General Framework for Rotation Invariant Texture Classification Through Co-occurrence of Patterns

The use of co-occurrences of patterns in image analysis has been recently suggested as one of the possible strategies to improve on the bag-of-features model. The intrinsically high number of features of the method, however, is a potential limit to its widespread application. Its extension into rotation invariant versions also requires careful consideration. In this paper we present a general, rotation invariant framework for co-occurrences of patterns and investigate possible solutions to the dimensionality problem. Using local binary patterns as bag-of-features model, we experimentally evaluate the potential advantages that co-occurrences can provide in comparison with bag-of-features. The results show that co-occurrences remarkably improve classification accuracy in some datasets, but in others the gain is negligible, or even negative. We found that this surprising outcome has an interesting explanation in terms of the degree of association between pairs of patterns in an image, and, in particular, that the higher the degree of association, the lower the gain provided by co-occurrences in comparison with bag-of-features.     

Robust Boosted Parameter Based Combined Classifier for Rotation Invariant Texture Classification

Texture analysis and classification remain as one of the biggest challenges for the field of computer vision and pattern recognition. This article presents a robust hybrid combination technique to build a combined classifier that is able to tackle the problem of classification of rotation-invariant 2D textures. Diversity in the components of the combined classifier is enforced through variation of the parameters related to both architecture design and training stages of a neural network classifier. The boosting algorithm is used to make perturbation of the training set using Multi-Layer Perceptron (MLP) as the base classifier. The final decision of the proposed combined classifier is based on the majority voting. Experiments’ results on a standard benchmark database of rotated textures show that the proposed hybrid combination method is very robust, and it presents an excellent texture discrimination for all considered classes, overcoming traditional texture modification methods.     

基于Radon变换和SWT的旋转不变纹理分类

提出了一种应用Radon变换和离散平稳小波变换(SWT)的旋转不变纹理分类算法。该方法首先对纹理图像进行Radon变换将旋转转化为平移,再用具有平移不变性的离散平稳小波对变换后的图像滤波并计算各子带的能量值组成旋转不变特征向量,最后利用支持向量机实现纹理图像的分类。将本方法与其它旋转不变纹理分类法进行比较,实验结果表明,提出的方法能有效地提高正确分类率。     

轮廓波域Entropy-Fourier旋转不变算子在纹理分类中的应用

针对图像的旋转问题,提出一种基于contourlet域的旋转不变纹理描述算子。对contourlet变换后的系数进行处理,提取子带香农熵作为特征向量,然后对各个尺度的特征向量进行离散傅立叶变换,得到旋转不变的纹理特征。利用傅立叶谱的对称性,将特征向量进一步降维。最后采用支持向量机和欧式距离对纹理图像进行分类。在包含1456幅图像的自建图像库中进行分类实验,结果表明该方法在低计算复杂度的优势下。能获得较好的分类性能。     

基于脊波变换的旋转不变性纹理特征提取方法

提出了一种新的基于脊波变换的旋转不变性纹理特征提取方法。该方法是先在脊波变换过程中的一维小波变换后所形成的每个频率子波段中提取特征,然后采用构建直方图的方法来提取同一尺度下高、低频子波段之间的关系特征,最后将这些特征进行一维傅里叶变换后取幅值并进行特征级融合,从而得到旋转不变性纹理特征。实验结果表明所提出的方法与两种已有的方法相比能够取得更好的分类效果。     

基于局部特征多轴旋转不变特性的纹理图像分类算法

采用非量化的局部特征设计出一个稳健的纹理描述符,以便增强旋转和尺度变化时纹理分类的鲁棒性。首先,引入了局部特征的旋转对称性的概念,提出了一种新颖的局部特征来描述纹理的旋转不变特性。为了处理剧烈的旋转、尺度等变化,利用费舍尔向量编码方法对纹理特征量进行多尺度分析,在不增加局部特征维度的同时又能结合尺度信息,由此产生的局部特征对旋转、灰度变化都有较强的鲁棒性。实验结果表明,所提方法的评估结果在许多数据集上都远远超过了现有最优算法,大大提高了纹理分类的精度。     

基于Log-Polar和DT-CWT的旋转不变纹理分类算法

提出了一种基于对数-极坐标变换和双树复数小波变换的旋转不变纹理分类算法。该方法首先对纹理图像进行对数-极坐标变换将旋转转化为平移,再用具有平移不变性的双树复数小波对变换后的图像滤波并计算各子带的能量值组成旋转不变特征向量,最后利用支持向量机算法实现纹理图像的分类。将本方法与其它旋转不变纹理分类算法进行比较,实验结果表明,提出的算法能有效地提高正确分类率。     

基于局部差分模式的不变性纹理分类

提出了局部差分变换和局部差分模式。局部差分变换具有灰度线性不变性,可消除光照变化对纹理分析的影响。基于局部差分变换的局部差分模式具有光照、旋转不变性和良好的多尺度分析能力。局部差分模式直方图可作为光照、平移、旋转不变性特征用于不变性纹理分类。实验表明,该方法的不变性纹理分类效果优于目前国际公认的基于LBP的方法。     

自适应的纹理图像光照不变特征提取方法

为降低光照变化对纹理图像的影响,提出自适应的纹理光照不变特征提取方法。利用小波变换提取对数域纹理图像的高、低频分量,并分别采用不同方法对两者进行处理,提取其光照不变量图像,运用主分量分析法得到光照不变量数据的特征,使用K-最近特征线分类器进行图像分类。实验结果表明,该方法在光照条件复杂的Outex14数据集上能够取得较好的分类效果,分类正确率高于现有方法5．56％--22．10％。     

一种快速旋转不变图像检索新方法

提出了一种新型快速旋转不变图像检索新方法.该方法首先对图像进行傅里叶变换和功率谱分解,提取功率谱的扇形区域能量和环形区域能量参数,并将其均值和标准差作为图像纹理特征.然后,利用谱能量分布特征把纹理的主方向旋转到0°,提取旋转后图像的共生矩阵参数和小波分解各子带图像统计参数作为基本特征.利用所提出的特征提取方法在两组分别包含25类单色自然纹理的图像库上进行检索试验.结果表明,该方法获得了良好的检索效果.     

基于DT-CWT和SVM的踏面旋转不变纹理提取算法

针对列车车轮踏面旋转纹理信息无法准确、有效提取的问题,提出一种基于Radon变换和双树复小波变换（DT-CWT）的列车车轮踏面特征提取方法。首先,对车轮踏面图像进行Radon变换;然后,对变换后的图像进行DT-CWT分解,使用分解后的各层低频子带系数和高频子带系数模的均值和标准方差构造特征向量,将其作为区分列车车轮踏面是否发生损伤的依据;最后,由支持向量机（SVM）进行分类决策。使用动车所采集的图像及人为加噪声后的图像进行分类实验,结果表明,本文使用的Radon和DT-CWT算法能有效地进行旋转不变纹理的提取,SVM分类正确率可以达到95%,可为列车车轮踏面状况检测提供更为准确便捷的方法支撑。     

基于结构统计的纹理分类

针对纹理图像在视觉上的结构表现，选用能说明任意二值纹理的基元序列，将基元所对应的区域进行平移或伸张以覆盖整个纹理图像，完成所有基元对应区域的象素统计，获得能说明纹理中各结构比例及粒度的统计曲线。用此方法重新分类了Brodatz的111个纹理图片。实验证明视觉上相似的纹理有相似的统计曲线(相同或接近的峰、谷或转折位置)。比较其他分类结果，该方法更具有视觉接近性。     

精确分类的视角无关人脸检测方法与硬件加速体系结构

为了对垂直于图像平面[-90°,90°]和图像平面内360°范围的人脸姿态进行快速准确的检测分类,提出一种精确分类的视角无关人脸检测方法和可重构硬件体系结构.设计了由多个检测节点组成的树形检测器框架,并将多个姿态区间的分类问题采用向量式共享输出空间的方式统一起来,提出一种两段式Boosting方法对检测节点进行训练;挖掘了检测过程的时间空间并行性,进而设计了一种高度并行的可重构硬件体系结构模板,通过对体系结构模板进行动态配置,实现了硬件代价、检测精度和速度的平衡.实验结果表明,与已有方法相比,文中方法具有较高的精度与速度;对于160×120～800×600分辨率范围内的图像,该方法在FPGA上的硬件实现与在PC上的软件实现的执行时间加速比为14.68～20.86.     

基于局部补数-导数模式的光照反转和旋转不变纹理表达

针对现有局部二值模式(Local binary pattern, LBP) 算法对光照反转变化敏感和特征描述力不足的问题, 本文提出一种基于局部补数-导数模式(Local complement and derivative pattern, LCDP) 的纹理表达方法. 其中, 局部补数模式(Local complement pattern, LCP) 用于编码原始图像空间中的近邻差分符号信息, 局部导数模式(Local derivative pattern, LDP) 用于编码不同尺度下(一阶和二阶) 高斯导数空间中的近邻差分幅值信息, 二者对光照反转和图像旋转均具有鲁棒性. 为实现对差分符号和差分幅值的联合统计, 同时维持特征的紧致性, 进一步提出基于均值采样的联合编码方案. 最后, 对联合编码的结果进行多尺度直方图特征表达. 实验表明, 该方法能够有效提高线性和非线性光照反转条件下纹理图像的分类精度.     

基于伪Zernike矩的快速旋转无关图像匹配方法

传统的图像匹配方法往往会因为匹配图像与模板图像之间存在任意角度旋转而失效,而现有的抗旋转图像匹配方法因为计算量大而不能满足实时应用的需要.因此研究一种旋转无关的图像匹配算法成为必要.将圆投影匹配算法结合多值模板和塔形加速技术加快了滑动窗口的搜索效率,并使用伪Zernike矩进行精匹配.实验结果表明,改进后的算法在保证匹...     

一种纹理图象分类方法的研究

提出了一种基于矢量量化的纹理分类方法,通过矢量量化的方法生成原始图象的符号图象,并生成这个符号图象的共生矩阵,行家和共生矩阵的４个数字特征构成原始图象的纹理特征向量,使用２个特征向量之间的矩离作为匹配的标准,可以实现对纹理图象进行快速匹配分类。     

基于NSST和RI-LPQ的纹理图像检索

针对采用单一方法提取图像特征时检索率不高的问题,结合非下采样剪切波变换(NSST)统计特征和旋转不变的局部相位量化(RI-LPQ)原理,提出一种纹理图像检索方法。非下采样剪切波不仅具有方向选择性及平移不变性,而且可以对图像进行有效的稀疏表示,与传统小波相比,可有效捕捉图像的边缘轮廓等纹理信息,与非下采样轮廓波相比,具有更高的计算效率。利用广义高斯分布函数对图像NSST高频子带系数的统计特征进行分析,RI-LPQ描述算子直接提取图像特征,采用具有权重系数的相似性测度公式对Brodatz图像库进行纹理图像检索。实验结果表明,与传统小波和轮廓波的方法相比,NSST统计特征方法的平均检索率分别提高4.77%和1.44%,纹理图像检索方法的平均检索率分别提高7.36%和1.98%。     

Shape-based Invariant Texture Indexing

This paper introduces a new texture analysis scheme, which is invariant to local geometric and radiometric changes. The proposed methodology relies on the topographic map of images, obtained from the connected components of level sets. This morphological tool, providing a multi-scale and contrast-invariant representation of images, is shown to be well suited to texture analysis. We first make use of invariant moments to extract geometrical information from the topographic map. This yields features that are invariant to local similarities or local affine transformations. These features are invariant to any local contrast change. We then relax this invariance by computing additional features that are invariant to local affine contrast changes and investigate the resulting analysis scheme by performing classification and retrieval experiments on three texture databases. The obtained experimental results outperform the current state of the art in locally invariant texture analysis.     

一种基于旋转森林的甲状腺疾病分类方法

甲状腺疾病是内分泌领域的常见疾病,准确识别不同类型的甲状腺疾病是临床医疗诊断中的首要问题。针对甲状腺检测指标数据,提出一种新的甲状腺疾病分类方法,该方法首先采用主成分分析法对数据集进行特征选择,降低数据维度,然后基于旋转森林集成分类算法实现分类。旋转森林算法使基分类器的差异性更加明显,进而提高分类器的精度,同时可以减少处理时间。实验中,同时分析了UCI标准数据集和真实临床医疗数据集,结果表明该方法的分类准确率分别可以达到96.28%和96.37%。     

基于LMCP方法的纹理特征分类

经典局部二值模式(LBP)方法没有考虑像素之间的对比度,从而限制其描述纹理特征的能力。为此,提出一种局部多层对比模式(LMCP)方法,将其应用于纹理特征分类中。通过预处理把光照变化控制在一定范围内,将局部区域临近像素间的对比度分为若干个层次,使每个对比度值映射到某个层次中,按照LBP的类似方法构建每个层次的统计直方图,采用统计映射的方式降低特征维度。基于Outex_ TC_00012纹理数据库的实验结果表明,该LMCP方法具有较好的分类效果。