一种新的LTP纹理谱描述符探析

黄 啸

（福建商学院，福建 福州 350012）

1 引言

局部二值模式纹理谱描述符自最早由Ojala等［1］等提出，通过比较邻域像素与中心像素的灰度差关系反映图像的纹理特征，该方法已得到国内外学界的广泛研究。Heikkila［2］为降低纹理特征的维数，提出了CS-LBP（Center-Symmetric Local Binary Patterns） 纹理谱描述符，以中心对称的邻域点灰度差作为比较对象，取得了很好的效果。在此基础上，孙君顶等［3］将中心像素引入到比较关系中，提出了ICS-LBP描述符；陈刚等［4-5］通过引入模糊理论、提出字符串移位等方法，分别提出了FCS-LBP与ECS-LBP描述符。上述描述符虽然具有较低的特征维数，纹理的描述能力不够高。ICS-LTP［6］是针对CS-LBP的一种改进方案，通过与局部三值模式［7］（Local Ternary Patterns,LTP）相结合，提高了图像纹理描述能力。但该描述符在进行灰度差比较时忽略了中心像素的作用，特征描述效果不稳定。

本文结合了中心像素在反映纹理特征中的作用，提出了ECS-LTP描述符。该方法既发挥了LTP在描述纹理时的全面性，又利用了中心对称方法降低特征维数的特点，同时在计算纹理谱值时考虑了邻域像素与中心像素的关系。

2 纹理谱描述符

2．1 CS-LBP

Heikkila［2］从降低计算复杂度的角度出发，设计了仅比较区域中心对称的四对像素点灰度差的CSLBP描述符，其计算过程如下：

t是预先给定的阈值，用以设定局部区域的平坦程度。

2．2 ICS-LBP

孙君顶等［3］认为中心像素在灰度差的比较中也具有重要的地位，同时也为了减少人为设定阈值造成的不变，提出了ICS-LBP描述符，其计算过程如下：

ICS-LBP在保持了CS-LBP的特征维数的同时，也考虑了中心像素与对称像素间的相关作用。

2．3 ICS-LTP

曾慧等［6］认为CS-LBP的特征维数虽然较低，但在纹理的描述上不如局部三值模式［7］细腻，为了兼具二者的优点，将其进行融合，并采用类似串联的方式来减少特征维数。其计算过程如下：

Si虽然维数较高，但由于采取由ICS-LTP1和ICS-LTP2分别生成直方图后串联的方式来获得最后的纹理谱值，使得最终的特征维数与CS-LBP相差不大。

2．4 ECS-LTP

对于ICS-LTP，仅考虑中心对称像素对间的比较，忽略了中心像素对局部纹理特征的影响。另外，ICSLTP设定阈值的思想在纹理平坦程度未知的情况下实用性大为减弱。为此，在ICS-LTP的基础上，结合ICS-LBP运用中心像素的思想，提出了ECS-LTP（Extended CS-LTP）描述符：

图1显示了四种纹理谱描述符的编码规则。明显地，新的描述符在维数不变的情况，结合了中心像素进行灰度比较，且无需参数输入，其实用性和自适应性都得到了显著提高。

图1 四种纹理谱描述符的编码规则

3 实验结果及评价

实验从奥卢大学机器视觉小组（http://www.cse.oulu.fi/MVG）的两个纹理库，构建了四个纹理图像库，图库1从Brodatz纹理库中选择13幅纹理图像（图2），将其进行划分为9幅126×126的图像，从而得到13类共117幅纹理图像；图库2从Outex_TC_00012纹理库中选择了16类共320张128×128的图像（图3）。图库1和2作为非旋转图像上的实验。图库3将图库1选择的13张图像分别进行30°，60°，90°，120°，150°，200°旋转，得到13类共78张图像。图库4选择了图库2中16幅图像所对应的旋转图像，包含了0°，15°，60°，90°，100°，135°，165°，185°，210°共9个旋转角度的16类720张图像。图库3和4作为旋转图像上的实验。

图2 Brodatz纹理库样本图像

图3 Outex_TC_00012纹理库样本图像

表1 实验环境

表1显示了实验的具体环境，以聚类作为纹理特征间相似性的判断方法，其中实验结果采用文献［4］提到的“准确率”作为评价标准，即聚类与原始类标号的所有对应关系中，正确的对象个数与总个数之比的最大值。在描述符的比较过程中，CS-LBP描述符与ICS-LTP描述符涉及的参数。如表2所示，参与比较的描述符的特征维数十分接近，其计算复杂度基本相同。

表2 描述符的特征维数

实验包括两个部分，第一部分在非旋转图像上进行测试，比较CS-LBP、ICS-LBP、ICS-LTP及ECS-LTP在普通纹理图像上的聚类准确率，结果如图4所示。

图4 普通图像的结果

由于CS-LBP和ICS-LTP都没有考虑中心像素，所以在纹理效果的描述上较差，ICS-LBP由于结合了中心像素进行计算，其在普通纹理图像上的聚类效果明显高于CS-LBP和ICS-LTP。而本文提出的ECS-LTP既将中心像素加入到比较过程中，又充分发挥了局部三值模式在描述纹理过程中的细腻性，其聚类准确率在图库1和2上平均高出ICS-LBP描述符2.5%。

实验的第二部分测试了四种描述符在旋转图像上的聚类效果，结果如图5所示。

图5 旋转图像的结果

在旋转图像上的实验显示，CS-LBP、ICS-LBP、ICS-LTP、ECS-LTP四种描述符的平均准确率分别为：33.74%、33.87%、36.91%以及40.2%，以LTP为基础的两个描述符由于使用了区分度更大的局部三值模式，其平均效果均优于以LBP为基础的描述符。尤其是在纹理数据量较大的图库4上。结合两部分实验，可知与前三种描述符相比，本文提出的ECS-LTP在特征维数相近的情况下，具有更为出色的纹理特征描述能力。

4 结论

针对已有的纹理谱描述符在描述纹理能力上的不足，本文充分考虑了中心像素在邻域像素灰度比较的重要性，发挥LTP在纹理描述时抗噪性强、准确率高的特点，提出了一种兼具CS-LBP和ICS-LTP优点的新型纹理谱描述符。采用不同的纹理图像库对文中所提的描述符进行测试，结果表明，本文提出的ECS-LBP纹理谱描述符可以在不增加特征维数的情况下，明显提高聚类效果。