基于B-CLBP和GLCM特征的紋理材質(zhì)分類

陳 旭 解天祺

1(南京信息工程大學(xué) 江蘇 南京 210044)

2(南京信息工程大學(xué)江蘇省大氣環(huán)境與裝備技術(shù)協(xié)同創(chuàng)新中心 江蘇 南京 210044)

0 引 言

圖像的紋理特征是一種較為顯著的視覺特征，不止有色彩和亮度可以反映圖像，所視物體表面存在著排列組合的規(guī)律，這種在圖像中多次出現(xiàn)的紋理組合也應(yīng)作為視覺特征，所以對(duì)圖像紋理特征的分析在圖像檢測和分類的工作中起了決定性作用。目前很多重要領(lǐng)域都對(duì)圖像紋理特征進(jìn)行了深入的研究并取得了顯著的研究成果，如虛擬現(xiàn)實(shí)(VR)技術(shù)通過紋理識(shí)別出不同的材質(zhì)，在人機(jī)交互中可以得到更真實(shí)的感受，因此紋理特征也可以作為模式識(shí)別領(lǐng)域的重要參照。

近年來，對(duì)于紋理圖像的分類研究一直都是重點(diǎn)，將其與虛擬現(xiàn)實(shí)技術(shù)結(jié)合也成了當(dāng)下的熱門。陳洋等[1]提出了結(jié)合Gabor濾波器和ICA技術(shù)的紋理分類方法，但在升維降維的過程中會(huì)丟失特征數(shù)據(jù)；Dong等[2]基于Shearlets和線性回歸算法進(jìn)行紋理分類，該方法對(duì)一些相對(duì)規(guī)律的紋理有較好的效果，但對(duì)于一些復(fù)雜圖像的效果不是很好；Jawahar等[3]則是基于小波變換來進(jìn)行紋理分類，該方法的魯棒性不是很好；Fahrurozi等[4]使用GLCM結(jié)合邊緣檢測算法來提取紋理的特征，發(fā)現(xiàn)GLCM紋理特征參數(shù)中只有4組值是線性無關(guān)，可以進(jìn)行級(jí)聯(lián)分類；El Khadiri等[5]基于LBP算法提出了一種局部二值梯度等值(LBGC)算法進(jìn)行紋理分類，雖然精度很高，但需要的特征維度比較高，不滿足實(shí)時(shí)性；Zhang等[6]基于局部二值模式提出了表示紋理特征的歸一化差分向量(NDV)，該方法具有一定的優(yōu)越性，但對(duì)于紋理方向性的研究還不夠充分；梅軍等[7]基于Tamura紋理特征對(duì)紋理圖像進(jìn)行分類，在方向性和形態(tài)學(xué)運(yùn)算中都有很好的效果。

本文提出了一種基于B-CLBP和GLCM的紋理特征提取方法，并在傳統(tǒng)LBP算子上進(jìn)行了優(yōu)化，對(duì)其進(jìn)行雙向計(jì)算，在不增加特征維數(shù)的前提下，獲得了更大的數(shù)據(jù)量。在得到更加精確的特征參數(shù)后，使用SVM分類器對(duì)紋理圖像進(jìn)行分類。該方法具有很強(qiáng)的魯棒性，且分類精度高，由于特征參數(shù)都是一維的所以運(yùn)算速度也很快。

1 原理與方法

本文提出的分類算法流程圖如圖1所示。首先，使用濾波算法對(duì)圖像進(jìn)行預(yù)處理，消除一些冗雜因子。然后使用基于LBP和GLCM的紋理提取算法來獲取圖像的紋理信息并生成特征矩陣。最后將得到的矩陣發(fā)送到SVM分類器中，來獲取8種不同材質(zhì)的紋理特征：鋁箔、砂紙、海綿、面包、燈芯絨、棉布、餅干、橙皮。

圖1 算法流程圖

1.1 LBP特征提取

LBP(局部二進(jìn)制模式)是用于描述圖像的局部紋理特征的運(yùn)算符。它具有顯著的優(yōu)點(diǎn)，如旋轉(zhuǎn)不變性和灰度不變性[8]。傳統(tǒng)LBP算子選取大小為3×3的窗口，并以窗口的中心像素值作為閾值，將其與相鄰的8個(gè)像素值進(jìn)行比較，若相鄰像素的值比中心像素值大，則該像素點(diǎn)的位置被標(biāo)記為1，反之則為0。這樣順時(shí)針取相鄰像素的標(biāo)記值，可以得到一個(gè)8位二進(jìn)制數(shù)，將其轉(zhuǎn)換為十進(jìn)制后，賦值給中心像素值，從而得到該窗口的LBP值，該區(qū)域的紋理信息就可以通過LBP值反映。如圖2所示，LBP碼為11100000，然后將其轉(zhuǎn)換為十進(jìn)制數(shù)224。

圖2 LBP特征值計(jì)算方法

LBP算法可以表示為：

(1)

式中：(xc,yc)是3×3矩陣的中心像素；gc是中心像素的灰度值；gi是同矩陣下周圍像素的灰度值。

(2)

傳統(tǒng)LBP算子只能在固定窗口中進(jìn)行計(jì)算，并不能保證不同尺寸和頻率紋理的需要。為了將3×3的矩陣窗口擴(kuò)展到任意鄰域，使用圓形替代了矩形領(lǐng)域，改進(jìn)后的LBP算子允許在半徑為R的圓形鄰域內(nèi)有任意多個(gè)像素點(diǎn)[9]。圖3為圓形LBP示意圖。

圖3 圓形LBP示意圖

圓形LBP中心像素的計(jì)算可以表示為：

(3)

式中：R是采樣半徑；P是采樣點(diǎn)的個(gè)數(shù)。就圓形區(qū)域中采樣點(diǎn)的像素點(diǎn)的對(duì)應(yīng)值而言，可能不是整數(shù)，可以通過雙線性插值[10]獲得。對(duì)于給定的中心點(diǎn)(xc,yc)，其鄰域像素位置是(xp，yp),可以通過下式計(jì)算：

(4)

經(jīng)過LBP算子計(jì)算后可以得到與原圖同樣大小的可視化圖像，但圖像的紋理特征一般用LBP的特征直方圖來表示。

1.2 B-CLBP優(yōu)化方法

在選取CLBP的基礎(chǔ)上，得到的可視化CLBP圖像具有一定的方向擾動(dòng)因素，如圖4所示，由于計(jì)算CLBP算子的時(shí)候選取旋轉(zhuǎn)方向不同，會(huì)得到在方向上又明顯差異的LBP圖像，但它們的特征信息依舊是相同的。

(a) 正轉(zhuǎn) (b) 反轉(zhuǎn)

為了獲得更好的特征參數(shù)，本文提出雙向LBP，即B-CLBP。在得到原有特征直方圖的基礎(chǔ)上，通過反向旋轉(zhuǎn)CLBP算子，得到一組新的特征直方圖，累加到原特征直方圖上，并進(jìn)行歸一化處理，在不增加維度的同時(shí)，增加了每一維的特征參數(shù)，還可以抵消原有的方向性擾動(dòng)因素，取得更好的分類結(jié)果。

1.3 GLCM紋理提取

灰度共生矩陣(GLCM)是一種成熟的統(tǒng)計(jì)圖像分析方法，已被用于許多與紋理相關(guān)的應(yīng)用，包括缺陷檢測[11]。先計(jì)算灰度圖像得到它的共生矩陣，然后通過計(jì)算共生矩陣來得到矩陣的一些特征值，以表示圖像的一些紋理特征。GLCM可以反映圖像灰度等方向，相鄰間隔和變化幅度的綜合信息。在計(jì)算矩陣之后，基于計(jì)算的共生矩陣計(jì)算紋理特征，而不是直接應(yīng)用計(jì)算的GLCM[12]。經(jīng)常采用對(duì)比度(CON)、熵(ENT)、逆差矩(IDM)和能量(ASM)等特征來表示紋理特征。

CON：直接反映像素值的亮度與其鄰域像素值的對(duì)比度，紋理凹槽越深，對(duì)比度就越明顯。

(5)

ENT：熵是圖像信息內(nèi)容的度量,代表了紋理的不均勻性或復(fù)雜程度。當(dāng)圖像幾乎隨機(jī)或有噪聲時(shí)，熵將具有較大的值。

(6)

IDM：它反映了圖像紋理的同質(zhì)性，并測量了圖像的紋理變化。較大的IDM值表示圖像紋理的不同區(qū)域之間缺乏變化，并且該部分非常均勻。

(7)

ASM：它是GLCM元素值的總和，因此也稱為能量。它反映了灰度分布的均勻性和紋理的粗糙度。較大的ASM值表示紋理變化得更均勻和規(guī)則。

(8)

1.4 紋理特征提取方法

本文提出的紋理特征提取方法如下：

1) 選取具有旋轉(zhuǎn)不變性的LBP算子，先對(duì)圖像的每個(gè)像素進(jìn)行LBP計(jì)算，并得到LBP圖像。原始圖如圖5(a)所示，LBP圖如圖5(b)所示。

(a) 原圖 (b) LBP圖

2) 根據(jù)得到的LBP圖，對(duì)其進(jìn)行灰度共生矩陣計(jì)算，選取距離d=1，并獲得0°、45°、90°、135°四個(gè)方向上的對(duì)比度、相關(guān)性、能量、逆差矩，級(jí)聯(lián)后得到16個(gè)參數(shù)的特征矩陣。

3) 使用優(yōu)化后的B-CLBP算子，獲取雙向的紋理特征直方圖，并生成參數(shù)矩陣，結(jié)合灰度共生矩陣得到的特征矩陣，描述圖像的紋理特征。

1.5 SVM分類器

支持向量機(jī)(SVM)[13]是一種統(tǒng)計(jì)方法，它計(jì)算兩組樣本之間的最佳分離超平面。從20世紀(jì)90年代末開始，SVM已成功應(yīng)用于大量的機(jī)器學(xué)習(xí)問題。在機(jī)器學(xué)習(xí)中，SVM是與學(xué)習(xí)算法相關(guān)的監(jiān)督模型，該算法分析用于分類和回歸分析的數(shù)據(jù)[14]。給定一組訓(xùn)練示例，每個(gè)示例標(biāo)記為屬于兩個(gè)類別中的一個(gè)或另一個(gè)，SVM訓(xùn)練算法構(gòu)建將新示例分配給一個(gè)類別或另一個(gè)類別的模型，使其成為非概率二進(jìn)制線性分類器[15]。該算法需要確定一組參數(shù)，包括支持向量機(jī)的類型、核函數(shù)的類型、罰因子、訓(xùn)練停止的標(biāo)準(zhǔn)。當(dāng)使用某些內(nèi)核函數(shù)時(shí)，需要確定其中一些參數(shù)。其中，核函數(shù)是支持向量機(jī)算法的核心。在過去的研究中，分類算法采用徑向基函數(shù)(RBF)，這是一種徑向?qū)ΨQ標(biāo)量函數(shù)。最常見的徑向基函數(shù)是高斯核函數(shù)：

(9)

式中：x′是內(nèi)核函數(shù)中心;σ是函數(shù)的寬度參數(shù)，控制函數(shù)的徑向范圍。

當(dāng)使用RBF內(nèi)核時(shí)，考慮兩個(gè)參數(shù)：懲罰因子C和γ。其中C是誤差容差，γ是RBF的寬度，它會(huì)影響每個(gè)支持向量對(duì)應(yīng)高斯的范圍，從而影響泛化性能。較好的(C，γ)可以使分類器正確預(yù)測未知數(shù)據(jù)并具有較高的分類準(zhǔn)確性。系統(tǒng)采用網(wǎng)格搜索方法獲得最優(yōu)參數(shù)，獲得較高的訓(xùn)練精度，即分類器預(yù)測類標(biāo)簽已知的訓(xùn)練數(shù)據(jù)的準(zhǔn)確性，不能保證測試集的高預(yù)測精度。因此，通常采用交叉驗(yàn)證方法來提高預(yù)測精度[16]。

2 實(shí)驗(yàn)結(jié)果與分析

本文對(duì)KTH-TIPS紋理圖像庫中的鋁箔、海綿、砂紙、面包、燈芯絨、棉布、餅干、橙皮8類紋理圖像樣本進(jìn)行分類，隨機(jī)選取各類紋理圖片中的8幅圖片來檢驗(yàn)本文提出的方法的有效性。圖6為8類紋理圖像。

(a) 鋁箔 (b) 海綿 (c) 砂紙 (d) 面包

(e) 燈芯絨 (f) 棉布 (g) 餅干 (h) 橙皮

原始圖像大小均為200×200像素。共有560個(gè)訓(xùn)練樣本和240個(gè)測試樣本，每個(gè)訓(xùn)練種類70個(gè)，每個(gè)測試樣本30個(gè)。采用K-means聚類算法對(duì)三類樣本進(jìn)行劃分，可以很大程度地降低特征維度，提高運(yùn)算的效率。

本文分別測試了GLCM、LBP和兩種算法的結(jié)合，并記錄的分類的精度。對(duì)于GLCM算法，選擇d=1，灰度等級(jí)為16，依據(jù)四個(gè)角度上的對(duì)比度、相關(guān)性、能量和逆差矩，得到16個(gè)參數(shù)的特征矩陣。對(duì)于LBP算法，采用CLBP算子，通過降維可以得到較少的特征參數(shù)，減少計(jì)算量。同時(shí)為了獲得更好的效果，采用B-CLBP計(jì)算特征參數(shù)，疊加在原來的特征參數(shù)上，在不擴(kuò)大特征維度的同時(shí)，得到更準(zhǔn)確的特征參數(shù)。

實(shí)驗(yàn)一中，方法1為通過灰度共生矩陣得到的16個(gè)特征參數(shù)級(jí)聯(lián)起來的矩陣作為紋理特征通過SVM分類；方法2采用B-CLBP算子來提取紋理特征分類；方法3為本文方法，結(jié)合兩種算法得到特征參數(shù)分類。

從表1可以看出，B-CLBP分類的整個(gè)樣本的準(zhǔn)確性高于GLCM，并且每種樣本的準(zhǔn)確率也高于GLCM。兩種算法相結(jié)合的正確性明顯優(yōu)于單一算法，且準(zhǔn)確率可以達(dá)到97.5%。

表1 不同方法的準(zhǔn)確率 %

實(shí)驗(yàn)二中，為了避免直方圖的高維度，分析了當(dāng)采樣點(diǎn)均為8、半徑為1時(shí)選擇LBP算子與B-CLBP算子分類的結(jié)果。如表2所示，相同采樣條件下，B-CLBP算子獲得的特征參數(shù)具有更好的分類精度。

表2 B-CLBP與傳統(tǒng)LBP的分類準(zhǔn)確率 %

實(shí)驗(yàn)三中，對(duì)測試集進(jìn)行了錯(cuò)誤匹配實(shí)驗(yàn)，同樣是取自KTH-TIPS紋理圖像庫，選取了三組不同于樣本數(shù)據(jù)的圖像，每組30幅測試樣本，測試錯(cuò)誤的圖像是否會(huì)被劃分到樣本集合中。如表3所示，經(jīng)過方法1和方法2處理的特征數(shù)據(jù)存在一定的錯(cuò)誤分類，而經(jīng)過方法3處理的特征數(shù)據(jù)也存在少數(shù)錯(cuò)誤分類，主要因?yàn)閳D像本身就接近平滑，與樣本數(shù)據(jù)中的棉布和砂紙分類有一定的混淆，總體來說，本文的分類方法仍是準(zhǔn)確可行的。

表3 錯(cuò)誤檢測分類正確率 %

3 結(jié) 語

本文主要研究紋理特征提取和分類的問題，提出了一種基于B-CLBP和GLCM的紋理檢測分類算法。該算法比單一特征更加全面，可為分類提供更有力的依據(jù)，且適用于紋理材質(zhì)的識(shí)別。通過實(shí)驗(yàn)驗(yàn)證了該方法的可行性和優(yōu)越性。

由實(shí)驗(yàn)一可以看出，本文方法對(duì)紋理圖片的分類準(zhǔn)確率較單一特征算法更高；由實(shí)驗(yàn)二可以看出，本文提出的B-CLBP優(yōu)化算法也較傳統(tǒng)LBP的分類準(zhǔn)確率高；由實(shí)驗(yàn)三可以看出，本文方法的魯棒性也較單一特征算法的分類結(jié)果更好，可以區(qū)分出錯(cuò)誤輸入的圖像。本文方法較其他特征提取分類算法有更高的分類精度和魯棒性，可以在保證紋理識(shí)別實(shí)時(shí)性的基礎(chǔ)上有更加精準(zhǔn)的分類能力。

下一步將對(duì)以下幾方面進(jìn)行深入研究：

1) 對(duì)更多的紋理材質(zhì)圖片進(jìn)行特征提取，擴(kuò)大檢測的范圍。

2) GLCM算法的效果不是特別好，可以考慮優(yōu)化算法，研究梯度方向的灰度共生矩陣，提高算法的效率和準(zhǔn)確性。

3) 本文方法的魯棒性還需要進(jìn)一步研究，可以從圖像深度出發(fā)，使該方法的魯棒性更強(qiáng)。