采用圆周局部三值模式纹理特征的合成语音检测方法

为了进一步提高合成语音检测的准确率,提出了一种采用圆周局部三值模式(CLTP)纹理特征的合成语音检测方法。该方法利用圆周局部三值模式提取语谱图中的纹理信息并作为语音的特征表示,采用深度残差网络作为后端分类器来判决语音真伪。实验结果表明,在ASVspoof 2019数据集上,与传统的常量Q倒谱系数(CQCC)和线性预测倒谱系数(LPCC)两种特征相比,该方法在等错误率(EER)上分别降低了54.29%和2.15%,与局部三值模式(LTP)纹理特征相比,该方法在等错误率上也降低了17.14%。圆周局部三值模式由于综合考虑了邻域内中心像素与周边像素之间以及各周边像素之间的差异,更加全面地获取了语谱图的纹理信息,提高了合成语音检测的准确率。

基于改进自适应阈值局部三值模式的遥感图像分类

遥感图像背景复杂,存在光照变化和噪声干扰,导致图像分类准确率不高。针对该问题,在计算邻域像素离散度的基础上,通过对其施加不同权重以细化阈值范围,提出一种改进的自适应阈值局部三值模式(ATLTP)纹理特征提取算法,以提高遥感图像分类精度。首先,对原始遥感图像进行灰度拉伸预处理以增强图像对比度;然后,采用改进自适应阈值局部三值模式提取遥感图像的纹理特征;最后,利用支持向量机对遥感图像进行分类。在标准遥感图像数据集中稀疏建筑物和密集建筑物分类的实验结果表明:采用改进后的局部三值模式纹理特征对遥感图像进行分类的性能要优于传统的局部三值模式,验证了改进算法的有效性。

自适应中心对称局部三值模式的人脸识别

针对局部三值模式描述人脸图像纹理特征时直方图维数过高以及阈值不能自适应选取的缺陷,提出一种自适应中心对称局部三值模式方法。首先,用具有降低维数的中心对称局部三值模式算子对人脸图像编码,把邻域像素均值引入编码中以增强抗噪性能;其次,嵌入统计邻域均值与邻域像素的标准差作为阈值以自适应提取人脸特征,并统计特征直方图;最后用卡方距离度量训练样本特征直方图和测试样本特征直方图的相似度,采用最近邻分类器分类识别。所提算法在YALE、Extended Yale B人脸图像库上的最高正确识别率分别达到99.67%,99.33%;识别一张人脸的速度分别达到0.1984和0.3988 s。实验结果表明,所提算法对光照变化和噪声更加鲁棒,有效提高了人脸识别的精度和速度。

改进局部三值模式的烟雾识别和纹理分类

为提高烟雾识别的检测率和降低误报率,首先提出了基于置信水平的局部三值模式(CLLTP),进而提出了基于CLLTP的组合特征模型(M_CLLTP)。CLLTP是依据差分图像的像素值呈正态分布而提出的一种改进的局部三值模式。M_CLLTP模型提取了原图的CLLTP特征、Gabor特征图的加权的CLLTP特征和边缘特征图的CLLTP特征,并融合它们生成M_CLLTP特征。对比实验显示,M_CLLTP方法在三个烟雾数据集上都获得了较高的检测率和F1分数、较低的误报率,在两个纹理数据库上获得了最高的平均召回率。实验结果表明,所提方法对烟雾和纹理具有很好的辨识能力,非常适用于烟雾识别。

基于自适应方向局部三值模式的人脸识别

为了解决局部三值模式特征向量维数过高和不能自适应选取阈值的问题,引入方向局部二值模式的思想,提出了一种具有自适应性的方向局部三值模式(SD-LTP)。SD-LTP通过具有降低特征向量维数的方向局部三值模式来描述图像,将图像全局灰度特征引入编码中以增强算法对全局特征的描述;引入具有自适应性的阈值增强算法的抗噪能力。在ORL和FERET标准人脸库上的实验结果表明,SD-LTP有效地降低特征维数;并显著提高了人脸的识别率。

基于改进的局部三值模式和深度置信网络的人脸识别算法

针对人脸识别过程中深度置信网络在直接提取特征时易忽略局部特征以及传统的局部三值模式提取局部特征时不精细的问题,提出一种基于改进的局部三值模式和深度置信网络相结合的人脸识别算法,该算法将传统的局部三值模式中周围像素点与中间像素点的差值与某一固定阈值进行比较改为了相邻像素点进行两两比较,然后将其差值与计算得到的动态阈值进行比较,该动态阈值可以避免固定阈值对不同样本的影响。为了防止图像因为旋转问题而降低识别率,将LBP的旋转不变性引入到了改进的LTP,然后获取直方图,作为DBN的输入数据,对DBN网络进行参数调优,然后利用DBN网络进行训练识别,该算法在ORL,YALE等公开人脸库中的识别率与其他方法相比有了很大的提高,受光照和姿态的影响也有所降低,实验数据说明该算法具有很好的识别效果。

一种改进的局部三值模式的人脸识别方法

为了更好的描述人脸特征,提出了一种基于不同尺度像素块及自适应阈值的局部三值(LTP)模式方法.该方法首先将图像分为若干个子区域,采用自适应阈值并基于不同尺度的像素块提取每个子区域的LTP纹理直方图,然后将得到的每个子区域的直方图连在一起并经过主成分分析(PCA)降维处理得到特征向量.在人脸数据库上进行的实验证明,应用该方法进行人脸特征提取并结合最近邻分类法得到了较高的识别率.

多尺度自适应阈值局部三值模式编码算法

针对局部二值模式(local binary pattern,LBP)描述信息单一以及对噪声敏感的问题,提出一种多尺度自适应阈值局部三值模式(multi-scale adaptive local ternary pattern,MSALTP)编码算法。MSALTP首先将原始图像放大;其次将图像平均划分成几个区域,并计算像素的均值;然后计算每个区域中心像素与均值的偏差;最后提取ALTP特征,将结果统计特征直方图实现图像分类。实验表明提出的算法识别率比目前较好的抗噪声算法在不同的噪声下识别率有较大提高。

成对旋转不变的共生自适应完全局部三值模式

针对成对旋转不变的共生局部二值模式(PRICoLBP)旋转不变性较差及其相关改进算法EPRICoELBP对光照变化和噪声干扰较为敏感的问题,提出了一种增强成对旋转不变的共生自适应阈值完全局部三值模式。通过自适应阈值局部三值模式(ALTP)将图像分成Upper和Lower模式;分别在两种模式中找出像素点LBP特征极大、极小值对应的邻域起始编码点,利用中心像素点与其LBP特征极大、极小值对应的邻域起始编码点作为方向矢量,来确定中心像素点的上下文共生点对;利用自适应阈值完全局部三值模式(ACLTP)提取Upper和Lower模式中共生点对的局部纹理信息;联合上下文共生点对的特征直方图训练卡方核支持向量机,进行纹理图像识别检测。在应用广泛的Brodatz、Outex(TC10、TC12-h、TC12-t、TC14)、CUReT、KTH_TIPS、UIUC标准纹理库中,该算法相较于原始的PRICoLBP算法和其他算法在分类准确率上均有一定的提升,且在添加了高斯噪声和椒盐噪声的KTH_TIPS纹理库中,该算法依旧保持了较高的分类准确率。实验结果表明,该算法对旋转、光照变化和噪声干扰具有较强的鲁棒性。

基于局部Gabor自适应三值模式的人脸识别

提出一种融合Gabor特征和局部三值模式(LTP)的人脸识别方法,并在算法中对局部三值模式(LTP)进行改进,提出能够自适应阈值的LATP算子。对归一化后的人脸图像进行多尺度、多方向的Gabor滤波提取其对应的幅值特征,在每个幅值图像上进行LATP运算,抽取局部邻域关系模式,这些模式的区域直方图再经过信息熵加权并串联得到最终的人脸描述,识别过程使用χ2距离对特征直方图进行相似度匹配。在ORL和Yale人脸数据库上实验,结果表明提出的算法对人脸表情和光照变化具有更好的适应性,对噪声干扰具有更强的鲁棒性。

局部方向三值模式纹理描述子

为解决LDP算子运算速度较慢、对于有些模式无法精确区分等问题,提出局部方向三值模式纹理描述子。采用自适应阈值,对像素8个方向边缘响应进行三值编码,提取并统计正边缘模式和负边缘模式,联合起来构成局部方向三值模式,作为最终特征来描述图像。在Brodatz数据集和CUReT数据集上将该模式与传统的LBP、LDP、FLDP、LTP算法进行对比实验,对比结果表明,与LDP算法相比,该模式在上述两个数据集上的分类准确率分别提高了5.42%和8.43%,运算速度提高了8倍以上;与LBP、FLDP、FTP相比,该模式也有明显优势。

基于局部Gabor三值模式的人脸识别

针对人脸识别中的鲁棒性问题,提出一种基于局部Gabor三值模式的人脸描述与识别方法。首先,对归一化的人脸图像进行多方向、多分辨率的Gabor滤波,提取对应的Gabor幅值域图谱(GMMs),然后在每个幅值域图谱上采用局部三值模式(LTP)抽取局部邻域关系模式,并由这些模式的区域直方图形成序列来描述人脸。最后通过加权的卡方距离对训练图像和测试图像的直方图进行匹配。Gabor变换、LTP、空间区域直方图的采用使得该方法对光照变化、表情变化等具有良好的鲁棒性。在ORL、Yale、GT人脸库上实验,结果表明该方法具有更高的识别率。

基于局部三值微分模式的人脸识别方法

为了减轻噪声干扰,提取更为丰富的人脸鉴别特征,提出了局部三值微分模式算子。通过判断近邻像素灰度值是否在某个范围内对当前像素的局部微分模式从二值扩展到三值,然后将扩展后编码的Uniform模式的空间直方图依次相连形成人脸的特征向量,采用卡方统计算样本相似度并进行分类。在ORL、Yale和CAS-PEAL-R1人脸数据库上的实验结果表明,提出的算法的识别性能优于局部二值模式和局部微分模式。、

基于模糊三值模式的矿物浮选泡沫图像边缘检测方法

针对一类边缘特征不明显的矿物浮选泡沫图像,提出了一种基于模糊三值模式的泡沫图像边缘检测方法.在‘0/1’二值模式基础上,增加不确定逻辑状态,构成模糊局部三值模式,以描述邻域像素灰度均值的不确定关系,同时,对邻域双向灰度差值之和进行模糊化,以描述边缘与非边缘方向的关系,联立邻域灰度关系与双向灰度差值隶属度,构造气泡边缘隶属度矩阵,依据联合隶属度的解模糊结果判决是否为边界候选像素,再根据边界候选像素集合的特征剔除非边界像素,以此得到泡沫边缘.实验结果表明,该方法能够有效地检测出气泡边缘,同时,在强噪声环境下,具有良好的鲁棒性.

基于局部边缘差异二值模式的人脸识别方法

传统的局部二值模式(local binary pattern,LBP)作为一种有效的特征提取与编码方法广泛应用于图像处理领域,但该方法只提取了图像模版中心像素值与边缘像素值的差值信息,这些信息不能全面地表征图像,并且对图像小幅度的灰度变化敏感.针对该方法的缺点,提出了一种基于局部边缘差异二值模式(local edge difference binary pattern,LEDBP)的特征提取算法,并应用于人脸识别领域.与传统的局部二值模式不同,本方法通过计算图像模版中心像素值与边缘像素值的差值来表示局部区域,其首先计算中心像素与相邻像素的边缘差值,然后使用局部三值模式的上模式(upper local ternary pattern)对边缘像素值进行编码,建立直方图后得到特征向量对图像进行表示.实验结果表明,本文算法用于人脸识别较传统的LBP等算法在识别率上有较大提高.

基于近邻三值模式和协作表示的三维掌纹识别

针对二维掌纹图像存在易伪造、抗噪能力差的问题,提出一种基于近邻三值模式(NTP)和协作表示的三维掌纹识别方法。首先,利用形状指数把三维掌纹的表面几何信息映射成二维数据,以弥补常用均值或高斯曲率映射无法精确描述三维掌纹特征的缺陷;其次,对形状指数图作分块处理,利用近邻三值模式提取分块形状指数图的纹理特征;最后,利用协作表示的方法进行特征分类。在三维掌纹库上和经典算法进行的对比实验中,该方法的识别率为99.52%,识别时长为0.673 8 s,优于其他算法;在识别率方面,与经典的局部二值模式(LBP)、局部三值模式(LLTP)、CompCode、均值曲率图(MCI)法相比分别提高了7.77%、6.02%、5.12%和3.97%;在识别时间方面,与Homotopy、对偶增广拉格朗日法(DALM)、SpaRSA方法相比分别降低了6.7 s、15.9 s和61 s。实验结果表明,所提算法具有良好的特征提取和分类能力,能够有效地提高识别精度并减少识别时间。

基于局部幅度三值模式的人脸识别

针对局部三值模式(Local Ternary Pattern,LTP)对纹理特征描述不足的问题,提出一种基于局部幅度三值模式(Local Magnitude Ternary Pattern,LMTP)的人脸识别算法。首先将人脸图像进行分块处理。然后用LTP算子提取直方图以描述局部纹理的结构和LMTP算子提取直方图以描述局部纹理中像素值间的偏离幅度。最后将不同的直方图串联成LTP/LMTP直方图,将其作为人脸特征用于人脸匹配。实验分析表明,算法对纹理有更好的描述能力和在人脸识别中有更高的识别率,并对噪声有较好的鲁棒性。

基于改进局部三元模式的乳腺癌预测模型

目的探讨基于改进局部三元模式(LTP)算法提取的乳腺新型纹理特征及其与常规特征融合预测乳腺癌的价值。方法对钼靶图像进行乳腺分割,采用基于改进LTP算法提取双侧乳腺的新型纹理特征和常规特征;合并左右侧乳腺纹理特征;采用主成分分析法对提取的高维纹理特征降维;以K最近邻(KNN)和LADTree算法分别对纹理特征及融合纹理特征进行分类。结果基于改进LTP算法提取的新型纹理特征预测乳腺癌的ROC曲线下面积(AUC)为0.732 4±0.042 8,敏感度为72.04%(67/93),特异度为74.51%(76/102),准确率为73.33%(143/195);融合常规特征后AUC为0.865 5±0.014 8,敏感度为84.95%(79/93),特异度为88.23%(90/102),准确率为86.67%(169/195)。结论基于LTP算法提取的新型纹理特征预测乳腺癌的精度较高,与常规特征融合后可进一步提高预测效能。

基于局部模式的癫痫脑电信号自动分类方法

为有效地检测脑电图(EEG)中的癫痫信号,设计一维局部三值模式(1D-LTP)算子提取信号特征,并结合主成分分析(PCA)和极限学习机(ELM)对特征进行分类。通过1D-LTP算子计算信号点的顶层模式和底层模式下的特征变换码以准确滤除干扰信号,并对变换码直方图PCA降维后采用ELM进行分类,以10折交叉验证评估分类性能。实验结果表明,该方法能有效识别在癫痫发作期的EEG信号,其准确率可达99.79%。

一种基于LTP自适应阈值的人脸识别方法

局部三值模式(LTP)采用自定义阈值编码对局部二值模式(LBP)进行扩展,然而其阈值通常通过先验知识获取,因此,LTP阈值存在优化问题及普适性问题.针对这一问题提出一种基于LTP自适应阈值的人脸识别方法:首先在提取图像特征时计算各邻域内像素间对比值的离散度,通过该离散度定义自适应于各局部区域的LTP阈值;然后将提取到的特征分层进行编码,并引入一种信息熵权重的方法来融合各层的特征信息,最后使用卡方距离对样本的直方图进行匹配.在Extended Yale B和CMU PIE标准人脸库上实验,结果表明此方法对光照变化和噪声更加鲁棒,有效地提高了人脸识别的精度.