基于DW T和LBP的紋理特征提取研究

韓友德　楊　鵬　任高山　張?jiān)垺×帧∪?/p>

（南昌航空大學(xué)信息工程學(xué)院　南昌　330000）

1　引言

圖像在人類感知中扮演著重要的角色，是人類視覺延續(xù)的重要手段。資料表明，在人類接受的信息中，通過視覺獲得的信息在所有信息中所占比例高達(dá)80%［1］。隨著圖像處理和計(jì)算機(jī)視覺等研究領(lǐng)域的飛速發(fā)展，圖像處理日益成為人們關(guān)注的熱點(diǎn)，作為圖像基本視覺特征之一的紋理是當(dāng)前研究的一個(gè)重要領(lǐng)域，引起了諸多學(xué)者廣泛的研究。紋理分析方法已經(jīng)廣泛地應(yīng)用于多個(gè)領(lǐng)域，遙感圖像分析，如遙感圖像地形分類和衛(wèi)星遙感圖像云類識別、遙感圖像目標(biāo)識別等［2］；醫(yī)學(xué)圖像處理，醫(yī)學(xué)圖像一般都有較強(qiáng)的紋理特性，紋理分析方法有助于判斷區(qū)分正常組織和病變組織［3～4］；工業(yè)產(chǎn)品缺陷檢測，如紡織業(yè)的織物疵點(diǎn)檢測［4］、織物缺陷檢測［5］、林業(yè)生產(chǎn)中原木內(nèi)部缺陷檢測［5］、汽車噴漆的檢測和鋼管缺陷檢測等；基于生物特征的身份鑒定，如人臉識別［6］、虹膜識別、視網(wǎng)膜識別、指紋識別、掌紋識別、簽名識別［7］等。

紋理提取的目標(biāo)是：特征維數(shù)盡量小、鑒別能力強(qiáng)、穩(wěn)定性好、空間復(fù)雜度低、實(shí)際應(yīng)用性強(qiáng)［8］。文獻(xiàn)［9］提出局部二進(jìn)制模式（Local Binary Pattern，LBP），它對光照、表情、模糊等都有一定的魯棒性，但LBP對整體宏觀的特征影響較小，識別率不高。紋理特征提取方法主要有基于統(tǒng)計(jì)的方法、基于結(jié)構(gòu)特征的方法、基于模型的方法和基于信號處理（也稱頻譜）的方法［10］。1966年，Brodatz給出了Brodatz紋理庫成為后來人們研究紋理的重要數(shù)據(jù)源［11］。早期的紋理分析方法主要集中在紋理圖像的統(tǒng)計(jì)分析，其中具有代表性的算法為R.M.Haralik等提出的共生矩陣（Co-occurrence Matrix）［12］。早期的馬爾科夫模型（Markov Model）［13］以及高斯馬爾科夫隨機(jī)場（Gaussian Markov Random-Field，GMRF）［14］主要研究的也是圖像的旋轉(zhuǎn)不變的紋理。而馬爾科夫隨機(jī)場理論的提出引領(lǐng)著紋理特征的提取向新的方法邁進(jìn)。Mallat［15］是第一個(gè)將小波理論引入紋理分析的學(xué)者并取得了不錯(cuò)的效果；而后來的事實(shí)證明小波包、多進(jìn)制小波以及小波框架等在紋理分析中起到了積極的作用，這也使得圖像的紋理分析多元化。

針對LBP的不足，本文提出一種基于離散小波變換（Discrete wavelet transform，DWT）和LBP直方圖結(jié)合的紋理識別方法。該方法首先對紋理進(jìn)行小波分解，降低紋理維數(shù)，有效去除紋理的冗余信息，減少計(jì)算量，并分別對各個(gè)紋理子塊應(yīng)用兩種不同的LBP算子計(jì)算各子塊的小波局部二值模式（WLBP）圖譜。使用DWT提取紋理的各個(gè)尺度，各個(gè)方向的小波系數(shù)，并采用基于統(tǒng)計(jì)模式的LBP算子，提取幅度響應(yīng)特征作為紋理的特征。利用DWT和LBP相結(jié)合的方法能夠提取更加豐富有效的鑒別特征。在Brodatz［11］紋理庫上的實(shí)驗(yàn)結(jié)果表明，本研究提出的算法能同時(shí)取得較高的紋理識別率。

2　基于DWT和LBP的紋理特征提取研究

2.1　離散小波變換（DW T）

J.Morlet提出了DWT以來，被廣泛地應(yīng)用到了圖像處理領(lǐng)域，特別是紋理圖像的研究。DWT是對連續(xù)小波變換的尺度、位移按照2的冪次進(jìn)行離散化得到的，所以也稱為二進(jìn)制小波變換。DWT克服了傅里葉變換中表現(xiàn)形式往往不夠直觀，并且噪聲會使得信號頻譜復(fù)雜化。DWT的意義在于能夠在不同尺度上對信號進(jìn)行分解，而且對不同尺度的選擇可以根據(jù)不同的目標(biāo)來確定。在離散小波變換中，通常把連續(xù)小波變換當(dāng)中的伸縮因子a和平移因子b的離散公示分別設(shè)為a，b=b0，j=0，±1，±2…所以對應(yīng)的離散小波變換函數(shù)：

調(diào)整時(shí)間軸，將kb0歸一化變成k，則離散化后的小波函數(shù)變?yōu)?/p>

其中 f(t)為可積函數(shù)。

紋理離散小波變化如圖1所示。

圖1　DWT紋理圖像的輸出響應(yīng)

由圖1可知，DWT在獲取紋理的時(shí)頻信息時(shí)，可以很好地分解紋理，保留紋理的水平，垂直，對角線紋理特征，適合進(jìn)一步的在此基礎(chǔ)上進(jìn)行算法的研究。

2.2　局部二值模式

局部二值模式（LBP）2002年由Matti Pietik?inen［9］提出來以后，因其旋轉(zhuǎn)不變性，特別是對圖像局部分析，特別是紋理類圖像特征提取方面的優(yōu)勢，近幾年得到了模式識別，圖像處理，計(jì)算機(jī)視覺方面的廣泛應(yīng)用。原始的LBP算子定義為在3*3的窗口內(nèi)，以窗口中心像素為閾值，將相鄰的8個(gè)像素的灰度值與其進(jìn)行比較，若周圍像素值大于中心像素值，則該像素點(diǎn)的位置被標(biāo)記為1，否則為0，這樣，3*3領(lǐng)域內(nèi)的8個(gè)點(diǎn)經(jīng)比較可產(chǎn)生8位二進(jìn)制（通常轉(zhuǎn)換為十進(jìn)制數(shù)即LBP，共256種），記得到該窗口中心像素點(diǎn)的LBP值，并用這個(gè)值來反映該區(qū)域的紋理信息，如圖2所示。Ojala等對LBP算子進(jìn)行了改進(jìn)，講3*3領(lǐng)域擴(kuò)展到任意領(lǐng)域，并用圓形領(lǐng)域代替正方形領(lǐng)域，改進(jìn)后的LBP算子允許在半徑為R的圓形鄰域內(nèi)任意多個(gè)像素點(diǎn)。從而得到了諸如半徑為R的圓形區(qū)域內(nèi)含有P個(gè)采樣點(diǎn)的LBP算子，如圖3所示。LBP提取紋理特征得到了，直方圖，如圖4所示。

圖2　基本的LBP算子

圖3　幾種LBP算子

圖4　，直方圖

2.3　方法流程

結(jié)合2.1節(jié)、2.2節(jié)所述的方法，對本文方法流程進(jìn)行總結(jié)和說明，如圖5所示。

圖5　本文方法流程

DWT+LBP算法流程如下。

1）將訓(xùn)練集紋理圖像進(jìn)行離散小波變換，求得個(gè)方向，尺度小波系數(shù)。

2）使用LBP算子對所得輸出響應(yīng)重新編碼。

3）統(tǒng)計(jì)紋理庫中所有LBP編碼模式，得到一個(gè)統(tǒng)計(jì)的直方圖。

4）提取到LBP特征后使用KNN分類器分類。

3　實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文算法的優(yōu)勢，使用了Brodatz，Outex，UMD庫對算法進(jìn)行測試和比較。該紋理庫有24，456，24類，每類中有16，20，40圖紋理分別對應(yīng)不用的表情，光照，裝飾，姿勢等圖像組成，這些圖像之間有較大差異。圖像尺度為3。實(shí)驗(yàn)中，用每個(gè)類的前一半紋理作為訓(xùn)練樣本，后一半紋理作為測試樣本。訓(xùn)練樣本與測試樣本總數(shù)為384，9120，960。

3.1　與其他算法的比較

為了說明本研究提出的算法，筆者對比了LBP，DWT，以及LBP不同模式下的幾種方法。這里DWT選用haar小波，小波階數(shù)為3。表1～表3顯示了不同算法下，各個(gè)庫的識別率。

表1　Brodatz庫識別率

表2　Outex庫識別率

表3　UMD庫識別率

3.2　小波的選擇與比較

由于采用一級小波分解的逼近圖像替代原始圖像，與原始圖像相比較，逼近圖像不可避免地要丟失一些信息，那么選擇小波的條件應(yīng)該是使逼近圖像最好地逼近原始圖像，使丟失的信息量最少，這即是小波變換的高頻系數(shù)產(chǎn)生大量的零系數(shù)或幅值很小的系數(shù)；另外，運(yùn)算速度也是一個(gè)很重要的指標(biāo)。本研究選擇了幾種不同的小波進(jìn)行對比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如圖6所示

圖6　小波的選擇對識別率的影響

4　結(jié)語

針對紋理圖像識別率低的問題，本文提出了一種基于DWT和LBP混合作用的紋理識別方法。實(shí)驗(yàn)結(jié)果表明，該方法能夠有效地提取局部和全局特征，對光照等環(huán)境變換適應(yīng)性強(qiáng)，另外LBP魯棒性較強(qiáng)，具有較好的識別率。為了達(dá)到更好的識別效果，今后將對LBP特征提取的算法做進(jìn)一步的研究。

［1］Haralick R M.Texture features for image classification［J］.Systems Man&Cybernetics IEEE Transactions on，1990，smc-3（6）：610-621.

［2］丁海勇，卞正富.基于SVM算法和紋理特征提取的遙感圖像分類［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2008，29（8）：2131-2132.DING Haiyong，BIAN Zhengfu.Remote Sensing Image Classification Based on SVM Algorithm and Texture Feature Extraction［J］.Computer Engineering and Design，2008，29（8）：2131-2132.

［3］吳海豐，劉韞寧，郭秀花.Curvelet變換在醫(yī)學(xué)圖像處理中的應(yīng)用現(xiàn)況［J］.北京生物醫(yī)學(xué)工程，2010，29（4）：432-435.WU Haifeng，LIU Yunning，GUO Liuhua.Application of Curvelet Transform in Medical Image Processing［J］.Beijing Biomedical Engineering，2010，29（4）：432-435.

［4］付蓉，石美紅，陳惠娟.自適應(yīng)局部二值模式算法及其在織物疵點(diǎn)檢測中的應(yīng)用［J］.紡織高?；A(chǔ)科學(xué)學(xué)報(bào)，2010，23（1）：99-104.FU Rong，SHIMeihong，CHEN Huiguan.Adaptive Local Binary Pattern Algorithm and Its Application in Fabric DefectDetection［J］.Journalof Textile Science and Technology，2010，23（1）：99-104.

［5］業(yè)寧，丁建文，王迪，等.基于LBP特征提取的木材紋理缺陷檢測［J］.計(jì)算機(jī)研究與發(fā)展，2007（z2）：383-387.YE Ling，DING JianWen，WANG Di，et al.Inspection of Wood Texture Defects Based on LBP Feature Extraction［J］.JournalofComputer Research and Development，2007（z2）：383-387.

［6］黃非非，李見為，王瑋，等.結(jié)合小波分析和LBP算子的人臉描述與識別［J］.重慶理工大學(xué)學(xué)報(bào)自然科學(xué)版，2009，23（1）：102-108.WANG Feifei，LI Jianwei，WANGWei，et al.Description and Recognition Combining Wavelet Analysis and LBP Operator［J］.Journal of Chongqing Institute of Technology，2009，23（1）：102-108.

［7］鄒明福，童建軍，婁正良，等.基于筆劃分割的聯(lián)機(jī)簽名鑒定［J］.第二屆自動(dòng)化與信息技術(shù)發(fā)展戰(zhàn)略研討會論文集，2002：390-398.ZHOUMingfu，DONG Jianjun，LIU Yingjian，etal.Online Signature Verification Based on Stroke Segmentation［J］.The Second Symposium on Automation and Information Technology DevelopmentStrategy，2002：390-398.

［8］肖霄.圖像LBP特征提取的研究與應(yīng)用［D］.長春：吉林大學(xué)，2011.JIAO Xiao.Research and Application of Image LBP Feature Extraction［D］.Changchun：Jilin University，2011.

［9］ Ojala T，Pietik?inen M，M?enp??T.Multiresolution Gray-Scale and Rotation Invariant Texture Classification with Local Binary Patterns［J］.IEEE Transactions on Pattern Analysis&Machine Intelligence，2002，24（7）：971-987.

［10］劉麗，匡綱要.圖像紋理特征提取方法綜述［J］.中國圖象圖形學(xué)報(bào)，2009，14（4）：622-635.LIU Li，KUANG Gangyao.A Survey of Image Texture Feature Extraction Methods［J］.Journal of Image and Graphics，2009，14（4）：622-635.

［11］Ojala T，Harwood I.A Comparative Study of Texture Measures with Classification Based on Feature Distributions［J］.Pattern Recognition，1996，29（1）：51-59.

［12］Darling EM，Joseph R D.Pattern Recognition from Satellite Altitudes［J］.IEEE Transactions on Systems Science&Cybernetics，1968，4（1）：38-47.

［13］Chellappa R，Chatterjee S.Classification of textures using GaussianMarkov randomfields［J］.Acoustics Speech&Signal Processing IEEE Transactionson，1985，33（4）：959-963.

［14］Chen CC，Huang C L.Markov random fields for texture classification［J］.Pattern Recognition Letters，1993，14（11）：907-914.

［15］MallatSG.A Theory forMultiresolution SignalDecomposition：The Wavelet Representation［J］.IEEE Transactions on Pattern Analysis&Machine Intelligence，1989，11（7）：674-693.