本章方法原理总结

2023-06-29 理论教育版权反馈

【摘要】：本章方法的原理框图如图4-6所示。利用本节设计的DDT-CLBP算法，按照本章4.3.2节的方法对原始纹理图像I多尺度图像空间中的每个纹理图像计算DDT-CLBPS/M/C联合直方图，然后把这个联合直方图DDT-CLBPS/M/C转换为行向量的形式，将其作为原始纹理图像I对光照强度、图像旋转具有稳健性的特征描述子。

本章提出了一种对光照强度、图像旋转和尺度变化具有稳健性的改进CLBP纹理图像特征提取方法，并将其用于纹理图像的识别。为了更好地理解这种方法，下面给出该方法的原理框图和整体实现流程。本章方法的原理框图如图4-6所示。该方法利用图像归一化和CLBP算法自身的性质获得对光照变化的稳健性，利用局部模式主导方向的调谐作用获得对图像旋转的稳健性，利用高斯滤波构造多尺度空间，并对不同尺度的联合直方图特征按直方条取最大值的方法来获得对尺度变化的稳健性；最后，将多个半径的纹理特征进行级联融合，并送入NSC分类器实现纹理图像的识别。

pagenumber_ebook=94,pagenumber_book=86

图4-6　本章提出的改进CLBP方法的原理图

本章方法的具体实现步骤如下：

（1）对一个原始的纹理图像I，首先利用式（4-4）对其像素的灰度值进行归一化，然后按照式（4-8）设计一个高斯滤波器，高斯滤波器的支撑域设为13×13，高斯滤波器的标准差设为σ=2，然后用这个高斯滤波器对原始的纹理图像I进行n次连续的高斯滤波，从而生成n个高斯滤波图像，最后把原始的纹理图像I和n个高斯滤波图像，即一共（n+1）个图像作为原始纹理图像I的多尺度图像空间，用于描述原始纹理图像的尺度变化特征。

（2）利用本节设计的DDT-CLBP算法，按照本章4.3.2节的方法对原始纹理图像I多尺度图像空间中的每个纹理图像计算DDT-CLBPS/M/C联合直方图，然后把这个联合直方图DDT-CLBPS/M/C转换为行向量的形式，将其作为原始纹理图像I对光照强度、图像旋转具有稳健性的特征描述子。

（3）对原始纹理图像I多尺度图像空间中所有图像的DDT-CLBPS/M/C直方图行向量按直方条进行跨尺度取最大值，即对不同尺度的直方图行向量的每个模式分别取最大值，获得一个具有相同维数的最大直方图行向量，将其作为原始纹理图像I对光照强度、图像旋转和尺度变化具有稳健性的特征描述子。

（4）间隔选择DDT-CLBP算法的半径参数R=[1， 3， 5]以及对应的邻域像素点个数P=[8， 12， 16]，然后按照上述第（2）～（3）步的方法分别提取多个半径R上的最大直方图特征向量，并将这些最大直方图特征向量进行级联融合，将其作为原始纹理图像I最终的特征描述子。

（5）为了降低直方图中频率过高模式的不良影响，对原始纹理图像I最终的特征描述向量进行开平方根运算，然后送入NSC分类器，获得原始纹理图像I的类别标签，从而实现对纹理图像I的识别。

本章方法原理总结

相关推荐