0 引言

    紋理是在可見光作用下描述物體表面的一個重要特征,，已經(jīng)成為機器視覺檢測技術(shù)研究的熱點之一,。近十幾年來，紋理特征受到諸多的關(guān)注,，被廣泛應用到航天遙感,、工業(yè)檢測、人臉識別和內(nèi)容檢索等領域,。目前,，詞袋模式技術(shù)^[1]在紋理分析等方面得到大量關(guān)注，這種技術(shù)具有高抗噪性,。其中,，局部二值模式（Local Binary Patterns，LBP）^[2]算子憑借簡單有效,、識別能力強,、計算復雜度低等優(yōu)點，在諸多領域取得了顯著進展^[3],。

    近年來,，根據(jù)不同的應用背景，許多學者對LBP進行相應改進,，尤其在人臉識別方面取得了不錯的成果^[4-6],。由于LBP特征的維數(shù)較高，文獻[7]采用中心對稱局部二值模式（Center Symmetric LBP,，CS-LBP）,，通過計算對稱像素降低了LBP運算度。為加強紋理旋轉(zhuǎn)性和抗噪性,，LIAO S等^[8]提出顯性局部二值模式,。后來為量化VAR，在文獻[9]中提出了一種局部二值模式方差（LBP Variance,，LBPV）的提取方法來進行紋理分類,。MEHTA R等^[10]提出顯性旋轉(zhuǎn)局部二值模式，通過比較周圍像素的大小實現(xiàn)方向估計,。最近,，為更加全面地補充LBP的信息,，GUO Z等^[11]提出了一種完備局部二值模式的方法,，通過差異等信息計算給出3種不同的算子。LIU L等^[12]提出了擴展局部二值模式方法, 該方法引入4個算子,，并取得較好效果,。

    本文旨在改進LBP,，以增強其抗噪聲能力和旋轉(zhuǎn)不變性，提出一種基于高斯聯(lián)合多LBP算子的紋理特征,。其具體思想為：首先,，使用高斯濾波獲得不同尺度的圖像；其次,，設計一種改進模式,，提出具有主方向特征的二值模式，從而提升旋轉(zhuǎn)不變性和抗噪聲能力,；最后,，在不同尺度上提取3種模式的算子聯(lián)合作為紋理特征。該特征在紋理圖像數(shù)據(jù)庫和實際應用中進行了驗證試驗,，結(jié)果表明改進的新算法可以有效提高識別率,。

1 LBP算子

1.1 LBP基本理論

    LBP的定義^[4]是通過對比中心像素和周圍8個像素的灰度值來實現(xiàn)。如果某周圍像素小于中心像素的值,，那么該像素記為0,，否則記為1。其計算原理如圖1所示,。LBP計算公式如下：

其中,，g_c為中心像素的灰度值；g_p為鄰域像素的灰度值,；P為鄰域內(nèi)像素的個數(shù),；2^p為g_p的權(quán)重，R為鄰域的半徑,。

    由于LBP缺少空間紋理的對比度信息,，為提高紋理識別性能，文獻[4]提出局部方差信息VAR作為LBP的補充,，其計算公式為：

1.2 改進的LBP 

    為提高圖像紋理的旋轉(zhuǎn)不變性和在噪聲環(huán)境的適用性,，結(jié)合圓域的LBP算子^[13]，本文提出主方向結(jié)構(gòu)的LBP（Principal direction Structure LBP,，PSLBP）,。為降低噪聲干擾，采用鄰域像素和中心像素的均值作為閾值,，同時,，根據(jù)中心像素和鄰域的差分確定主方向。設(x_c,，y_c)為中心像素,，則在半徑為R的P鄰域坐標(x_p，y_p)^[13]為：

    PSLBP方向的確定方法是通過計算中心像素與周圍像素之間差值,，找出最小差值的鄰域像素,，作為LBP算子的鄰域主方向,，即該像素作為最小權(quán)重點。在圖2中,，P=8,，R=1，灰色框為主方向,，即p=0,。主方向索引p0的計算公式如下：

1.3 LBP降維方法

    由于LBP值具有高維特點，根據(jù)文獻[11],，借助直方圖來描述統(tǒng)計意義上的紋理特征來完成降維,。設圖像的尺寸為N×N，根據(jù)LBP值生成譜圖LBP_{P,，R(x,，y)}，x,，y=1,，2，…N,?？梢缘玫揭痪S的紋理特征直方圖如下：

    可以看出，在構(gòu)建譜圖時,，由于原圖邊界像素點的鄰域值不全,，因此需要引用插值法來補全鄰域來計算原圖上邊界的LBP值。VAR圖譜也可直接應用直方圖方法降維,。

2 高斯LBP紋理特征

2.1 紋理增強

    一般圖像的細節(jié)紋理存在模糊的情況,，為提高紋理圖像的分類準確率，采用自適應局部對比度增強算法^[14]對圖像進行預處理,。設p(x,，y)為原圖像的像素值，其局部區(qū)域的定義為：以(x,，y)為中心像素,，鄰域窗口大小為(2n+1)×(2n+1)，f(x,，y)是增強后的像素值,，計算公式如下：

其中，是全圖像素均值,。

2.2 高斯濾波

    通常地,，高斯金字塔對一張圖像不斷的模糊濾波之后向下采樣，得到不同分辨率的圖像。為了保持LBP參數(shù)的一致性和提高尺度不變性,，本文借鑒文獻[15]的思想,，尺度變換時圖像的尺寸保持不變,，采用不同的高斯尺度參數(shù),，得到一系列尺度圖像。設原圖像為G₁,，則第l尺度的高斯濾波圖像G₁為：

2.3 高斯LBP方法框架

    高斯LBP描述特征是建立3層的尺度圖像,，對每個尺度提取PSLBP和VAR，同時考慮CS-LBP可提供周圍鄰域的對稱結(jié)構(gòu)信息,，故而增加CS-LBP算子,。同時，分別對3個算子進行直方圖約減,，聯(lián)合得到一個較為全面的紋理特征,，實現(xiàn)過程見圖3。

3 試驗與分析

    為驗證本文算法的有效性,，分別采用兩種方式來驗證,。第一種針對改進的LBP獨立進行驗證，主要是針對Outex數(shù)據(jù)庫中的典型圖像來進行驗證,，與圓域LBP等算子進行比較,，證明其優(yōu)越性；第二種是根據(jù)本文提出的高斯LBP紋理描述特征進行驗證,，通過視覺系統(tǒng)采集的圖像試驗其在應用過程中的有效性,。

3.1 算子比較

    為驗證本文算子的性能，在常用紋理數(shù)據(jù)庫Outex上進行紋理分類測試,，并與圓域LBP算子,、CS-LBP^[10]算子、LBPV^[12]算子對比,。隨機選擇5類紋理,，共計60張圖像，采用k近鄰算法（k-Nearest Neighbor,，kNN）作為紋理分類器進行訓練和測試,，分類結(jié)果見表1。由表1可以看出,，PSLBP在參數(shù)變化中,，性能較為穩(wěn)定，并且略優(yōu)于其他算子,。

3.2 紋理特征應用

    為驗證整體算法的有效性,，本文研究選取4種大理石面，使用攝像頭對其進行圖像采集，圖像尺寸為300×380像素,。每類選取50張圖像,，其中，20張圖像作為訓練樣本,，其余30張作為測試樣本,。首先，對采集的圖像進行圖像紋理加強,。圖4(a)為原圖,，圖4(b)為紋理加強圖，本次試驗作為第一尺度圖,；其次,，對加強圖建立多尺度高斯圖像，第二尺度和第三尺度的圖像分別為圖4(c)和圖4(d),；最后,，對多尺度圖像進行特征提取，得到譜圖,，建立直方圖,，聯(lián)合作為描述紋理特征。

    表2為4種大理石圖像的分類結(jié)果,，使用的分類器為kNN算法,，平均分類準確率為90%，可以實現(xiàn)機器視覺的初分類工作,。

4 結(jié)論

    本文在LBP的基礎上提出了一種具有抗噪聲能力和旋轉(zhuǎn)不變性的圖像紋理特征表示方法,。該方法首先采用自適應局部對比度增強技術(shù)對原圖進行紋理增強；其次,，通過分析LBP不同模式下特征的結(jié)構(gòu)信息以及特征的重要性,，為提升旋轉(zhuǎn)不變性和提升抗噪能力，提出了一個主方向結(jié)構(gòu)的LBP算子,；接著通過對不同尺度下的特征進行分析,，聯(lián)合PSLBP、CS-LBP和VAR,，采用直方圖降維,，建立一個高斯LBP的紋理描述特征。試驗結(jié)果表明,，本文提出的算法能夠提升無噪聲情況下紋理圖像分類的性能,，而且對較為模糊的紋理圖像分類也具有魯棒性。

參考文獻

[1] VARMA M,，ZISSERMAN A.A statistical approach to texture classification from single images[J].International Journal of Computer Vision,，2005,，62(1)：61-81.

[2] 宋克臣，顏云輝,，陳文輝,，等.局部二值模式方法研究與展望[J].自動化學報，2012,，39(6)：730-744.

[3] LIU L,，F(xiàn)IEGUTH P，GUO Y,，et al.Local binary features for texture classification：Taxonomy and experimental study[J].Pattern Recognition,，2017,，62：135-160.

[4] OJALA T,，PIETIKAINEN M，MAENPAA T.Multiresolution gray-scale and rotation invariant texture classification with local binary patterns[J].IEEE Transactions on Pattern Analysis & Machine Intelligence,，2002,，24(7)：971-987.

[5] 張潔玉，趙鴻萍,，陳曙.自適應閾值及加權(quán)局部二值模式的人臉識別[J].電子與信息學報,，2014(6)：1327-1333.

[6] 首照宇，楊曉帆,，李萌芽.基于局部特征與核低秩表示的人臉識別算法[J].電子技術(shù)應用,，2016，42(9)：126-128.

[7] HEIKKILAM,，PIETIKAINEN M,，SCHMID C.Description of interest regions with center-symmetric local binary patterns[C].Proceedings of Computer Vision，Graphics and Image Processing,，Indian Conference,，Berlin Heidelberg：Springer-Verlag，2006：58-69.

[8] LIAO S,，LAW M W,，CHUNG A C.Dominant local binary patterns for texture classification[J].Image Processing IEEE Transactions on，2009,，18(5)：1107-1118.

[9] GUO Z,，ZHANG L，ZHANG D.Rotation invariant texture classification using LBP variance(LBPV) with global matching[J].Pattern Recognition,，2010,，43(3)：706-719.

[10] MEHTA R，EGIAZARIAN K.Dominant rotated local binary patterns(DRLBP) for texture classification[J].Pattern Recognition Letters,，2016,，71：16-22.

[11] GUO Z，ZHANG L，ZHANG D.A completed modeling of local binary pattern operator for texture classification[J].IEEE Transactions on Image Processing,，2010,，19(6)：1657.

[12] LIU L，ZHAO L,，LONG Y,，et al.Extended local binary patterns for texture classification[J].Image & Vision Computing，2012,，30(2)：86-99.

[13] ALI A,，HUSSAIN S，HAROON F,，et al.Face recognition with local binary patterns[J].Bahria University Journal of Information & Communication Technologies,，2012，5(12)：469-481.

[14] NARENDRA P M,，F(xiàn)ITCH R C.Real-time adaptive contrast enhancement[J].IEEE Transactions on Pattern Analysis & Machine Intelligence,，1981，3(6)：655.

[15] LOWE D G.Distinctive image features from scale-invariant keypoints[J].International Journal of Computer Vision,，2004,，60(2)：91-110.