田配云，鄭碧波，陳偉清

(華南師范大學(xué)物理與電信工程學(xué)院，廣東 廣州 510006)

0 引言

局部紋理特征是圖像的重要特征之一，近年來(lái)，由于局部紋理圖像特征對(duì)幾何的位移變化、角度的旋轉(zhuǎn)變化、光照的變化[1-3]等良好的適應(yīng)性，已成為紋理分類(lèi)中的一個(gè)重要的特征表示形式[4-6]。現(xiàn)有的局部紋理特征表示形式主要有Gabor小波[7-8]和局部二值模式(Local Binary Patterns，LBP)[9-10]。但是這些方法多數(shù)是針對(duì)紋理的灰度特征提取進(jìn)行研究，為了提高局部紋理特征分類(lèi)的準(zhǔn)確性，文獻(xiàn)[11]把彩色信息加入紋理特征的提取和表示中，與傳統(tǒng)的灰度LBP特征相比較來(lái)說(shuō)，彩色LBP因加入了顏色特征而具有更好的紋理表征能力。然而目前的許多工作都是局限于簡(jiǎn)單地將灰度紋理特征提取轉(zhuǎn)變?yōu)樵诓煌男盘?hào)通道下的彩色紋理特征，而沒(méi)有考慮將多個(gè)信號(hào)通道獲取的紋理特征進(jìn)行融合，因此在光照變化時(shí)，并沒(méi)有顯著地提升灰度紋理特征的分類(lèi)準(zhǔn)確率。文獻(xiàn)[12]提出了一種彩色LBP特征提取和表示方法，即局部彩色矢量二值模式(Local Color Vector Binary Patterns，LCVBPs)，對(duì)不同光照變化下人臉的彩色圖像進(jìn)行分類(lèi)，提高了光照變化條件下對(duì)人臉圖像識(shí)別的準(zhǔn)確率。

本文采用彩色局部角度二值模式[12](Color Local Angle Binary Patterns，CLABP)對(duì) Outex紋理數(shù)據(jù)庫(kù)[13]在不同光照下的紋理圖像進(jìn)行分類(lèi)。首先提取Y、Cb、Cr顏色模型空間不同信號(hào)通道的彩色紋理圖像，獲取Y、Cb、Cr三個(gè)信號(hào)通道兩兩之間的夾角，并使用旋轉(zhuǎn)不變的uniform LBP進(jìn)行角度的編碼;最后將得到的多個(gè)信號(hào)通道的直方圖級(jí)聯(lián)起來(lái)得到CLABP直方圖。實(shí)驗(yàn)結(jié)果表明，本文采用的方法在Outex紋理圖像數(shù)據(jù)庫(kù)中能取得滿意的分類(lèi)效果。下面就彩色局部二值模式(Color Local Binary Patterns，CLBP)和彩色局部角度二值模式[12](CLABP)分別進(jìn)行詳細(xì)的介紹。

1 彩色局部二值模式

文獻(xiàn)[11]提出彩色局部二值模式用于彩色圖像的人臉識(shí)別，這種方法通過(guò)將彩色圖像分解為Y、Cb、Cr三個(gè)信號(hào)通道的圖像，分別提取這3個(gè)信號(hào)通道的LBP特征，最后將這3個(gè)通道的LBP特征作為圖像的特征用于人臉圖像分類(lèi)。

圖像I表示一幅彩色圖像，則彩色圖像I可以在Y、Cb、Cr顏色空間分解為Y 亮度、Cb、Cr色度這3個(gè)信號(hào)通道的3幅圖像。給定某個(gè)像素點(diǎn)z=(x，y)，則該像素點(diǎn)可以表示為三維的向量 c=[v1，v2，v3]T，其中vi表示第i個(gè)信號(hào)通道中該像素點(diǎn)的值。

彩色局部二值模式對(duì)于Y、Cb、Cr三個(gè)信號(hào)通道中分別提取像素點(diǎn)的顏色值構(gòu)建LBP特征，也即是通過(guò)比較3個(gè)信號(hào)通道圖像中每個(gè)像素點(diǎn)和相鄰的像素點(diǎn)得到一個(gè)二進(jìn)制數(shù)，將此二進(jìn)制數(shù)轉(zhuǎn)換為十進(jìn)制數(shù)即此像素點(diǎn)的LBP特征表示。把每幅紋理圖像中所有像素點(diǎn)的LBP特征所構(gòu)成的直方圖看作該紋理圖像的總體LBP特征，如圖1所示。中心像素點(diǎn)周?chē)鷧^(qū)域的LBP特征計(jì)算公式為:

其中s(gp－gc)表示一個(gè)階躍函數(shù)，當(dāng)x≥0時(shí)，s(x)=1;當(dāng) x＜0時(shí)，s(x)=0。gc表示中心像素點(diǎn)，gp(p=0，1，…，P－1)表示gc的鄰近像素點(diǎn)。P和R分別表示鄰近像素點(diǎn)的個(gè)數(shù)和半徑。

圖1 彩色LBP特征表示

LBP特征比較相鄰像素值與中心位置對(duì)應(yīng)的像素值，且對(duì)于不同位置的比較結(jié)果賦予不同的權(quán)值，對(duì)于圖像的平移具有很好的不變性。此外LBP特征通過(guò)獲取2P個(gè)模式中的最小值來(lái)消除圖像旋轉(zhuǎn)產(chǎn)生的影響，因此LBP具有很強(qiáng)的紋理描述能力。利用歸一化的旋轉(zhuǎn)不變uniform LBP特征提取紋理的局部特征的方法，在具有平移不變性和旋轉(zhuǎn)不變性的基礎(chǔ)上，降低了LBP特征的維度。

把彩色局部二值模式應(yīng)用于紋理圖像的分類(lèi)，雖然加入了顏色的特征信息，但是顏色對(duì)光照的變化比較敏感。在自然條件下，圖像采集過(guò)程中很難將光照控制在一個(gè)具體的值。因此就需要提取出不同光照變化下具有光照不變性的紋理特征。

2 彩色局部角度二值模式

為了解決現(xiàn)有的彩色局部二值模式特征在光照變化下識(shí)別率不高的問(wèn)題，本文采用彩色局部角度二值模式提取圖像的局部紋理特征來(lái)解決不同光照變化對(duì)彩色紋理分類(lèi)的影響。當(dāng)同一幅圖像的光照發(fā)生變化時(shí)，相當(dāng)于在Y、Cb、Cr顏色模型中3個(gè)信號(hào)通道內(nèi)的圖像像素值發(fā)生了等比例的增大或減小，這將導(dǎo)致彩色LBP特征編碼發(fā)生改變，從而無(wú)法識(shí)別紋理，因此單純地利用Y、Cb、Cr顏色模型中3個(gè)信號(hào)通道的顏色值不能解決光照變化下的彩色紋理分類(lèi)問(wèn)題。而采用彩色局部角度二值模式，當(dāng)光照發(fā)生變化時(shí)，雖然Y、Cb、Cr顏色模型中3個(gè)信號(hào)通道內(nèi)的圖像像素值發(fā)生了等比例的變化，但是Y、Cb、Cr顏色模型中3個(gè)信號(hào)通道內(nèi)的圖像像素值之間的夾角是不會(huì)變化的。如圖2所示。

圖2 彩色圖像和光照變化圖像的顏色夾角示意圖

由圖2(c)、圖2(d)矢量圖對(duì)比可知:無(wú)論空間矢量的大小發(fā)生怎樣的變化，它與各個(gè)通道的夾角始終沒(méi)有發(fā)生變化。

現(xiàn)假設(shè)每個(gè)像素點(diǎn)Cb、Cr值構(gòu)成的矢量r與Cb軸(參光線)的夾角為θ，如圖3所示。

圖3 矢量r與Cb軸的夾角

在Cb、Cr兩個(gè)信號(hào)通道平面內(nèi)，若空間矢量r與參光線的夾角為θ，當(dāng)所求空間矢量與參光線的夾角θ1＞θ時(shí)，取值為1，當(dāng)所求矢量與參光線的夾角θ1＜θ時(shí)，取值為0。同理，在Y、Cb和Y、Cr信號(hào)通道平面內(nèi)亦是如此。

因此可以利用Y、Cb、Cr顏色模型的夾角對(duì)光照變化后的圖像進(jìn)行識(shí)別，采用一種彩色局部角度二值模式(CLABP)特征來(lái)彌補(bǔ)彩色LBP特征不能有效地識(shí)別光照變化后的紋理圖像的缺點(diǎn)。如圖4所示，當(dāng)圖像的光照發(fā)生變化時(shí)，CLBP的分布發(fā)生了明顯的變化，而CLABP的分布沒(méi)有發(fā)生明顯的變化。這樣就保證了，即使圖像的光照發(fā)生了變化，該方法同樣可以有效地利用CLABP特征來(lái)識(shí)別圖像。

由上述分析可以看出，當(dāng)像素點(diǎn)的光照發(fā)生變化時(shí)，夾角θ不會(huì)發(fā)生明顯的變化，因此用旋轉(zhuǎn)不變的uniform LBP對(duì)像素點(diǎn)z及其鄰近像素點(diǎn)的彩色角度進(jìn)行編碼:

其中:

對(duì)一幅紋理圖像分別獲取Y、Cb、Cr各信號(hào)通道的CLABP直方圖hca，然后級(jí)聯(lián)起來(lái)，得到該圖像的CLABP直方圖的總體特征h:

當(dāng)P=8，R=2時(shí)，得到的CLABP特征直方圖h的維度是3×9=27維。

圖4中，用CLBP進(jìn)行歐式距離比較的結(jié)果是14.3616，而用CLABP進(jìn)行歐式距離比較的結(jié)果是7.7055，兩者均沒(méi)有進(jìn)行歸一化處理，可以看出，CLABP對(duì)光照變化的圖像更為適應(yīng)。

圖4 CLBP和CLABP對(duì)光照變化圖像的分布比較

3 實(shí)驗(yàn)結(jié)果與分析

本文采用的實(shí)驗(yàn)平臺(tái)是Windows 7，用MATLAB 2011b編程實(shí)現(xiàn)，評(píng)價(jià)數(shù)據(jù)集是公開(kāi)的紋理數(shù)據(jù)庫(kù)Outex[13]。所有的圖像尺度都重新轉(zhuǎn)化為128×92像素大小。

本文方法CLABP和彩色局部二值模式CLBP方法的比較，都采用了不同的LBP設(shè)置，即對(duì)P和R進(jìn)行修改。采用的分類(lèi)策略是最近鄰策略，距離度量是歐式距離度量，即最接近的紋理類(lèi)別即是測(cè)試圖像的類(lèi)別。為了提高分類(lèi)的準(zhǔn)確性，對(duì)提取的紋理特征進(jìn)行10次實(shí)驗(yàn)，分類(lèi)的準(zhǔn)確率取這10次實(shí)驗(yàn)的平均值。圖5是Outex紋理圖像數(shù)據(jù)庫(kù)的部分示例圖像，該數(shù)據(jù)庫(kù)包含了大量的紋理圖片，包括自然紋理和表面紋理，而且提供了不同的光照條件、旋轉(zhuǎn)和分辨率。

圖5 Outex紋理數(shù)據(jù)庫(kù)部分示例圖像

下面對(duì)Outex紋理數(shù)據(jù)庫(kù)進(jìn)行評(píng)價(jià)。

Outex紋理數(shù)據(jù)庫(kù)[13]是為了解決不同光照下紋理分類(lèi)問(wèn)題而設(shè)計(jì)的，它提供了在2856 K亮度的白熾燈光照(縮寫(xiě)為“inca”)下獲取的大量紋理圖像。Outex的測(cè)試數(shù)據(jù)分為兩個(gè)部分，分別代表兩種不同的光照變化下的紋理圖像，其中“tl84”代表4000 K亮度的日光燈光源;而“horizon”代表2300 K亮度的自然光源。每個(gè)測(cè)試部分均有24個(gè)類(lèi)別的紋理圖像，每個(gè)類(lèi)別選取54幅圖像，其中14幅圖像用于訓(xùn)練，40幅圖像用于分類(lèi)，這些圖像涵蓋了9種不同角度(00、05、10、15、30、45、60、75、90)的旋轉(zhuǎn)，通過(guò)大量(336幅圖像用于訓(xùn)練，960幅圖像用于分類(lèi))的數(shù)據(jù)能夠充分驗(yàn)證本文方法的有效性。

表1 Outex紋理庫(kù)的分類(lèi)結(jié)果

從表1中的實(shí)驗(yàn)結(jié)果可以看出，本文采用彩色局部角度二值模式(CLABP)來(lái)提取和表示紋理特征的方法在P=16，R=2時(shí)得到了最高的分類(lèi)準(zhǔn)確率，這是因?yàn)橥ㄟ^(guò)提取彩色紋理圖像多個(gè)信號(hào)通道之間的夾角信息，有效地避免了不同光照變化帶來(lái)的影響，而LBP紋理特征本身的平移旋轉(zhuǎn)不變性，也有效地保證了紋理圖像發(fā)生平移旋轉(zhuǎn)變化時(shí)紋理圖像的分類(lèi)準(zhǔn)確率。

4 結(jié)束語(yǔ)

本文針對(duì)光照變化的彩色紋理圖像分類(lèi)問(wèn)題，采用了彩色局部角度二值模式(CLABP)特征提取和表示的方法，該方法充分利用了LBP特征提取迅速的特點(diǎn)，通過(guò)提取紋理圖像的彩色局部角度二值模式適應(yīng)了不同光照變化的影響。此外，通過(guò)求取多個(gè)信號(hào)通道之間的局部夾角，融合各個(gè)信號(hào)通道之間的像素值，為后續(xù)的分類(lèi)提高了準(zhǔn)確率。實(shí)驗(yàn)結(jié)果表明，本文所采用的彩色角度局部二值模式方法在Outex紋理數(shù)據(jù)庫(kù)上具有較高的分類(lèi)準(zhǔn)確率。

由于LBP本身不具有自適應(yīng)的多尺度特性，所以本文所用的彩色局部角度二值模式特征提取和表示方法中，采用的也是固定半徑來(lái)確定LBP的提取范圍，并不具備自適應(yīng)的多尺度特性。因此下一步的工作重點(diǎn)就是如何更好地提取出具有自適應(yīng)的多尺度光照不變性的局部紋理特征。另一方面，本文采用的歸一化旋轉(zhuǎn)不變uniform LBP特征提取紋理的局部特征的方法，雖然降低了LBP特征的維度，但同時(shí)也降低了紋理分類(lèi)的準(zhǔn)確率，所以在保留原有uniform LBP分類(lèi)準(zhǔn)確率的基礎(chǔ)上，降低特征提取的維度，也是今后研究的重點(diǎn)。

[1] Li S Z，Chu R，Liao S，et al.Illumination invariant face recognition using near-infrared images[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2007，29(4):627-639.

[2] Tan X，Triggs B.Enhancedlocal texture feature sets for face recognition under difficult lighting conditions[J].IEEE Transactions on Image Processing，2010，19(6):1635-1650.

[3] Liu Z，Liu C.Fusion of color，local spatial and global frequency information for face recognition[J].Pattern Recognition，2010，43(8):2882-2890.

[4] Zhang J，Marszalek M，Lazebnik S，et al.Local features and kernels for classification of texture and object categories:A comprehensive study[J].International Journal of Computer Vision，2007，73(2):213-238.

[5] Rodriguez Y，Marcel S.Face authentication using adapted local binary pattern histograms[C]//Proceedings of the 9th European Conference on Computer Vision.2006，4:321-332.

[6] Hennings-Yeomans P H，Kumar B V K V，Baker S A.Robust low-resolution face identification and verification using high-resolution features[C]//Proceedings of the 16th IEEE International Conference on Image Processing.2009:33-36.

[7] Zhu F，Zhang X，Hu Y.Gabor filter approach to joint feature extraction and target recognition[J].IEEE Transactions on Aerospace and Electronic Systems，2009，45(1):17-30.

[8] Liu C，Wechsler H.Gabor feature based classification using the enhanced Fisher linear discriminant model for face recognition[J].IEEE Transactions on Image Processing，2002，11(4):467-476.

[9] Ahonen T，Hadid A，Pietikainen M.Face description with local binary pattern:Application to face recognition[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2006，28(12):2037-2041.

[10] Ojala T，Pietikainen M，Maenpaa T.Multiresolution grayscale and rotation invariant texture classification with local binary patterns[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2002，24(7):971-987.

[11] Choi J Y，Plataniotis K N，Ro Y M.Using colour local binary pattern features for face recognition[C]//Proceedings of the17th IEEE International Conference on Image Processing.2010:4541-4544.

[12] Lee S H，Choi J Y，Ro Y M，et al.Local color vector binary patterns from multichannel face images for face recognition[J].IEEE Transactions on Image Processing，2012，21(4):2347-2353.

[13] Ojala T，Maenpaa T，Pietikainen M，et al.Outex:New framework for empirical evaluation of texture analysis algorithms[C]//Proceedings of the 16th International Conference on Pattern Recognition.2002，1:701-706.