[发明专利]一种完整的局部熵二值模式纹理图像分类方法

说明书

本发明公开了一种完整的局部熵二值模式纹理图像分类方法，首先，根据局部二值编码的尺度，计算每个像素对应局部区域块的熵特征，并基于自适应熵阈值，对其进行二值编码。然后，对传统的完整局部二值模式的三个特征进行区域均值编码。接下来，将得到的局部熵二值特征与基于区域均值的完整局部二值模式的三个特征一起组成完整的局部熵二值模式。最后，利用特征融合或拼接得到联合特征直方图，并结合KNN分类器实现对纹理图像的分类。本发明提出的纹理分类方法具有更加全面的纹理信息表达能力，具有优越的纹理分类性能。

技术领域

本发明属于图像处理、计算机视觉和模式识别领域，具体涉及一种完整的局部熵二值 模式纹理图像分类方法。

背景技术

纹理在自然图像中随处可见，具有丰富的亮度、颜色、形状、尺度等特 征。纹理分析的目的是解释并理解真实世界的视觉模式，是一个非常具有挑 战性且活跃的研究课题。纹理分类是纹理分析的重要问题之一，在场景或物 体分类、面料检测、图像检索、医学图像分析、遥感和材料分类等领域有着 非常广泛的应用。然而，如何提取并表达有效的纹理特征仍然是最具挑战性 的问题之一。

真实世界中，同一类纹理图像通常会有各种不同的外观变化，如旋转、 尺度、不同成像环境带来的光照和视角变化等；而不同种类的纹理图像通常 也会有非常相似的外观。因此，设计一种能够对纹理图像的类内变化稳定并 且对类间变化敏感的纹理表达方法是纹理图像分类最为关键的问题之一。通 常可以将纹理分类问题归纳为两个基本的子问题：即特征提取和分类器设计。 然而以往的研究表明，强大的纹理特征提取方法对于纹理分类更为重要。

局部二值模式(Local Binary Pattern，LBP)是最受欢迎的纹理特征提 取方法之一，其基本思想是通过探索像素的局部差异信息，来实现提取纹理 特征。LBP具有计算简单、对单调灰度变化具有鲁棒性、对图像旋转具有不变 性等突出优势。在纹理分类和人脸识别领域备受关注。然而传统的LBP方法 过于侧重编码图像的局部微观结构信息，得到的LBP特征描述子严重缺乏了 图像的整体宏观信息。

2010年Guo等人提出了CLBP(完整的局部二值模式Completed Local BinaryPattern)，通过将局部差值分解为符号和幅度成分，与中心像素联合 编码，试图实现较为全面的纹理信息表达。虽然CLBP方法在一定程度上解决 了LBP的纹理信息过于单调的问题，其仍然缺少更深层的像素相互关系信息。

发明内容

本发明的目的是解决上述方法的技术缺陷，以获得更加全面的纹理信息 表达。提出一种完整的局部熵二值模式纹理图像分类方法。

本发明的技术方案是：一种完整的局部熵二值模式纹理图像分类方法， 包括在训练阶段和测试阶段，

所述的训练阶段包括以下步骤：

步骤1-1、输入待训练的纹理图像数据集，并对其进行图像的标准化；

步骤1-2、求取训练图像区域对比二值编码模式以及基于区域均值的 CLBP_S、CLBP_C和CLBP_M二值模式；

步骤1-3、特征融合和拼接，得到完整的图像特征；

步骤1-4、将训练纹理图像特征和对应标签输入KNN分类器，训练KNN分 类器；

步骤1-5、输出训练好的KNN分类器；

所述的测试阶段包括以下步骤：

步骤2-1、输入测试纹理图像数据集，并对其进行图像标准化；

步骤2-2、求取训练图像区域对比二值编码模式以及基于区域均值的 CLBP_S、CLBP_C和CLBP_M二值模式；

步骤2-3、特征融合拼接，得到完整的图像特征；