基于DW T和LBP的纹理特征提取研究

韩友德　杨　鹏　任高山　张元龙　林　泉

（南昌航空大学信息工程学院　南昌　330000）

1　引言

图像在人类感知中扮演着重要的角色，是人类视觉延续的重要手段。资料表明，在人类接受的信息中，通过视觉获得的信息在所有信息中所占比例高达80%［1］。随着图像处理和计算机视觉等研究领域的飞速发展，图像处理日益成为人们关注的热点，作为图像基本视觉特征之一的纹理是当前研究的一个重要领域，引起了诸多学者广泛的研究。纹理分析方法已经广泛地应用于多个领域，遥感图像分析，如遥感图像地形分类和卫星遥感图像云类识别、遥感图像目标识别等［2］；医学图像处理，医学图像一般都有较强的纹理特性，纹理分析方法有助于判断区分正常组织和病变组织［3～4］；工业产品缺陷检测，如纺织业的织物疵点检测［4］、织物缺陷检测［5］、林业生产中原木内部缺陷检测［5］、汽车喷漆的检测和钢管缺陷检测等；基于生物特征的身份鉴定，如人脸识别［6］、虹膜识别、视网膜识别、指纹识别、掌纹识别、签名识别［7］等。

纹理提取的目标是：特征维数尽量小、鉴别能力强、稳定性好、空间复杂度低、实际应用性强［8］。文献［9］提出局部二进制模式（Local Binary Pattern，LBP），它对光照、表情、模糊等都有一定的鲁棒性，但LBP对整体宏观的特征影响较小，识别率不高。纹理特征提取方法主要有基于统计的方法、基于结构特征的方法、基于模型的方法和基于信号处理（也称频谱）的方法［10］。1966年，Brodatz给出了Brodatz纹理库成为后来人们研究纹理的重要数据源［11］。早期的纹理分析方法主要集中在纹理图像的统计分析，其中具有代表性的算法为R.M.Haralik等提出的共生矩阵（Co-occurrence Matrix）［12］。早期的马尔科夫模型（Markov Model）［13］以及高斯马尔科夫随机场（Gaussian Markov Random-Field，GMRF）［14］主要研究的也是图像的旋转不变的纹理。而马尔科夫随机场理论的提出引领着纹理特征的提取向新的方法迈进。Mallat［15］是第一个将小波理论引入纹理分析的学者并取得了不错的效果；而后来的事实证明小波包、多进制小波以及小波框架等在纹理分析中起到了积极的作用，这也使得图像的纹理分析多元化。

针对LBP的不足，本文提出一种基于离散小波变换（Discrete wavelet transform，DWT）和LBP直方图结合的纹理识别方法。该方法首先对纹理进行小波分解，降低纹理维数，有效去除纹理的冗余信息，减少计算量，并分别对各个纹理子块应用两种不同的LBP算子计算各子块的小波局部二值模式（WLBP）图谱。使用DWT提取纹理的各个尺度，各个方向的小波系数，并采用基于统计模式的LBP算子，提取幅度响应特征作为纹理的特征。利用DWT和LBP相结合的方法能够提取更加丰富有效的鉴别特征。在Brodatz［11］纹理库上的实验结果表明，本研究提出的算法能同时取得较高的纹理识别率。

2　基于DWT和LBP的纹理特征提取研究

2.1　离散小波变换（DW T）

J.Morlet提出了DWT以来，被广泛地应用到了图像处理领域，特别是纹理图像的研究。DWT是对连续小波变换的尺度、位移按照2的幂次进行离散化得到的，所以也称为二进制小波变换。DWT克服了傅里叶变换中表现形式往往不够直观，并且噪声会使得信号频谱复杂化。DWT的意义在于能够在不同尺度上对信号进行分解，而且对不同尺度的选择可以根据不同的目标来确定。在离散小波变换中，通常把连续小波变换当中的伸缩因子a和平移因子b的离散公示分别设为a，b=b0，j=0，±1，±2…所以对应的离散小波变换函数：

调整时间轴，将kb0归一化变成k，则离散化后的小波函数变为

其中 f(t)为可积函数。

纹理离散小波变化如图1所示。

图1　DWT纹理图像的输出响应

由图1可知，DWT在获取纹理的时频信息时，可以很好地分解纹理，保留纹理的水平，垂直，对角线纹理特征，适合进一步的在此基础上进行算法的研究。

2.2　局部二值模式

局部二值模式（LBP）2002年由Matti Pietikäinen［9］提出来以后，因其旋转不变性，特别是对图像局部分析，特别是纹理类图像特征提取方面的优势，近几年得到了模式识别，图像处理，计算机视觉方面的广泛应用。原始的LBP算子定义为在3*3的窗口内，以窗口中心像素为阈值，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0，这样，3*3领域内的8个点经比较可产生8位二进制（通常转换为十进制数即LBP，共256种），记得到该窗口中心像素点的LBP值，并用这个值来反映该区域的纹理信息，如图2所示。Ojala等对LBP算子进行了改进，讲3*3领域扩展到任意领域，并用圆形领域代替正方形领域，改进后的LBP算子允许在半径为R的圆形邻域内任意多个像素点。从而得到了诸如半径为R的圆形区域内含有P个采样点的LBP算子，如图3所示。LBP提取纹理特征得到了，直方图，如图4所示。

图2　基本的LBP算子

图3　几种LBP算子

图4　，直方图

2.3　方法流程

结合2.1节、2.2节所述的方法，对本文方法流程进行总结和说明，如图5所示。

图5　本文方法流程

DWT+LBP算法流程如下。

1）将训练集纹理图像进行离散小波变换，求得个方向，尺度小波系数。

2）使用LBP算子对所得输出响应重新编码。

3）统计纹理库中所有LBP编码模式，得到一个统计的直方图。

4）提取到LBP特征后使用KNN分类器分类。

3　实验结果与分析

为了验证本文算法的优势，使用了Brodatz，Outex，UMD库对算法进行测试和比较。该纹理库有24，456，24类，每类中有16，20，40图纹理分别对应不用的表情，光照，装饰，姿势等图像组成，这些图像之间有较大差异。图像尺度为3。实验中，用每个类的前一半纹理作为训练样本，后一半纹理作为测试样本。训练样本与测试样本总数为384，9120，960。

3.1　与其他算法的比较

为了说明本研究提出的算法，笔者对比了LBP，DWT，以及LBP不同模式下的几种方法。这里DWT选用haar小波，小波阶数为3。表1～表3显示了不同算法下，各个库的识别率。

表1　Brodatz库识别率

表2　Outex库识别率

表3　UMD库识别率

3.2　小波的选择与比较

由于采用一级小波分解的逼近图像替代原始图像，与原始图像相比较，逼近图像不可避免地要丢失一些信息，那么选择小波的条件应该是使逼近图像最好地逼近原始图像，使丢失的信息量最少，这即是小波变换的高频系数产生大量的零系数或幅值很小的系数；另外，运算速度也是一个很重要的指标。本研究选择了几种不同的小波进行对比实验，实验结果如图6所示

图6　小波的选择对识别率的影响

4　结语

针对纹理图像识别率低的问题，本文提出了一种基于DWT和LBP混合作用的纹理识别方法。实验结果表明，该方法能够有效地提取局部和全局特征，对光照等环境变换适应性强，另外LBP鲁棒性较强，具有较好的识别率。为了达到更好的识别效果，今后将对LBP特征提取的算法做进一步的研究。

［1］Haralick R M.Texture features for image classification［J］.Systems Man&Cybernetics IEEE Transactions on，1990，smc-3（6）：610-621.

［2］丁海勇，卞正富.基于SVM算法和纹理特征提取的遥感图像分类［J］.计算机工程与设计，2008，29（8）：2131-2132.DING Haiyong，BIAN Zhengfu.Remote Sensing Image Classification Based on SVM Algorithm and Texture Feature Extraction［J］.Computer Engineering and Design，2008，29（8）：2131-2132.

［3］吴海丰，刘韫宁，郭秀花.Curvelet变换在医学图像处理中的应用现况［J］.北京生物医学工程，2010，29（4）：432-435.WU Haifeng，LIU Yunning，GUO Liuhua.Application of Curvelet Transform in Medical Image Processing［J］.Beijing Biomedical Engineering，2010，29（4）：432-435.

［4］付蓉，石美红，陈惠娟.自适应局部二值模式算法及其在织物疵点检测中的应用［J］.纺织高校基础科学学报，2010，23（1）：99-104.FU Rong，SHIMeihong，CHEN Huiguan.Adaptive Local Binary Pattern Algorithm and Its Application in Fabric DefectDetection［J］.Journalof Textile Science and Technology，2010，23（1）：99-104.

［5］业宁，丁建文，王迪，等.基于LBP特征提取的木材纹理缺陷检测［J］.计算机研究与发展，2007（z2）：383-387.YE Ling，DING JianWen，WANG Di，et al.Inspection of Wood Texture Defects Based on LBP Feature Extraction［J］.JournalofComputer Research and Development，2007（z2）：383-387.

［6］黄非非，李见为，王玮，等.结合小波分析和LBP算子的人脸描述与识别［J］.重庆理工大学学报自然科学版，2009，23（1）：102-108.WANG Feifei，LI Jianwei，WANGWei，et al.Description and Recognition Combining Wavelet Analysis and LBP Operator［J］.Journal of Chongqing Institute of Technology，2009，23（1）：102-108.

［7］邹明福，童建军，娄正良，等.基于笔划分割的联机签名鉴定［J］.第二届自动化与信息技术发展战略研讨会论文集，2002：390-398.ZHOUMingfu，DONG Jianjun，LIU Yingjian，etal.Online Signature Verification Based on Stroke Segmentation［J］.The Second Symposium on Automation and Information Technology DevelopmentStrategy，2002：390-398.

［8］肖霄.图像LBP特征提取的研究与应用［D］.长春：吉林大学，2011.JIAO Xiao.Research and Application of Image LBP Feature Extraction［D］.Changchun：Jilin University，2011.

［9］ Ojala T，Pietikäinen M，MäenpääT.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.

［10］刘丽，匡纲要.图像纹理特征提取方法综述［J］.中国图象图形学报，2009，14（4）：622-635.LIU Li，KUANG Gangyao.A Survey of Image Texture Feature Extraction Methods［J］.Journal of Image and Graphics，2009，14（4）：622-635.

［11］Ojala T，Harwood I.A Comparative Study of Texture Measures with Classification Based on Feature Distributions［J］.Pattern Recognition，1996，29（1）：51-59.

［12］Darling EM，Joseph R D.Pattern Recognition from Satellite Altitudes［J］.IEEE Transactions on Systems Science&Cybernetics，1968，4（1）：38-47.

［13］Chellappa R，Chatterjee S.Classification of textures using GaussianMarkov randomfields［J］.Acoustics Speech&Signal Processing IEEE Transactionson，1985，33（4）：959-963.

［14］Chen CC，Huang C L.Markov random fields for texture classification［J］.Pattern Recognition Letters，1993，14（11）：907-914.

［15］MallatSG.A Theory forMultiresolution SignalDecomposition：The Wavelet Representation［J］.IEEE Transactions on Pattern Analysis&Machine Intelligence，1989，11（7）：674-693.