0 引言

    紋理是在可見光作用下描述物體表面的一個重要特征，已經成為機器視覺檢測技術研究的熱點之一。近十幾年來，紋理特征受到諸多的關注，被廣泛應用到航天遙感、工業檢測、人臉識別和內容檢索等領域。目前，詞袋模式技術^[1]在紋理分析等方面得到大量關注，這種技術具有高抗噪性。其中，局部二值模式（Local Binary Patterns，LBP）^[2]算子憑借簡單有效、識別能力強、計算復雜度低等優點，在諸多領域取得了顯著進展^[3]。

    近年來，根據不同的應用背景，許多學者對LBP進行相應改進，尤其在人臉識別方面取得了不錯的成果^[4-6]。由于LBP特征的維數較高，文獻[7]采用中心對稱局部二值模式（Center Symmetric LBP，CS-LBP），通過計算對稱像素降低了LBP運算度。為加強紋理旋轉性和抗噪性，LIAO S等^[8]提出顯性局部二值模式。后來為量化VAR，在文獻[9]中提出了一種局部二值模式方差（LBP Variance，LBPV）的提取方法來進行紋理分類。MEHTA R等^[10]提出顯性旋轉局部二值模式，通過比較周圍像素的大小實現方向估計。最近，為更加全面地補充LBP的信息，GUO Z等^[11]提出了一種完備局部二值模式的方法，通過差異等信息計算給出3種不同的算子。LIU L等^[12]提出了擴展局部二值模式方法, 該方法引入4個算子，并取得較好效果。

    本文旨在改進LBP，以增強其抗噪聲能力和旋轉不變性，提出一種基于高斯聯合多LBP算子的紋理特征。其具體思想為：首先，使用高斯濾波獲得不同尺度的圖像；其次，設計一種改進模式，提出具有主方向特征的二值模式，從而提升旋轉不變性和抗噪聲能力；最后，在不同尺度上提取3種模式的算子聯合作為紋理特征。該特征在紋理圖像數據庫和實際應用中進行了驗證試驗，結果表明改進的新算法可以有效提高識別率。

1 LBP算子

1.1 LBP基本理論

    LBP的定義^[4]是通過對比中心像素和周圍8個像素的灰度值來實現。如果某周圍像素小于中心像素的值，那么該像素記為0，否則記為1。其計算原理如圖1所示。LBP計算公式如下：

其中，g_c為中心像素的灰度值；g_p為鄰域像素的灰度值；P為鄰域內像素的個數；2^p為g_p的權重，R為鄰域的半徑。

    由于LBP缺少空間紋理的對比度信息，為提高紋理識別性能，文獻[4]提出局部方差信息VAR作為LBP的補充，其計算公式為：

1.2 改進的LBP 

    為提高圖像紋理的旋轉不變性和在噪聲環境的適用性，結合圓域的LBP算子^[13]，本文提出主方向結構的LBP（Principal direction Structure LBP，PSLBP）。為降低噪聲干擾，采用鄰域像素和中心像素的均值作為閾值，同時，根據中心像素和鄰域的差分確定主方向。設(x_c，y_c)為中心像素，則在半徑為R的P鄰域坐標(x_p，y_p)^[13]為：

    PSLBP方向的確定方法是通過計算中心像素與周圍像素之間差值，找出最小差值的鄰域像素，作為LBP算子的鄰域主方向，即該像素作為最小權重點。在圖2中，P=8，R=1，灰色框為主方向，即p=0。主方向索引p0的計算公式如下：

1.3 LBP降維方法

    由于LBP值具有高維特點，根據文獻[11]，借助直方圖來描述統計意義上的紋理特征來完成降維。設圖像的尺寸為N×N，根據LBP值生成譜圖LBP_{P，R(x，y)}，x，y=1，2，…N。可以得到一維的紋理特征直方圖如下：

    可以看出，在構建譜圖時，由于原圖邊界像素點的鄰域值不全，因此需要引用插值法來補全鄰域來計算原圖上邊界的LBP值。VAR圖譜也可直接應用直方圖方法降維。

2 高斯LBP紋理特征

2.1 紋理增強

    一般圖像的細節紋理存在模糊的情況，為提高紋理圖像的分類準確率，采用自適應局部對比度增強算法^[14]對圖像進行預處理。設p(x，y)為原圖像的像素值，其局部區域的定義為：以(x，y)為中心像素，鄰域窗口大小為(2n+1)×(2n+1)，f(x，y)是增強后的像素值，計算公式如下：

其中，是全圖像素均值。

2.2 高斯濾波

    通常地，高斯金字塔對一張圖像不斷的模糊濾波之后向下采樣，得到不同分辨率的圖像。為了保持LBP參數的一致性和提高尺度不變性，本文借鑒文獻[15]的思想，尺度變換時圖像的尺寸保持不變，采用不同的高斯尺度參數，得到一系列尺度圖像。設原圖像為G₁，則第l尺度的高斯濾波圖像G₁為：

2.3 高斯LBP方法框架

    高斯LBP描述特征是建立3層的尺度圖像，對每個尺度提取PSLBP和VAR，同時考慮CS-LBP可提供周圍鄰域的對稱結構信息，故而增加CS-LBP算子。同時，分別對3個算子進行直方圖約減，聯合得到一個較為全面的紋理特征，實現過程見圖3。

3 試驗與分析

    為驗證本文算法的有效性，分別采用兩種方式來驗證。第一種針對改進的LBP獨立進行驗證，主要是針對Outex數據庫中的典型圖像來進行驗證，與圓域LBP等算子進行比較，證明其優越性；第二種是根據本文提出的高斯LBP紋理描述特征進行驗證，通過視覺系統采集的圖像試驗其在應用過程中的有效性。

3.1 算子比較

    為驗證本文算子的性能，在常用紋理數據庫Outex上進行紋理分類測試，并與圓域LBP算子、CS-LBP^[10]算子、LBPV^[12]算子對比。隨機選擇5類紋理，共計60張圖像，采用k近鄰算法（k-Nearest Neighbor，kNN）作為紋理分類器進行訓練和測試，分類結果見表1。由表1可以看出，PSLBP在參數變化中，性能較為穩定，并且略優于其他算子。

3.2 紋理特征應用

    為驗證整體算法的有效性，本文研究選取4種大理石面，使用攝像頭對其進行圖像采集，圖像尺寸為300×380像素。每類選取50張圖像，其中，20張圖像作為訓練樣本，其余30張作為測試樣本。首先，對采集的圖像進行圖像紋理加強。圖4(a)為原圖，圖4(b)為紋理加強圖，本次試驗作為第一尺度圖；其次，對加強圖建立多尺度高斯圖像，第二尺度和第三尺度的圖像分別為圖4(c)和圖4(d)；最后，對多尺度圖像進行特征提取，得到譜圖，建立直方圖，聯合作為描述紋理特征。

    表2為4種大理石圖像的分類結果，使用的分類器為kNN算法，平均分類準確率為90%，可以實現機器視覺的初分類工作。

4 結論

    本文在LBP的基礎上提出了一種具有抗噪聲能力和旋轉不變性的圖像紋理特征表示方法。該方法首先采用自適應局部對比度增強技術對原圖進行紋理增強；其次，通過分析LBP不同模式下特征的結構信息以及特征的重要性，為提升旋轉不變性和提升抗噪能力，提出了一個主方向結構的LBP算子；接著通過對不同尺度下的特征進行分析，聯合PSLBP、CS-LBP和VAR，采用直方圖降維，建立一個高斯LBP的紋理描述特征。試驗結果表明，本文提出的算法能夠提升無噪聲情況下紋理圖像分類的性能，而且對較為模糊的紋理圖像分類也具有魯棒性。

參考文獻

[1] VARMA M，ZISSERMAN A.A statistical approach to texture classification from single images[J].International Journal of Computer Vision，2005，62(1)：61-81.

[2] 宋克臣，顏云輝，陳文輝，等.局部二值模式方法研究與展望[J].自動化學報，2012，39(6)：730-744.

[3] LIU L，FIEGUTH P，GUO Y，et al.Local binary features for texture classification：Taxonomy and experimental study[J].Pattern Recognition，2017，62：135-160.

[4] OJALA T，PIETIKAINEN M，MAENPAA T.Multiresolution gray-scale and rotation invariant texture classification with local binary patterns[J].IEEE Transactions on Pattern Analysis & Machine Intelligence，2002，24(7)：971-987.

[5] 張潔玉，趙鴻萍，陳曙.自適應閾值及加權局部二值模式的人臉識別[J].電子與信息學報，2014(6)：1327-1333.

[6] 首照宇，楊曉帆，李萌芽.基于局部特征與核低秩表示的人臉識別算法[J].電子技術應用，2016，42(9)：126-128.

[7] HEIKKILAM，PIETIKAINEN M，SCHMID C.Description of interest regions with center-symmetric local binary patterns[C].Proceedings of Computer Vision，Graphics and Image Processing，Indian Conference，Berlin Heidelberg：Springer-Verlag，2006：58-69.

[8] LIAO S，LAW M W，CHUNG A C.Dominant local binary patterns for texture classification[J].Image Processing IEEE Transactions on，2009，18(5)：1107-1118.

[9] GUO Z，ZHANG L，ZHANG D.Rotation invariant texture classification using LBP variance(LBPV) with global matching[J].Pattern Recognition，2010，43(3)：706-719.

[10] MEHTA R，EGIAZARIAN K.Dominant rotated local binary patterns(DRLBP) for texture classification[J].Pattern Recognition Letters，2016，71：16-22.

[11] GUO Z，ZHANG L，ZHANG D.A completed modeling of local binary pattern operator for texture classification[J].IEEE Transactions on Image Processing，2010，19(6)：1657.

[12] LIU L，ZHAO L，LONG Y，et al.Extended local binary patterns for texture classification[J].Image & Vision Computing，2012，30(2)：86-99.

[13] ALI A，HUSSAIN S，HAROON F，et al.Face recognition with local binary patterns[J].Bahria University Journal of Information & Communication Technologies，2012，5(12)：469-481.

[14] NARENDRA P M，FITCH R C.Real-time adaptive contrast enhancement[J].IEEE Transactions on Pattern Analysis & Machine Intelligence，1981，3(6)：655.

[15] LOWE D G.Distinctive image features from scale-invariant keypoints[J].International Journal of Computer Vision，2004，60(2)：91-110.