王軍敏，李 寧，王艷輝

(平頂山學(xué)院 信息工程學(xué)院，河南 平頂山 467036)

0 引言

紋理特征是一種重要的視覺特征，對人類認知周圍的世界具有重要的作用，因此，對紋理圖像識別的研究一直是人工智能領(lǐng)域的研究熱點.目前，紋理圖像識別技術(shù)已經(jīng)在醫(yī)學(xué)圖像處理[1]、材料分類[2]、遙感圖像處理[3-4]、掌紋識別[5-6]、目標跟蹤[7]等領(lǐng)域獲得了廣泛應(yīng)用.

在現(xiàn)實場景中，紋理圖像可能受到光照條件、目標旋轉(zhuǎn)、尺度變化等因素的影響，這使得紋理圖像識別變得非常困難.而傳統(tǒng)的紋理圖像識別方法，例如，灰度共生矩陣(Gray Level Co-occurrence Matrix,GLCM)方法[8]、 Gabor濾波方法[9]、VZ-MR8算法[10]、VZ-Joint算法[11]、局部二值模式(Local Binary Pattern,LBP)算法[12]等，在識別精度、實時性或尺度穩(wěn)健性等方面都存在自己的不足之處，缺乏好的綜合性能，導(dǎo)致這些算法在實際工程中的應(yīng)用效果不佳.因此，在對紋理圖像進行識別時，必須綜合考慮算法的識別精度、實時性和尺度穩(wěn)健性等指標，從而在不同的工程應(yīng)用場景中能夠?qū)崿F(xiàn)快速穩(wěn)健的紋理圖像識別.

1 相關(guān)工作

Zhao等[13]提出了CLBC算法，該算法是對傳統(tǒng)LBP算法的改進，CLBC算法同時利用了局部鄰域像素與中心像素灰度差分的符號信息、幅值信息和中心像素的灰度等級信息，在計算局部編碼值時不再進行加權(quán)求和運算，而是直接將二值編碼串中“1”的個數(shù)作為局部編碼值.CLBC算法的計算公式為

(1)

和傳統(tǒng)的LBP算法相比，CLBC算法不但能提取更加豐富的紋理特征，并且顯著降低了局部編碼的計算量和最終直方圖特征向量的維數(shù)，即顯著降低了特征提取階段和特征對比階段的計算量，從而能夠同時獲得較好的識別精度和實時性.

2 本文算法

為了實現(xiàn)快速和尺度穩(wěn)健的紋理圖像識別，筆者采用如圖1所示的基本原理框架.

圖1 本文算法的基本原理框架

本文算法的具體實現(xiàn)步驟如下：

1)針對輸入的原始紋理圖像I，構(gòu)造如式(2)所示的高斯濾波器g(x,y)：

(2)

其中，σ是高斯濾波器的標準差.然后，利用高斯濾波器g(x,y)對原始的紋理圖像I進行n次高斯濾波，可獲得n個濾波后圖像，則利用原始的紋理圖像I和n個高斯濾波后圖像構(gòu)建一個多尺度圖像空間，用它描述原始紋理圖像I在不同尺度的底層視覺特征變化情況.其中，最佳的高斯濾波次數(shù)n和高斯濾波器的標準差σ可通過實驗確定.

2)在多尺度圖像空間中，選擇參數(shù)(P,R)=(1,8)，對每個圖像執(zhí)行CLBC算法，獲得該分辨率下每個圖像的聯(lián)合直方圖CLBC_S/M/C，并將其轉(zhuǎn)換成行向量形式，即獲得每個尺度圖像的CLBC模式特征.

3)受深度學(xué)習(xí)算法中最大池化(max-pooling)思想和SSLBP算法[14]的啟發(fā)，針對多尺度空間中n+1個圖像的CLBC直方圖行向量，跨尺度對每個直方條(bin)取最大值，可獲得一個相同維數(shù)的直方圖行向量，將其作為原始紋理圖像的CLBC最大模式特征.顯然，在不同尺度提取的CLBC模式最大值體現(xiàn)了不同尺度下的顯著特征，該特征對尺度變化具有更好的穩(wěn)健性.

4)改變參數(shù)(P,R)的值，分別選擇R=[3,5,7,9]，P總等于8，重復(fù)利用上述第2)、3)步的方法提取多個分辨率(即多個半徑R)的CLBC最大模式特征，并將這些最大模式特征進行級聯(lián)再開平方，將其作為原始紋理圖像I的最終特征描述.顯然，在多個半徑R提取CLBC特征，不但能夠獲得更加豐富的紋理特征，提高特征的鑒別能力，而且能夠進一步提高特征的尺度穩(wěn)健性.

5)利用NSC分類器[14]對紋理圖像的特征描述進行判定，獲得原始紋理圖像I的類別標簽，從而實現(xiàn)紋理圖像識別任務(wù).具體原理如下：設(shè)一共有C類紋理，每類有n個訓(xùn)練樣本，把這n個訓(xùn)練樣本的特征轉(zhuǎn)換成列向量的形式，然后組成一個矩陣.

H=[h1,h2,…,hn].

(3)

對一個測試紋理樣本y，將其特征hy投影到H張成的子空間，可得投影值為

ρ=(HTH)-1HThy) .

(4)

其中，上標T表示矩陣轉(zhuǎn)置.然后，計算特征的投影殘差為

(5)

最后，將測試的紋理樣本劃分到投影殘差最小的紋理類別，獲得測試樣本的類別標簽，即

(6)

3 實驗與結(jié)果分析

3.1 紋理數(shù)據(jù)庫和實驗設(shè)置

為了評估筆者提出的紋理圖像識別方法的性能，選擇在兩個基準的紋理數(shù)據(jù)庫上開展實驗，即CUReT紋理庫和KTH-TIPS紋理庫.CUReT紋理庫含有61類紋理材料，每類有92個樣本圖像，這些樣本圖像是在不同的光照條件下拍攝的，是一個極具挑戰(zhàn)性的紋理庫.圖2列出了CUReT紋理庫的一些樣本圖像.

圖2 CUReT紋理庫的光照變化挑戰(zhàn)性

KTH-TIPS紋理庫含有10類紋理材料，每類紋理圖像分別是在3種不同的照明條件、3個不同的視角和9個不同的尺度條件下拍攝的.和CUReT紋理庫相比，KTH-TIPS紋理庫含有非常明顯的尺度變化，使得KTH-TIPS紋理庫更具挑戰(zhàn)性.圖3展示了KTH-TIPS紋理庫的一些樣本圖像.

圖3 KTH-TIPS紋理庫的尺度變化挑戰(zhàn)性

實驗設(shè)置：高斯濾波的次數(shù)n=2，高斯濾波器的標準差σ=2；對CUReT和KTH-TIPS紋理庫，從每類樣本中隨機挑選一半樣本作為訓(xùn)練集，另一半樣本作為測試集，獨立重復(fù)實驗1 000次，用這 1 000次實驗結(jié)果的平均值作為最終的實驗結(jié)果.

實驗的軟硬件平臺：計算機(i5-4440 CPU @ 3.10 GHz,8 GB RAM)，MATLAB R2019a軟件.

3.2 識別精度對比

通常情況下，識別精度是評價一種紋理圖像識別方法最重要的指標.為了對本文方法的識別精度進行評估，選擇在基準的CUReT和KTH-TIPS紋理庫上開展實驗，并將本文方法的識別精度與其他一些先進方法的識別精度進行對比，結(jié)果見表1.

表1 本文算法與其他算法的識別精度對比 %

從表1的結(jié)果對比可以看出，筆者提出的方法在基準的CUReT和KTH-TIPS紋理庫上都獲得了最高的識別精度，其中，在CUReT紋理庫上的識別精度是99.72%，在KTH-TIPS紋理庫上的識別精度是99.68%，一致超過了參與比較的其他方法的識別精度，這表明筆者提出的方法不但能夠捕獲更具鑒別力的紋理特征，并且對紋理圖像的尺度變化也具有更好的穩(wěn)健性，從而在具有挑戰(zhàn)性的紋理圖像識別任務(wù)中具有更好的性能表現(xiàn).

3.3 時間消耗對比

在實際的工程應(yīng)用中，紋理圖像識別方法的實時性也是一個重要的指標.為了評估本文方法的實時性，在基準的CUReT和KTH-TIPS紋理庫上開展實驗，計算一個樣本圖像的平均時間消耗，將其作為算法實時性的度量.同時，也將本文方法的實時性與其他一些算法進行了對比，結(jié)果如表2所示.

表2 本文算法與其他算法的時間消耗對比 s

從表2的結(jié)果對比可以看出，筆者提出的方法所需的平均時間消耗最少，具有更好的實時性，這在實時性要求較高的場合，以及在大規(guī)模的紋理圖像序列、視頻圖像分析等工程領(lǐng)域具有重要的應(yīng)用價值.

4 結(jié)論

筆者提出了一種快速和尺度穩(wěn)健的紋理圖像識別方法，該方法利用CLBC算法快速提取紋理圖像的局部特征，利用多尺度圖像空間內(nèi)跨尺度取模式最大值以及在多個分辨率提取局部特征實現(xiàn)尺度穩(wěn)健性.和現(xiàn)有的其他算法相比，筆者提出的紋理圖像識別方法不但能獲得很高的識別精度，而且在實時性方面具有顯著的優(yōu)勢，可廣泛應(yīng)用于紋理圖像特征提取和識別領(lǐng)域.