[发明专利]一种基于LBP与GLCM的服装纹理识别分类方法

说明书

本发明涉及一种基于LBP与GLCM的服装纹理识别分类方法，所述的时尚服装图像中纹理类型的分类方法包括以下步骤:S1、LBP纹理特征提取；S2、GLCM纹理图像特征统计量提取函数的设计；S3、纹理特征值的计算；S4、使用SVM算法训练特征向量，对纹理图片分类。其优点表现在：在实际的生产过程中很好地解决了时尚服装中纹理识别的挑战，不仅仅解放了人工识别的束缚，也为后期数据的分析和算法的开发优化带来了便利，具有重要的现实意义。

技术领域

本发明涉及数据识别技术领域，具体地说，是一种基于LBP与GLCM的服装纹理识别分类方法。

背景技术

基于内容的图像检索技术(CBIR)一般包括图像获取，特征提取，图像分类，图像检索四个阶段。CBIR有两个核心问题：如何能够实现快速有效的图像分类与检索，其关键在于选用哪一种算法提取何种特征；如何建立有效的图像分类识别系统，其关键在于分类算法的选取。时尚数据库来源于网络，可以为客户提供高质量的时尚风格和时尚元素的检索，但是自然界图像纹理样式繁多，其运用在服装设计上的纹理结构也是千变万化，可想而知纹理图案的识别难度。神经网络在近年来的大放异彩促使图像领域的应用也呈百花齐放的态势，采用神经网络这种端到端的方法进行时尚元素检索自然也是最好不过了。但由于我们能获取的数据集太小，远无法满足训练神经网络模型所需的数据量，所以神经网络模型并不适合此类的图像处理，需要寻找别的方法提取图像的纹理信息进而进行分类和检索。而纹理特征作为显著的视觉特征，不仅不依赖于颜色或亮度，并且包含事物表面结构的排列与组织次序，表现出上下文内容的联系，反映图像中同质现象重复出现的视觉特征，因此采用基于内容的纹理图像检索方法是比较可行的一种用于图像描述和分类的特征。近年来，不少研究人员一直在致力于对现有纹理提取方法进行融合并对特征指数进行有效筛选，如GLCM与MRF的融合，小波方法与MRF的融合等等；除此之外，研究人员也在不断尝试研究并开拓新的纹理特征提取方法，主要是纹理多尺度特征和旋转不变特征的提取；但是纹理的微观异构性，复杂性以及其应用的广泛性和概念的不明确性给纹理研究带来很大挑战。目前已有的对纹理特征描述方法的方法大致可以分为以下几类：

1.统计法：统计法的典型的分析方法是共生矩阵法，Tammra方法等。利用灰度共生矩阵可得到描述纹理特征的统计量，常用的有对比度、能量、熵等七个特征。Tammra提出了与人的视觉感受相关的六个纹理特征，分别是粗糙度、对比度、方向性、线性相似性、规则性和粗略度。

2.几何法：所谓几何法，是建立在纹理基元(基本的纹理元素)理论基础上的一种纹理特征分析方法。纹理基元理论认为，复杂的纹理可以由若干简单的纹理基元以一定的有规律的形式重复排列构成。在几何法中，比较有影响的算法有两种：Voronio棋盘格特征法和结构法。

3.模型法：模型法以图像的构造模型为基础，采用模型的参数作为纹理特征。典型的方法是随机场模型法，如马尔可夫(Markov)随机场(MRF)模型法和Gibbs随机场模型法。

4.信号处理法：纹理特征的提取与匹配主要有：灰度共生矩阵、Tamura纹理特征、自回归纹理模型(SAR)、小波变换等。

而方法中基于灰度共生矩阵特征提取与匹配主要依赖于能量、惯量、熵和相关性四个参数；Tamura纹理特征基于人类对纹理的视觉感知心理学研究，提出6种属性，即：粗糙度、对比度、方向度、线像度、规整度和粗略度；自回归纹理模型是马尔可夫随机场(MRF)模型的一种应用实例。在对图像纹理特征的提取算法中，高斯马尔可夫随机场(GMRF)、局部二值模式(LBP)、灰度共生矩阵(GLCM)这3种应用最为广泛，分别对应3种不同的纹理空间，即3种纹理分类的途径。