基于頂帽變換和LBP算子的紋理特征提取方法

王升峰+楊永全

摘 要：針對(duì)頂帽變換能有效消除不均勻背景這一特點(diǎn)，結(jié)合LBP算子能很好地描述圖像局部空間結(jié)構(gòu)以及在紋理分類中有高區(qū)分能力的特點(diǎn)，提出了頂帽變換和LBP算子相結(jié)合的多特征組合紋理特征提取方法。經(jīng)實(shí)驗(yàn)驗(yàn)證可知，這種多特征組合的紋理特征提取方法能夠提高對(duì)Outex數(shù)據(jù)集分類的準(zhǔn)確率，并得出結(jié)論：特征提取方法應(yīng)當(dāng)遵循多特征組合、組合特征間差異大和組合特征維數(shù)小的原則。

關(guān)鍵詞：頂帽變換；LBP；多特征組合；紋理特征提取

DOIDOI：10.11907/rjdk.162266

中圖分類號(hào)：TP301

文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1672-7800（2016）012-0005-03

0 引言

紋理是人們描述和區(qū)分不同物體的重要特征之一，它作為物體表面的一種基本屬性廣泛存在于自然界中，是人們視覺系統(tǒng)對(duì)自然界物體表面現(xiàn)象的一種感知，是圖像中普遍存在而又難以描述的特征，雖然人們對(duì)紋理的研究已有幾十年的歷史，但至今難以對(duì)紋理給出統(tǒng)一、準(zhǔn)確的定義[1-5]。

20世紀(jì)70年代以前出現(xiàn)了自相關(guān)函數(shù)法，功率譜方法和一些與各種灰度頻率相關(guān)的方法等[6-8]。這些方法取得了一定成功，但是沒有具體的定義、描述或紋理模型，僅僅是某種數(shù)學(xué)變換。另外還有一些提取紋理特征的方法[9-10]，也僅限于提取特定的圖像屬性，如紋理粗糙度、紋理直線性等。自20世紀(jì)80年代以來，MRF理論在紋理分析中掀起一陣熱潮[11]，為紋理特征提取找到了一個(gè)新的方向，90年代以后，人們發(fā)現(xiàn)傳統(tǒng)的紋理分析方法的一個(gè)瓶頸在于不能從多尺度有效描述紋理特征。小波理論[12-13]的出現(xiàn)為時(shí)頻多尺度分析提供了一個(gè)更為精確而統(tǒng)一的框架。近年來，較引人矚目的是Ojala[14]等于2002年提出的局部二進(jìn)制模式（LBP）[15-17]，該方法分析紋理的吸引人的地方在于其計(jì)算復(fù)雜度小，具有多尺度特性和旋轉(zhuǎn)不變特性，在紋理檢索領(lǐng)域得到應(yīng)用。在前人總結(jié)的基礎(chǔ)上，再結(jié)合頂帽變換[18]能有效消除不均勻背景這一特點(diǎn)，本文提出了頂帽變換和LBP算子相結(jié)合的多特征組合紋理特征提取方法。

1 頂帽變換

帽變換技術(shù)作為灰度形態(tài)學(xué)的重要應(yīng)用之一，是一種非均勻背景問題的解決方案。

圖像f的頂帽變換h定義為圖像f與圖像f的灰度開運(yùn)算之差，可表示為：

h=f-f（f°b）（1）

2 局部二值模式（LBP）

局部二值模式（Local Binary Pattern，LBP）算子是一個(gè)描述圖像局部空間結(jié)構(gòu)的非參數(shù)模型算子，LBP算法思想簡單容易理解、計(jì)算復(fù)雜度小、對(duì)單調(diào)的灰度變換不敏感并且能夠很好地描述圖像的局部紋理特征[19]。最早出現(xiàn)的是基本的LBP，在原始的LBP算子提出后，研究人員不斷提出了各種改進(jìn)和優(yōu)化，又相繼出現(xiàn)了圓形領(lǐng)域的LBP（LBPP，R）、均勻LBP（LBPu2P，R）、完整LBP等。

3 紋理特征提取

首先給出一些符號(hào)定義：符號(hào)TR表示以半徑為R的結(jié)構(gòu)元素對(duì)原圖像進(jìn)行頂帽變換處理，如T10表示以半徑為10像素的結(jié)構(gòu)元素對(duì)原圖像進(jìn)行頂帽變換處理，T5則表示以半徑為5像素的結(jié)構(gòu)元素對(duì)原圖像進(jìn)行頂帽變換處理；符號(hào)TR-LBPp，R1表示對(duì)以半徑為R的結(jié)構(gòu)元素進(jìn)行頂帽變換處理的結(jié)果圖像進(jìn)行LBPP，R1紋理特征描述；符號(hào)T2R表示對(duì)TR進(jìn)行二值化處理，即原圖像經(jīng)TR處理后再進(jìn)行二值化處理的結(jié)果圖像；符號(hào)T2R-LBPP，R1表示對(duì)T2R處理后的結(jié)果圖像進(jìn)行LBPP，R1紋理特征描述。

圖1中（a）圖像為原圖像，（b）圖像為原圖像的LBP8，2紋理特征描述；

圖2中采用半徑為10的圓形結(jié)構(gòu)元素對(duì)原圖像進(jìn)行頂帽變換處理，如（a）所示，（b）為（a）的LBP8，2紋理特征描述，（c）為圖像（a）的二值化處理結(jié)果，（d）為（c）的LBP8，2紋理特征描述，即原圖像的T210-LBP8，2紋理特征描述；圖3中所包含圖像與圖2保持一致，只是采用了半徑為5的圓形結(jié)構(gòu)元素對(duì)原圖像進(jìn)行頂帽變換處理。對(duì)比圖2與圖3中（d）圖像，可以看出T210-LBP8，2通過調(diào)節(jié)結(jié)構(gòu)元素的半徑，對(duì)原圖像進(jìn)行頂帽變換處理后能夠得到不同粒度的原圖像細(xì)節(jié)信息。

在前人研究的基礎(chǔ)上，本文提出如下多特征組合的紋理特征提取方法：采用對(duì)原圖像的LBPP，R1紋理特征描述和原圖像的LR-LBPP，R1紋理特征描述進(jìn)行組合作為最終的紋理特征提取，用符號(hào)LBPP，R1-LR-LBPP，R1表示。這種多特征組合的紋理特征提取方法的更一般符號(hào)表示為：LBP-T2RLBP。

上述內(nèi)容中給出了LBP-T2RLBP紋理特征提取方法，但并未解釋該紋理特征提取方法為什么選擇上述兩種特征進(jìn)行組合而不選擇其它特征的組合（如LBP-TR-LBP或TR-LBP-T2R-LBP），下文將給出詳細(xì)分析。為了方便對(duì)比分析，先給出原圖像的LBPu28，2、T10-LBPu28，2及T210-LBPu28，2紋理統(tǒng)計(jì)特征圖和原圖像的LBPu28，2、T5-LBPu28，2及T10-LBPu28，2紋理統(tǒng)計(jì)特征圖，如圖4和圖5所示。

對(duì)比圖4中的（a）和（b）或圖5中的（a）和（b），可以看出：除幾個(gè)細(xì)小的變化不同外，（a）圖和（b）圖的統(tǒng)計(jì)變化曲線大致保持一致。這說明（a）圖和（b）圖所描述的特征非常相似，如果對(duì)這兩個(gè)特征向量進(jìn)行歸一化處理，它們之間的距離會(huì)非常小。因此（a）圖和（b）圖所描述的特征組合作為特征提取會(huì)存在特征信息冗余。在實(shí)驗(yàn)過程中采用（a）圖和（b）圖所描述的特征組合作為特征提取與僅采用（a）圖所描述的特征作為特征提取所取得的分類準(zhǔn)確率幾乎沒有差異，這也證明了上述分析的正確性。 （a）圖和（b）圖的相似也正好說明了LBP算子能有效地消除光照影響，因?yàn)椋╞）圖是原圖像經(jīng)過頂帽變換后得到的統(tǒng)一化LBP統(tǒng)計(jì)特征，頂帽變換有效地消除了不均勻背景，而不均勻背景往往是由光照引起的。至于為什么不選擇組合圖4中的（b）和（c）或圖5中的（b）和（c），而選擇（a）和（c）的組合，先要對(duì)（c）圖進(jìn)行分析。

根據(jù)頂帽變換消除不均勻背景的效果——原圖像經(jīng)過頂帽變換后得到的圖像分量能夠更加合理地描述原圖像中實(shí)物的細(xì)節(jié)信息。采用相同的方法分別對(duì)原圖像和原圖像經(jīng)過頂帽變換后得到的圖像進(jìn)行二值化，原圖像經(jīng)過頂帽變換后得到的圖像在經(jīng)過二值化后具有更多的細(xì)節(jié)信息，這表明經(jīng)過頂帽變換后得到的圖像分量的灰度分布能更合理地描述出原圖像中實(shí)物的細(xì)節(jié)部分，因此頂帽變換能夠有效地幫助獲得圖像中的細(xì)節(jié)信息，這些細(xì)節(jié)信息往往就是具有較強(qiáng)區(qū)分力的信息，獲得這些細(xì)節(jié)信息也就是形態(tài)學(xué)圖像處理的本質(zhì)——抓住目標(biāo)對(duì)象最為本質(zhì)（最具區(qū)分能力—Most Discriminative）的形狀特征。（c）圖對(duì)這些細(xì)節(jié)形狀特征進(jìn)行了統(tǒng)計(jì)描述。

再對(duì)圖2或圖3中的（c）圖進(jìn)行觀察，可以看出，其（c）中幾乎沒有包含背景信息，這也是為什么選擇組合圖4中的（a）和（c）或圖5中的（a）和（c），因?yàn)橥ㄟ^其（c）可以抑制（a）中所包含的背景信息產(chǎn)生的對(duì)特征區(qū)分能力的干擾（背景往往是不太被關(guān)注的信息）。那么為什么不選擇組合圖4中的（b）和（c）或圖5中的（b）和（c），原因在于頂帽變換的本質(zhì)實(shí)際上相當(dāng)于濾波處理，它過濾掉了原圖像中實(shí)物的一些輪廓信息，而輪廓信息往往具有較強(qiáng)的區(qū)分能力。因此提出了LBP-T2RLBP紋理特征提取方法。對(duì)于頂帽變換會(huì)增強(qiáng)噪聲以及LBP對(duì)噪聲較為敏感的缺點(diǎn)，可以采用MB-LBP算子來處理。

4 實(shí)驗(yàn)結(jié)果分析及性能評(píng)價(jià)

為了評(píng)價(jià)上述紋理特征提取方法的性能，在Outex數(shù)據(jù)庫中的Outex_TC_00011和Outex_TC_00012數(shù)據(jù)集上做了一系列實(shí)驗(yàn)。其中，Outex_TC_00011數(shù)據(jù)集包含960個(gè)數(shù)據(jù)樣本，Outex_TC_00012數(shù)據(jù)集包含了9 120個(gè)數(shù)據(jù)樣本，通過對(duì)比不同特征提取方法的分類準(zhǔn)確率來評(píng)價(jià)特征提取方法性能。其中實(shí)驗(yàn)中用到的特征提取方法有：LBP、T2R-LBP、LBP-T2R-LBP、CLBP及CLBP-T2R-LBP。分類方法選擇最近鄰原則，將測試圖像歸為差異度最小的那一類。分類準(zhǔn)確率結(jié)果如圖6所示。

根據(jù)圖6不同尺度結(jié)構(gòu)元素下特征提取方法的分類準(zhǔn)確率看出，可以通過調(diào)節(jié)頂帽變換中的結(jié)構(gòu)元素的半徑尺度，可以得到能夠取得較高分類準(zhǔn)確率的特征；從表1中不同特征提取方法的平均分類準(zhǔn)確率看出，單一的LBP和T2R-LBP的特征提取方法的平均分類準(zhǔn)確率分別為70.5%和55.5%，準(zhǔn)確率均不是很高，而LBP-T2R-LBP取得了83.4%的平均分類準(zhǔn)確率，分類準(zhǔn)確率有了大幅度提高。但相比于CLBP方法所取得的92.2%平均分類準(zhǔn)確率，其分類準(zhǔn)確率仍然遜色不少，然而CLBP-T2R-LBP卻取得了93.7%的平均分類準(zhǔn)確率，較CLBP的平均分類準(zhǔn)確率有了小幅度提高。

5 結(jié)語

本文在前人研究的基礎(chǔ)上對(duì)紋理特征提取方法展開了研究，提出了基于頂帽變換和LBP算子的多特征組合的紋理特征提取方法。經(jīng)實(shí)驗(yàn)驗(yàn)證，該方法確實(shí)能夠提高對(duì)Outex數(shù)據(jù)集分類的準(zhǔn)確率，并可得出結(jié)論：特征提取方法應(yīng)當(dāng)遵循多特征組合、組合特征間差異大和組合特征維數(shù)小的原則。但本文仍然存在很多不足之處：雖然頂帽變換能夠幫助提取出具有較強(qiáng)區(qū)分能力的圖像分量，但其計(jì)算時(shí)間復(fù)雜度高，在實(shí)際應(yīng)用中會(huì)受到一定的限制。因此，在能夠得到具有高區(qū)分能力、計(jì)算時(shí)間復(fù)雜度低及特征維數(shù)低的描述方法方面有待進(jìn)一步研究。

參考文獻(xiàn)：

[1] 劉曉明.紋理研究及其應(yīng)用綜述[J].測控技術(shù)，2008，27（5）：4-9.

[2] 紀(jì)君.基于MPEG-7紋理特征的醫(yī)學(xué)圖像檢索技術(shù)研究[D].沈陽：沈陽工業(yè)大學(xué)，2010：13-16.

[3] 鐘小勇.基于Curvelet變換和BP神經(jīng)網(wǎng)絡(luò)的織物疵點(diǎn)檢測[D].蘇州：蘇州大學(xué)，2010.

[4] 叢家慧.引入人類視覺特性的帶鋼表面缺陷檢測與識(shí)別方法研究[D].沈陽：東北大學(xué)2010：14-25.

[5] 過林.基于紋理特征的典型遙感影像面狀地物提取方法研究[D].鄭州：解放軍信息工程大學(xué)，2011.

[6] 賀曉建，王福明.基于灰度共生矩陣的紋理分析方法研究[J].研究與探討，2010（4）：89-90.

[7] 王飛.復(fù)雜背景下條形碼檢測[D].西安：西安電子科技大學(xué)，2012.

[8] 黃媛媛.基于小波的紋理特征提取算法的研究[D].鎮(zhèn)江：江蘇科技大學(xué)，2011：13-55.

[9] 劉麗，匡綱要.圖像紋理特征提取方法綜述[J].中國圖像圖形學(xué)報(bào)，2009（4）：3-8.

[10] STROMBERW D，F(xiàn)ARR T G.A fourier based texture feature extraction procedure[J].IEEE Transaction Geosie-Remote Sensing，1986（24）：722-731.

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

[12] 趙瑞珍.小波理論及其在圖像、信號(hào)處理中的算法研究[D].西安：西安電子科技大學(xué)，2001：17-47.

[13] ZHANCHAO LI，XUAN ZHOU，ZONG DAI，et al.Class-ification of G proteins and prediction of GPCRs-G proteins coupling specificity using continuous wavelet transform and information theory[J].Amino Acids，2012，43（2）：793-804.

[14] OJALA T.Multi-resolution gray-scale and rotation invariant texture classification with local binary patterns[J].IEEE Trans.on Pattern Analysis and Machine Intelligence，2002，24（7）：971-987.

[15] 宋克臣，顏云輝，陳文輝，等.局部二值方法研究與展望[J].自動(dòng)化學(xué)報(bào)，2013（6）：3-6.

[16] 毋小省，朱世松，孫君頂.基于凹凸局部二值模式的紋理圖像分類[J].光電子·激光，2014（4）：3-8.

[17] 賀永剛.基于局部二值模式的紋理表達(dá)研究[D].武漢：華中科技大學(xué)，2012：27-58.

[18] BAI XIANGZHI，ZHOU FUGEN.Multiscale top-hat transform based algorithm for image enhancement[C].2010 IEEE 10th International Conference on Signal Processing（IC-SP），2010：797-800.

[19] 劉豪，楊永全，郭仙草，等.用于紋理特征提取的改進(jìn)的LBP算法[J].圖形圖像處理，2014，50（6）：182-185.

（責(zé)任編輯：孫 娟）