基于局部二值模式多分辨率和旋转不变性的纹理分类(节选) Timo Ojala、Matti Pietikainen、IEEE资深成员和Topi Ma enpaa 摘要： 描述了一种基于局部二值模式、样本图像和原型分类的非参数识别、多分辨率灰度和旋转不变性的非常简单而有效的纹理分类方法。该方法基于平衡的局部二值模式，这是图像局部纹理的基本特征，生成的直方图已被证明是一种非常有效的纹理特征。我们得到了一个通用的灰度和旋转不变算子，它可以表达一个任意量子化的平衡模式来检测角度空间和空间结构，并提出了一种结合多种算子的多分辨率分析方法。根据定义，该算子在图像灰度变化时是不变的，因此该方法在图像灰度变化时具有很强的鲁棒性。另一个优点是计算简单，该算子只需在小邻域或同一个查找表中进行几次运算即可实现。在旋转不变性这一实际问题上取得了较好的实验结果，对来自其他旋转角度的样本在一个特定的旋转角度进行测试，并通过测试进行分类，证明了基于简单旋转统计的不变二值模式的分辨是可以实现的。这些算子表示局部图像纹理空间结构的另一个特点是，其性能可以通过结合所表示的局部图像纹理的差异的旋转不变不一致方法来进一步提高。这些直角度量一起证明了这是旋转不变纹理分析的一个非常强大的工具。 关键词：非参数，纹理分析，Outex，Brodatz，分类，直方图，对比度 2局部二值模式的灰度和旋转不变性 我们定义单色纹理图像的局部邻域的纹理T，例如P(P1)像素的灰度级。 等级分布，描述灰度和旋转不变性算子： T t(gc，g0，gP 1) (1) 其中gc是局部邻域中心像素的灰度值，GP (p=1，p-1，P-1)是半径为R(R0)的圆 邻域内对称空间像素点集的灰度值。 图1 如果gc的坐标是(0，0)，那么gp的坐标是(r sin(2 p/P)， (2 p/P))。图1 R cos 举例说明圆对称邻域集中的各种(P，R)。未完全落在中心点附近的像素的灰度。 该值是通过插值来估计的。 https://www.zhucesz.com/灰度不变性的实现 作为灰度不变性的第一步，在不丢失任何图像信息的前提下，我们从圆对称出发设置邻域。 p(p=0， P-1)减去中心点的灰度值(gc)，即： g T t(gc，g0 gc，g1 gc，gP 1 gc) (2) 然后，我们假设微分gP gc独立于 Gc，这样我们就可以把公式( 2)公式分解为： T t(gc )t(g0 gc，g1 gc，gP 1 gc) (3) 实际上严格的独立性是无法实现的，所以分解后的因子只是联合分布的一个近似。 价值。然而，当我们能够保持灰度在旋转中不变时，我们愿意丢失一些小的图像信息。 有可能。也就是说，因子t(gc)在(3)中描述了图像的全局亮度，但是它没有为纹理分析提供有用的信息。因此，可以从联合差异因子表中获得原始联合灰度因子(1)的大量纹理特征信息。 高达[1]: T t(g0 gc，g1 gc，gP 1 gc) (4) 这是一个识别能力很高的纹理算子，可以计算P空间中各种模式下每个像素的邻域。 的直方图。对于一个固定的区域，所有方向的差异为零。在缓慢倾斜的边缘，操作员可以 计算沿倾斜方向差值最大的点和差值为零的点。对于斑点来说，各个方向的差异是非常大的。 是的。 具有正负点的微分gPgc不受平均亮度变化的影响，因此联合微分因子对灰度变化有负面影响。 变化具有不变性。我们得到的关于灰度计数的不变性只考虑了差符号，而不是它们的精确值： T t(s(g0 gc)，s(g1 gc)，s(gp 1 gc)) (5) 其中， 1，x 0 s(x) (6) 0，x 0 通过将二项式因子2 p分配给s(gPgc)的每个符号，我们可以将公式(5)转换成唯一的公式。 特殊的LBPP，R码描述局部图像纹理的空间结构特征： Word文档可以自由复制编辑。 第一页 LBPP河 总检察长办公室 (7) 第0页 二元模式这个名称反映了LBP算子的功能，即第一个局部邻域点的灰度。 是值的中心像素的二进制模式的开始。LBPP，R算子通过灰度的任何单调变化定义了一个不变量，即只要图像灰度值的顺序不变，LBPP，R算子生成的LBP码就保持不变。 若设(P=8，R=1)，则得到LBP8，1，与文献[2]中的结果相同