首页 理论教育Gabor滤波器对不同分量的识别性能分析

Gabor滤波器对不同分量的识别性能分析

【摘要】:对于Gabor滤波后的图像,可分别计算其幅值图像分量、相位图像分量、幅值分量和相位分量联合编码分量,然后利用上述不同的分量来提取纹理图像的特征描述子,并将其应用于纹理图像识别任务。本章提出的全局Gabor特征和局部Gabor特征融合的方法显著超越了传统的Gabor滤波方法,即传统Gabor滤波方法的纹理识别精度是91.48%,而本章方法的纹理识别精度可达99.36%,这是一个显著的性能提升。

对于Gabor滤波后的图像,可分别计算其幅值图像分量、相位图像分量、幅值分量和相位分量联合编码分量,然后利用上述不同的分量来提取纹理图像的特征描述子,并将其应用于纹理图像识别任务。针对上述Gabor滤波后的不同分量,为了确定最佳的分量以便提取纹理图像特征,本章继续在KTH-TIPS纹理库上进行实验,分别采用Gabor滤波图像的不同分量(即幅值图像分量、相位图像分量、幅值分量和相位分量联合编码分量)来提取纹理图像特征,并对这些Gabor滤波不同分量的识别精度进行对比分析。

在KTH-TIPS纹理库上开展实验的具体结果如表3-1所示,其中全局Gabor特征表示只利用多个尺度Gabor滤波幅值图像分量的均值和标准差作为特征描述,局部Gabor特征表示只利用多个尺度Gabor滤波幅值图像分量和相位图像分量的联合编码结果作为特征描述;M8表示只利用Gabor滤波幅值图像进行8位编码作为局部Gabor特征;P8表示只利用Gabor滤波相位图像进行8位编码作为局部Gabor特征;M8P8表示分别对Gabor滤波幅值图像和相位图像进行8位编码,并将两个编码图像的直方图进行级联作为局部Gabor特征。本章提出的改进Gabor滤波方法既利用多个尺度幅值图像的均值和标准差来描述全局的Gabor特征,又利用幅值图像和相位图像的联合编码来描述局部的Gabor特征,并通过线性加权求和的方式实现了全局Gabor特征和局部Gabor特征的融合,将其作为最终的纹理图像特征描述。在整个实验中,都采用本章提出的多尺度图像金字塔空间方法,即为每个原始的纹理图像都创建一个多尺度金字塔空间,该空间一共含有四个不同尺度的纹理图像(即一个原始的纹理图像、两个利用采样操作获得的更低分辨率图像、一个利用插值操作生成的更高分辨率图像)。同时,在表3-1中也列出了传统Gabor滤波方法的性能作为对比标准,传统的Gabor滤波方法只利用原始纹理图像滤波后幅值图像的均值和标准差作为特征描述。

表3-1 Gabor滤波图像不同分量对应的纹理识别精度(%)

从表3-1可以看出:

(1)本章提出的全局Gabor特征和局部Gabor特征融合的方法获得了最高的纹理识别精度99.36%,这表明本章所提出的方法能够提取更具鉴别力的纹理特征,在纹理图像的特征提取和识别任务中具有优良的性能。

(2)在本章提出的多尺度图像金字塔空间框架下,无论采用Gabor滤波图像的哪种分量(即幅值图像分量、相位图像分量、幅值分量和相位分量联合编码分量),其对应的识别精度都一致超过了传统的Gabor滤波方法,这表明利用本章提出的多尺度图像金字塔空间能够提取更加丰富的纹理特征,尤其在解决纹理图像的尺度变化问题上具有较好的表现。

(3)本章提出的全局Gabor特征和局部Gabor特征融合的方法显著超越了传统的Gabor滤波方法,即传统Gabor滤波方法的纹理识别精度是91.48%,而本章方法的纹理识别精度可达99.36%,这是一个显著的性能提升。

(4)在局部Gabor特征的描述上,本章提出的Gabor滤波幅值分量和相位分量联合编码的方法获得了更高的识别精度,超过了M8、P8和M8P8描述的局部特征,这是因为M8只利用了Gabor滤波后幅值图像的信息,P8只利用了Gabor滤波后相位图像的信息,这也表明Gabor滤波后幅值图像和相位图像分量都含有对纹理图像识别起重要作用的信息;另外,虽然M8P8也同时使用了Gabor滤波后的幅值分量和相位分量,但这种方法中的幅值分量和相位分量是独立进行编码的,这样就失去了幅值图像分量和相位图像分量之间每个像素之间的对应位置关系。本章提出的Gabor滤波后幅值分量和相位分量联合编码的方法,既充分利用了Gabor滤波后幅值图像和相位图像的信息,又保留了幅值图像和相位图像之间每个像素的对应位置关系,实现了更好的联合特征编码效果,因此本章提出的方法能够捕获更具鉴别力的纹理图像特征,从而能够在实验中获得最高的纹理图像识别精度。