【摘要】：紋理圖像中存在的光照、旋轉(zhuǎn)、尺度變化使紋理分類成為一個極具挑戰(zhàn)性的問題.針對傳統(tǒng)的紋理分類算法在同時解決光照、旋轉(zhuǎn)、尺度變化問題和實時性方面存在的不足,提出一種高效的光照、旋轉(zhuǎn)、尺度不變紋理分類算法.首先利用原始圖像及其2次高斯濾波圖像構(gòu)造尺度空間,采用帶鄰域主導(dǎo)方向的完備局部二值模式算法在不同尺度上提取光照、旋轉(zhuǎn)不變的紋理特征;然后利用跨尺度取模式最大值的方法獲得尺度不變的紋理特征;最后利用最近子空間分類器進行分類.在5個有代表性的紋理庫上進行實驗的結(jié)果表明,該算法不需要預(yù)先學(xué)習(xí),能較好地解決紋理分類中的光照、旋轉(zhuǎn)、尺度變化問題,并具有較高的實時性.
【圖文】：

樣本的光照、旋轉(zhuǎn)不變特征.2.2尺度不變特征的提取獲取尺度不變特征的步驟如下:Step1.利用高斯濾波構(gòu)造多尺度空間.給定一個原始樣本圖像,首先將其歸一化為零均值和單位標(biāo)準(zhǔn)差;然后利用高斯濾波器對其進行多次高斯濾波,每次濾波獲得一個濾波后圖像,這些高斯濾波后的圖像和原始樣本圖像共同構(gòu)成了原始樣本圖像的一個多尺度空間,這些圖像在一定程度上模擬了原始樣本在不同尺度的紋理特征,體現(xiàn)了樣本的尺度變化效果.Step2.對多尺度空間的每個圖像分別計算其DDN-CLBPS/M/C聯(lián)合直方圖并降維;然后轉(zhuǎn)換為一個行向量,圖1CLBP算法和DDN-CLBP算法對旋轉(zhuǎn)圖像編碼的對比

碌奶卣饗蛄?為了避免過分強調(diào)高頻的模式,對新的特征向量求平方根[14],然后將其作為原始樣本圖像的光照、旋轉(zhuǎn)、尺度不變特征.2.3多個半徑的宏觀和微觀特征融合鄰域半徑R和鄰域采樣點數(shù)P是DDN-CLBP算法的2個重要參數(shù).對鄰域半徑R,小的半徑能捕獲微觀的紋理特征,大的半徑能捕獲宏觀的紋理特征.因此,本文算法采用多個半徑相結(jié)合,將多個半徑的光照、旋轉(zhuǎn)、尺度不變特征進行級聯(lián),實現(xiàn)微觀特征和宏觀特征的融合,提高算法對紋理特征的描述能力.對一個樣本圖像,利用本文算法獲取光照、旋轉(zhuǎn)、尺度不變紋理特征的原理如圖2所示.圖2本文算法提取紋理圖像的光照、旋轉(zhuǎn)、尺度不變特征的原理3實驗與分析3.1紋理數(shù)據(jù)庫及實驗設(shè)置為了驗證本文算法的紋理分類性能,在5個綜合的、有代表性的紋理庫上進行了仿真實驗.5個紋理庫分別為Outex紋理庫[7]、CUReT紋理庫[17]、KTH-TIPS紋理庫[14]、UIUC紋理庫[18]和UMD紋理庫[19].3.1.1Outex紋理庫及實驗設(shè)置Outex紋理庫中的Outex_TC10和Outex_TC12測試套集含有3種光源(inca,horizon,tl84)和9個角度,被廣泛用來測試紋理分類算法對光照和旋轉(zhuǎn)的不變性.圖3的第1列展示了Outex一個類別的5個樣本.為了和其他算法進行比較,本文對Outex_TC10,用inca光源和0°條件下的圖像作為訓(xùn)練樣本,用inca光源和其他8個角度的圖像作為測試樣本;對Outex_TC12,采用相同的訓(xùn)練樣本,用horizon和tl84這2種光源下全部9個角度的圖像作為測試樣本.3.1.2CUReT紋理庫及實驗設(shè)置CUReT紋理庫包含61類紋理樣本,這些樣本圖35個紋理庫的部分紋理樣本是在不同的視角和光照條件下獲得的,且由于反光、陰影等原因使得該紋理庫的紋理圖像分類比Outex紋理庫更具挑戰(zhàn)性.圖3的第2列展示了CUReT一個類別的5個樣
【作者單位】： 西北工業(yè)大學(xué)電子信息學(xué)院;溫州市質(zhì)量技術(shù)監(jiān)督檢測院;
【基金】：國家質(zhì)量監(jiān)督檢驗檢疫總局科技計劃項目(2016QK169)
【分類號】：TP391.41

【相似文獻】

相關(guān)期刊論文 前10條

1 劉俊義,王潤生;一種快速檢測紋理斑塊的方法[J];國防科技大學(xué)學(xué)報;2001年02期

2 史春麗,劉京玲;一種快速檢測紋理斑塊的方法[J];西安電子科技大學(xué)學(xué)報;2001年06期

3 鄭瑤函,葉正麟,湯力,潘璐璐;紋理元提取與紋理合成的自由參數(shù)估計[J];計算機工程與應(yīng)用;2004年36期

4 孟祥增;劉明霞;;基于概念的自然紋理分類[J];計算機工程與應(yīng)用;2006年11期

5 陸春君;陳松燦;譚曉陽;;基于紋理頻譜子集的紋理識別[J];江南大學(xué)學(xué)報(自然科學(xué)版);2007年06期

6 霍玉洪;劉云;;稀疏紋理分類的研究[J];合肥工業(yè)大學(xué)學(xué)報(自然科學(xué)版);2008年06期

7 劉明霞;侯迎坤;楊德運;;一種新的自然紋理分類方法[J];計算機工程與應(yīng)用;2008年19期

8 孫小芳;;基于分割的紋理分類農(nóng)田信息提取[J];閩江學(xué)院學(xué)報;2010年02期

9 徐曉哲;李振明;;一種有效的結(jié)構(gòu)紋理區(qū)分方法[J];甘肅科學(xué)學(xué)報;2010年03期

10 王曉明;馮鑫;黨建武;;一種局部監(jiān)督式紋理分類算法[J];蘭州理工大學(xué)學(xué)報;2012年04期

相關(guān)會議論文 前5條

1 陳曉鐘;孫華燕;;基于更佳分辨率小波分解的圖像紋理分類[A];第九屆全國信號處理學(xué)術(shù)年會（CCSP-99）論文集[C];1999年

2 謝世朋;胡茂林;;基于局部仿射區(qū)域?qū)ο∈杓y理分類的研究[A];第一屆建立和諧人機環(huán)境聯(lián)合學(xué)術(shù)會議（HHME2005）論文集[C];2005年

3 謝世朋;胡茂林;;基于濾波器庫的紋理自動分類的研究[A];第一屆建立和諧人機環(huán)境聯(lián)合學(xué)術(shù)會議（HHME2005）論文集[C];2005年

4 曹偉國;李宗民;李華;;一種旋轉(zhuǎn)與尺度不變的紋理分類方法[A];第十四屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2008年

5 付新文;李象霖;張妙蘭;;一種基于矢量量化的紋理匹配分類方法[A];中國圖象圖形科學(xué)技術(shù)新進展——第九屆全國圖象圖形科技大會論文集[C];1998年

相關(guān)博士學(xué)位論文 前9條

1 崔振超;計算機舌診中舌體分割與紋理分類研究[D];哈爾濱工業(yè)大學(xué);2015年

2 朱立軍;虹膜坑洞、色素斑紋理檢測方法研究[D];沈陽工業(yè)大學(xué);2017年

3 孫利君;基于樣本的紋理合成方法研究[D];山東大學(xué);2012年

4 邵曉鵬;紅外紋理生成方法研究[D];西安電子科技大學(xué);2005年

5 宋鐵成;圖像局部特征的提取與描述方法研究[D];電子科技大學(xué);2016年

6 王凱;基于圖像紋理特征提取算法的研究及應(yīng)用[D];西南交通大學(xué);2013年

7 賀永剛;基于局部二值模式的紋理表達研究[D];華中科技大學(xué);2012年

8 齊憲標(biāo);共生局部二值模式及其應(yīng)用[D];北京郵電大學(xué);2015年

9 賀永剛;基于局部二值模式的紋理分類研究[D];華中科技大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 占俊杰;光照變化的紋理分類研究[D];重慶大學(xué);2015年

2 王寧寧;基于線結(jié)構(gòu)光3D紋理測量的研究[D];電子科技大學(xué);2015年

3 許麗穎;基于LBP和KNN的視頻紋理識別算法研究[D];吉林大學(xué);2015年

4 管凌霄;基于紋理和結(jié)構(gòu)分析的機場目標(biāo)檢測方法[D];解放軍信息工程大學(xué);2015年

5 崔昊;紋理合成中誤差度量及像素再合成研究[D];山東師范大學(xué);2016年

6 郝華;基于混合高斯模型匹配的紋理分類研究[D];大連理工大學(xué);2016年

7 胡家義;三維矢量地形模型紋理合成方法研究[D];東北師范大學(xué);2016年

8 江俊容;基于可合成性度量的網(wǎng)絡(luò)紋理自動獲取算法研究與實現(xiàn)[D];深圳大學(xué);2016年

9 伍敏;基于多尺度內(nèi)變差的結(jié)構(gòu)檢測與紋理濾波算法研究[D];浙江工商大學(xué);2017年

10 吳春芳;紋理圖像自動分類算法研究[D];天津大學(xué);2016年

，

本文編號：2539611