本书主要内容和结构安排

2023-06-29 理论教育版权反馈

【摘要】：针对现有纹理图像特征提取和识别算法存在的不足之处，为了进一步提高纹理图像识别的效果，本书主要开展以下研究工作。通过在标准的纹理数据库上开展实验，对本书提出的改进的纹理基元学习方法的实时性和识别精度进行综合评估，并与传统纹理基元学习方法的性能进行比较。第3章研究基于改进Gabor滤波的纹理图像特征提取和识别方法。

针对现有纹理图像特征提取和识别算法存在的不足之处，为了进一步提高纹理图像识别的效果，本书主要开展以下研究工作。

（1）针对传统纹理基元学习方法所存在的实时性差、特征鉴别能力不足的问题，本书将对纹理图像的局部特征描述方法进行研究，在此基础上尝试提出一种基于局部特征描述和纹理基元学习的纹理图像特征提取和识别方法。该方法首先提取纹理图像的5个局部特征量，即局部熵值、局部方差、局部最大变化幅度、局部差分符号计数、局部差分幅值计数，用它们构造一个7维的特征向量，将其作为纹理图像的局部特征描述子；其次，利用K-均值聚类算法从提取的局部特征中学习纹理基元字典，并用学习到的纹理基元字典对纹理图像的局部特征进行编码；最后，计算纹理基元编码图像的直方图，将其作为纹理图像的最终特征描述子并用于纹理图像识别。通过在标准的纹理数据库上开展实验，对本书提出的改进的纹理基元学习方法的实时性和识别精度进行综合评估，并与传统纹理基元学习方法的性能进行比较。

（2）针对传统Gabor滤波方法提取的纹理特征过于粗略，导致纹理识别精度较低的问题，本书将对Gabor滤波幅值图像和相位图像的特征进行深入研究，在此基础上尝试提出一种将全局Gabor特征和局部编码Gabor特征进行融合的纹理图像特征提取和识别方法。该方法首先利用采样和插值的方法为每个纹理图像构造一个图像金字塔空间，并利用设计好的Gabor滤波器组在多个尺度和方向上对金字塔空间中的每个图像进行Gabor滤波；其次，在每个尺度和方向上计算Gabor滤波后幅值图像的均值和标准差，将其作为纹理图像的全局特征描述子；再次，对每个Gabor滤波后图像的幅值和相位进行联合编码，将其作为纹理图像的局部特征描述子；最后，在最近子空间分类器的框架下实现全局Gabor特征和局部Gabor特征的融合以及纹理图像识别。通过在标准的纹理数据库上开展实验，对本书提出的改进的Gabor滤波方法的识别精度和实时性进行综合评估，并与传统Gabor滤波方法的性能进行比较。

（3）针对传统LBP算法所存在的不具有旋转不变性和尺度稳健性等问题，本书将对旋转不变性和尺度稳健性的实现方法进行研究，在此基础上尝试提出一种对光照、旋转和尺度稳健的改进CLBP算法并用于纹理图像的特征提取和识别。该方法首先利用局部模式的主导方向对CLBP描述子的权值模板进行同步旋转，以便使CLBP描述子的编码结果具有旋转不变性；其次，利用多次高斯滤波构造纹理图像的多尺度空间，并采用跨尺度取模式最大值的非线性操作获得每个模式的最显著特征，以便使CLBP描述子获得对尺度变化的稳健性；再次，对生成的特征直方图进行有效合并，以便降低特征维数，提高算法的实时性；最后，将多个分辨率（R， P）上的特征进行级联融合，以便进一步提高所提取特征的鉴别能力。通过在多个标准的纹理数据库上开展广泛的实验，对本书提出的改进的CLBP算法的识别精度、实时性，以及对纹理图像的光照条件、旋转、尺度变化和训练样本个数的稳健性进行综合评估，并与目前一些先进的纹理图像识别算法的性能进行比较。

（4）针对现有纹理图像特征提取和识别算法通常只利用灰度纹理特征，没有有效利用颜色信息的不足，本书将对颜色信息的有效提取方法进行研究，在此基础上提出一种将粗略颜色信息和灰度纹理特征进行融合的彩色纹理图像特征提取和识别方法。该方法利用纹理图像中的颜色信息具有低频性质并呈区域性分布的特点，对HSV空间中表示颜色信息的色调分量（H分量）和饱和度分量（S分量）采用粗略量化的策略，并用粗略量化后H分量和S分量的联合直方图来描述纹理图像的颜色信息，同时利用灰度值分量（V分量）进行灰度纹理特征的提取，最后将所提取的颜色信息和灰度纹理特征进行融合，将其作为彩色纹理图像的特征描述并用于纹理图像识别。通过在标准的彩色纹理数据库上开展实验，对本书提出的彩色纹理图像特征提取和识别方法的识别精度、实时性，以及对训练样本个数的稳健性进行综合评估。

（5）针对传统的纹理图像识别方法只能提取浅层的纹理图像特征，导致纹理图像识别精度不够理想的问题，尝试将深度学习中的深度CNN方法引入纹理图像的特征提取和识别领域，从而能够提取纹理图像中从低层到高层、从具体到抽象的纹理特征。在引入深度CNN方法的同时，为了克服深度CNN方法对海量训练样本、高性能的计算平台的要求，以及从头训练深度CNN模型的时间消耗比较大的问题，进一步引入迁移学习的方法，充分利用在ImageNet大规模图像数据集上预先训练的深度CNN模型，在对预训练模型的结构进行修剪之后，再利用现有的少量纹理图像样本对预训练模型的参数进行最佳微调，以便获得更高的纹理图像识别精度，同时降低对训练样本规模和高性能训练平台的要求，并且显著减少训练时间。

（6）尝试将本书提出的纹理图像特征提取和识别方法应用于树皮（木材）分类、图像检索和纸币鉴别等实际的工程领域，展示纹理图像特征提取和识别方法具有广泛的应用价值，可以拓展纹理图像特征提取和识别方法的应用领域。

以下是本书各章内容的概括性介绍。

第1章介绍本书研究工作的背景和意义，回顾纹理图像特征提取和识别方法的发展历程和研究现状，介绍了目前一些主流的纹理图像特征提取和识别方法及其存在的不足之处，并展示了纹理图像特征提取和识别技术在诸多场景中的重要应用价值。

第2章研究基于纹理基元学习的纹理图像特征提取和识别方法。首先介绍现有纹理基元学习方法的原理和不足之处。其次，对纹理图像的局部特性进行分析，在此基础上提出一种基于局部特征描述和纹理基元学习的纹理图像特征提取方法，并将所提取的纹理图像特征用于纹理图像识别。最后，在标准的纹理数据库上开展实验，对本章提出的改进方法的纹理识别精度和实时性等指标进行综合分析。

第3章研究基于改进Gabor滤波的纹理图像特征提取和识别方法。首先分析Gabor小波的定义和优良性质，并介绍传统Gabor滤波方法的原理和不足之处；其次，对Gabor滤波后幅值图像和相位图像的特征进行分析，在此基础上提出一种金字塔空间中全局和局部编码Gabor特征融合的纹理图像特征提取方法，并将所提取的纹理图像特征用于纹理图像识别。最后，在基准的纹理数据库上开展实验，对本章提出的改进方法的纹理识别精度、实时性和对训练样本个数的稳健性等指标进行综合分析。

第4章研究基于改进CLBP算法的纹理图像特征提取和识别方法。首先，介绍传统CLBP算法的原理和不足之处。其次，提出一种对光照、旋转和尺度变化稳健的改进CLBP算法，并将所提取的纹理图像特征用于纹理图像识别。最后，在多个标准纹理数据库上开展广泛的实验，对本章提出的改进方法的纹理识别精度、实时性和对训练样本个数的稳健性等指标进行综合分析。

第5章研究彩色纹理图像的特征提取和识别方法。首先，介绍颜色信息在彩色纹理图像识别中的作用和应用条件。其次，研究颜色信息的分布特征和提取方法，并把所提取的颜色信息与灰度纹理特征进行融合，将其作为彩色纹理图像的特征描述，并用于纹理图像识别。最后，在多个标准的彩色纹理数据库上开展实验，对本章所提出方法的纹理识别精度、实时性，以及颜色信息的贡献、对训练样本个数的稳健性等指标进行综合分析。

第6章研究基于深度CNN和迁移学习的纹理图像特征提取和识别方法，一方面解决传统方法只能提取浅层纹理特征的问题，另一方面解决将深度学习方法应用于纹理图像识别领域时所遇到的诸如训练样本数量不足、对训练平台的计算性能要求高、训练时间长等一些瓶颈问题，以便进一步提高纹理图像的识别精度。

第7章研究纹理图像特征提取和识别方法在现实场景中的应用。结合不同应用领域的特点和专业知识，将本书提出的纹理图像特征提取和识别方法分别应用于树皮（木材）分类、图像检索和纸币鉴别等现实场景中，展示纹理图像特征提取和识别方法的应用价值。

第8章对本书的工作进行总结，并对纹理图像特征提取和识别领域将来需要进一步开展的研究工作和发展方向进行展望。

本书主要内容和结构安排

相关推荐