基于局部二值模式及其变形的场景分类综合实验设计与实践

以学生为中心,兴趣为导向,解决问题为目标,采取基于问题的教学方法,以基于局部二值模式及其变形特征的场景分类为例,设计与教学大纲紧密结合、有效支撑课程目标的综合实验。在教师的主导下,学生以团队协作方式完成综合实验,串联计算机视觉与图像处理课程的重点知识,训练分析问题、解决问题的能力,切身感受解决问题的过程,提升实践与创业创新能力。

增强型局部二值模式及其图像纹理特征提取

局部二值模式(Local binary pattern, LBP)是一种非常有效的图像纹理描述算子。为了提取更丰富的人脸特征,提出了局部二值模式和环式二值模式(Ring Local binary pattern, RLBP)特征融合的增强局部二值模式算法。先用LBP算法对图像进行特征提取并转化为特征向量,再将其与使用RLBP算法生成的特征向量相融合。最后使用直方图交叉距离计算特征向量的相似度得到在数据集中的识别率。实验数据集选用ORL、ExtendYaleB人脸数据库以及掌纹数据库,实验结果表明,相对于LBP算法和其它融合算法提取到的图像特征而言,融合算法提取的特征更具有鉴别力,获得了更高的识别率。另外还在不同的噪声环境下进行了相关实验分析,证明了所提融合算法对噪声更具有鲁棒性。

面向虹膜识别的多方向中心对称局部二值模式

为了提升虹膜纹理的表征效果,获得稳定的局部纹理信息表达,提出基于多方向中心对称局部二值模式的虹膜识别算法.首先通过眼睑边缘快速定位生成掩膜,抑制眼睑区域噪声;然后在多方向的基础上,提出多方向中心对称的局部二值模式完成虹膜纹理特征的表征;最后利用汉明距离判定虹膜是否匹配.针对由于类内与类间匹配次数失衡导致评价指标正确识别率存在的不足,提出修正的正确识别率.在CASIA.V1,CASIA.V3-Interval,JUL6.0和CASIA.V4-Lamp虹膜库上的实验结果表明,所提算法的修正的正确识别率分别为99.857%,99.940%,99.640%和97.973%,等错误率下降0.03%~5.96%;该算法能够有效地表征虹膜纹理信息,具有良好的识别性能和鲁棒性.

基于中心对称局部二值模式的合成伪装语音检测方法

针对基于局部二值模式的伪装语音检测方法的合成语音检测准确度较低的情况,提出了一种基于中心对称局部二值模式的伪装语音检测方法。该方法通过短时傅里叶变换得到语音信号的语谱图,再利用中心对称局部二值模式提取语谱图的纹理特征,并用该纹理特征训练随机森林分类器,从而实现真伪语音的判别。该方法综合考虑语谱图中像素点的数值大小和位置关系,包含了更加全面的纹理信息,并将特征维度降低至16维,有利于减少计算量。实验结果表明,在ASVspoof 2019数据集上,与传统的基于局部二值模式的伪装语音检测方法相比,所提方法将合成伪装语音的串联检测代价函数(t-DCF)降低了16.98%,检测速度提高了89.73%。

基于改进局部二值模式及特征融合的人脸表情识别

局部特征描述算子在表情识别领域有着广泛的使用。通过对现有表情识别算法的的研究,针对传统局部二值模式(LBP)算法只考虑领域像素和中心像素点的关系,而忽略了领域像素之间的相互影响。而中心对称局部二值模式(CS-LBP)只考虑了中心对称像素之间的影响。结合LBP和CS-LBP特点出了一种改进的LBP算法,实验结果表明改进的LBP算子利用像素点更充分,能更好的表达特征。针对单一特征很难准确描述原始图片的信息,又提取了图像的Gabor特征,分别与提取LBP特征和改进的LBP特征进行特征融合,使提取的特征更加丰富详细。分类算法中考虑到SVM具有强大的非线性分类能力,将提取的特征与SVM分类器进行结合,在公开表情数据集CK+上采用留出法进行验证,准确率达到95.77%,实验结果表明该方法优于传统的表情识别算法。

基于AdaBoost局部二值模式特征的色织物纹理分类

针对织物纹理在人工视觉分类中存在的分类准确率不高,效率低的问题,给出一种基于AdaBoost算法的色织物纹理图像分类方法.该方法首先对采集的织物图像进行人工标记;然后,提取所有图像的局部二值模式(local binary pattern,LBP)特征建立训练集;最后,基于AdaBoost算法对提取的色织物特征学习分类模型实现纹理图像的分类.实验结果表明,选择LBP28算子和弱分类器的个数为30时,基于AdaBoost分类算法对复杂色织物的纹理分类具有较高的识别率,其中对于梭织类和斜纹类织物分类准确率可达到100%,证实此方法的有效性.

基于抗噪声局部二值模式的纹理图像分类

局部二值模式(local binary pattern,LBP)特征是一种简单有效的纹理特征描述符,但是它的抗噪声能力较差.针对这一问题,提出一种对噪声较为鲁棒的纹理特征表示方法——抗噪声的完整增强局部二值模式(noise-tolerant complete enhanced LBP,CELBPNT).该特征基于局部二值模式特征,对光照、旋转和噪声均具有较好的鲁棒性.其提取过程如下:1)根据LBP中各模式的结构和出现频率对特征中的模式重新分类,提出增强局部二值模式(enhanced LBP,ELBP)特征;2)添加差值的模值信息与中心像素信息,并根据图像尺寸自适应地调整其中的阈值,提出完整增强局部二值模式(complete ELBP,CELBP)特征;3)进一步将该特征进行多尺度下的表示,从而最终提出具有抗噪声能力的纹理特征——CELBPNT.通过在常用的纹理数据库上添加不同强度和不同类型噪声的情况进行实验,结果表明:CELBPNT不仅能够显著提升无噪声纹理图像的分类性能,而且对含有噪声的纹理图像分类也有显著的性能提高.

基于自适应局部二值模式的纹理特征提取方法

局部二值模式(local binary pattern, LBP)是一种简单有效的纹理特征描述符,但是存在对噪声缺乏鲁棒性以及编码过程中信息缺失的问题。针对该问题提出基于自适应阈值的带方向的完整局部二值模式(adaptation threshold complete local binary pattern with direction,DAT-CLBP)。提出一种自适应阈值选取方法和判别条件,通过判别条件,从自适应邻域像素中值和中心像素值中选取一种作为LBP编码时的阈值;计算邻域像素和阈值的差分的幅值,并以幅值最小点为起点,从小到大地计算局部邻域的二值模式。在通用纹理库上运行算法,统计两种阈值的发生率,证明了采取自适应阈值的必要性。以纹理库上添加了不同程度的椒盐噪声的纹理图像为样本实验,结果表明算法能更好地描述纹理,同时也对椒盐噪声具有鲁棒性。

基于高斯局部二值模式的纹理特征分类方法

纹理描述在图像分析和模式分类领域具有极为重要的意义。为提高特征描述的鲁棒性,提出了一种基于高斯局部二值模式的纹理特征提取方法。首先,采用加强预处理使高斯滤波获得不同尺度的图像,从而构建多尺度的图像金字塔;其次,为提升旋转不变性和抗噪声能力,提出具有主方向特征的二值模式;最后,在不同尺度上提取3种有效的局部二值模式联合构造纹理描述,并通过直方图降维。试验结果表明,该特征具有较好的可区分性和有效性,可以有效应用到视觉图像的纹理分类中。

基于彩色局部角度二值模式的纹理分类研究

为解决光照变化下彩色纹理图像分类准确率不高的问题,本文采用彩色局部角度二值模式(CLABP)的方法来提取和表示纹理特征。该方法一方面能解决局部二值模式(LBP)不能对自然纹理图像空间结构信息描述的缺陷,另一方面可解决局部彩色纹理特征在光照变化下分类准确率不高的问题。为验证算法的有效性,对Outex纹理数据库进行CLABP特征提取,并结合最近邻匹配得到纹理图像的分类。实验结果表明,该方法的分类精确度达到90%。

基于增强方向局部二值模式的纹理分类

针对方向局部二值模式特征维数高且易受噪声影响的问题,提出了增强方法。首先,在方向局部二值模式的基础上,通过将局部邻域划分为多个8-正交邻域的策略,以降低方向局部二值模式的特征维数;其次,在方向局部模式中引入局部三值模式的思想,以减少噪声的影响。采用CURet、UIUC及Outex三个纹理图像库进行实验,结果证明了该方法以较低的特征维数取得了更好的分类性能。

基于小波域局部二值模式和活动轮廓模型的纹理图像分割

提出一种双树复小波域局部二值模式和活动轮廓模型的纹理图像分割方法.该方法首先使用双树复合小波(DTCWT)分解纹理图像,然后使用局部二值模式(LBP)提取纹理特征.利用最大熵准则对纹理特征图像进行选择.活动轮廓模型(ACM)用于最后得分割.实验结果表明提出的方法对于合成纹理和自然场景数据集达到了较高的分割精度.

融合复小波特征和局部二值模式的纹理聚类

为了解决图像检索中聚类问题,对图像作双树旋转复小波变换,再对变换后的系数通过广义高斯模型建模后,计算Kullback-Leibler距离;对图像采用局部二值模式,计算图像之间的对数似然距离.将这2种距离采用事先计算得到的加权因子进行融合得到新的距离.在此距离的基础上构建邻接矩阵,对邻接矩阵采用谱聚类的方法进行聚类运算.实验证明,由于双树旋转复小波变换和局部二值模式之间存在互补性,在聚类过程中将2种特征距离结合起来,能够有效地提高聚类的正确性.

选择局部二值模式的纹理识别

图像识别是模式识别领域中的一种非常基本的应用,也是计算机应用领域中一门很有前景的技术,它运用计算机对数字图像进行处理、分析和理解,以识别各种不同模式的目标和对像。局部二值模式(LBP)普遍应用于纹理分割、纹理分类、人脸图像分析等领域,已成为分类特征的一种基本方法。笔者介绍了一种尺度选择局部二值模式的计算方法和实现原理,然后详细说明了运用新方法进行实验的步骤,最后根据在公共纹理数据库中的实验结果分析新方法具有的优点以及在不同的尺度下对纹理分类具有的良好效果。实验结果表明,在UIUC数据库中的正确率达到99.2%,而在KTHTIPS数据库中的正确率能达到99.5%。

基于多阶局部二值模式的图像纹理提取技术探讨

人脸特征提取,是人脸识别技术过程中必不可缺、非常关键的步骤之一,目前常见的方法有基于面部器官的特征提取、基于模板的特征提取、基于代数方法的特征提取、基于弹性匹配法的特征提取等多种方法,T.Ojala等人提出了局部二值模式(Local Binary Pattern,LBP)方法,利用它来进行图像的纹理特征提取。利用局部二值模式算子验证了二阶局部二值模式方法更有利于提高图像的识别效果,方法简单易行,计算量小,如能与其它的方法一起配合使用,则能大大提高图像的识别率。

一种基于二维局部二值模式的纹理图像分类方法

局部二值模式(Local Binary Pattern,LBP)在纹理分类中受到越来越多的关注,传统的基于局部二值模式的图像识别方法在LBP直方图统计时仅仅考虑到LBP模式值本身的数量统计,却忽略了模式值之间的相关性.针对这一问题,本文提出一种二维局部二值模式(Two Dimensional Local Binary Pattern,2DLBP)方法,并用于纹理图像识别.首先以旋转不变均匀LBP特征图为基础,引入滑动窗口和LBP模式对的概念,统计LBP模式图的上下文信息,构造出2DLBP特征;然后改变LBP中的半径参数,构造图像的多分辨率2DLBP特征,并利用支持向量机(SVM)的分类方法进行纹理分类;最后选取Brodatz、CURe T、UIUC、FMD四个公开纹理库分别进行纹理分类测试.理论验证表明该方法具有良好的通用性,可以与LBP的其他变型结合成为新的图像特征构造方法.同时,实验结果表明,本文提出方法具有较好的纹理图像分类能力.

基于金字塔分解和扇形局部均值二值模式的鲁棒纹理分类方法

针对传统局部二值模式(LBP)的特征鉴别力有限和噪声敏感性问题,该文提出一种基于金字塔分解和扇形局部均值二值模式的纹理特征提取方法。首先,将原始图像进行金字塔分解,得到对应于不同分解级别的低频和高频(差分)图像。为提取兼具鉴别力和稳健性的特征,进一步采用阈值化处理技术将高频图像转化为正、负高频图。然后,基于局部均值操作提出一种扇形局部均值二值模式(SLMBP),用于计算各级分解图像的纹理特征码。最后,对纹理特征码进行跨频带的联合编码和跨级别的直方图加权,从而获得最终的纹理特征。在公开的3个纹理数据库(Outex,Brodatz和UIUC)上进行分类实验,结果表明该文所提方法能够有效地提高纹理图像在无噪声环境和含高斯噪声环境下的分类精度。

基于Gabor相位和局部二值模式的AAM纹理表示

提出一种基于Gabor相位与局部二值模式(local binary patterns,LBP)算子的活动表观模型(activeappearance model,AAM)。与基于亮度的AAM相比,改进模型在三个方面提高了算法性能:提供多尺度多方向的Gabor纹理,提高了模型的匹配精度;增强了对外部环境变化(如光照)的鲁棒性;基于LBP的纹理编码去除了大量冗余。实验结果表明该模型能够有效提高模型的匹配精度。

用于纹理特征提取的改进的成对旋转不变共生局部二值模式算法

针对用于纹理特征提取的成对旋转不变共生局部二值模式(PRICoLBP)算法计算特征维度大、旋转不变性较差、对光照变化敏感的问题,提出一种融合局部纹理信息的改进PRICoLBP算法。首先,分别最大化和最小化图像像素点的二值序列,得到两个邻域像素点的坐标,由中心像素点坐标和得到的邻域像素点坐标计算出共生点对的坐标;其次,利用完备二值模式(CLBP)算法提取图像的每个像素点的纹理信息。在相同分类器下,对Brodatz、Outex(TC10,TC12)、Outex(TC14)、CURe T和KTH_TIPS数据库的分类实验中,所提算法的识别率比PRICoLBP算法分别提高了0.17、0.24、2.65、2.39和2.04个百分点。实验结果表明,所提算法在处理纹理旋转变化、光照条件多样的图像时具有较好的识别效果。

基于二阶局部二值模式的图像纹理提取技术探讨

人脸特征提取，是人脸识别技术过程中必不可缺，也是非常关键的步骤之一，目前常见的方法有基于面部器官的特征提取、基于模板的特征提取、基于代数方法的特征提取、基于弹性匹配法的特征提取等多种方法，T．Ojala等人提出了局部二值模式（LocalBinaryPattern，LBP）方法，利用它来进行图像的纹理特征提取。本文利用局部二值模式算子验证了二阶局部二值模式方法更有利于提高图像的识别效果，方法简单易行，计算量小，如能与其它的方法一起配合使用，则能大大提高图像的识别率。