高效的光照、旋转、尺度不变纹理分类算法

发布时间：2019-09-21 23:26

【摘要】：纹理图像中存在的光照、旋转、尺度变化使纹理分类成为一个极具挑战性的问题.针对传统的纹理分类算法在同时解决光照、旋转、尺度变化问题和实时性方面存在的不足,提出一种高效的光照、旋转、尺度不变纹理分类算法.首先利用原始图像及其2次高斯滤波图像构造尺度空间,采用带邻域主导方向的完备局部二值模式算法在不同尺度上提取光照、旋转不变的纹理特征;然后利用跨尺度取模式最大值的方法获得尺度不变的纹理特征;最后利用最近子空间分类器进行分类.在5个有代表性的纹理库上进行实验的结果表明,该算法不需要预先学习,能较好地解决纹理分类中的光照、旋转、尺度变化问题,并具有较高的实时性.
【图文】：

图像编码,对旋,算法,多尺度空间

样本的光照、旋转不变特征.2.2尺度不变特征的提取获取尺度不变特征的步骤如下:Step1.利用高斯滤波构造多尺度空间.给定一个原始样本图像,首先将其归一化为零均值和单位标准差;然后利用高斯滤波器对其进行多次高斯滤波,每次滤波获得一个滤波后图像,这些高斯滤波后的图像和原始样本图像共同构成了原始样本图像的一个多尺度空间,这些图像在一定程度上模拟了原始样本在不同尺度的纹理特征,体现了样本的尺度变化效果.Step2.对多尺度空间的每个图像分别计算其DDN-CLBPS/M/C联合直方图并降维;然后转换为一个行向量,图1CLBP算法和DDN-CLBP算法对旋转图像编码的对比

原理图,纹理图像,光照,纹理库

碌奶卣飨蛄?为了避免过分强调高频的模式,对新的特征向量求平方根[14],然后将其作为原始样本图像的光照、旋转、尺度不变特征.2.3多个半径的宏观和微观特征融合邻域半径R和邻域采样点数P是DDN-CLBP算法的2个重要参数.对邻域半径R,小的半径能捕获微观的纹理特征,大的半径能捕获宏观的纹理特征.因此,本文算法采用多个半径相结合,将多个半径的光照、旋转、尺度不变特征进行级联,实现微观特征和宏观特征的融合,提高算法对纹理特征的描述能力.对一个样本图像,利用本文算法获取光照、旋转、尺度不变纹理特征的原理如图2所示.图2本文算法提取纹理图像的光照、旋转、尺度不变特征的原理3实验与分析3.1纹理数据库及实验设置为了验证本文算法的纹理分类性能,在5个综合的、有代表性的纹理库上进行了仿真实验.5个纹理库分别为Outex纹理库[7]、CUReT纹理库[17]、KTH-TIPS纹理库[14]、UIUC纹理库[18]和UMD纹理库[19].3.1.1Outex纹理库及实验设置Outex纹理库中的Outex_TC10和Outex_TC12测试套集含有3种光源(inca,horizon,tl84)和9个角度,被广泛用来测试纹理分类算法对光照和旋转的不变性.图3的第1列展示了Outex一个类别的5个样本.为了和其他算法进行比较,本文对Outex_TC10,用inca光源和0°条件下的图像作为训练样本,用inca光源和其他8个角度的图像作为测试样本;对Outex_TC12,采用相同的训练样本,用horizon和tl84这2种光源下全部9个角度的图像作为测试样本.3.1.2CUReT纹理库及实验设置CUReT纹理库包含61类纹理样本,这些样本图35个纹理库的部分纹理样本是在不同的视角和光照条件下获得的,且由于反光、阴影等原因使得该纹理库的纹理图像分类比Outex纹理库更具挑战性.图3的第2列展示了CUReT一个类别的5个样
【作者单位】：西北工业大学电子信息学院;温州市质量技术监督检测院;
【基金】：国家质量监督检验检疫总局科技计划项目(2016QK169)
【分类号】：TP391.41

【相似文献】