首页 理论教育本书方法具有更强的鉴别能力,字典规模更小

本书方法具有更强的鉴别能力,字典规模更小

【摘要】:同时,本书提出的方法采用的局部特征描述向量具有更强的鉴别能力,这使该方法所构造的纹理基元字典规模更小,只有其他方法的1/2。

纹理图像的普遍存在性使纹理图像特征提取和识别方法具有广泛的应用领域和重要的应用价值。本书首先分析了纹理图像的特点,然后对纹理图像的特征提取和识别方法及其应用进行了研究,重点研究了五类纹理图像特征提取和识别方法,即基于纹理基元学习的方法、基于Gabor滤波的方法、基于LBP的方法、彩色纹理图像识别方法、基于深度CNN的方法,在此基础上提出了一些新的或改进的纹理图像特征提取和识别方法,提高了纹理图像识别技术在识别精度、实时性和稳健性等方面的性能,并将上述方法应用于树皮(木材)分类、图像检索等领域,拓展和深化了纹理图像识别技术的工程应用。

本书开展的主要研究工作和取得的主要研究成果有以下几点。

(1)针对现有纹理基元学习方法所存在的实时性较差、鉴别能力不足的问题,本书提出了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。该方法利用5个特征量(局部的熵值、方差、最大变化幅度、局部差分符号计数、局部差分幅值计数)来描述局部的纹理图像特征,构造了一个7维的纹理基元描述向量,其特征维数比现有方法的纹理基元特征维数更低。同时,本书提出的方法采用的局部特征描述向量具有更强的鉴别能力,这使该方法所构造的纹理基元字典规模更小,只有其他方法的1/2。由于纹理基元向量的特征维数更低、纹理基元字典的规模更小,本书提出的方法在纹理图像局部特征提取、纹理基元学习和编码、特征匹配等阶段的实时性都显著提高。实验结果表明:在实时性方面,本书提出的纹理基元学习方法显著超过了现有的其他纹理基元学习方法,具有更好的实时性;在纹理识别精度方面,本书提出的方法也超过了传统的纹理基元学习方法,与目前最先进的纹理基元学习方法具有相当的识别精度。

(2)针对现有Gabor滤波方法对纹理图像的特征描述比较粗略,导致纹理识别精度比较低的问题,本书提出了一种全局Gabor特征和局部编码Gabor特征相融合的纹理图像特征提取和识别方法。该方法利用原始纹理图像的四层金字塔空间来描述纹理图像的分辨率变化,利用4个尺度和6个方向的Gabor滤波器组对纹理图像进行滤波,然后利用滤波后幅值图像的均值和标准差描述纹理图像的全局Gabor特征,再用Gabor滤波后幅值图像和相位图像的联合编码描述纹理图像的局部Gabor特征,最后在NSC分类器的框架下对全局和局部的Gabor特征进行融合,并实现了对纹理图像的识别。实验结果表明:在识别精度方面,本书提出的改进Gabor滤波方法显著超越了现有的Gabor滤波方法,同时超越了一些先进的基于纹理基元学习的方法和基于LBP的方法;在实时性方面,在算法设计过程中采取了多种措施降低计算量和特征维数,使本书提出的改进Gabor方法具有较好的实时性。

(3)针对现有LBP方法在识别精度、实时性,以及对光照变化、图像旋转和尺度变化的稳健性等方面所存在的综合性能不足的问题,本书提出了一种高效的光照、旋转和尺度稳健的改进CLBP纹理图像特征提取方法。该方法以传统CLBP算法为基础,利用局部模式主导方向的调谐作用使传统CLBP算法获得旋转不变性,利用多次高斯滤波构造纹理图像的多尺度空间,并对多个尺度的DDT-CLBPS/M/C联合直方图跨尺度按直方条取最大值,使其获得对尺度变化的稳健性,再利用多个半径的特征组合来捕获宏观和微观的纹理特征,最后利用NSC分类器实现了对纹理图像的识别。实验结果表明:本书提出的改进CLBP方法对纹理图像的光照变化、图像旋转、尺度变化和训练样本个数都具有较好的稳健性,在多个标准的纹理库上都具有很高的识别精度和很好的通用性,同时该方法具有较好的实时性,是一种综合性能较好的纹理图像特征提取和识别方法。

(4)针对现有的大部分纹理图像特征提取和识别方法仅利用灰度纹理特征、没有充分利用颜色信息的不足,本书提出了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。该方法首先在HSV颜色空间中对色调分量H和饱和度分量S采用粗略量化的策略,确定最佳的颜色量化等级,然后用粗略量化的H分量和S分量的联合直方图来描述纹理图像的粗略颜色信息,同时从V分量提取灰度纹理特征,最后将所提取的粗略颜色信息与灰度纹理特征进行融合,作为彩色纹理图像的特征描述子并用于纹理图像识别。实验结果表明:在光源颜色不发生显著变化的情况下,按照本书提出的方法引入颜色信息,不但能使纹理图像的识别精度获得进一步的提高,而且能保持较高的实时性,具有广泛的应用价值。

(5)分析了深度CNN方法的基本原理,在此基础上提出了基于深度CNN和迁移学习的方法,解决了将深度CNN方法应用于纹理图像特征提取和识别时的一些难点问题(如需要大规模的训练样本和高性能的训练平台),推动了深度学习技术在纹理图像特征提取和识别领域的应用。

(6)将纹理图像的特征提取和识别方法应用于树皮(木材)分类、图像检索、纸币鉴别等领域,获得了较好的识别效果,拓展和深化了纹理图像特征提取和识别技术的工程应用。