纹理分类与本地二进制模式基于小波变换

h·r·格Doost¹,m . c . Amirani²

部门电气工程Majlesi分支,伊斯兰自由大学,伊斯法罕,8631656451,伊朗
部门电气工程Urmia Urmia大学工学院,伊朗

文摘

在本文中,一个新的算法,基于小波变换和局部二进制模式(LBP)提出了基于内容的纹理图像分类。我们改善局部二进制模式与小波变换的方法,提出了纹理分类。我们使用12类Brodatz纹理数据的方法。每个类划分64纹理图像,然后小波变换应用于每一个纹理。纹理特征提取子波的转换矩阵后形成使用枸杞多糖。相同的概念是利用在枸杞多糖计算生成9 LBP模式从一个给定的3×3的模式。最后,九LBP直方图的计算作为图像的特征向量的分类。两个实验进行了证明我们的算法的价值。它进一步提到数据库考虑实验Brodatz数据库。我们验证其他方法,该方法很好和有效的纹理图像的分类。

关键字

纹理分类、局部二进制模式,小波变换。

介绍

纹理分类是计算机视觉和图像处理中的一个基本问题,扮演一个重要的角色在范围广泛的应用程序,包括医学图像分析、遥感、目标识别,文档分析、环境建模、基于内容的图像检索和更多的[3]。局部二值模式(LBP)是一种最常用的纹理描述符在图像分析。在本文中,我们扩展了原始LBP与继续小波变换的纹理分析和分类。该方法给出了比较结果的分类分别使用这两种特性集和组合。本文组织如下。在下一节中,简要介绍了展示局部二值模式(LBP)的基本概念。介绍了小波变换在第三节仍在继续。在第四节特征提取和描述方法,该方法的第5部分实验结果。在第6节给出了本文的结论。

局部二元模式

原始LBP算子,引入Ojala et al。[19],纹理描述的是一个强有力的手段。操作员标签一个图像的像素的阈值3 x3-neighbourhood每个像素的中心价值和将结果转换成一个二进制数使用(1)。

两个扩展原始的运营商在[2]。第一个定义枸杞多糖对社区不同的大小,从而使它可以处理纹理在不同的尺度上。使用圆形的社区和双线性插值像素值允许任何半径和在附近的像素数量。在这个扩展,P采样点一圈半径R,显示(P, R)。第二个定义所谓的统一模式:枸杞多糖是统一的如果它包含一个0 - 1和1 - 0过渡时视为一个圆形的位串。例如,00000000,00000000和00000000是统一的模式。一致性是很重要的,因为它描述了作品,包括原始的结构信息,如边缘和角落。Ojala等人注意到在他们的实验与纹理图像,统一模式占略低于90%的模式使用时(8,1)社区和在70%左右(16日2)附近。有各种各样的原始LBP的扩展和改革后首次引入Ojala等[1]。图2显示了圆对称的社区的一些示例。

邻居的灰色值不躺在一个像素位置可以通过插值估计。给定一个N_M形象我让LBPp r (I, j)是确定枸杞多糖的每个像素模式(I, j),然后整个纹理图像由直方图表示向量长度K h:

LBP特征向量,在其最简单的形式,创建以下列方式:

检查窗口划分为细胞(例如16 x16像素每个单元用作)。

对于每个像素在一个单元中,比较像素的8邻国(left-bottom工具条,左中,右上角,等等)。按照像素沿着圆,即顺时针或逆时针。

中心像素值大于邻居的价值,写“1”。否则,写“0”。这给了一个8位二进制数(通常转换为十进制为了方便)。

的细胞,计算直方图,每个“数量”发生的频率(即。,每个组合的像素更小,比中心)。

可选正常化直方图。

所有细胞的连接(规范化)直方图。这给了窗口的特征向量。

特征向量现在可以使用支持向量机处理或其他机器学习算法对图像进行分类。这种分类器可用于人脸识别或纹理分析。的12类纹理Brodatz专辑[9]如图3实际上是不是只使用传统的枸杞多糖或根据我们的实验结果。

在上面的12个纹理,它们都有相同的组主导模式非常相似的比例,和模式类型标签与24是占主导地位的模式之一。我们可以看到,这种主导模式的数量在每个纹理非常接近对方。然而,这种模式的分布特性在这12个纹理图像是非常不同的。因此,连续小波变换是一个非常重要的属性来描述纹理,将在实验结果进一步阐述部分。

连续小波变换

连续小波变换(CWT)用于连续时间函数划分为小波。与傅里叶变换、连续小波变换具有构造信号的时频表示的能力提供了很好的时间和频率的本地化。在数学中,一个连续的连续小波变换、精确性功能x (t)在规模≥0和转化值b R是表现出下列积分

(t)是一个连续函数在时域和频域称为母小波和*代表操作复杂的共轭。母小波的主要目的是提供一个源函数来生成简单的女儿小波母小波的翻译和按比例缩小的版本。恢复原始信号x (t),逆可以利用连续小波变换。

妈妈小波:一般来说,最好选择一个母亲与紧支撑小波是连续可微的尺度函数和高消失的时刻。小波与多分辨率分析是由以下两个功能:定义小波函数(t)和扩展函数(t)。扩展函数是紧支撑当且仅当扩展过滤器h有限支持,和他们的支持都是相同的。例如,如果扩展函数的支持(N1、N2),然后小波((N1-N2 + 1) / 2, (N2-N1 + 1) / 2)。另一方面,表达的k时刻可以由以下方程母小波条件1)admisibility 2)规律3)没有消失的时刻

扩展功能:(t)的小波函数和尺度函数(t)定义一个小波。尺度函数主要负责改善小波频谱的报道。这可能很困难,因为时间频率成反比。换句话说,如果我们想要双小波在时域的频谱范围,我们将不得不牺牲在频域带宽的一半。而不是覆盖所有的光谱与无限的水平,我们使用一个有限尺度函数覆盖范围的组合。结果,小波需要覆盖整个光谱的数量已经大大减少。

比例因子:比例因子膨胀或压缩的信号。比例因子相对较低时,信号更简约进而导致一个更详细的结果图。然而,缺点是低比例因子不持续整个信号的持续时间。另一方面,当比例因子高,信号伸出这意味着结果图将在更少的细节。然而,它通常会持续整个信号的持续时间。

连续小波变换属性:在连续小波变换的定义,是一个与一组输入数据序列的卷积函数生成的母小波。卷积计算通过使用快速傅里叶变换(FFT)。通常情况下,输出X (a, b)是一个实值函数除了当母亲小波是复杂的。一个复杂的母小波将连续小波变换转换为一个复杂的值函数。连续小波变换的功率谱可以用2 X (a, b)。

小波变换的应用程序:一个最流行的应用程序的小波变换图像压缩。使用小波在图像压缩编码的优势在于,它提供了重要的改进图像质量更高的压缩比传统的技术。由于小波变换分解复杂信息的能力和模式为基本形式,一般用于声学处理和模式识别。此外,小波变换可以应用于以下科学研究领域:检测边缘和角落,偏微分方程解决瞬态检测、滤波器设计、心电图(ECG)分析、结构分析、业务信息分析和步态分析。

连续小波变换(CWT)是非常有效的阻尼比的确定振动信号(如阻尼动力系统)的识别。类也很耐噪音信号。

特征提取

特征选择过程通常是旨在提供一个方法来选择最好的特性对各种标准分类优化。特征选择过程执行一组预先确定的功能。选择功能是基于(1)给定类的最好表示纹理,或(2)最好的类之间的区别。因此,特征选择分类系统中扮演着重要的角色,如神经网络。为目的的分类问题,分类系统通常是使用如果实现规则条款,哪个州某些属性的条件和产生的规则。然而,它已被证明是困难和耗时的方法。从管理大量数据的角度,它仍然是最有用的如果不相关或冗余的属性可以从相关和重要的隔离,尽管可能不知道确切的管理规则。在这种情况下,从大量数据中提取有用信息的过程可以大大促进(8 - 10)。在特征提取阶段,可以使用各种不同的方法这几个不同的特性可以从相同的原始数据中提取。小波变换(WT)提供了非常普遍的技术,可以应用在图像处理许多任务。 Wavelets are ideally suited for the analysis of sudden short-duration image changes.

实验结果

根据实验结果,提出了枸杞多糖的方法已经可以表现在不同条件下的其他方法。同时,通过嵌入小波变换信息主导模式的枸杞多糖,分类性能比单独使用枸杞多糖。

结论

在这篇文章中,我们提供了新颖的局部二进制模式(LBP)运营商处理的主要缺陷基于小波变换的原始LBP算子。它已经通过比较几种方法与评估Brodatz数据库。实验表明,我们的方法具有良好的性能在纹理分类和非常健壮的直方图均衡化和随机旋转。计算简单的另一个优势是我们提出的方法可以获得的特性,只有少数的计算和比较,无需执行任何图像的过滤。

引用

Ojala, T。,Pietikainen, M.: A Comparative Study of Texture Measures with Classification based on Feature Distributions. Pattern Recognition, Vol. 29, 1996, pp. 51–59.
Ojala, T。,Pietikainen, M.: Multiresolution Gray-Scale and Rotation Invariant Texture Classification with Local Binary Patterns. IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 24, 2002, No. 7, pp. 971–987.
m . Tuceryan和A.K. Jain,纹理分析:h Chen L.F.加索尔,P.S.P.王(Eds),手册模式识别和计算机视觉,世界科学、新加坡,1993年,页235 - 276。
n夸克,学术界。崔,分类的输入特征选择问题,IEEE反式。神经网络13 (1)(2002)143 - 159。
既有Ubeyli,我居尔,特征提取多普勒超声信号的自动诊断系统,Comp。杂志。地中海。35 (9)(2005)735 - 764。
m . Akay、时间频率和小波在生物医学信号处理、电气和电子工程师,协会纽约,1998年。
杜达、、,Hart, P.E., Stork, G.: Pattern Classification. John Wiley (2001).
Daubechies,小波变换时频定位和信号分析,IEEE反式。通知。理论36 (5)(1990)961 - 1005。
p . Brodatz纹理:艺术家和设计师的摄影专辑。多佛,1966年。
s . Soltani使用时间序列的小波分解预测,神经计算48 (2002)267 - 277。
Coifman,水银血压计,Wickerhauser, M.V.: Entropy-based algorithms for best basis selection. IEEE Transactions on Information Theory 38(2) (1992) 713-718.
m . Unser A . Aldroubi回顾小波在生物医学应用,Proc。IEEE 84 (4) (1996) 626 - 638。
Laurent Sifre和圣´ephane Mallat,“旋转不变纹理分析散射相结合”,ESANN 2012程序,欧洲研讨会上人工神经网络、计算智能和机器学习。
Dilkeshwar Pandey, Murthal Harayana,“基于图切割“基于内容的图像检索的局部二进制模式,信息和知识管理,1卷,第一,2011年。
加布里埃尔·罗德里戈•纳瓦克里斯托瓦尔和鲍里斯•Escalante-Ramirez”纹理分析的全面研究,基于局部二进制模式”,光学、光子学、和数字多媒体应用技术二世,编辑彼得•Schelkens Touradj Ebrahimi, Gabriel克里斯托瓦尔Frederic Truchetet Pasi Saarikko Proc.相比8436卷,84360 e。