基于尺度不变特征的从纹理回复形状

提出一种估计纹理平面方向特征,按特征将模式分类。假定图像的方法。该方法提取纹理图像中具有尺度不变特征的关键点,求出以这些关键点为中心的局部模式尺度和方向正规化中同类局部模式的尺度变化仅由成像时的透视效果产生,利用纹理图像中局部模式尺度变化与射影变换的关系估计纹理平面的方向。实验结果证明,此方法简单有效。     

结合微分特征和Haar小波分解的鲁棒纹理表达

针对传统的局部二值模式算子缺乏像素间深层次的相关性信息,且对图像中常见的模糊及旋转变化的鲁棒性较差的问题,提出了一种结合微分特征和Haar小波分解的鲁棒纹理表达算子。在微分特征通道上,通过各向同性的微分算子提取图像中的一阶和二阶微分特征,使图像的微分特征在本质上具有旋转不变性且对图像模糊具有较强的鲁棒性;基于小波变换在时域和频域同时具有良好的局部化的特点,在小波分解特征提取通道上采用多尺度的二维Haar小波分解提取图像中的模糊鲁棒特征;最后,串联两个通道上的特征直方图来描述图像的纹理特征。在特征判别性实验中,该算子在较复杂的UMD、UIUC和KTH-TIPS纹理库上的准确率分别达到了98.86%、98.2%和99.05%,与中值稳健扩展局部二值模式（MRELBP）算子相比,准确率分别提高了0.26%、1.32%和1.12%;在对旋转变化和图像模糊的鲁棒性分析实验中,该算子在仅存在旋转变化的TC10纹理库上的分类准确率达到99.87%,在添加了不同程度高斯模糊的TC11纹理库上的分类准确率降幅仅为6%;在计算复杂度实验中,该算子的特征维度仅为324维,在TC10纹理库上的平均特征提取时间为30.9 ms。实验结果表明,结合微分特征和Haar小波分解的方法具有很强的特征判别性,对旋转和模糊的鲁棒性较强,同时具有较低的计算复杂度,在样本数据较少的场合具有很好的适用性。     

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.     

基于多尺度LBP与GBP特征的火焰识别

为了提高大空间建筑场景中基于视频图像的火灾的识别率,提出了一种基于多尺度LBP与GBP纹理特征的火焰识别算法。首先在RGB颜色空间对连续数帧火灾图像进行预处理,并进行频闪特性分析以提取疑似火焰区域;建立疑似火焰图像高斯差分尺度空间,利用局部二值模式(LBP)和全局二值模式(GBP)提取火焰局部纹理特征和全局纹理特征;最后将多尺度的纹理特征输入到支持向量机进行识别。实验结果表明,LBP与GBP相结合的方法具有对光照不变的特性,获得了较好的火焰识别率。     

高效的光照、旋转、尺度不变纹理分类算法EI北大核心CSCD

纹理图像中存在的光照、旋转、尺度变化使纹理分类成为一个极具挑战性的问题.针对传统的纹理分类算法在同时解决光照、旋转、尺度变化问题和实时性方面存在的不足,提出一种高效的光照、旋转、尺度不变纹理分类算法.首先利用原始图像及其2次高斯滤波图像构造尺度空间,采用带邻域主导方向的完备局部二值模式算法在不同尺度上提取光照、旋转不变的纹理特征;然后利用跨尺度取模式最大值的方法获得尺度不变的纹理特征;最后利用最近子空间分类器进行分类.在5个有代表性的纹理库上进行实验的结果表明,该算法不需要预先学习,能较好地解决纹理分类中的光照、旋转、尺度变化问题,并具有较高的实时性.     

结合微分特征和Haar小波分解的鲁棒纹理表达

针对传统的局部二值模式算子缺乏像素间深层次的相关性信息，且对图像中常见的模糊及旋转变化的鲁棒性较差的问题，提出了一种结合微分特征和Haar小波分解的鲁棒纹理表达算子。在微分特征通道上，通过各向同性的微分算子提取图像中的一阶和二阶微分特征，使图像的微分特征在本质上具有旋转不变性且对图像模糊具有较强的鲁棒性；基于小波变换在时域和频域同时具有良好的局部化的特点，在小波分解特征提取通道上采用多尺度的二维Haar小波分解提取图像中的模糊鲁棒特征；最后，串联两个通道上的特征直方图来描述图像的纹理特征。在特征判别性实验中，该算子在较复杂的UMD、UIUC和KTH-TIPS纹理库上的准确率分别达到了98.86%、98.2%和99.05%，与中值稳健扩展局部二值模式（MRELBP）算子相比，准确率分别提高了0.26%、1.32%和1.12%；在对旋转变化和图像模糊的鲁棒性分析实验中，该算子在仅存在旋转变化的TC10纹理库上的分类准确率达到99.87%，在添加了不同程度高斯模糊的TC11纹理库上的分类准确率降幅仅为6%；在计算复杂度实验中，该算子的特征维度仅为324维，在TC10纹理库上的平均特征提取时间为30.9 ms。实验结果表明，结合微分特征和Haar小波分解的方法具有很强的特征判别性，对旋转和模糊的鲁棒性较强，同时具有较低的计算复杂度，在样本数据较少的场合具有很好的适用性。     

高效的光照、旋转、尺度不变纹理分类算法

纹理图像中存在的光照、旋转、尺度变化使纹理分类成为一个极具挑战性的问题.针对传统的纹理分类算法在同时解决光照、旋转、尺度变化问题和实时性方面存在的不足,提出一种高效的光照、旋转、尺度不变纹理分类算法.首先利用原始图像及其2次高斯滤波图像构造尺度空间,采用带邻域主导方向的完备局部二值模式算法在不同尺度上提取光照、旋转不变的纹理特征;然后利用跨尺度取模式最大值的方法获得尺度不变的纹理特征;最后利用最近子空间分类器进行分类.在5个有代表性的纹理库上进行实验的结果表明,该算法不需要预先学习,能较好地解决纹理分类中的光照、旋转、尺度变化问题,并具有较高的实时性.     

基于多尺度LBP金字塔特征的分类算法

为有效解决旋转变化、光照变化和尺度变化等图像的分类问题,提出一种基于多尺度局部二元模式(LBP)金字塔特征的图像分类算法。通过多尺度LBP金字塔提取各尺度的图像纹理特征,建立图像的多尺度LBP金字塔直方图,并将其作为图像特征向量,采用K-means方法对该特征向量进行降维,以用于图像分类。同时,针对传统二进制权值分布方法对噪声敏感的缺点,提出一种多端权值分布方法。实验结果表明,多尺度LBP金字塔方法具有较好的可鉴别性及图像描述能力,而多端权值分布法也能提高图像的分类精度。     

自适应的Haar型LBP纹理特征提取算法研究

在提取纹理图像的Haar型LBP特征中,人为设定的判断阈值主观性强、局部性差,导致提取的纹理细节和边缘模糊、纹理图像的局部性易被忽略。为此,提出了一种自适应的Haar型LBP纹理特征提取算法。该算法在二值化Haar型特征时引入高斯加权矩阵,以此获得客观、符合纹理图像局部特征的自适应判断阈值和Haar型LBP特征。实验结果表明,该算法能够有效地避免人为设定阈值对纹理特征的影响,可以准确地描述图像的纹理特征,Brodatz标准纹理库分类的正确率也得到了进一步的提高。     

基于多尺度分析的地基云图自动识别的研究

研究地基云图自动识别问题.地基云图由于受光照旋转等影响,传统方法提取的特征难以准确描述图像特征,导致地基云图识别的精度较低,还无法达到实际应用的要求.为了提高地基云图识别精度,提出采用多尺度分析的地基云图自动识别算法.首先将地基云图划分为若干个大小相同互不重叠的子图,然后采用三种不同尺度的权重局部二值模式提取每一幅子图的纹理特征,最后将子图的纹理特征顺序排列获取最终鉴别特征.通过对积雨云,高积云和层积云三类地基云图进行分类识别,实验结果表明改进方法可以增强云图的局部特征描述能力,有效提高地基云图分类的精度.