一種基於多尺度採樣的紋理圖像表示方法與流程

2023-05-22 13:37:21 1

本發明涉及模式識別和計算機視覺領域的紋理圖像分類，具體地說是一種基於多尺度採樣的紋理圖像表示方法。

背景技術：

作為圖像表面的基本特徵，紋理具有周期性、方向性和多尺度等基本屬性。也即是說，不同的紋理圖像具有不同的紋理排布規律。所以，組成紋理的基本元素的統計特徵可以作為紋理圖像識別的一個重要標識。因此，紋理成為了計算機視覺和模式識別領域研究的主要對象之一。在過去的幾十年裡提出了很多基於紋理的紋理表示方法，例如基於局部二值模式（Local Binary Pattern, LBP）的紋理特徵表示方法。

通過對與紋理研究相關的文獻的分析和總結可以發現，有關紋理的研究方法大致可以分為兩大類：基於變換域的和基於空域的方法。前者主要是通過小波變換來捕獲圖像紋理的方向多尺度信息，並用變換域的子帶能量特徵表示紋理圖像。這類方法對圖像的旋轉很敏感，當圖像有一定角度的旋轉時，其特徵的識別能力在進行紋理圖像分類時會大大降低。後者主要是對圖像紋理的局部結構進行分析，通過構造圖像紋理的基本單元，即紋理基元，根據統計分析來表示紋理圖像。雖然這類方法能夠很好地實現圖像旋轉不變性，但是其忽略了圖像紋理的宏觀結構信息和方向多尺度信息。因此，導致這類方法所提取特徵的識別能力在進行紋理圖像分類時並不是很理想。

根據上述的分析，本專利以空域方法為背景，在對圖像紋理局部結構分析的基礎上，提出針對上述問題的解決方案。在基於空域的紋理分類方法中，LBP紋理特徵表示方法是推廣和應用最廣泛的方法之一。雖然它能很好的實現灰度和旋轉不變性，但是該方法主要分析了紋理的局部結構信息，沒有很好的利用圖像紋理的宏觀結構和多尺度信息。因此，本專利就是根據LBP方法的思想，提出既包含紋理的宏觀信息又包含尺度信息的紋理圖像特徵表示方法，以實現對紋理圖像快速的分類。

技術實現要素：

本發明所要解決的技術問題是提供一種基於多尺度採樣的紋理圖像表示方法，提高紋理圖像分類精度，在保證分類性能的同時能夠實現快速的紋理圖像分類。

本發明為解決上述技術問題所採用的技術方案是：一種基於多尺度採樣的紋理圖像表示方法，包括以下步驟：

步驟一、對紋理圖像進行旋轉不變性處理，其具體步驟如下：

計算原始圖像的大小模式圖像MP：即對於紋理圖像中的任一像素，該像素周圍的P個鄰居像素為，i=1,2,…,P，則；

計算原始圖像的符號模式圖像SP：即對於紋理圖像中的任一像素，，其中s(x)為符號函數，其滿足當x≥0時s(x)=1，否則s(x)=0；

步驟二、對大小模式圖像MP進行L尺度的小波分解，得到3*L個高頻子帶和一個低頻子帶；

步驟三、對符號模式圖像進行L次的下採樣得到不同尺度下的步函數，用表示第i個尺度下的步函數的值，表示符號模式圖像，則， 其中表示每隔一行和一列對分布採一次樣，由此得到L+1步函數值的分布；

步驟四、根據步函數值的分布，對大小模式圖像MP的每一個高頻子帶的係數進行劃分，所有子帶劃分用集合表示，則在第i個尺度上，第j個M×N的子帶的第k個劃分為：，其中，U表示將合併到集合{}中，和分別為和在（x,y）處的高頻子帶係數和步函數值，該高頻子帶劃分的均值為，其中表示集合裡面的第τ個元素；由均值構造第j個高頻子帶的採樣方向均值向量，用SDMV表示，則；

對於M×N的，構造它的的頻率向量FV=(B0,B1,…Bp)， 其中表示FV中的第k個元素的值；

同理，對於低頻子帶，構造它的採樣方向均值向量SDMV0，對於原始的符號模式圖像SP，構造它的頻率向量FV0；

步驟五、紋理圖像的第i尺度下的旋轉不變性用RIR表示，根據步驟四得到的SDMVij和FVi得到 ；同理，對於低頻子帶和原始的符號模式圖像SP，可以獲取它們的旋轉不變性表示RIR0，因此，紋理圖像的多尺度旋轉不變性表示特徵MRIR為：；

步驟六、利用步驟五提取的MRIR特徵，通過KNN分類器對紋理圖像進行分類。

本發明所述步驟二中採用具有Daubechies 8過濾器組的小波對大小模式圖像進行小波分解。

本發明的有益效果是：1）該圖像紋理表示方法有效的結合了圖像紋理的方向多尺度信息和局部結構信息，因此能夠很好地描述紋理的特徵。

2）針對不同的成像條件，例如光照變化、圖像旋轉等，多尺度旋轉不變形表示特徵能夠獲取很好地分類性能，在很大程度上提高了分類精度。

3）此外，該特徵提取方法的計算速度很快，特徵的維數相對比較小，在保證分類性能的同時能夠實現快速的紋理圖像分類。

附圖說明

圖1為本發明紋理圖像表示方法的流程示意圖；

圖2為計算大小模式圖像和符號模式圖像的流程示意圖；

圖3為對大小模式圖像進行小波分解的流程示意圖；

圖4為對符號模式圖像進行下採樣的流程示意圖；

圖5為構造子帶的採樣方向均值向量和符號模式子圖像的頻率向量的流程示意圖；

圖6為紋理圖像的多尺度旋轉不變形表示特徵的流程示意圖；

圖7為本發明方法與其它發明方法的平均分類精度數據對比圖。

具體實施方式

本發明基於多尺度採樣的紋理圖像表示方法包括以下內容：首先，對紋理圖像進行旋轉不變性處理，旋轉不變性處理後，一個紋理圖像的像素由符號模式和大小模式表示，即一個圖像投影成了兩個圖像，即符號模式圖像和大小模式圖像，其中符號模式圖像包含了紋理的離散的符號信息，而大小模式圖像包含了紋理的連續的大小信息；其次，用小波變換對大小模式圖像進行方向多尺度分解，獲取大小模式圖像的高頻子帶和低頻子帶，在構造每一個子帶的採樣方向均值向量時，參照不同尺度的子帶尺寸，首先對符號模式圖像進行下採樣處理來生成不同小波分解尺度下的步函數；對於同一尺度下的子帶和步函數，根據步函數對每一個子帶的係數進行採樣，然後用步函數的每一個值採樣得到的子帶係數的均值來構造子帶的採樣方向均值向量；同時，對於該尺度下步函數的分布，即採樣得到的符號模式子圖像，建立它的頻率向量來捕獲圖像紋理的符號信息；接著，通過連接同一尺度下的採樣方向均值向量和頻率向量，得到圖像紋理單一尺度的旋轉不變性表示；然後，通過把不同尺度下的旋轉不變性表示特徵進行連接，得到用於表示紋理圖像的多尺度旋轉不變性表示特徵；最後，利用提取的多尺度旋轉不變性表示特徵，通過KNN分類器對紋理圖像進行分類。

一種基於多尺度採樣的紋理圖像表示方法，包括以下步驟：

步驟一、對紋理圖像進行旋轉不變性處理，其具體步驟如下：

計算原始圖像的大小模式圖像MP：即對於紋理圖像中的任一像素，該像素周圍的P個鄰居像素為，i=1,2,…,P，則；

計算原始圖像的符號模式圖像SP：即對於紋理圖像中的任一像素，，其中s(x)為符號函數，其滿足當x≥0時s(x)=1，否則s(x)=0；

步驟二、對大小模式圖像MP進行L尺度的小波分解，得到3*L個高頻子帶和一個低頻子帶；

步驟三、對符號模式圖像進行L次的下採樣得到不同尺度下的步函數，用表示第i個尺度下的步函數的值，表示符號模式圖像，則， 其中表示每隔一行和一列對分布採一次樣，由此得到L+1步函數值的分布；

步驟四、根據步函數值的分布，對大小模式圖像MP的每一個高頻子帶的係數進行劃分，所有子帶劃分用集合表示，則在第i個尺度上，第j個M×N的子帶的第k個劃分為：，其中，U表示將合併到集合{}中，和分別為和在（x,y）處的高頻子帶係數和步函數值，該高頻子帶劃分的均值為，其中表示集合裡面的第τ個元素；由均值構造第j個高頻子帶的採樣方向均值向量，用SDMV表示，則；

對於M×N的，構造它的的頻率向量FV=(B0,B1,…Bp)， 其中表示FV中的第k個元素的值；

同理，對於低頻子帶，構造它的採樣方向均值向量SDMV0，對於原始的符號模式圖像SP，構造它的頻率向量FV0；

步驟五、紋理圖像的第i尺度下的旋轉不變性用RIR表示，根據步驟四得到的SDMVij和FVi得到 ；同理，對於低頻子帶和原始的符號模式圖像SP，可以獲取它們的旋轉不變性表示RIR0，因此，紋理圖像的多尺度旋轉不變性表示特徵MRIR為：；

步驟六、利用步驟五提取的MRIR特徵，通過KNN分類器對紋理圖像進行分類。

進一步，所述步驟二中採用具有Daubechies 8過濾器組的小波對大小模式圖像進行小波分解。

進一步，當小波的分解尺度L=1和鄰居像素個數P=10時，本方法的分類精度最高。

將本方法（表示為：MRIR）與其它3個紋理特徵提取方法進行比較，十次實驗的平均分類正確率（ACAR，%）結果如圖7所示，圖7驗證了本方法的有效性和優越性。

通過與其他方法的比較，可以驗證本發明所提出的方法相對於其它3個算法具有很好的優越性：該方法能有效地處理旋轉的紋理圖像；有效地提高了紋理圖像的分類精度；有效地適應紋理圖像成像條件的變化；有效地提高分類速度。

實施例

通過對標準紋理庫Brodatz中的紋理圖像進行分類實例闡述本發明的具體實施方式：

執行步驟一：紋理圖像進行旋轉不變性處理。

對輸入的紋理圖像進行旋轉不變性處理的具體過程如下：

1）計算其大小模式圖像；

2）計算其符號模式圖像。

執行步驟二：對大小模式圖像進行多尺度小波分解。

1）利用具有Daubechies 8過濾器組的小波對大小模式圖像進行分解；

2）獲取大小模式圖像的小波子帶：和。

執行步驟三：對符號模式圖像進行下採樣生成步函數。

1）參照L尺度的小波分解，對符號模式圖像進行L次的下採樣；

2）得到步函數的值的分布集：。

執行步驟四：構造子帶的採樣方向均值向量和符號模式子圖像的頻率向量。

1）參照步函數值分布對小波子帶進行劃分；

2）計算每一個子帶劃分的均值，構造其採樣方向均值向量；

3）構造步函數值分布的頻率向量。

執行步驟五：構造多尺度旋轉不變性表示特徵。

1）構造單尺度的旋轉不變性表示；

2）構造低頻子帶和符合模式圖像的旋轉不變性表示；

3）構造多尺度旋轉不變性表示特徵。

執行步驟六：根據得到的多尺度旋轉不變性表示特徵，利用KNN分類器進行紋理圖像分類實驗。