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。     

成对旋转不变的共生自适应完全局部三值模式

针对成对旋转不变的共生局部二值模式（PRICoLBP）旋转不变性较差及其相关改进算法EPRICoELBP对光照变化和噪声干扰较为敏感的问题,提出了一种增强成对旋转不变的共生自适应阈值完全局部三值模式。通过自适应阈值局部三值模式（ALTP）将图像分成Upper和Lower模式;分别在两种模式中找出像素点LBP特征极大、极小值对应的邻域起始编码点,利用中心像素点与其LBP特征极大、极小值对应的邻域起始编码点作为方向矢量,来确定中心像素点的上下文共生点对;利用自适应阈值完全局部三值模式（ACLTP）提取Upper和Lower模式中共生点对的局部纹理信息;联合上下文共生点对的特征直方图训练卡方核支持向量机,进行纹理图像识别检测。在应用广泛的Brodatz、Outex（TC10、TC12-h、TC12-t、TC14）、CUReT、KTH_TIPS、UIUC标准纹理库中,该算法相较于原始的PRICoLBP算法和其他算法在分类准确率上均有一定的提升,且在添加了高斯噪声和椒盐噪声的KTH_TIPS纹理库中,该算法依旧保持了较高的分类准确率。实验结果表明,该算法对旋转、光照变化和噪声干扰具有较强的鲁棒性。     

多模式共生的彩色纹理图像分类方法

针对单一方法进行纹理图像分类时易受旋转、光照等干扰的情况,提出了一种结合颜色特征和纹理特征的共生纹理分类方法。将图像转换到HSV颜色空间后,对◢H◣通道使用SLIOP算法以及对◢S和V◣通道用CLBP算法提取特征,然后将各自提取到的特征进行串联共生,最后利用支持向量机对纹理图像进行分类。基于被广泛使用的纹理图像数据库,对提出方法与其他典型分类算法进行实验对比,分析表明在分类的准确率和计算效率上获得了较大提升。实验结果表明,提出了方法具有较强的旋转不变性、光照不变性以及抗噪性。     

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。