用于纹理特征提取的改进的LBP算法

ComputerEngineeringandApplications计算机工程与应用基金项目：国家级创新创业项目（编号:201210709052）;陕西省科技厅创新工程重大科技专项项目（编号:2008ZDKG-36）。作者简介:刘豪(1989－)，男，硕士，研究领域为智能信息处理,图像图形处理；杨永全(1986－)，男，本科，研究领域为图像图形处理与模式识别；郭仙草(1990－)，女，硕士，研究领域为图像图形处理与模式识别；宋志浩(1991－)，男，本科，研究领域为图像图形处理与模式识别。用于纹理特征提取的改进的LBP算法刘豪1,杨永全1,郭仙草1,宋志浩1LIUHao1,YANGYongquan1,GUOXiancao1,SONGZhihao11.西安工程大学计算机科学学院，陕西西安7100481.SchoolofComputerScience,Xi'anPolytechnicUniversity,Xi’an710048,China,LIUHao,YANGYongquan,GUOXiancao,SONGZhihao.AnimprovedLBPusedfortexturefeatureex-traction.ComputerEngineeringandApplicationsAbstract：Formosttexturefeatureextractionmethod,theproblemofhighcomputationalcomplexityalwaysexists.Inthispaper,animprovedCompleteLocalBinaryPatternalgorithm(ICLBP)isproposedbasedonCompleteLBP(CLBP).ICLBPpreservestheCLBP_SinCLBP,whilemakesanimprovementonCLBP_MandCLBP_C,andproposesanewtexturedescriptionoperatorICLBP_T.ICLBPcandescribethelocaltexturefeatureinacompre-hensiveway,andtheproblemthatCLBP_MoperatorinCLBPissensitivetounevendistributionofgray,iswellsolvedinICLBP.TheclassificationresultsonOutexandCURetimagedatabasessuggestthat,comparedtotheex-istingLBPalgorithm,ICLBPhaveobtainedahigherclassificationaccuracy,meanwhile,theICLBP_SCTfeatureinICLBPhasalowerfeaturedimensionandbetterpracticalvalue.Keywords：Texturefeatureextraction;localbinarypatterns;CLBP;ICLBP摘要：针对现有的纹理特征提取方法计算复杂度高的问题，利用局部二值模式（LBP）算法思想简单、计算复杂度小的优势，在已有的完整LBP（CLBP）算法基础上，提出了一种改进的CLBP算法（ICLBP）。ICLBP算法保留了CLBP算法中CLBP_S，而对CLBP_M算子、CLBP_C算子进行了改进，并提出一个新的纹理描述算子ICLBP_T。ICLBP算法更全面地描述了局部窗口的纹理特征，同时有效解决了CLBP算法中CLBP_M算子对灰度分布不均敏感的问题。通过对Outex、CURet数据库的数据分类实验，结果表明，相比于已有的LBP算法，ICLBP算法的分类精度有了明显的改进，同时ICLBP算法中ICLBP_SCT特征具有较低的特征维数，具有较好的实用价值。关键词：纹理特征提取；局部二值模式；CLBP；ICLBP文献标志码:A中图分类号:TP3911引言纹理特征是一种不依赖于颜色或亮度而反映图像中同质现象的视觉特征，它是物体表面共有的内在特性[1]。纹理特征提取方法一直是模式识别研究和关注的焦点。在近50多年的研究中，许多研究者提出了各种纹理特征提取方法，诸如灰度共生矩阵[2]、小波理论[3]、分形理论[4]、马尔可夫随机场[5]等，这些方法在图像分类和模式识别应用领域内取得了较好的效果。灰度共生矩阵是建立在估计图像的二阶组合条件概率密度基础上提取的纹理特征，反映了图像关于灰度方向、相邻间隔、变化幅度的综合信息，具有较好的鉴别能力；小波理论通过纹理的多分辨表示，能在精细的尺度上分析纹理，更符合人类视觉特征；分形理论把图像的空间信息和灰度信息有机地结合起来，提供了一种基于参数化的纹理特性描述方法，它能够更准确地表达纹理的特征；马尔可夫随机场是用先验概率和条件概率的分布函数来刻画图像的纹理特征，可以对低频纹理图像很好的建模[14]。但是，上述这些方法的突出问ComputerEngineeringandApplications计算机工程与应用题是计算复杂度偏大，对于存在背景干扰或光照不均的纹理图像，这些方法处理的效果往往不佳。T.Ojala等人于1996年提出了局部二值模式算法（LocalBinaryPatterns,LBP）[6]，用于纹理特征的描述。LBP算法思想简单容易理解、计算复杂度小、对不同光照强度不敏感并且能够很好地描述图像的局部纹理特征，因而引起各国研究学者的关注。在过去的十几年中各国研究学者对LBP算法进行了深入的研究，同时提出了多种LBP改进算法，诸如：FLBP[7]、LTP[8]、CBP[9]、LBPV[10]、TPLBP[11]、FPLBP[11]、MS-LBP[13]、CLBP[12]等，并将其广泛应用于图像分割、人脸识别、图像检索等领域[15-18]。其中，相对于其他改进的LBP算法，CLBP算法在局部纹理描述和纹理特征提取上更全面、精细，并取得了较好的效果。但是CLBP算法对光照不均敏感，为此，本文提出了一种CLBP的改进算法ICLBP方法。本文将在文中第2部分对传统的LBP及变种算法以及CLBP算法进行了简单的回顾，第3部分介绍了一种改进的CLBP算法（ICLBP），第4部分利用Outex、CURet数据库提供的纹理图，对本文算法ICLBP进行了纹理分类识别实验验证，并与LBP、LBPV、CLBP等方法进行了实验对比，验证了改进后算法的可行性和有效性，第5部分是本文的总结以及下一步研究的方向。2局部二值模式（LBP）2.1传统局部二值模式及变种局部二值模式（LocalBinaryPatterns,LBP）最初由T.Ojala等人提出[6]。LBP算法通过对比像素点与其领域像素点的灰度值的差异性来计算LBP算子：-1,0)1(2PpPRpcpLBPsgg（）1,0()0,0xsxx式(1)中，pg为邻域像素点的灰度值，cg为中心像素点的灰度值，P为邻域中像素点的个数，R为邻域半径。为了解决角度旋转问题，T.Ojala等人在原LBP算法的基础上提出了旋转不变局部二值模式（RotationInvariantLocalBinaryPatterns,RILBP）[6]。RILBP的计算方式如下：,,(2)min{()}riPRPRRILBPRORLBP其中min{x}表示求x的最小值。ROR(x)表示将P位的二进制数x按位向左平移，最高位移动到最低位。RILBP在解决角度旋转问题的同时降低了RILBP模式集的维数，但随着P的增大，RILBP模式集维数仍会急剧增长，这显然不利于图像中LBP模式集的快速提取以及后续数据的处理。为此，T.Ojala等人在RILBP的基础上又提出均匀局部二值模式（UniformLocalBinaryPatterns,ULBP）[6]，其计算方式如下：12,0,3()()21PriupcPRpPRsggifULBPULBPPotherwise（）,10111()()()()()PRPcppcpcpcULBPsggsggsggsgg可以看出当R=1,P=8时，其LBP模式集的维度只有10。这样不仅大大降低了LBP模式集的维数，也方便了后续的数据分析。2.2完整的局部二值模式（CLBP）完整的局部二值模式（CompleteLocalBinaryPatterns,CLBP）[12]提出了三种局部纹理描述算子表达纹理：窗口灰度差异描述算子（CLBP-Sign,CLBP_S）、窗口梯度差异描述算子（CLBP-Magnitude,CLBP_M）以及中心像素点描述算子（CLBP-Center,CLBP_C）。其计算方式如下：-1,0_()2PpPRpcpCLBPSsgg1,0(4)_()2PpPRppCLBPMsDT,_()PRcNCLBPCsgg其中，ppcDgg，-1-1001()1PNpcpnPTggN，101NNnnggN，N为图像划分的子窗口个数。从公式中可以看出：CLBP_SP,R即为传统意义上的LBP；CLBP_MP,R通过两像素点的灰度差异幅值与全局灰度差异幅值的均值比较，描述了局部窗口的梯度差异信息，作为CLBP_SP,R的互补信息；CLBP_CP,R反应中心像素点的灰度信息。相比于传统LBP及其变种，此三种描述算子联合构成的CLBP_SMC对纹理的描述更加精细，对纹理的识别准确率有了大幅度提高。ComputerEngineeringandApplications计算机工程与应用3改进的CLBP算法（ICLBP）对CLBP算法分析可知，当因光照不均导致图像灰度梯度分布不均匀时，即相比于图像的大部分区域，小部分区域变化幅度剧烈或变化幅度平缓时，CLBP_MP,R就显现出了它的局限性。为此，本文在CLBP算法的基础上，对CLBP算法做了进一步改进，同时提出了一种灰度梯度差异特征描述算子ICLBP_TP,R，即采用两像素点的灰度差异幅值与窗口灰度差异幅值的均值比较，其计算方式如下：1,0_()2PpPRpcpICLBPMsDD,5_()PRuNICLBPCsgg（）,_()PRcICLBPTsDT其中，-1-1001()1PNpcpnPTggN，101PunnggP，101NNnnggN，ppcDgg，-101()PpcccDggP。ICLBP算法将产生的四个纹理描述算子分别是：ICLBP_SP,R、ICLBP_MP,R、ICLBP_CP,R、ICLBP_TP,R，其中，ICLBP_SP,R通过对比两个像素点的灰度值大小描述局部窗口的灰度差异特征，与CLBP_SP,R一致；ICLBP_MP,R通过对比两像素点的灰度差异幅值与窗口灰度差异幅值的均值大小描述局部窗口内灰度梯度差异特征；ICLBP_CP,R通过对比窗口灰度均值与图像全局灰度均值大小描述全局图像的灰度值差异特征；ICLBP_TP,R通过对比窗口灰度差异幅值的均值与图像全局灰度差异幅值的均值大小描述了全局图像的梯度差异特征。CLBP算法中CLBP_MP,R仅考虑了局部窗口的灰度值差异特征，这就使得当由于光照不均或拍摄角度变化等原因得到的图像灰度强度分布不均匀时，CLBP_MP,R会遗漏掉图像光滑部分的纹理信息。图1是Lena原图及用改进的LBP提取的Lena特征图。从图1中可以看出，相比于CLBP_MP,R特征图，ICLBP_MP,R的特征图像描述的纹理不仅清晰，也更加精细。同时可以看出，基于ICLBP_T的纹理特征图和基于CLBP_MP,R的纹理特征图像十分相似，但前者的边缘更加清晰，其计算复杂度远小于CLBP_MP,R算子。因此，相比于原CLBP算法，改进后的ICLBP算法对图像纹理的描述具有更好的精细性和鲁棒性。(a)原图(b)CLBP_M8,1图(c)ICLBP_