基于局部二值模式和Zernike矩的紋理圖像分類方法及系統(tǒng)的制作方法
【專利摘要】本發(fā)明提出一種基于局部二值模式和Zernike矩的紋理圖像分類方法及系統(tǒng)，其中方法包括以下步驟：輸入待分類紋理圖像；分別提取待分類圖像和訓練圖像的局部二值模式旋轉不變量紋理特征和Zernike矩旋轉不變量形狀特征，其中，局部二值模式旋轉不變量紋理特征包括信號、幅值和方向三種；將局部二值模式的信號和幅值旋轉不變量紋理特征與Zernike矩旋轉不變量形狀特征進行組合；根據(jù)組合結果分別計算待分類圖像與訓練圖像的卡方距離；以及根據(jù)局部二值模式的方向旋轉不變量紋理特征對上述卡方距離進行修正，并選擇距離最小的訓練圖像所屬類別作為待分類圖像的類別。根據(jù)本發(fā)明實施例的方法，通過旋轉不變特性使紋理圖像的紋理信息更加豐富和魯棒，提高了分類的準確性。
【專利說明】基于局部二值模式和Zern i ke矩的紋理圖像分類方法及系

統(tǒng)【技術領域】
[0001]本發(fā)明涉及圖像識別【技術領域】，特別涉及一種基于局部二值模式和Zernike矩的紋理圖像分類方法及系統(tǒng)。
【背景技術】
[0002]紋理分類是圖像處理與模式識別中的熱門課題之一，在目標的跟蹤、識別、遙感以及基于相似性的檢索等應用領域中起著至關重要的作用。[0003]由于紋理表觀的非一致性、光照變化和多變性等原因，直接分析實物的紋理非常困難。早期階段，研究者主要利用統(tǒng)計特征分類紋理圖像，其中共生矩陣統(tǒng)計方法是最早用來描述紋理特征的方法。
[0004]上世紀九十年代，Gabor小波作為紋理分析的重要工具之一，盡管這些方法都獲得了優(yōu)秀的表現(xiàn)，但是一般情況下都是基于如下的假設下完成的，即訓練樣本與測試樣本具有相同或相近的方向，或者從相同的視角捕獲等。但是在實際應用中，這種假設很難得到保證?；谡J知理論和實際的經(jīng)驗，人們驚奇的發(fā)現(xiàn)，不管紋理圖像如何旋轉，人類都可以將其進行準確地分類，由此可見，旋轉不變量紋理分析無論在理論研究還是實際應用中都有重要的需求和意義。
[0005]人們逐漸開始關注旋轉不變量紋理分析，其中圓形自回歸模型被最先用于研究旋轉不變量紋理分類的方法。隨后還出現(xiàn)了隱馬爾可夫、小波分析、分型分析、仿射變換等很多被用于探索旋轉不變量紋理分類的有效工具。
[0006]LBPdocal binary pattern)是公認的高效紋理分析工具之一，并且具有旋轉不變的屬性。該工具利用中心像素與近鄰像素之間灰度差異的統(tǒng)計信息來描述圖像的紋理特征，但是現(xiàn)有的LBP紋理描述只考慮了這種差異變化的現(xiàn)象，即，近鄰像素比中心像素高，就設為1，反之，就設為0，究竟變化多少則不做關注，并且對于圖像的方向信息也沒有加以考慮。
[0007]現(xiàn)有方法中LBP雖然在紋理圖像分類中有很好的表現(xiàn)，但是它只描述了圖像局部灰度值的差異，卻缺乏圖像整體的形狀和空間表示，因此，對問題圖像的描述不夠全面，且其分類結果不夠準確。

【發(fā)明內(nèi)容】

[0008]本發(fā)明的目的旨在至少解決上述的技術缺陷之一。
[0009]為此，本發(fā)明的一個目的在于提出一種基于局部二值模式和Zernike矩的紋理圖像分類方法。
[0010]本發(fā)明的另一目的在于提出一種基于局部二值模式和Zernike矩的紋理圖像分類系統(tǒng)。
[0011]為達到上述目的，本發(fā)明一方面的實施例提出一種基于局部二值模式和Zernike矩的紋理圖像分類方法，包括以下步驟:
[0012]輸入待分類的紋理圖像；分別根據(jù)局部二值模式和Zernike矩提取所述待分類紋理圖像和訓練紋理圖像的局部二值模式旋轉不變量紋理特征和Zernike矩旋轉不變量形狀特征，其中，所述局部二值模式旋轉不變量紋理特征包括信號旋轉不變量紋理特征、幅值旋轉不變量紋理特征和方向旋轉不變量紋理特征；將所述局部二值模式的信號旋轉不變量紋理特征、幅值旋轉不變量紋理特征和所述Zernike矩旋轉不變量形狀特征進行組合；根據(jù)組合結果分別計算所述待分類紋理圖像與訓練紋理圖像的卡方距離；以及根據(jù)所述局部二值模式的方向旋轉不變量紋理特征對所述待分類紋理圖像與訓練紋理圖像的卡方距離進行修正，并選擇距離最小的訓練圖像的所屬類別作為所述待分類紋理圖像的類別。
[0013]根據(jù)本發(fā)明實施例的方法，通過獲得局部二值模式的旋轉不變量紋理特征以及Zernike矩旋轉不變量形狀特征，并利用其旋轉不變特性使紋理圖像的紋理信息更加豐富和魯棒，并且采用局部二值模式的方向旋轉不變量紋理特征對分類器進行修正，提高了分類的準確性。
[0014]在本發(fā)明的一個實施例中，所述組合結果通過如下公式表示，所述公式為，
【權利要求】
1.一種基于局部二值模式和Zernike矩的紋理圖像分類方法，其特征在于，包括以下步驟: 輸入待分類的紋理圖像； 分別根據(jù)局部二值模式和Zernike矩提取所述待分類紋理圖像和訓練紋理圖像的局部二值模式旋轉不變量紋理特征和Zernike矩旋轉不變量形狀特征，其中，所述局部二值模式旋轉不變量紋理特征包括信號旋轉不變量紋理特征、幅值旋轉不變量紋理特征和方向旋轉不變量紋理特征； 將所述局部二值模式的信號旋轉不變量紋理特征、幅值旋轉不變量紋理特征和所述Zernike矩旋轉不變量形狀特征進行組合； 根據(jù)組合結果分別計算所述待分類紋理圖像與訓練紋理圖像的卡方距離；以及 根據(jù)所述局部二值模式的方向旋轉不變量紋理特征對所述待分類紋理圖像與訓練紋理圖像的卡方距離進行修正，并選擇距離最小的訓練圖像的所屬類別作為所述待分類紋理圖像的類別。
2.如權利要求1所述的基于局部二值模式和Zernike矩的紋理圖像分類方法，其特征在于，所述組合結果通過如下公式表示，所述公式為，
3.如權利要求1所述的基于局部二值模式和Zernike矩的紋理圖像分類方法，其特征在于，所述Zernike矩旋轉不變量形狀特征通過如下同時表示,所述公式為，
4.如權利要求1所述的基于局部二值模式和Zernike矩的紋理圖像分類方法，其特征在于，所述待分類紋理圖像與訓練圖像的卡方距離通過如下公式表示，所述公式為，
5.如權利要求1所述的基于局部二值模式和Zernike矩的紋理圖像分類方法，其特征在于，通過如下公式對待分類紋理圖像與訓練紋理圖像的卡方距離進行修正，所述公式為，
D' (Train, Test) =D* (l+cl*exp (_c2* U2))* (l+cl*exp (_c2* o 2)), 其中，cl和c2為參數(shù)，ii和o為局部二值模式的方向旋轉不變量紋理特征，D為待分類紋理圖像與訓練圖像的卡方距離。
6.一種基于局部二值模式和Zernike矩的紋理圖像分類系統(tǒng)，其特征在于，包括:輸入模塊，用于輸入待分類的紋理圖像； 提取模塊，用于分別根據(jù)局部二值模式和Zernike矩提取所述待分類紋理圖像和訓練紋理圖像的局部二值模式旋轉不變量紋理特征和Zernike矩旋轉不變量形狀特征，其中，所述局部二值模式旋轉不變量紋理特征包括信號旋轉不變量紋理特征、幅值旋轉不變量紋理特征和方向旋轉不變量紋理特征； 組合模塊，用于將所述局部二值模式的信號旋轉不變量紋理特征、幅值旋轉不變量紋理特征和所述Zernike矩旋轉不變量形狀特征進行組合； 計算模塊，用于根據(jù)組合結果分別計算所述待分類紋理圖像與訓練紋理圖像的卡方距離；以及 分類模塊，用于根據(jù)所述局部二值模式的方向旋轉不變量紋理特征對所述待分類紋理圖像與訓練紋理圖像的卡方距離進行修正，并選擇距離最小的訓練圖像的所屬類別作為所述待分類紋理圖像的類別。
7.如權利要求6所述的基于局部二值模式和Zernike矩的紋理圖像分類系統(tǒng)，其特征在于，所述組合結果通過如下公式表示，所述公式為，
8.如權利要求6所述的基于局部二值模式和Zernike矩的紋理圖像分類系統(tǒng)，其特征在于，所述Zernike矩旋轉不變量形狀特征通過如下同時表示,所述公式為，
9.如權利要求6所述的基于局部二值模式和Zernike矩的紋理圖像分類系統(tǒng)，其特征在于，所述紋理圖像與訓練圖像的卡方距離通過如下公式表示，所述公式為，
10.如權利要求6所述的基于局部二值模式和Zernike矩的紋理圖像分類系統(tǒng)，其特征在于，分類模塊通過如下公式對待分類紋理圖像與訓練紋理圖像的卡方距離進行修正，所述公式為，
D' (Train, Test) =D* (l+cl*exp (_c2* U2))* (l+cl*exp (_c2* o 2)), 其中，cl和c2為參數(shù)，ii和o為局部二值模式的方向旋轉不變量紋理特征，D為待分類紋理圖像與訓練圖像的卡方距離。
【文檔編號】G06K9/62GK103530645SQ201310451107
【公開日】2014年1月22日 申請日期:2013年9月25日 優(yōu)先權日:2013年9月25日
【發(fā)明者】王瑜, 陳誼 申請人:北京工商大學