石头:2229 - 371 x
哈瑞Sahu, Praveen Bhanodia
|
相关文章Pubmed,谷歌学者 |
访问更多的相关文章全球研究计算机科学杂志》上
本文提出一种新的纹理分类方法和相关性与推广当地著名的二进制模式(LBP)。
介绍 |
局部二值模式(LBP)[1]是一个算子的图像描述是基于相邻像素的差异的迹象。是快速计算和不变的单调灰度图像的变化。虽然简单,但是非常描述性的,这是由各种各样的证明它已经成功地应用于不同的任务。LBP直方图的已被证明是一个广泛适用的图像特征,如纹理分类、分析,视频背景减法,等[2]。枸杞多糖操作符的一个可能的缺点是,比较相邻像素的阈值操作能对噪声敏感。实际实验的画面质量不支持这个论点,但是在困难条件下或用嘈杂的特殊相机,拍摄的图像噪声可能存在传统LBP算子的一个问题。在本文中,我们介绍软的LBP直方图我们展示使操作员更健壮的噪音。 |
多个块局部二进制模式 |
MB-LBP(多个块局部二进制模式)纹理描述符的扩展提出的原始LBP Zhang et al。[12]。MB-LBP比原来的枸杞多糖更健壮的描述符可以编码微观结构以及宏观结构。对于某些应用程序,如人脸识别,实验结果表明MB-LBP超其他LBP算法[13]。的计算 |
最突出的枸杞多糖操作符的限制是它的小空间支持区域。特性计算在当地3×3社区不能捕获大型结构,可能一些纹理的主要特性。后,操作员被扩展到使用社区不同的大小[1]。使用圆形的社区和双线性插值像素值允许任何半径和数量MB-LBP是类似于一个标准的枸杞多糖除了在MB-LBP t0 t7(图1)的平均灰色的像素值在每个相应的地区。这些地区比较平均的中部地区。平均每个地区是同等大小的但并不一定必须广场。 |
![]() |
特征提取与本地二进制模式 |
原始LBP算子,引入Ojala et al。[1],是一种强大的纹理描述的方式。操作员标签一个图像的像素的阈值3×3-neighbourhood每个像素的中心价值和考虑结果转换成一个二进制数。的柱状图标签可以用作纹理描述符。基本的LBP算子是图2所示(一个)。 |
![]() |
在附近的像素。这类的例子扩展枸杞多糖如图2所示(b), (c), (d)。 |
积分直方图 |
常用技术用于检测在图像是与预定义的滑动窗口大小调整到一定值。每一步的滑动过程中,特征提取窗口内的图像区域,作为分类器的输入之前训练类型的模式。滑动窗口技术的问题来自于所需的时间来计算每一步的特性。积分图像表示[4]克服了处理时间问题,预先执行所有可能的合计的像素灰度值之前通过滑动窗口。在每一步,只有一些访问一个预先计算的矩阵求和是需要在一个常数时间任何规模和位置。然而,也有一些批评的用法差异和相邻图像的灰度值区域。红晶石和Sinha[5]认为colection边缘的片段是一个简单的图像的表示方法,但执行的本地处理边缘片段提取限制泛化的强度特性在适应小照明的变化。 |
此外,地图边缘含蓄地忽略大多数图像几何变换的图像信息修改。这些问题导致寻找新的图像表示,解决其中的一些。王et al。[6]认为最好的折衷分配结构和保持良好形象属性类的估计是直方图。实时人脸检测的上下文中,积分直方图[7]是一个新技术,接收的重视。 |
最近的邻居 |
最近邻算法的简单分类器的训练样本选择最近的距离查询示例。这些分类器将计算的距离查询每个训练样本和样本选择最好的邻居或邻居用最短的距离。再(事例)是一个受欢迎的实现k数量的最佳选择的邻居和获胜的类将基于最好的决定数量的选票在k邻居[14]。最近的邻居是简单的实现,因为它不需要一个训练的过程。是有用的尤其是当有一个小的数据集可以不使用其他机器学习方法有效地训练,训练过程。然而,最近邻算法的主要缺点是速度的计算距离根据训练样本的数量将会增加。 |
连续小波变换 |
的WT旨在解决这一问题的非平稳信号。它涉及到代表一个时间函数的简单,固定构件,称为小波。这些构建块实际上是一个家庭的功能是从一个生成函数称为母小波的翻译和扩张业务。扩张,也称为扩展、压缩或拉伸母小波和翻译转移它沿着时间轴(8、9、10、11)。 |
WT可分为连续和离散。连续小波变换(CWT)被定义为 |
![]() |
x (t)代表了信号,分析了a和b代表比例因子(膨胀/压缩系数)和翻译沿着时间轴(转移系数),分别,上标星号表示复杂的共轭。Ψa b(.)通过尺度小波在时间b和规模: |
![]() |
ψ(t)表示小波(9、10)。 |
连续,在WT的背景下,a和b意味着缩放和平移参数不断变化。然而,计算小波系数为每一个可能的规模可以代表相当努力,导致大量的数据。 |
灰度共生矩阵 |
GLCM纹理分类是一个古老的特征提取,提出了Haralick等人早在1973年[16]。它已广泛应用在许多纹理分类应用程序和仍然是一个重要的特征提取方法在纹理分类的领域中。它是一种统计方法,计算图像中像素点对之间的关系。在传统的方法中,将从生成的GLCMs计算结构特性,如对比、相关性、能量、熵和同质性[17]。然而近年来,应用灰度共生矩阵建立的往往是结合其他方法,很少单独使用[15、18、19 20]。除了传统的实现,还有一些其他应用灰度共生矩阵建立的实现,例如通过引入二阶统计方法的纹理特征在原始实现[20],应用灰度共生矩阵建立一维[21]应用灰度共生矩阵建立和使用原始的本身而不是一阶统计[22]。应用灰度共生矩阵建立的也可以应用在不同的颜色空间颜色同现矩阵[23]。 |
灰度共生矩阵 |
应用灰度共生矩阵建立了Haralick[24],是最早的纹理分析器,仍然是许多研究的兴趣。自70年开始的一个¢年代,许多研究人员应用灰度共生矩阵建立了理论和实际实现它在广泛的纹理分析的问题。GLCM是一个模型,可以显式地表示图像的高阶统计信息,就像普通代表图像的一阶统计直方图。 |
统计方法: |
统计纹理分析方法处理灰色水平的分布(或颜色)的纹理。一阶统计和pixel-wise分析不能够有效地定义一个结构或模型。因此,统计纹理分析方法通常采用高阶统计量或地区(当地)材质的属性。最常用的统计纹理分析方法同现矩阵,自相关函数,结构单元和频谱,灰度级扫描宽度(25 26 27)。 |
灰度级扫描宽度或primitive-length: |
在这种方法中,原始集被定义为最大的一组连续像素的灰度值相同,位于一条直线。原语(行程长度)在不同方向的长度可以用作纹理描述符。更长的运行周期意味着粗纹理,反之亦然,也更均匀分布运行周期意味着更多的随机纹理,反之亦然。原语可以计算纹理的统计特性。 |
空间域滤波: |
纹理可以看作一种混合模式,因此特征„edgesA¢和„linesA¢是关键元素来描述任何纹理。甚至普通的或光滑的纹理可以看作一种纹理没有任何优势。早期尝试利用空间域滤波作为纹理描述符都强调在梯度(即线和边缘检测器)过滤器如罗伯特和索贝尔算子(28日,26)。 |
结论 |
本研究的目的是执行一些局部二进制模式的研究方法,因为这个概念代表纹理分析的一个里程碑。局部二进制模式描述符编码已经强大的工具功能。 |
引用 |
|