[发明专利]基于局部排序差值细化模式的纹理图像分类方法及系统

权利要求书

1.一种基于局部排序差值细化模式的纹理图像分类方法，其特征在于，包括：

(1)根据选择的采样半径对数据集中的每幅纹理图像进行高斯滤波，得到对应半径下的平滑纹理图像；

(2)提取所述平滑纹理图像的上部描述子的特征直方图和下部描述子的特征直方图，进而得到每幅图像的LSDRP特征直方图，其中，所述上部描述子为在将图像局部邻域内的采样点和中心点阈值化操作后，大于等于中心点对应值的采样点的二值序列对应的描述子，所述下部描述子为小于中心点对应值的采样点的二值序列对应的描述子；

所述得到每幅图像的LSDRP特征直方图的方法包括：

(21)根据灰度值大小将图像局部邻域内的采样点排序，得到局部排序区域中的各个采样点和中心点；

(22)将采样点和中心点进行阈值化操作，得到上部排序二值序列，将采样点和中心点再次进行阈值化操作，得到下部排序二值序列；

(23)分别为上部排序二值序列和下部排序二值序列分配初始权值，使得上部排序二值序列对应位置处的权值为2^p，下部排序二值序列对应位置处的权值为2^P-1-p，其中，P为采样点的总数，p＝0,1,...,P-1；

(24)计算局部排序区域内的采样点和中心点的灰度差值，并将差值归一化，使归一化差值在[0,1]之间；

(25)采用所述归一化的差值分别更新上部排序二值序列和下部排序二值序列对应位置处的权值，从而得到包含局部像素间差值大小信息的新权值；

(26)将该局部邻域的上部排序二值序列和各值对应位置处的新权值相乘，再累加，得到上部LSDRP^up描述子对应的十进制编码；将该局部邻域的下部排序二值序列和各值对应位置处的新权值相乘，再累加，得到下部LSDRP^low描述子对应的十进制编码；

(27)分别构建每幅图像上部LSDRP^up描述子直方图和下部LSDRP^low描述子的直方图，再将LSDRP^up和LSDRP^low的直方图级联，由此得到每幅图像的LSDRP特征直方图；

(3)选择LSDRP特征直方图中的前T维高频特征所对应的模式表征纹理图像，得到降维后的LSDRP_T特征向量；

(4)级联多个采样半径下所述降维后的LSDRP_T特征向量，建立多尺度直方图特征表示，并进行分类训练，得到训练结果。

2.根据权利要求1所述的基于局部排序差值细化模式的纹理图像分类方法，其特征在于，步骤(24)中，所述归一化差值表示为：

其中，g_c表示局部邻域的中心点(i,j)处的灰度值，g'_p表示排序后的局部邻域内第p位采样点的灰度值。

3.根据权利要求2所述的基于局部排序差值细化模式的纹理图像分类方法，其特征在于，步骤(25)中，所述采用所述归一化的差值分别更新上部排序二值序列的权值，表示为：

所述下部排序二值序列对应位置处的权值，表示为：

4.根据权利要求3所述的基于局部排序差值细化模式的纹理图像分类方法，其特征在于，步骤(26)中，所述上部排序二值序列对应的十进制编码，表示为：

所述下部排序二值序列对应的十进制编码，表示为：

其中，参数R和P分别表示局部邻域采样半径和采样点数，z(x)和f(x)为符号描述符。

5.根据权利要求4所述的基于局部排序差值细化模式的纹理图像分类方法，其特征在于，步骤(27)中，所述得到每幅图像的LSDRP特征直方图，具体包括：

首先，构建每幅图像上部LSDRP^up描述子直方图，表示为：

其次，构建每幅图像下部LSDRP^low描述子的直方图，表示为：

每幅图像的LSDRP特征直方图，表示为：

其中，M和N表示一幅大小为M*N的纹理图像。