[发明专利]一种鲁棒扩展局部二值模式纹理特征提取方法

说明书

本发明公开了一种鲁棒扩展局部二值模式纹理特征提取方法，包括获取待提取特征纹理图像；对待提取特征纹理图像进行预处理；从待提取特征纹理图像中依次指定每个像素，为像素构建像素区域使用取中值方法将像素区域处理为取中值结果，并根据取中值结果，计算获得对于指定像素的鲁棒性扩展局部二值模式；根据对于指定像素的鲁棒性扩展局部二值模式，将指定像素归入固定的组中，被归入同一个固定的组中的指定像素被视为具有相同类型纹理模式；继续指定下一个像素作为当前指定像素按上述方式进行处理，直到待提取特征纹理图像中的每个像素都被归入固定的组中。

技术领域

本发明涉及图像纹理描述与分析技术，特别地，涉及一种鲁棒扩展局部二值模式纹理特征提取方法。

背景技术

纹理是一种重要的视觉线索，广泛存在于自然界各种物体的表面。不管是自然图像、卫星遥感图像还是医学图像，纹理为图像基本特征之一，是图像中像素强度的某种局部模式重复出现的宏观表现。纹理分类是图像处理、计算机视觉和模式识别的一个基础问题，在图像处理与模式识别领域占有重要地位。对纹理图像分类的研究，不仅对于人类对自身视觉机理的理解和研究具有推动作用，而且对计算机视觉和模式识别领域其它问题如人脸识别、物体识别、场景分类等等有重要支撑作用。纹理分类在视觉导航、场景分类、目标识别、基于内容的图像检索、遥感图像分析、工业检测、医学图像分析和理解和文本分类等领域有着广泛的应用。纹理分类问题涉及数字图像处理、计算机视觉、模式识别、机器学习、计算机图形学、人机交互、认知科学、应用数学、统计学、神经生理学和人工智能等多个研究领域。纹理分类问题的深入研究和最终解决，可以有力地促进这些学科的成熟和发展。

作为一个经典的模式识别问题，纹理分类主要包括两个关键环节：纹理特征提取和分类器设计。众所周知，有效的纹理特征提取方法占有着相对重要的地位，因为如果使用不好的纹理特征，即便是最好的分类器也无法达到很好的识别效果。因此，纹理特征提取方法的研究一直是人们关注的热点，出现了很多纹理特征提取方法[][]。然而，由于自然界纹理图像种类繁多，纹理分类问题本身的复杂性，加上实际应用中非限定成像环境的影响，要求提取的纹理特征能够对采集到的纹理图像往往会出现数据缺失、光照变化、旋转变化、尺度变化、局部变形和模糊等类内差异具有高度鲁棒性；此外，与日俱增的大规模纹理图像数据对纹理特征提取的实时性要求也越来越高；这些难点使得现有的纹理特征提取方法仍然难以满足实际应用的需求。

提取有效纹理特征的本质困难在于平衡两个相互竞争的目标：高质量的特征描述和低计算复杂度。高质量的纹理特征描述子需要兼具强可区分力(能够区分不同纹理图像类别)和高鲁棒性(能够对同一纹理图像类别存在的类内差异如光照变化、旋转变化、尺度变化、图像模糊、图像随机噪声和图像遮挡等鲁棒)。计算复杂度低和特征维数低的纹理特征描述子能够使得分类任务实时进行。现有的研究工作都试图在这两个相互竞争的目标中取得良好折衷，然而往往只能较好的达到其中一个目标，不可避免的牺牲另一个目标。

局部二值模式(Local Binary Pattern,LBP)已经发展成为最主要的纹理特征提取方法之一，并在图像处理和计算机视觉领域受到越来越多的关注，这主要是由于LBP方法存在如下显著优势：①易于工程实现；②灰度尺度不变性；③低计算复杂度低。正是因为如此，LBP方法已被成功应用于以纹理分类和人脸识别为代表的图像处理和计算机视觉中的诸多领域，包括工业检测、遥感图像分析、动态纹理识别、基于内容的图像检索、医学图像处理、场景分类、运动分析和环境建模等等。LBP方法得到广泛研究，出现了大量基于LBP的改进方法，

这些后续LBP改进方法主要致力于提高其鉴别力，鲁棒性和易用性。