为了利用纹理图像特征提取技术构建一个具体的图像检索系统，本节利用本书第5章提出的彩色纹理图像特征提取框架，所设计的样本图像特征提取过程如图7-4所示。在进行图像检索之前，可预先离线计算检索数据库中所有样本图像的特征向量，将其存储起来，方便以后每次进行图像检索时使用；对输入的查询样本图像，需要在线计算其特征向量。图7-5本节提出的图像检索系统框图......
2025-09-29
基于灰度纹理特征的纸币真伪鉴别方法
【摘要】：图7-12100元人民币正面和背面的红外图像为了提取纸币红外图像中的灰度纹理特征，以便对纸币的真伪进行鉴别，本节采用本书第4章提出的DDT-CLBP算法来实现灰度纹理特征的提取。可以看出，由于光照条件以及纸币污染等因素的影响，利用其他方法提取的结果都不理想，尤其利用LBP算法提取的特征几乎完全被淹没在噪声之中，而本节提出的DDT-CLBPs-delta算法能够清晰准确地提取出纸币红外图像中的鉴别性纹理特征，为纸币的真伪鉴别奠定了良好的基础。
利用纸币彩色图像的粗略颜色信息仅能对纸币的面额进行识别，但很难对纸币的真伪进行鉴别，因为很多假币的彩色图像与真币的彩色图像几乎完全相同。所以，要对纸币的真伪进行鉴别，更有效的方法是利用其他的鉴别性特征，如纸币的红外图像特征。纸币的红外图像特征是由纸币特殊的制造材料和制造工艺决定的，很难被假币模仿，是一种重要的纸币防伪特征。当利用主波长为940 nm的红外光源对纸币进行照射时，获取的红外图像中有些区域的纹理图案会保留，而有些区域的纹理图案会消失，如图7-12所示，这正是利用纸币的红外图像特征进行真伪鉴别的依据。
图7-12 100元人民币正面和背面的红外图像
为了提取纸币红外图像中的灰度纹理特征，以便对纸币的真伪进行鉴别，本节采用本书第4章提出的DDT-CLBP算法来实现灰度纹理特征的提取。同时，考虑到纸币鉴别设备对纸币的鉴别速度有很高要求（如A类点钞机的鉴别速度要求每分钟不低于900张），因此本节只采用一个半径（R， P）=（1， 8）来执行DDT-CLBP算法，并且只利用符号分量DDT-CLBPS，这样可以使红外图像的灰度纹理特征提取过程具有更高的实时性。另外，考虑到纸币的红外图像中含有较多的噪声干扰，所以本节给DDT-CLBP算法中的阈值函数s(x)增加了一个噪声容限参数delta，即DDT-CLBP算法中邻域像素点与中心像素点的灰度差分不超过噪声容限delta时，对应的二值模式编码值保持不变，这样可以有效抑制噪声的干扰。其中，噪声容限delta的值可根据红外图像中噪声的严重程度通过实验来调节。综上所述，本节设计了一种实时性更强，并且具有噪声抑制能力的灰度纹理特征提取算法，称之为DDT-CLBPs-delta算法，该算法除了具有好的实时性和噪声抑制能力外，还具有对单调性光照变化和局部模式旋转的稳健性，因此利用该算法可以快速、准确地提取出纸币红外图像中的灰度纹理特征。(https://www.chuimin.cn)
接下来，将本节提出的DDT-CLBPs-delta算法应用于纸币红外图像的灰度纹理特征提取，并与其他一些方法的特征提取结果进行比较，结果如图7-13所示。可以看出，由于光照条件以及纸币污染等因素的影响，利用其他方法提取的结果都不理想，尤其利用LBP算法提取的特征几乎完全被淹没在噪声之中，而本节提出的DDT-CLBPs-delta算法能够清晰准确地提取出纸币红外图像中的鉴别性纹理特征，为纸币的真伪鉴别奠定了良好的基础。
图7-13 不同方法提取纸币红外图像中的鉴别性纹理特征
将DDT-CLBPs-delta算法应用于纸币的红外图像，可获得一个DDTCLBPs-delta算法编码的特征图像，如图7-13（f）所示，为了体现纸币红外图像中防伪特征的位置分布信息，将获得的DDT-CLBPs-delta算法编码图像划分成4×8个网格，分别计算每个网格的编码均值，将这些网格的编码均值作为纸币红外图像的真伪鉴别特征。为了同时利用纸币正面和背面的防伪特征，分别提取纸币正面和背面红外图像的纹理特征，将所有网格的纹理特征进行级联，作为纸币红外图像的最终鉴别特征。按照上述方法，分别计算所有面额标准真币的红外图像鉴别特征和测试纸币的红外图像鉴别特征。在利用红外图像特征进行真伪鉴别时，因为不同面额纸币的红外图像特征是不同的，所以不同面额纸币的红外图像特征进行比较没有意义，必须是相同面额的纸币进行比较，这就要用到前面基于粗略颜色信息的面额识别结果。最后，将测试纸币的红外图像鉴别特征与相同面额标准真币的红外图像鉴别特征进行比较，根据设定的阈值范围，如果每个网格的编码均值都不超过设定的阈值范围，则判定测试纸币为真币；如果某个或某些网格的编码均值超过了设定的阈值范围，则判定测试纸币为假币，并指出存在假币特征的网格位置，从而实现了对纸币的真伪鉴别。
相关文章
- 详细阅读
-
纹理图像局部纹理特征的描述方法详细阅读
纹理基元通常表现为一种局部特征，因此对局部特征的描述就是对潜在的纹理基元进行描述。因此，本章方法利用这5个特征量构造一个局部特征向量，用这个局部特征向量来描述每个像素所在区域的局部纹理特征，并将其作为纹理基元的学习对象。......
2025-09-29
-
多个半径纹理特征的优化融合方法详细阅读
显然，当取小的半径R值时，是在小的邻域内进行纹理特征检测，可获取微观的纹理特征；当取大的半径R值时，是在大的邻域内进行纹理特征检测，可获取宏观的纹理特征。因此，本章采用多个半径R值相结合的方法来捕获更丰富的宏观和微观的纹理图像特征，从而提高特征的鉴别能力。......
2025-09-29
-
纹理特征研究的历史与现状详细阅读
人类对纹理特征的研究最早可追溯到1962年Julesz[44]对纹理视觉感知模型的研究，时至今日，人们对纹理图像的研究已经有50多年的历史。在国内，清华大学的郭振华[52-57]、国防科技大学的刘丽[1，2， 58-61]、重庆邮电大学的宋铁成[62-64]等也在该方面进行了深入的研究。图1-7展示了当选择距离d=1、方向θ=0°时根据输入图像计算GLCM矩阵的基本原理。例如，将原始图像量化为32或16个灰度等级，则GLCM方法的计算量会大大降低。......
2025-09-29
-
基于互信息法的特征选择方案详细阅读
利用互信息法选择特征的基本原则是选择类别相关的特征，同时排除冗余的特征。因此，基于互信息的特征选择一般遵循这样一种模式：在顺序前向搜索中寻找与类别互信息最大而与前面已选特征互信息最小的特征项。在目标分类中可以简单认为：互信息越大，特征ti和类别Cj共现的程度越大。那么，ti和Cj的互信息可以由下式计算：式中，A、B、C、D的含义和6.4.3节中约定的完全相同。......
2025-09-29
-
基于信息增益法的特征选择方法详细阅读
利用信息增益法选择特征，是依据某个特征项ti为整个分类所能提供的信息量多少来衡量该特征项的重要程度，从而决定对该特征项的取舍。对此的改进方法是，首先对训练集中出现的每个特征项计算其信息增益，然后指定一个阈值，从特征空间中移除那些信息增益低于此阈值的特征项；或者指定保留的特征项个数，按照增益值从高到低的顺序选择特征项组成特征向量。......
2025-09-29
-
彩色纹理图像特征提取方法研究详细阅读
由于本书第2章至第4章已经提出了三种灰度纹理图像的特征提取方法，并且HSV颜色空间中的亮度分量V就是灰度纹理图像，可将本书第2章至第4章提出的灰度纹理图像特征提取方法直接应用于HSV颜色空间中的V分量，从而实现灰度纹理特征的提取。......
2025-09-29
-
纹理基元编码与特征向量构建详细阅读
在获得输入图像I的纹理基元编码图像之后，为了方便送入分类器进行类别的判断，需要将编码图像转换成一个特征向量，将其作为原始纹理图像的最终特征描述。显然，利用纹理基元编码图像计算出的直方图特征向量，其特征维数和纹理基元字典的规模是相同的，即每个直方条对应纹理基元字典中的一种纹理基元，直方图的数值则体现了纹理基元编码图像中每个纹理基元出现的频率大小。......
2025-09-29
相关推荐