基于局部特征描述和紋理基元學習的紋理分類?

王軍敏 樊養余 李祖賀

（1.西北工業大學電子信息學院 西安 710129）（2.平頂山學院信息工程學院 平頂山 467000）

1 引言

紋理是物體表面的一種重要視覺特征，通常表現為某種視覺感知的基本單元（即紋理基元）按照某種規則排列分布而成。紋理分類一直是模式識別、計算機視覺領域的研究熱點，其研究成果已廣泛應用到人臉識別［1］、材料分類［2～3］、圖像檢索［4］、生物特征識別［5］等領域。然而，由于紋理圖像可能受到不同的光照條件、旋轉角度、尺度變化的影響，這使得紋理分類成為一個極具挑戰性的工作。

目前，主要的紋理分類方法有：1）灰度共生矩陣（gray level co-occurrence matrix，GLCM）方法：文獻［6～7］利用圖像中不同距離和方向像素對出現的次數構造GLCM，并從GLCM中提取多個統計量作為紋理特征的描述。2）Gabor濾波方法：文獻［8～9］利用Gabor濾波器組對紋理圖像進行濾波，然后計算不同尺度、不同方向濾波系數的均值和方差，作為紋理分類的特征。3）基于紋理基元學習的方法：Varma等提出了VZ-MR8算法［10］，首先利用MR8濾波器對圖像進行濾波，然后從濾波響應的最大值中學習紋理基元，并利用這些紋理基元對紋理圖像進行編碼，從而實現紋理分類；隨后，他們又提出VZ-Joint算法［11］，直接從局部鄰域的像素灰度值學習紋理基元，不再使用MR8濾波響應，算法的精度獲得了一定提高。4）局部二值模式（local binary pattern，LBP）方法：Ojala等［12］提出用LBP算法對每個像素的局部鄰域特征進行二值量化和編碼，并用這些編碼的直方圖作為紋理分類的特征。Guo等［13］對LBP算法進行了改進，提出了完備的局部二值模式（completed LBP，CLBP）算法，該算法在LBP算法的基礎上引入了局部鄰域中心像素和差分幅值的編碼信息，提高了鑒別能力。以上這些方法都具有自己的優缺點，在紋理分類中發揮著重要的作用。

紋理基元是紋理圖像的核心特征，紋理基元的有效檢測對實現紋理分類具有重要的作用。同時，考慮到紋理基元通常表現為某種局部特征，因此，本文提出一種基于局部特征描述和紋理基元學習的紋理分類方法。

2 本文算法

2.1 系統框圖

本文算法的基本原理是：首先提取紋理圖像的局部特征，然后從這些局部特征學習紋理基元，再用這些紋理基元對紋理圖像進行編碼，并用紋理基元編碼的直方圖作為紋理圖像的特征向量，最后利用分類器進行紋理分類，獲得測試樣本的類別標記。本文算法的系統框圖如圖1所示。

圖1 本文算法的系統框圖

2.2 局部特征的提取

為了提取紋理圖像的局部特征，本文采用5個特征量來描述每個像素所在區域的局部特征，即局部熵、局部標準差、局部最大范圍、局部二值符號之和、局部二值幅值之和。

3）局部最大范圍：MR=max-min，其中，max表示局部區域的最大灰度值，min表示局部區域的最小灰度值。該特征量描述了局部區域的灰度最大范圍。本文選擇局部區域的大小為13×13像素。

4）局部二值符號之和［14］：其中，gc是半徑為R的局部鄰域中心像素的灰度值，gp是鄰域像素的灰度值，P是鄰域上的像素個數是閾值函數。LBS描述了局部，其中是整個圖像所有mp的平均值，其他量的含義與LBS相同。LBM描述了局部鄰域像素與中心像素灰度大小的幅值關系，體現了局部鄰域的結構信息。同樣，為了檢測不同尺度的紋理基元，本文采用一個較小的鄰域(R，P)=(2，16)來描述小尺度的局部特征，用另一個較大的鄰域(R，P)=(6，48)來描述大尺度的局部特征。

2.3 紋理基元字典的學習

本文利用K均值聚類算法學習紋理基元。K均值聚類算法使目標函數鄰域像素與中心像素灰度大小的符號關系，體現了局部鄰域的結構信息。不同的鄰域半徑R對應不同的鄰域點數P，為了檢測不同尺度的紋理基元，本文采用一個較小的鄰域(R，P)=(2，16)來描述小尺度的局部特征，用另一個較大的鄰域(R，P)=(6，48)來描述大尺度的局部特征。

5） 局 部 二 值 幅 值 之 和［14］：LBM=即各聚類的類內距離平方和最小，其中，K是聚類中心的個數，表示一個聚類的類內距離平方和，ci表示一個聚類的中心。在本文，初始聚類中心采用均勻選擇的方法，迭代次數設為150次。

對一類紋理的全部訓練樣本，提取出每個像素的局部特征之后，利用K均值聚類算法對這些局部特征進行聚類，獲得L個聚類中心，這L個聚類中心就作為該類紋理的L個紋理基元。一個紋理基元就是一個聚類中心，是與局部特征向量LF結構相同的7維向量。按照這種方法，依次從每類紋理中學習L個紋理基元，然后將C類紋理的全部紋理基元合并，就組成最終的紋理基元字典，則最終的紋理基元字典含有C×L個紋理基元。

2.4 紋理圖像編碼和特征向量的構造

對紋理基元字典中的全部C×L個紋理基元依次進行編號，每個紋理基元具有一個獨立的編號對一個紋理樣本圖像，分別提取每個像素的局部特征，然后將這些局部特征與紋理基元字典中的每個紋理基元進行對比，根據最近鄰原則，將紋理樣本的每個像素標記為最相似紋理基元的編號，這樣就獲得一個紋理基元編碼的圖像。在紋理基元編碼圖像中，每個像素的值是一個編號，該編號是與該像素局部特征最相似紋理基元的編號。

對紋理基元編碼后的圖像計算直方圖，該直方圖的維數是C×L，它反映了編碼圖像中不同紋理基元的統計分布特征，將該紋理基元直方圖作為當前紋理樣本的特征向量。對所有的訓練樣本和每個測試樣本，可按這種方法提取其紋理基元直方圖，作為分類器的輸入以實現紋理分類。

2.5 分類器的設計

本文采用最近子空間分類器（nearest subspace classifier，NSC）［15］對輸入的紋理圖像特征向量進行分類。NSC分類器的原理是：假設有C類紋理，每類有n個訓練樣本，把這n個訓練樣本的直方圖特征向量按列組成一個矩陣，用這個矩陣作為該類紋理的子空間，例如，表示第c個類別的子空間，每列是一個訓練樣本的直方圖特征向量；對一個輸入的測試樣本y，先計算出它的直方圖特征向量hy，然后將其投影到每個類別的子空間，即

最后，將測試樣本劃分到投影殘差最小的那個子空間對應的類別：

然后計算在每個子空間的投影殘差

NSC分類器利用一類的全部訓練樣本構造一個特征子空間，考慮了全部訓練樣本的總體特征，通過對比當前測試樣本與不同子空間的特征距離，可實現最終的紋理分類。

3 實驗與結果分析

3.1 紋理數據庫和實驗設置

為了驗證本文算法的紋理分類性能，我們在兩個具有挑戰性的基準紋理庫上進行了仿真實驗，即CUReT 紋理庫［16］和 KTH-TIPS 紋理庫［17］。CUReT紋理庫包含61類，每類92個紋理樣本，這些樣本是在不同的視角和光照條件下獲得的，且由于反光、陰影等原因使得該紋理庫的紋理圖像分類極具挑戰性。KTH-TIPS紋理庫包含10種材料，是在9個尺度、3種視角和3種照明的條件下拍攝的，因此，每類材料共有81個紋理樣本。和CUReT紋理庫相比，KTH-TIPS具有更大的尺度變化，使紋理分類變得更加困難。

為了和其他算法進行公平比較，本文采用與其他算法相同的實驗設置：對于CUReT紋理庫，從每類隨機選取N1=46個樣本用于訓練，其余92-N1=46個樣本用于測試。對于KTH-TIPS紋理庫，從每類隨機選取N2=40個樣本作為訓練樣本，剩下的81-N2=41個樣本作為測試樣本。從每類紋理中學習L=40個紋理基元。為了獲得統計可靠的分類結果，將實驗獨立重復運行100次，并求平均分類精度，作為最終的紋理分類精度。

運行環境：一臺聯想計算機（Intel Core i3-6100 CPU@3.70GHz，4GB RAM），Matlab R2016b軟件。

3.2 算法的分類精度對比

為了評估本文算法的分類性能，表1列出了本文算法和其他一些紋理分類算法在CUReT和KTH-TIPS紋理庫上的分類精度。從表1可以看出，本文算法在CUReT和KTH-TIPS紋理庫上都取得了最高的分類精度，優于其他的紋理分類算法，這是因為本文算法具有以下優良的性質：1）本文算法所采用的局部特征描述量具有良好的鑒別能力。2）本文算法具有光照、旋轉不變性，因為本文算法所采用的局部特征描述量（局部熵、局部對比度、局部最大范圍、局部二值符號之和、局部二值幅值之和）都具有光照、旋轉不變性。3）在尺度變化方面，本文算法采用小半徑和大半徑結合的方法，分別檢測小尺度和大尺度的紋理特征，在一定程度上具有對尺度變化的穩健性。

表1 不同算法的分類精度對比（單位：%）

3.3 算法的實時性分析

紋理分類算法的實時性是一個很重要的因素。表2列出了幾種基于紋理基元學習的紋理分類算法在CUReT和KTH-TIPS紋理庫上的平均運行時間，可以看出，和其它幾種基于紋理基元學習的紋理分類算法相比，本文算法的時間消耗大大減少，實時性更高。

表2 幾種紋理基元學習算法的運行時間對比（單位：s）

4 結語

本文提出了一種基于局部特征描述和紋理基元學習的紋理分類算法，該算法對紋理圖像的光照、旋轉變化具有不變性，對紋理圖像的尺度變化也具有一定的穩健性。和其他紋理基元學習算法相比，本文算法不但具有更高的分類精度，并且實時性更強，有利于實時的工程應用。