首页 理论教育传统CLBP算法概述

传统CLBP算法概述

【摘要】:从图4-2可以看出,利用CLBP算法从原始纹理图像中提取的三个分量图像,即符号分量图像CLBPS、幅值分量图像CLBPM和中心像素灰度等级分量图像CLBPC都含有重要的纹理特征信息,联合使用这三个分量图像所含有的特征信息将有助于进一步提高纹理图像的识别精度,这也是CLBP算法的纹理识别性能显著优于传统LBP算法的主要原因。图4-2利用CLBP算法提取纹理图像特征的结果

Ojala等[47]提出的LBP算法是目前纹理图像特征提取和识别领域最受瞩目的算法之一,该算法具有理论简单、计算高效、鉴别能力较强,并且对单调的光照变化具有稳健性等优点。但是,传统LBP算法只利用了局部邻域像素点与中心像素点灰度差分的符号信息,所提取的纹理特征不够充分,导致其特征鉴别能力仍有很大的提升空间。因此,Guo等[52]提出了一种改进的LBP算法,即CLBP算法,该算法不仅利用了LBP算法中的局部邻域像素点与中心像素点灰度差分的符号信息,还引入了局部邻域像素点与中心像素点灰度差分的幅值信息和中心像素点的灰度等级信息,能够从纹理图像中提取更加丰富的纹理特征,使CLBP算法所提取的纹理特征具有更强的鉴别能力,从而显著提高了原始LBP算法的纹理识别精度。

在半径为R的局部环形邻域上,CLBP算法包含三个分量,即完备的局部二值模式符号分量CLBPS、完备的局部二值模式幅值分量CLBPM和完备的局部二值模式中心像素灰度等级分量CLBPC,其定义公式分别如式(4-1)、(4-2)、(4-3)所示,即

式中:

P —— 等间隔分布在半径为R的局部环形邻域上的邻域像素点个数;

gc —— 局部环形邻域内中心像素点的灰度值;

gp —— 局部环形邻域上一个邻域像素点的灰度值;

mp —— 一个邻域像素点与邻域中心像素点灰度差分的幅值,即

µm —— 整个图像所有邻域像素点与中心像素点灰度差分幅值mp的平均值;

µI —— 整个图像所有像素点的灰度平均值;

从CLBP算法的定义公式可以看出,CLBP算法从原始的纹理图像中提取了三个分量的图像,图4-2展示了利用CLBP算法对一个原始的纹理图像进行特征提取的结果。其中,图4-2 (a)是一幅原始的纹理图像,图4-2(b)是利用CLBP算法从原始的纹理图像中提取的CLBPS符号分量图像,图4-2 (c)是利用CLBP算法从原始的纹理图像中提取的CLBPM幅值分量图像,图4-2(d)是利用CLBP算法从原始的纹理图像中提取的CLBPC中心像素灰度等级分量图像。从图4-2可以看出,利用CLBP算法从原始纹理图像中提取的三个分量图像,即符号分量图像CLBPS、幅值分量图像CLBPM和中心像素灰度等级分量图像CLBPC都含有重要的纹理特征信息,联合使用这三个分量图像所含有的特征信息将有助于进一步提高纹理图像的识别精度,这也是CLBP算法的纹理识别性能显著优于传统LBP算法的主要原因。

图4-2 利用CLBP算法提取纹理图像特征的结果