[发明专利]用于光学纹理图像和SAR图像的自适应特征提取方法

摘要

本发明涉及一种用于光学纹理图像和SAR图像的自适应特征提取方法，包括对训练集中多幅图像学习采样位置，进而不断学习出采样分布；对学习的采样分布利用自适应滤波对图像块进行采样编码，提取自适应特征；将该自适应特征与原始LBP特征串联组合，即为图像的自适应纹理特征描述。本发明融合了图像的分布特性、空间特性，利用了图像的先验知识学习，通过自适应采样的随机性，从而克服了普通LBP特征采样固定性的缺陷，提高光学纹理图像和SAR图像的分类正确率，进而提高基于纹理特征的分类、分割等图像处理应用的准确率。

主权项

1.一种用于光学纹理图像和SAR图像的自适应特征提取方法，其特征在于包括以下步骤：步骤1，利用训练集中的部分训练图像学习采样分布，得到采样位置矩阵G；学习采样分布的实现包括以下步骤：a)设利用训练集中的M幅训练图像Tk学习采样分布，k的取值为1，2，...M，训练图像Tk的大小为N×N；对像素p_r进行采样时，以像素p_r为中心点的图像块P_r大小为s×s，r的取值为1，2，...(N-s+1)×(N-s+1)，图像块P_r内共有s²个点，以中心点p_r为起点，按照从内到外、从上到下的顺时针螺旋方式标号为0，1，2，...，2m，m＝(s×s-1)/2；设k＝1；设r＝1，初始的采样分布为标准的高斯分布Gaussian(0，1)，设初始的采样分布为当前的采样分布，将采样分布的原始范围[-m，m]记作[0，2m]；b)将当前的采样分布的零点对应训练图像Tk的图像块P_r的中心点，离采样分布中零点近的点对应训练图像Tk的图像块P_r内离中心点近的点；c)在当前的采样分布的范围[0，2m]内2m+1个点中，随机采样出n个点[l₁，l₂，...，l_n]，对应地采样训练图像Tk的图像块P_r中标号为[l₁，l₂，...，l_n]的n个点作为第k次采样所得的关键点，将标号l₁，l₂，...，l_n保存到采样位置矩阵G的第r行；d)求步骤c所得关键点的像素值分别与图像块P_r中心点的像素值之间差值的绝对值，并按从小到大的顺序排列，将绝对值小的关键点在当前的采样分布中的纵坐标点数增加，将绝对值大的关键点在当前的采样分布中的纵坐标点数减少，增加的纵坐标总点数和减少的纵坐标总点数相等，形成一个新的采样分布；e)设r＝r+1，以步骤d所得采样分布为当前的采样分布，返回步骤b对下一像素执行采样，直到r＝(N-s+1)×(N-s+1)，得到共有(N-s+1)×(N-s+1)行的采样位置矩阵G，进入步骤f；f)设k＝k+1，r＝1，以最近一次执行步骤d所得采样分布为当前的采样分布，返回步骤b利用下一幅训练图像继续采样，不断学习采样分布并更新采样位置矩阵G，直到k＝M，训练集中的M幅训练图像被学习完，得到一个最终的采样位置矩阵G；步骤2，对训练集中所有训练图像和测试集中所有测试图像内每个像素p_r计算相应的普通LBP特征；步骤3，利用步骤1所得采样位置矩阵G对训练集中所有训练图像和测试集中所有测试图像内每个像素p_r计算相应的自适应特征；步骤4，对训练集中所有训练图像和测试集中所有测试图像内每个像素p_r，将步骤2中所得的自适应特征与步骤3中所得的普通LBP特征串联组合，得到训练集中所有训练图像和测试集中所有测试图像的自适应纹理特征P_LBP。