基于改進(jìn)LBP的紋理特征提取算法

張?jiān)棋\

（中國直升機(jī)設(shè)計(jì)研究所，江西 景德鎮(zhèn) 333000）

0 引 言

紋理是對(duì)物體表面特有屬性的描述。不同紋理之間屬性上存在較大差異，因此可根據(jù)紋理之間的差異對(duì)不同類別的紋理進(jìn)行區(qū)分，即紋理分類。紋理分類是圖像處理、模式識(shí)別等領(lǐng)域中重要的研究課題，在近幾十年吸引了大量科研人員的關(guān)注。

隨著紋理分類研究的不斷深入，國內(nèi)外研究人員提出了多種紋理特征描述方法，如灰度差分統(tǒng)計(jì)、灰度共生矩陣（Gray Level Cooccurrence Matrix, GLCM）等。雖然上述方法的計(jì)算復(fù)雜程度較低，但對(duì)紋理細(xì)節(jié)的描述不夠準(zhǔn)確，忽略信息較多，從而導(dǎo)致無法提取多尺度圖像特征。隨后，小波變換理論、馬爾可夫隨機(jī)場等方法相繼被提出。小波變換理論可以處理得到不同分辨率下的紋理特征，該方法雖然能較好地避免噪聲對(duì)于紋理特征提取的影響，但對(duì)邊緣模糊及受光照干擾圖像的處理效果較差。

針對(duì)以上紋理特征提取方法中存在的問題，2002年，Ojala 等人首次提出了用于描述圖像局部空間結(jié)構(gòu)的局部二值模式（Local Binary Pattern, LBP）紋理描述算子。通過鄰域像素與中心像素之間的差異信息提取紋理特征，該算法計(jì)算簡單，抗干擾性較好，因此在醫(yī)學(xué)圖像處理、運(yùn)動(dòng)跟蹤、人臉識(shí)別等領(lǐng)域取得了廣泛應(yīng)用。

然而，傳統(tǒng)的LBP 算子仍存在設(shè)計(jì)上的缺陷。該算子僅考慮鄰域像素與中心像素之間的差異，忽略了局部鄰域像素強(qiáng)度信息，因此魯棒性較差。為此，眾多學(xué)者對(duì)其進(jìn)行了改進(jìn)研究。Jin 等人提出一種改進(jìn)LBP（Improved Local Binary Pattern, ILBP）紋理特征描述算法，該算法對(duì)傳統(tǒng)LBP 算子的中心像素的取值方式進(jìn)行改進(jìn)，利用鄰域像素與該區(qū)域內(nèi)所有像素值的均值的差異進(jìn)行二進(jìn)制編碼，增強(qiáng)了算法對(duì)于噪聲的魯棒性。Tan 等人提出了一種局部三值（Local Ternary Pattern, LTP）紋理特征描述算法，該算法引入閾值，將鄰域像素與中心像素灰度值之間的差值分別與所設(shè)閾值進(jìn)行比較，最終得到-1，0，1 三種狀態(tài)，在一定程度上降低了算法對(duì)噪聲的敏感性。Hafiane 等人提出了一種中值（Median Binary Pattern, MBP）紋理特征描述算法，該算法將首先將鄰域像素點(diǎn)按照灰度值的大小進(jìn)行排列，并將該序列的中值作為閾值，然后將鄰域像素分別與閾值進(jìn)行二值量化，同時(shí)中心像素也參與二值量化，最終得到九位二進(jìn)制串，提高了算法對(duì)紋理特征的提取性能。但是，以上改進(jìn)紋理特征算法普遍存在對(duì)噪聲敏感且魯棒性較差的問題。

為提高紋理特征算子的抗噪穩(wěn)健性，本文在原始LBP 算子基礎(chǔ)上提出將紋理方向信息融合到紋理特征中的方法，利用紋理的方向特性來提高特征提取算法的魯棒性。

1 局部二值模式紋理特征描述算子

1.1 傳統(tǒng)LBP 紋理描述算子

原始LBP 算子提取特征時(shí)，首先將鄰域像素值與中心像素的像素值進(jìn)行比較，如果其大于或等于中心像素值，則該位編碼為1，否則編碼為0。然后根據(jù)不同位置對(duì)應(yīng)的權(quán)重將此二進(jìn)制編碼加權(quán)累加，從而得到該中心像素的局部二進(jìn)制模式，如圖1所示。

圖1 原始LBP 算子計(jì)算紋理特征示例

為了提高算子的表征性能以及便于獲取較大半徑下的紋理特征信息，Ojala 等人提出采用圓形鄰域系統(tǒng)代替最初的矩形鄰域系統(tǒng)來作為LBP 提取紋理特征的算子，從而計(jì)算出該像素點(diǎn)的LBP 計(jì)算值，并以該值反映此區(qū)域的紋理信息。圓形鄰域算子如圖2所示。

圖2 改進(jìn)LBP 紋理特征描述算子結(jié)構(gòu)圖示

將中心像素與鄰域像素進(jìn)行比較最終得到該中心點(diǎn)相對(duì)應(yīng)的二進(jìn)制編碼，然后根據(jù)不同位置對(duì)應(yīng)的權(quán)重將此二進(jìn)制編碼加權(quán)累加，所得即為該點(diǎn)的LBP 紋理特征值。設(shè)（，）為圖像中的某一中心像素點(diǎn)，則該點(diǎn)的LBP 紋理特征值表達(dá)式如下：

式中：

式中X表示中心點(diǎn)，表示圓形鄰域的半徑，表示該鄰域上采樣點(diǎn)的數(shù)目，X表示以為半徑的圓周上等角間隔且均勻分布的個(gè)像素點(diǎn)，X的下標(biāo)第三個(gè)值用來表示某個(gè)鄰域像素的位置。

對(duì)于一副圖像而言，對(duì)每個(gè)像素點(diǎn)的LBP 紋理特征值進(jìn)行計(jì)算并通過不同描述算子進(jìn)一步降低紋理特征值的維數(shù)后，統(tǒng)計(jì)每個(gè)特征值出現(xiàn)的次數(shù)，進(jìn)而得出圖像的特征直方圖，即為所提取的圖像特征。

為便于利用特征直方圖進(jìn)行分類計(jì)算，需對(duì)LBP 紋理特征進(jìn)行降維并重新編碼。Ojala 在圓形LBP 算子的基礎(chǔ)上提出旋轉(zhuǎn)不變模式以及旋轉(zhuǎn)不變均勻模式2 描述算子，描述算子表示將傳統(tǒng)的LBP 算子提取得到的二進(jìn)制串不斷旋轉(zhuǎn)，之后將所得到個(gè)不同的二進(jìn)制串所表示十進(jìn)制中值最小的作為該中心像素最終的LBP 紋理特征二進(jìn)制串。描述算子2 在模式基礎(chǔ)上，將二進(jìn)制相鄰序列中0 和1 之間的跳變次數(shù)小于或等于2 定義為均勻模式，變換次數(shù)大于2 則定義為非均勻模式，進(jìn)一步降低了紋理特征的維數(shù)。

傳統(tǒng)LBP 紋理特征描述算法雖然實(shí)現(xiàn)起來相對(duì)容易，但其抗干擾性差，限制了其在紋理分類、人臉識(shí)別等領(lǐng)域中的應(yīng)用。

1.2 改進(jìn)的局部二值模式（ILNRBP）紋理特征描述算子

由于大部分圖像受到不確定的噪點(diǎn)干擾，而傳統(tǒng)LBP紋理特征算子對(duì)于噪點(diǎn)干擾的魯棒性較低，因此，本文提出一種改進(jìn)的局部抗噪二值模式（Improved Local Noise Robustness Binary Pattern, ILNRBP）紋理描述算子。與傳統(tǒng)LBP 紋理描述算子的不同，ILNRBP 紋理描述算子將各鄰域像素點(diǎn)的灰度值由該鄰域像素點(diǎn)周圍四個(gè)鄰域像素點(diǎn)的均值替換，然后以T 為閾值，將鄰域像素灰度替換值與中心像素灰度值的差值二值量化得到圖像某一像素點(diǎn)的紋理特征二進(jìn)制串，最后根據(jù)不同位置對(duì)應(yīng)的權(quán)重將此二進(jìn)制編碼加權(quán)累加，得到該點(diǎn)的ILNRBP 紋理特征值。如式（3）：

式中：

式中X表示中心點(diǎn)。表示半徑，表示該鄰域上采樣點(diǎn)的數(shù)目，表示某個(gè)鄰域像素的位置，為閾值。（X，）表示以鄰域像素X為中心，以為半徑的圓形鄰域上等角間隔的四個(gè)鄰域像素值的均值，如式（5）：

本算法將鄰域像素與中心像素灰度值的比較結(jié)果分別與閾值T 進(jìn)行比較，防止因噪點(diǎn)等微小波動(dòng)對(duì)有效紋理特征的提取造成干擾，極大地提高了對(duì)噪聲的穩(wěn)健性，ILNRBP 算子提取圖像紋理特征值如圖3所示。

圖3 ILNRBP 紋理特征描述算子結(jié)構(gòu)圖示

利用ILNRBP 算子對(duì)圖像所有像素點(diǎn)進(jìn)行二進(jìn)制編碼，然后根據(jù)不同位置對(duì)應(yīng)的權(quán)重對(duì)所有二進(jìn)制編碼進(jìn)行加權(quán)累加，進(jìn)而得到所有像素點(diǎn)的特征值，之后得出該幅圖像的紋理特征直方圖H。

2 實(shí)驗(yàn)

2.1 數(shù)據(jù)集說明

為驗(yàn)證ILNRBP 算子的有效性，在經(jīng)典數(shù)據(jù)集Outex（TC10，TC12_000，TC12_001）上進(jìn)行LBP、ILNRBP算子紋理分類準(zhǔn)確率對(duì)比實(shí)驗(yàn)，表1是對(duì)各數(shù)據(jù)集的說明。

表1 各數(shù)據(jù)集說明

2.2 實(shí)驗(yàn)分類方法說明

本文首先利用紋理描述算子提取圖像紋理統(tǒng)計(jì)直方圖，并將其作為圖像特征。然后采用卡方距離（chi-square，2）來計(jì)算特征直方圖之間的距離，并計(jì)算其預(yù)測類別，如式（6）：

式中，分別表示兩個(gè)特征直方圖，表示特征直方圖維數(shù)大小，q，l分別表示特征直方圖，的第個(gè)值。

然后分別將每幅圖像的預(yù)測類別與數(shù)據(jù)集提供的準(zhǔn)確類別標(biāo)簽進(jìn)行對(duì)比。最后通過統(tǒng)計(jì)得到對(duì)應(yīng)數(shù)據(jù)集的紋理分類準(zhǔn)確率程度。

2.3 實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)中式（1）和（3）中、取值分別為1、8，式（3）中取值為3。在Outex（TC10，TC12_000，TC12_001）三種數(shù)據(jù)集中圖像作為本次檢測準(zhǔn)確率實(shí)驗(yàn)的訓(xùn)練、測試樣本。實(shí)驗(yàn)結(jié)果如表2所示。

從表2中可以看出，本文提出的ILNRBP 算子在Outex（TC10，TC12_000，TC12_001）紋理庫上識(shí)別的準(zhǔn)確率顯著優(yōu)于LBP 算子，說明本算法提取圖像紋理并進(jìn)行分類時(shí)，具有較強(qiáng)的特征鑒別能力。

表2 LBP、ILNRBP 算子紋理分類準(zhǔn)確率比較

在數(shù)據(jù)集Outex_TC10、OutexTC12_000、OutexTC12_001上進(jìn)行紋理分類實(shí)驗(yàn)時(shí)，LBP 算子與本文提出ILNRBP 算子在半徑與中心像素點(diǎn)鄰域比較點(diǎn)數(shù)目相同時(shí)，在模式下，ILNRBP 算子對(duì)其分類的準(zhǔn)確率比LBP 算子分別高4.38%、3.03%、1.02%；在2 模式下，ILNRBP 算子對(duì)其分類的準(zhǔn)確率比LBP 算子分別高3.75%、8.40%、5.18%。實(shí)驗(yàn)說明，本文提出的ILNRBP 算子在紋理分類實(shí)驗(yàn)中表現(xiàn)出更優(yōu)的準(zhǔn)確率，具有較強(qiáng)的區(qū)分能力，且在一定程度上提高了算法對(duì)于紋理特征提取的穩(wěn)健性，使得紋理分類的準(zhǔn)確率能夠得到較大程度上的提高。

3 結(jié) 論

本文針對(duì)原始局部二進(jìn)制特征算子在提取紋理特征時(shí)對(duì)噪聲敏感度低的問題，提出ILNRBP 算子。本算法與傳統(tǒng)紋理特征提取算法相結(jié)合，降低了在鄰域像素點(diǎn)受到干擾時(shí)對(duì)圖像紋理提取所帶來的影響，使其在處理帶有干擾的紋理圖像處理時(shí)具有更優(yōu)的能力。本文在Outex（TC10，TC12_000，TC12_001）數(shù)據(jù)集上進(jìn)行ILNRBP 與傳統(tǒng)局部二進(jìn)制算子提取紋理特征后分類準(zhǔn)確率的對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，本文所提出的ILNRBP 算子在進(jìn)行紋理圖像特征提取時(shí)，其分類的準(zhǔn)確率要高于傳統(tǒng)紋理描述算子，增強(qiáng)了圖像紋理特征提取的魯棒性。