结合Gabor滤波器和扩展LTP算子的无监督纹理图像分割

发布时间：2021-02-09 22:40

　　目的现实中的纹理往往具有类型多样、形态多变、结构复杂等特点,直接影响到纹理图像分割的准确性。传统的无监督纹理图像分割算法具有一定的局限性,不能很好地提取稳定的纹理特征。本文提出了基于Gabor滤波器和改进的LTP（local ternary pattern）算子的针对复杂纹理图像的纹理特征提取算法。方法利用Gabor滤波器和扩展LTP算子分别提取相同或相似纹理模式的纹理特征和纹理的差异性特征,并将这些特征融入到水平集框架中对纹理图像进行分割。结果通过实验表明,对纹理方向及尺度变化较大的图像、复杂背景下的纹理图像以及弱纹理模式的图像,本文方法整体分割结果明显优于传统的Gabor滤波器、结构张量、拓展结构张量、局部相似度因子等纹理分割方法得到的结果。同时,将本文方法与基于LTP的方法进行对比,分割结果依然更优。在量化指标方面,将本文方法与各种无监督的纹理分割方法就分割准确度进行对比,结果表明,在典型的纹理图像上,本文方法准确度达到97%以上,高于其他方法的分割准确度。结论提出了一种结合Gabor滤波器和扩展LTP算子的无监督多特征的纹理图像分割方法,能够较好地提取相似纹理模式的特征和纹理的... 

【文章来源】：中国图象图形学报. 2020,25(03)北大核心

【文章页数】：14 页

【部分图文】：

扩展的LTP分解为二值化过程

扩展的LTP算子的up分量的计算

典型的纹理特征提取算子所提取的纹理特征图像和扩展的LTP算子所提取的upper和lower分量的特征图如图4所示。通过对比可以发现，改进LTP算子所提取的目标和背景的差异更为明显，对于不同方向和不同模式的纹理具有良好的适应性，这是因为改进的LTP算子的实验参数只有阈值T，因此对于纹理模式和方向的变化都具有很好的适应性。经过实验发现，T值一般取值在[5,30]之间更有效。1.3 Gabor滤波器和扩展的LTP算子的互补性

【参考文献】：
期刊论文
[1]基于局部连接度和差异度算子的水平集纹理图像分割[J]. 周力,闵海.  中国图象图形学报. 2019(01)
[2]结合局部灰度差异的噪声图像分割模型[J]. 李钢,李海芳,尚方信,郭浩.  计算机应用. 2018(03)
[3]基于GLCM与自适应Gabor滤波器组的纹理图像分割[J]. 闵永智,程天栋,殷超,岳彪,肖本郁,马宏锋.  计算机工程. 2017(01)
[4]Fast Texture Segmentation Based on Semi-Local Region Descriptor and Active Contour[J]. Nawal Houhou,Jean-Philippe Thiran,Xavier Bresson.  Numerical Mathematics:Theory,Methods and Applications. 2009(04)
[5]一种基于小波变换的无监督纹理分割算法[J]. 侯艳丽,杨国胜.  计算机工程与应用. 2007(34)
[6]一种改进的基于Gabor滤波器的纹理分割方法[J]. 李厚强,王超,叶中付,王劲松.  电路与系统学报. 2003(06)



本文编号：3026348