基于方位選擇性的灰度圖像紋理特征提取的方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，特別涉及一種灰度圖像的紋理特征提取方法可 用于圖像分類。 技術(shù)背景
[0002] 隨著網(wǎng)絡(luò)技術(shù)和多媒體技術(shù)日益飛速的發(fā)展，大量不同類型的圖像數(shù)據(jù)涌現(xiàn)在互 聯(lián)網(wǎng)上。而圖像數(shù)據(jù)又具有一些常規(guī)數(shù)據(jù)所不具備的特點(diǎn)，如：格式不統(tǒng)一，信息內(nèi)容豐富 多樣性，以及時空二維性等。因此如何能夠很好地完成圖像的分類，已經(jīng)成為當(dāng)前一個熱門 研宄課題。
[0003] 紋理特征是圖像的重要特征，因?yàn)樵谧匀唤缰袕V泛存在著紋理，它是所有物體表 面所具有的一種內(nèi)在特性。不依賴于亮度或顏色變化的紋理，是一種視覺特征，能夠表現(xiàn)出 圖像中的同質(zhì)現(xiàn)象，圖像像素領(lǐng)域灰度空間具備的分布規(guī)律也能被刻畫出來，因此紋理具 有十分重要的理論和應(yīng)用價值。
[0004] 芬蘭University of Oulu, Timo Ojala教授，在分析比對了基于Laws紋理能量、 灰度共生矩陣、灰度級的紋理算子、灰度矩陣、中心對稱協(xié)方差等紋理算子之后，于1996年 提出了局部二值模式LBP特征算子用來描述圖像紋理。并且由于LBP算子具備計(jì)算過程簡 單、紋理鑒別能力突出等諸多優(yōu)點(diǎn)，從出現(xiàn)開始便一直被人們廣泛研宄并使用。特別是2002 年 Timo Ojala在 IEEE TPAMI 上發(fā)表的文章 "Multiresolution Gray-Scale and Rotation Invariant Texture Classification with Local Binary Patterns"后這種算子更加被人 所知。在LBP算子提出后，Timo Ojala教授就不斷針對原有算子的各種缺點(diǎn)，提出各種不 同改進(jìn)和優(yōu)化方法，從而得到諸如半徑為R的圓形區(qū)域內(nèi)含有P個采樣點(diǎn)的LBP算子、LBP 旋轉(zhuǎn)不變模式、LBP等價模式等等。但是LBP有一個較大缺陷限制了它的應(yīng)用，那就是它對 噪聲敏感，提取的紋理特性在對含噪聲的圖像進(jìn)行分類時效果較差，不適用于處理含噪聲 圖像的分類問題。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于針對上述已有技術(shù)的缺陷，提出一種基于方向選擇性的紋理提 取方法，以降低噪聲對圖像分類的干擾，提高含噪聲圖像的分類效果。
[0006] 本發(fā)明的技術(shù)方案是這樣實(shí)現(xiàn)的：
[0007] 本發(fā)明的思路是：根據(jù)人類的初級視皮層對于視覺信息的提取具有顯著的方向選 擇性特點(diǎn)，在對圖像進(jìn)行紋理分類時，綜合考慮圖像中局部區(qū)域的空間相關(guān)性和灰度變化 情況這兩個因素，其實(shí)現(xiàn)方案如下：
[0008] 技術(shù)方案一：
[0009] 一種基于方向選擇性的紋理特征提取方法，包括如下步驟：
[0010] (1)輸入大小為NXN的待處理圖像J·，依據(jù)視神經(jīng)的方位選擇原理模擬出任 一像素點(diǎn)X，X e Jiwxw的空間結(jié)構(gòu)分布特性：TOO = τ(χ|幻=Α〇€(χ^))，其中滅= {Xp X2;…，xn}是從該像素點(diǎn)x周圍圓形區(qū)域中選取的n個像素點(diǎn)的集合，X i表示第i 個像素點(diǎn)。c/Z(〇代表括號內(nèi)響應(yīng)的一種編排方式，X(xN)代表該像素點(diǎn)X與其周圍區(qū)域像 素點(diǎn)的集合32間的相互作用類型；
[0011] (2)判定像素點(diǎn)X的空間結(jié)構(gòu)分布；P(x);
[0012] (2a)計(jì)算像素點(diǎn)X的方位角：
[0013]
【主權(quán)項(xiàng)】
1. 一種基于方向選擇性的紋理特征提取方法，包括如下步驟： (1) 輸入大小為NXN的待處理圖像？，依據(jù)視神經(jīng)的方位選擇原理模擬出任 一像素點(diǎn)X，X e ：FWXW的空間結(jié)構(gòu)分布特性：：P(x) = ；P(x|：?2) = c/Z(￡(x|；72))，其中 W = (X1A2,％…,xn}是從該像素點(diǎn)X周圍圓形區(qū)域中選取的η個像素點(diǎn)的集合，\表 示第i個像素點(diǎn)。4(0表括號內(nèi)響應(yīng)的一種編排方式，代表該像素點(diǎn)X與其周圍區(qū) 域像素點(diǎn)的集合Wl間的相互作用類型； (2) 判定像素點(diǎn)X的空間結(jié)構(gòu)分布:P(x); (2a)計(jì)算像素點(diǎn)X的方位角：
其中Gv(x)，Gh(X)分別表示經(jīng)過Prewitt算子邊緣檢測的圖像沿垂直方向和水平方向 的梯度幅值，Gv=：F*fv ，Gh=：F*fh，其中，
I垂直方向的Prewitt算子
是水平方向的 Prewitt算子，代表卷積運(yùn)算； (2b)設(shè)定方位角判別閾值：T = 6°，將像素點(diǎn)X的方位角θ (X)與其周圍區(qū)域像素 點(diǎn)集合戈中每一個像素點(diǎn)方位角Θ (Xi)之差的絕對值I Θ (X)-Θ (Xi) I與!T值進(jìn)行比 較： 若兩個像素點(diǎn)的方位角之差的絕對值小于閾值：T時，則確定這兩者之間的相互作用關(guān) 系為激勵類型，用'1'表示；否則，確定這兩者之間的相互作用關(guān)系為抑制類型，用'0'表 示； 由η個' Γ、'0'值的分布情況確定像素點(diǎn)X與周圍η個像素點(diǎn)的作用類型X(xP)，得 到像素點(diǎn)X的空間結(jié)構(gòu)分布 (3) 將像素點(diǎn)X的空間結(jié)構(gòu)分布^&)歸納為η種基于方向選擇性模式:Pn: (3a)根據(jù)周圍區(qū)域像素點(diǎn)集合滅中像素點(diǎn)的個數(shù)η，按角度大小將360度圓形局部區(qū) 域劃分為η類，每類對應(yīng)的角度為2^，j = 〇、l、"·、η-1，把這η類定義成η種基于方 TL 向選擇性模式：Pn; (3b)取所有由激勵'1'包圍的區(qū)域，從中選取最大的區(qū)域，該最大區(qū)域要滿足區(qū)域外 不能包含激勵'1'，將最大區(qū)域?qū)?yīng)的角度與（3a)中η種分類的基于方向選擇性模式:5^的 角度進(jìn)行匹配，匹配成功的TOO歸入到相應(yīng)的模式：P n; (4) 根據(jù)步驟（2a)中已經(jīng)算出的梯度幅值Gh(X)和匕〇〇,計(jì)算像素點(diǎn)X的灰度變化 值：JVf(X) = V(Gh(x))2 + (Gv(x))2； (5)直接統(tǒng)計(jì)像素點(diǎn)X的空間結(jié)構(gòu)模式：P(x)的數(shù)量，繪制紋理直方圖： (5a)根據(jù)步驟（3b)歸類的結(jié)果，直接統(tǒng)計(jì)圖像：F中所有符合η種分類中第k種基于方 向選擇性模式Pfc的空間結(jié)構(gòu)分布的數(shù)量H(k):
其中5(：P(X),；Pk) = U ifJ』x)=pk，N表示輸入圖像的大小，ke (1~η); (5b)將H(k)占空間結(jié)構(gòu)分布總數(shù)量的百分比用MATLAB工具繪制成紋理直方圖，該紋 理直方圖即為圖像進(jìn)行紋理特征提取的結(jié)果。
2. 根據(jù)權(quán)利要求1所述的方法，其中步驟（3b)所述的將最大區(qū)域?qū)?yīng)的角度與（3a) 中η種分類的基于方向選擇性模式;3^的角度進(jìn)行匹配，是先將所有以'1'為首尾包圍的區(qū) 域列出，從中找出面積最大的區(qū)域；再將該區(qū)域?qū)?yīng)的角度與已分類的η種基于方向選擇 性模式；Ρ ηΙ的角度一一對比，角度相同的匹配在一起，即相應(yīng)的空間結(jié)構(gòu)分布P(X),屬于匹 配的方向選擇性模式：Pn。
3. -種基于方向選擇性的紋理特征提取方法，包括如下步驟： 1) 輸入大小為NXN的待處理圖像T，依據(jù)視神經(jīng)的方位選擇原理模擬出任一像 素點(diǎn)X，X E Jlivxiv的空間結(jié)構(gòu)分布特性：POO = P(XlW) = AaOm)，其中：R = (X1.x2>···.Xi.~;x n}是從該像素點(diǎn)X周圍圓形區(qū)域中選取的η個像素點(diǎn)的集合，Xi表示第 i個像素點(diǎn)。d(_)代表括號內(nèi)響應(yīng)的一種編排方式，￡(x|；72)'代表該像素點(diǎn)X與其周圍區(qū)域 像素點(diǎn)的集合W間的相互作用類型； 2) 判定像素點(diǎn)X的空間結(jié)構(gòu)分布:P(x); 2a)計(jì)算像素點(diǎn)X的方位角：
其中Gv(x)，Gh(x)分別表示經(jīng)過Prewitt算子邊緣檢測的圖像沿垂直方向和水平方向 的梯度幅值，Gv = J7 * fv ，Gj1 = iF * fh，其中，
是垂直方向的Prewitt算子， ：是水平方向的 Prewitt算子，代表卷積運(yùn)算； 2b)設(shè)定方位角判別閾值：T = 6°，將像素點(diǎn)X的方位角θ (X)與其周圍區(qū)域像素點(diǎn) 集合滅中每一個像素點(diǎn)\的方位角Θ (Xi)之差的絕對值I θ (χ)-θ (Xi) I與；Γ值進(jìn)行比 較： 若兩個像素點(diǎn)的方位角之差的絕對值小于閾值時，則確定這兩者之間的相互作用關(guān) 系為激勵類型，用'1'表示；否則，確定這兩者之間的相互作用關(guān)系為抑制類型，用'0'表 示； 由η個'1'、'0'值的分布情況確定像素點(diǎn)X與周圍η個像素點(diǎn)的作用類型X(xP)，得 到像素點(diǎn)X的空間結(jié)構(gòu)分布75以)； 3) 將像素點(diǎn)X的空間結(jié)構(gòu)分YliP(X)歸納為η種基于方向選擇性模式: 3a)根據(jù)周圍區(qū)域像素點(diǎn)集合中像素點(diǎn)的個數(shù)n，按角度大小將360度圓形局部區(qū) 域劃分為η類，每類對應(yīng)的角度為j = 0、l、"·、η-1，把這η類定義成η種基于方 向選擇性模式 3b)取所有由激勵'1'包圍的區(qū)域，從中選取最大的區(qū)域，該最大區(qū)域要滿足區(qū)域外不 能包含激勵'1'，將最大區(qū)域?qū)?yīng)的角度與（3a)中η種分類的基于方向選擇性模式:P"的角 度進(jìn)行匹配，匹配成功的W(X)歸入到相應(yīng)的模式 4) 根據(jù)步驟（2a)中已經(jīng)算出的梯度幅值Gh(X)和匕〇〇,計(jì)算像素點(diǎn)X的灰度變化值： M(x) = ^/(Gh(X)Y+ (Gv(X)Y-, 5) 將像素點(diǎn)X空間結(jié)構(gòu)模式T(X)和灰度變化值·Μ'(χ)結(jié)合，繪制成紋理直方圖： 首先，加入灰度變化值M(X)，統(tǒng)計(jì)圖像^中所有符合η種分類中第k種基于方向選擇 性模式:爐啲空間結(jié)構(gòu)分布的數(shù)量扎(1〇 : Hw (k) = Σχ=ι w (χ) δ (J3(X)jJ3k), 其中W(X)是根據(jù)像素點(diǎn)X的灰度變化值設(shè)定的加權(quán)值，為簡化計(jì)算直接取W(X) =3f(x);
4表示輸入圖像的大小，k e (1~η); 然后，將Hw(k)占空間結(jié)構(gòu)分布總數(shù)量的百分比用MATLAB工具繪制成加權(quán)的紋理直方 圖。最后得到的加權(quán)紋理直方圖即為圖像進(jìn)行紋理特征提取的結(jié)果。
【專利摘要】本發(fā)明公開了一種基于方向選擇性的紋理特征提取方法，主要解決現(xiàn)有方法LBP在對含噪聲圖像進(jìn)行紋理分類時效果差的問題。其實(shí)現(xiàn)步驟是：1.依據(jù)視神經(jīng)的方位選擇原理模擬圖像像素點(diǎn)的空間結(jié)構(gòu)分布；2.通過像素點(diǎn)間的方位角差值與設(shè)定閾值的比較來確定像素點(diǎn)的空間結(jié)構(gòu)分布；3.將所有像素點(diǎn)的空間結(jié)構(gòu)分布，歸納為幾種基于方向選擇性模式；4.計(jì)算每個像素點(diǎn)的灰度變化值；5.統(tǒng)計(jì)圖像中屬于某種模式的空間結(jié)構(gòu)分布數(shù)量，繪制紋理直方圖，并與灰度變化值結(jié)合，繪制加權(quán)紋理直方圖。本發(fā)明通過模擬人類視神經(jīng)對方位的選擇敏感性，降低了噪聲對圖像紋理分類的干擾，可用于圖像分類、圖像理解等相關(guān)的圖像處理和計(jì)算機(jī)視覺。
【IPC分類】G06K9-46, G06K9-62
【公開號】CN104732238
【申請?zhí)枴緾N201510155433
【發(fā)明人】吳金建, 萬文菲, 張亞中, 石光明
【申請人】西安電子科技大學(xué)
【公開日】2015年6月24日
【申請日】2015年4月2日