基于局部方向纹理谱描述符的图像检索

提出了一种改进的局部方向纹理谱描述符。根据图像局部邻域中心像素及与其相对像素间的灰度关系及灰度差异关系来定义局部区域纹理方向,在此基础上结合中心对称局部二值模式的定义给出了新的局部方向纹理谱的定义。新描述符在不增加特征维数的基础上,更好地融入了局部纹理信息。采用不同图像库及不同评价准则进行图像检索对比实验,结果表明,该方法取得了较好的检索效果。     

一种新的局部纹理描述模式

提出一种新的图像局部纹理模式描述方法.首先通过比较8-邻域内像素灰度与邻域灰度均值的关系,对8-邻域进行二值化;然后将与邻域中心像素相对的水平、竖直及对角四个方向所得到的二进制序列的值和相应的权值模板对应相乘求和,就得到新的局部纹理模式;同时,文中对新纹理描述模式进行了进一步增强处理,兼顾了局部邻域的高频及低频特征.采用不同图像库进行实验,结果表明,新纹理模式的检索性能明显优于文中提到的其它方法,而且其特征维数还不到其它描述符维数的一半.     

基于增强纹理谱描述符的图像检索①

提出了一种从图像低频信息提取纹理特征的方法。首先根据图像局部区域灰度均值与全局灰度均值间的关系,获取反映图像低频信息的二值图像;然后基于该二值图像,采用类似灰度共生矩阵的方法描述其纹理特征。实验结果表明,采用文中方法结合传统纹理谱描述符可有效提高图像检索的效率。     

基于增强纹理谱描述符的图像检索①

提出了一种从图像低频信息提取纹理特征的方法。首先根据图像局部区域灰度均值与全局灰度均值间的关系,获取反映图像低频信息的二值图像;然后基于该二值图像,采用类似灰度共生矩阵的方法描述其纹理特征。实验结果表明,采用文中方法结合传统纹理谱描述符可有效提高图像检索的效率。     

加权的多尺度多分辨率人脸描述与识别方法

为克服人脸表情、光照变化等对图像中人脸识别结果的影响,文中提出一种加权的多尺度多分辨率人脸描述与识别方法.首先使用多分辨率分析分解图像为子带图像,并选择3个不同尺度的低频子带图像构建多尺度和多分辨率图像序列.然后针对图像序列的每幅图像编码人脸局部区域的中心像素与其邻域像素的灰度差的符号分量,体现人脸局部结构的重要性.再利用人脸局部区域中心像素与邻域像素的灰度差的幅值分量作为像素局部二值模式的权重.最后利用块Fisher线性判别降低特征描述符的维数,同时增强判别能力.在ORL和FERET人脸库上的实验表明该方法可获得明显的性能提升.     

基于改进WLD的纹理特征提取方法

在纹理分类应用背景下,原始韦伯局部描述符( WLD)对纹理模式区分能力有限。针对该问题,提出一种基于正负梯度改进的WLD( WLD-PNG)。利用局部窗内像素点间灰度变化的正负梯度构建纹理特征描述符,通过分离计算正负梯度的差分激励算子,保留灰度等级变化的正负性信息,以增强纹理模式的可区分性,运用均匀局部二值模式( uLBP)提取灰度等级变化的空间分布结构信息,并提高纹理模式的识别能力,使用均匀量化和编码技术将差分激励算子与uLBP结合,从而描述图像的纹理特征。在Brodatz和KTH-TIPS2-a纹理库上进行对比实验,结果表明,与原始WLD,uLBP,WLD+uLBP及已有改进的WLD等方法相比,WLD-PNG在提高纹理分类性能的同时,具有较好的稳健性和较低的计算复杂度。     

基于二进小波变换及局部二值模式特征的图像检索

纹理是一种反映像素的空间分布属性的图像特征,成为图像分析的重要手段。在图像检索领域,由于小波变换具有方向性、局部特性、多尺度特性,使得图像的纹理特征能得到更好的表征。局部二值模式是提取图像纹理特征的有效工具,具有旋转不变性和灰度不变性。利用性能良好的 Bubble 小波对图像进行二进小波变换得到四个子带图像,其中低频子带包含原图信息最多,对角线方向的子图包含信息最少,其余两个子图包含信息介于两者之间,因此选取低频和垂直,水平高频图像,然后对分量利用等价局部二值模式提取图像纹理特征,并进行图像检索。实验结果表明该算法不仅有效地结合了小波与局部二值模式的优势,而且具有较好的检索性能。     

基于局部排序差值细化模式的纹理图像分类EI北大核心CSCD

针对传统局部二值模式及其扩展算法存在特征维度高、不能充分体现局部邻域像素间差值大小信息等问题,提出一种局部排序差值细化模式(LSDRP).首先根据采样半径大小对图像进行相应规格的高斯滤波,并按灰度值将局部邻域采样点排序;然后计算局部排序邻域内像素间的差值并将其融入排序二值编码对应位置的权值中,从而生成LSDRP特征;最后选取LSDRP特征模式中的高频模式表征图像,并级联多个半径下LSDRP特征的高频模式构成图像纹理的多尺度表示.在Outex,CUReT和UMD纹理库上的实验结果表明,所提算法计算简单且能在低维度条件下有效解决纹理分类中存在的光照、旋转变化问题;特别是在TC10,TC12_000和TC12_001纹理库上仅需120维特征即可分别达到100%,99.38%和99.72%的分类精度.     

半色调图像纹理特征提取方法

提出基于局部二值化模式和像素相关算子的半色调图像纹理特征提取方法,以实现误差分散类半色调图像的分类。该方法是将误差分散类图像先进行局部二值化模式变换,再以任一像素点为中心,取适当的距离提取八个方向的像素相关值作为图像的特征向量,最后将提取的特征通过BP神经网络进行分类。实验结果表明,提出的算法适用于二值图像的特征提取,能够降低局部二值模式的特征维数,提高时间效率和空间利用率;相对灰度共生矩阵算法提出的算法在计算复杂度、识别精度等性能方面都有所改善。     

基于自适应局部二值模式的纹理特征提取方法

局部二值模式(local binary pattern, LBP)是一种简单有效的纹理特征描述符,但是存在对噪声缺乏鲁棒性以及编码过程中信息缺失的问题。针对该问题提出基于自适应阈值的带方向的完整局部二值模式(adaptation threshold complete local binary pattern with direction,DAT-CLBP)。提出一种自适应阈值选取方法和判别条件,通过判别条件,从自适应邻域像素中值和中心像素值中选取一种作为LBP编码时的阈值;计算邻域像素和阈值的差分的幅值,并以幅值最小点为起点,从小到大地计算局部邻域的二值模式。在通用纹理库上运行算法,统计两种阈值的发生率,证明了采取自适应阈值的必要性。以纹理库上添加了不同程度的椒盐噪声的纹理图像为样本实验,结果表明算法能更好地描述纹理,同时也对椒盐噪声具有鲁棒性。     

基于Gabor和二值叠加CS-LBP特征的人脸表情识别

在表情识别中Gabor结合局部二值模式（LBP）的特征提取方法以及直方图统计降维虽然是较为局部化的方法,但LBP鲁棒性较差,识别精度不高,而且使用直方图统计来区分表情,其计算复杂度和特征维数依旧较高。中心对称局部二值模式（CS-LBP）与LBP相比具有较好的鲁棒性,但其对表情纹理细节的描述仍不够详细。因此提出基于Gabor结合改进的CS-LBP即二值叠加中心对称局部二值模式（二值叠加CS-LBP）的特征提取方法。用Gabor提取特征,同时用两种计算方式提取两个特征值并叠加,作为最终识别的特征;并通过离散余弦变换（DCT）降维,有效降低表情的特征维数。在JAFFE表情库中实验验证了该方法能有效提高识别精度。     

面向局部光照突变的时间和空间中心对称局部二值模式算子

针对现有背景建模方法对局部光照突变非常敏感的问题,提出了一种新的时间和空间中心对称局部二值模式(TSCS-LBP)算子,并基于该算子的直方图设计了一种背景建模方法。TSCS-LBP算子在中心对称局部二值模式(CS-LBP)算子的基础上加入时域信息和中心像素信息,并引入有光照因子的自适应阈值,从而在保持较低计算复杂度的基础上,具有能够快速适应光照突变的能力。在此基础之上设计的背景建模方法,能够在常用实验场景中较为准确地检测出前景,有较高的抗噪性和检测精度;同时在有局部光照突变的特殊场景中也有很好的适应能力,与已有方法相比有较高的优越性。实验结果表明了本文方法的有效性和鲁棒性。     

基于局部二值模式的中值滤波检测算法

近年来,数字图像盲取证技术是国际上新兴的一个研究领域,针对数字图像处理及篡改中一种常用的处理模式---中值滤波,提出一种基于局部二值模式（LBP）的中值滤波篡改检测方法。首先对待测图像利用基于中心对称像素的局部二值模式算子（C-LBP）定位其特征提取区域,随后基于局部区域中像素之间的关系提出一种改进型的局部二值模式算子,并将其直方图统计作为最终的检测特征。实验证明,与其他传统滤波检测算法相比,该算子不仅大大降低了计算时间,而且在低维度的条件下取得了较高的检测率,是一种有效的中值滤波检测算子。     

An enhanced LBP-based technique with various size of sliding window approach for handwritten Arabic digit recognition

Many variations of local binary pattern (LBP) were proposed to enhance its performance, including uniform local binary pattern (ULBP), center-symmetric local binary patterns (CS-LBP), center symmetric local ternary patterns (CS-LTP), center symmetric local multilevel pattern (CS-LMP), etc. In this paper, the accuracies of LBP technique and its variations are enhanced using four different sizes of a sliding window approach. This approach is used for investigating whether the features extracted by LBP are significant enough or its versions are needed as well. Five LBP-based techniques have been used including LBP, CS-LBP, CS-LTP, CS-LMP, and U2LBP. They have been applied to an Arabic digit image dataset called MAHDBase. Support vector machine (SVM) and random forests are utilized as classifiers. The experimental results show that the obtained accuracies have been improved by 19.56%, 21.43%, 5.63%, 6.51% and 5.62% for CS-LBP, CS-LMP, U2LBP, CS-LTP, and LBP, respectively, when the sliding window approach has been applied and SVM with linear kernel has been used as a classifier. Moreover, the results show that there is no need to use LBP variations to enhance the accuracy if the sliding window is applied because the highest accuracy has been acquired using LBP. At the end, the accuracy of proposed systems has been compared against other state-of-the-art LBP-based techniques showing the significance of the proposed systems.

     

增强成对旋转不变的共生扩展局部二值模式

目的 针对成对旋转不变的共生局部二值模式（PRICoLBP）算法对图像光照、旋转变化鲁棒性较差,且存在特征维度过大的问题,提出了一种可融合多种局部纹理结构信息的有效特征——增强成对旋转不变的共生扩展局部二值模式。方法 首先,对图像各像素点的邻域像素点灰度值进行二值量化得到二值编码序列,并不断旋转二值序列得到以不同邻域点作为编码起始点对应的LBP值;然后,分别利用极大、极小LBP值对应的邻域起始编码点和中心像素点确定两个方向矢量,并沿这两个方向矢量在两个不同尺度图像上选取上下文共生点;其次,利用扩展局部二值模式（ELBP）算法的旋转不变均匀描述子来提取上下文共生点对的中心像素灰度级、邻域像素灰度级及径向灰度差异特征间的相关性信息;最后,用上下文共生点对的特征直方图训练卡方核支持向量机,检测纹理图像类别。结果 通过对Brodatz、Outex （TC10、TC12）、Outex （TC14）、CUReT、KTH-TIPS和UIUC纹理库的分类实验,改进算法的识别率比原始的PRICoLBP算法识别率分别提高了0.32%、0.57%、5.62%、3.34%、2.1%、4.75%。结论 利用像素点LBP特征极值对应的起始编码序列来选取上下共生点对,并用ELBP算法提取共生点对局部纹理信息,故本文方法能更好描述共生点对间的高阶曲率信息及更多局部纹理信息。在具光照、旋转变化的Outex、CUReT、KTH-TIPS纹理库图像分类实验中,所提方法比原始PRICoLBP算法取得了更高的识别率。实验结果表明,改进算法相比于原始算法能在较低的特征维度下对图像光照、旋转变化具有较好的鲁棒性。     

基于纹理特征融合的人脸表情识别

局部二值模式(LBP)和韦伯局部描述算子(WLD)是两种图像的纹理描述算子,在图像的特征提取方面有较强的能力。为了更加准确地对人脸表情进行识别与分类,针对LBP在特征提取的过程中只考虑了中心像素点与周围的其他像素点的灰度值之差,WLD仅考虑中心像素点与周围像素点灰度值之间的激励强度与梯度方向关系的问题,提出一种新的特征提取算法—局部二值韦伯模式(LBWP)。首先对图像进行预处理,检验人脸和裁剪有效的表情区域,接着对图像进行LBWP特征提取,在特征提取之后采用SVM的分类器对表情进行识别和分类。该算法在CK+数据集和JAFFE数据集上进行实验仿真,识别率分别达到了97.14%和95.77%。实验结果验证了LBWP算法在表情识别方面的有效性,且丰富了人脸图像特征提取方法。