[发明专利]一种基于LBP与GLCM的服装纹理识别分类方法

摘要

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。

主权项

1.一种基于LBP与GLCM的服装纹理识别分类方法，其特征在于，包括如下步骤：S1、LBP纹理特征提取：S11、计算图像中每个像素点的LBP模式(等价模式，或者旋转不变+等价模式)；图像划分若干为N×N的图像子块(如16×16)，计算每个子块中每个像素的LBP值；S12、计算每个子块的LBP特征值直方图，得到N×N图像子块的直方图，再对该直方图进行归一化处理；S13、将得到的每个子块的归一化直方图连接成一个特征向量，得到整幅图的LBP纹理特征向量；S2、GLCM纹理图像特征统计量提取函数的设计：通过计算灰度图像得到它的共生矩阵，透过计算该共生矩阵得到矩阵的部分特征值，来分别代表图像的某些纹理特征,灰度共生矩阵能反映图像灰度关于方向、相邻间隔、变化幅度等综合信息，是分析图像的局部模式和它们排列规则的基础；S21、灰度级量化：将图片进行直方图均衡化处理，增加灰度值的动态范围，增加影像的整体对比效果，再进行灰度级压缩；S22、计算特征值的参数选择：选择计算过程中的参数：方向，偏移量和灰度共生矩阵的阶数/滑动窗口尺寸；S3、纹理特征值的计算灰度共生矩阵的统计量包括：角二阶矩/能量(ASM)、相关性(Correlation)、熵(Entropy)、对比度(Contrast)、反差分矩阵(Inverse Differential Moment，IDM)、能量(Energy)、相异性(Dissimilarity)、同质性/逆差距(Homogeneity)、集群阴影(ClusterShade)、集群突出物(ClusterProminence)；普通统计量包括：峰度(Kurtosis)、均值(Mean)、标准差(Standard Deviation)；S31、将S3纹理特征量的计算后得到的13个特征值×0°，45°，90°，135°四个方向×1d个步长＝52个特征值的特征向量，其中4个方向可以取任意[1,4]个，得到[13,52]个特征值；S4、使用SVM算法训练特征向量，对纹理图片分类：S41、将提取到的特征向量与类别对应上后作为SVM训练特征，SVM在特征空间上找到最佳的分离超平面使得训练集上正负样本间隔最大，得到SVM分类器用于纹理图像的处理。