)k = I ;設(shè)r=1，初始的采樣分布為標(biāo)準(zhǔn)的高斯分布Gaussian (0，I)，設(shè)初始的采樣分布為當(dāng)前的采樣分布，將采樣分布的原始范圍[_m，m]記作
； b)將當(dāng)前的采樣分布的零點對應(yīng)訓(xùn)練圖像Tk的圖像塊己的中心點，離采樣分布中零點近的點對應(yīng)訓(xùn)練圖像Tk的圖像塊已內(nèi)離中心點近的點； c)在當(dāng)前的采樣分布的范圍
內(nèi)2m+l個點中，隨機采樣出n個點[I1,I2,,IJ，對應(yīng)地采樣訓(xùn)練圖像Tk的圖像塊Pr中標(biāo)號為[Iply^ln]的n個點[A，/V...，巧 ]，作為第k次采樣所得的關(guān)鍵點，將標(biāo)號I1, I2,..., In保存到采樣位置矩陣G的第r行； d)求步驟c所得關(guān)鍵點[A，A，...，八]的像素值分別與圖像塊已中心點的像素值之間差值的絕對值，并按從小到大的順序排列，將絕對值小的關(guān)鍵點在當(dāng)前的采樣分布中的縱坐標(biāo)點數(shù)增加，將絕對值大的關(guān)鍵點在當(dāng)前的采樣分布中的縱坐標(biāo)點數(shù)減少，增加的縱坐標(biāo)總點數(shù)和減少的縱坐標(biāo)總點數(shù)相等，形成一個新的采樣分布； e)設(shè)r= r+1,以步驟d所得采樣分布為當(dāng)前的采樣分布，返回步驟b對下一像素執(zhí)行采樣，直到r= (N-s+l)X(N-s+l)，得到共有(N-s+1) X (N-s+1)行的采樣位置矩陣G，進入步驟f ; f)設(shè)k= k+l，r= 1，以最近一次執(zhí)行步驟d所得采樣分布為當(dāng)前的采樣分布，返回步驟b利用下一幅訓(xùn)練圖像繼續(xù)采樣，不斷學(xué)習(xí)采樣分布并更新采樣位置矩陣G，直到k = M，訓(xùn)練集中的M幅訓(xùn)練圖像被學(xué)習(xí)完，得到一個最終的采樣位置矩陣G ； 步驟2，對訓(xùn)練集中所有訓(xùn)練圖像和測試集中所有測試圖像內(nèi)每個像素&計算相應(yīng)的普通LBP特征； 步驟3，利用步驟I所得采樣位置矩陣G對訓(xùn)練集中所有訓(xùn)練圖像和測試集中所有測試圖像內(nèi)每個像素h計算相應(yīng)的自適應(yīng)特征； 步驟4，對訓(xùn)練集中所有訓(xùn)練圖像和測試集中所有測試圖像內(nèi)每個像素h，將步驟2中所得的自適應(yīng)特征與步驟3中所得的普通LBP特征串聯(lián)組合，得到訓(xùn)練集中所有訓(xùn)練圖像和測試集中所有測試圖像的自適應(yīng)紋理特征P_LBP。
2.如權(quán)利要求I所述的自適應(yīng)紋理特征提取方法，其特征在于采樣訓(xùn)練圖像Tk的圖像塊Pr中標(biāo)號為[IijI2,. . . ,In]的n個點[/VA，…，巧 ]時，采用一維采樣方式，點A與中心點的偏移坐標(biāo)用A表示，j的取值為1，2，... n。
全文摘要
本發(fā)明涉及一種用于光學(xué)紋理圖像和SAR圖像的自適應(yīng)特征提取方法，包括對訓(xùn)練集中多幅圖像學(xué)習(xí)采樣位置，進而不斷學(xué)習(xí)出采樣分布；對學(xué)習(xí)的采樣分布利用自適應(yīng)濾波對圖像塊進行采樣編碼，提取自適應(yīng)特征；將該自適應(yīng)特征與原始LBP特征串聯(lián)組合，即為圖像的自適應(yīng)紋理特征描述。本發(fā)明融合了圖像的分布特性、空間特性，利用了圖像的先驗知識學(xué)習(xí)，通過自適應(yīng)采樣的隨機性，從而克服了普通LBP特征采樣固定性的缺陷，提高光學(xué)紋理圖像和SAR圖像的分類正確率，進而提高基于紋理特征的分類、分割等圖像處理應(yīng)用的準(zhǔn)確率。
文檔編號G06K9/62GK102663436SQ20121013455
公開日2012年9月12日 申請日期2012年5月3日 優(yōu)先權(quán)日2012年5月3日
發(fā)明者何楚, 廖紫纖, 石博, 許連玉 申請人:武漢大學(xué)