王 明 劉 哲 宋余慶

（江蘇大學(xué)計(jì)算機(jī)科學(xué)與通信工程學(xué)院 鎮(zhèn)江 212000）

1 引言

局部二值模式方法最早是由芬蘭Oulu 大學(xué)機(jī)器視覺小組的研究者Ojala 等［1］提出，該方法在計(jì)算機(jī)視覺和模式識(shí)別領(lǐng)域引起了廣泛的關(guān)注，目前已經(jīng)成為紋理分類和人臉識(shí)別領(lǐng)域主要的特征提取方法之一。由于傳統(tǒng)局部二值模式容易受到光照，旋轉(zhuǎn)，噪聲等因素的影響而改變其編碼。雖然均勻模式在一定程度上減少了噪聲的影響，但是圖像對(duì)于噪聲依舊是很敏感，一個(gè)小的噪聲也會(huì)使整幅圖像的LBP編碼完全不一樣。

在此之前也有針對(duì)噪聲敏感的問題開展的研究工作［2～3］，Iakovidis 等［4］提出了模糊局部二值模式（FLBP），其通過引入模糊性，在滿足差值條件的像素位置產(chǎn)生一個(gè)模糊二進(jìn)制模式，將每種LBP模式按其函數(shù)定義的權(quán)值都考慮進(jìn)去，該方法提高對(duì)于噪聲的魯棒性，但是其計(jì)算量大并且難以擴(kuò)展到多尺度分析。之后Jiang 等［5］在此基礎(chǔ)上提出NRLBP，在具有模糊性的像素位置可以產(chǎn)生m種不同的均勻模式，那么每個(gè)均勻模式對(duì)最后直方圖統(tǒng)計(jì)的權(quán)值簡(jiǎn)單的取1/m。如果不確定模式C（x）無法產(chǎn)生均勻模式，將表示非均勻模式的bin 增加1，通過建立一個(gè)查找表來實(shí)現(xiàn)，使得其計(jì)算量比FLBP 明顯降低，僅僅稍高于傳統(tǒng)LBP 方法而計(jì)算量依舊很復(fù)雜。Fathi A等［6］提出的NTLBP算子，使用圓形多數(shù)表決濾波器和合適的旋轉(zhuǎn)不變標(biāo)記方法來獲得更規(guī)則的均勻和非均勻模式，這些模式具有更好的識(shí)別能力和更強(qiáng)的噪聲魯棒性。Zhao等［3］提出了一種完備魯棒局部二值模式（CRLBP），其中3*3 局部區(qū)域中每個(gè)中心像素的值被其平均局部灰度級(jí)替換。與中心灰度值相比，平均局部灰度級(jí)對(duì)噪聲和光照變化更穩(wěn)健。為了使CRLBP 更加穩(wěn)健和穩(wěn)定，還引入了加權(quán)局部灰度（WLG）代替原中心像素值，該方法對(duì)噪聲具有較好的魯棒性。Liu 等［7］在傳統(tǒng)LBP 方法基礎(chǔ)上，設(shè)計(jì)一種新的對(duì)噪聲穩(wěn)健的BRINT 描述子。首先將中心像素的圓形鄰域系統(tǒng)進(jìn)用連續(xù)Q 個(gè)鄰域像素的平均值表示新的鄰域系統(tǒng)中的一個(gè)鄰域像素點(diǎn)，最后得到一個(gè)新的圓形鄰域系統(tǒng)；然后再以原中心像素值為閾值對(duì)新的鄰域系統(tǒng)進(jìn)行二值量化，最終獲得一個(gè)二進(jìn)制模式。

本文針對(duì)圖像出現(xiàn)的噪聲在原始LBP 基礎(chǔ)上提出了一種抗噪LBP描述子，結(jié)合統(tǒng)計(jì)學(xué)和圖像局部區(qū)域的一致性，計(jì)算出疑似噪聲位，并由鄰域像素確定其二進(jìn)制，最終實(shí)現(xiàn)編碼。

2 局部二值模式

2.1 原始局部二值模式

局部二值模式（Local Binary Patterns）是一種典型的局部紋理描述子［9～11］。LBP算子最初是定義在某中心像素及其周圍大小為3*3 的矩形鄰域系統(tǒng)上，如圖1 所示：將中心像素的每個(gè)鄰域像素值以該中心像素的灰度值為閾值進(jìn)行二值量化，大于或等于中心像素的像素值則編碼為1，小于則編碼為0，按照給定的編碼方向依次對(duì)不同的鄰域點(diǎn)賦予不同的權(quán)重，并將量化后得到的二值編碼序列轉(zhuǎn)換成一個(gè)無符號(hào)十進(jìn)制數(shù)值，然后將該值最為對(duì)應(yīng)像素點(diǎn)的LBP 特征模式值。圖像中的每一個(gè)像素點(diǎn)都可以計(jì)算得到一個(gè)局部二進(jìn)制模式。

圖1 原始LBP算子計(jì)算示例

使用式（1）、（2）可計(jì)算出圖像中每個(gè)像素點(diǎn)的LBP值。

式中，R 表示鄰域半徑，P 表示半徑為R 的鄰域像素點(diǎn)數(shù)，gc表示局部鄰域的中心像素點(diǎn)灰度值，gi（i=0，1，2…P-1）表示鄰域像素點(diǎn)灰度值。

2.2 旋轉(zhuǎn)不變局部二值模式

當(dāng)圖像進(jìn)行了旋轉(zhuǎn)，那么圖像上某點(diǎn)的LBP描述子也會(huì)發(fā)生變化（全為0 或者全為1 的LBP 模式除外），為了解決圖像旋轉(zhuǎn)帶來的影響，Ojala 等［11］提出了一種旋轉(zhuǎn)不變算子其 定義為

通過不斷地循環(huán)各位使得到的局部二值模式值最小即為最終的LBP描述子，從而保證了LBP描述子不再隨圖像的旋轉(zhuǎn)而產(chǎn)生變化，并且特征維數(shù)在一定程度上得到了明顯的降低，但是隨著尺度的增加其特征維度還是很高，不利于特征的提取。之后Ojala 等注意到在所有同一尺度下的原始LBP 模式中有些模式出現(xiàn)的頻率顯著高于其他模式，于是有理由認(rèn)為出現(xiàn)概率高的模式包含更多的局部紋理信息，從某種意義上來說它們反映了紋理圖像中的基本局部模式。因此，Ojala等建議采用所有LBP模式的一些子集來描述紋理圖像特征，并提出均勻LBP算子。

U 值表示LBP 模式中在圓周上相鄰的兩個(gè)二元值的0/1（或1/0）跳變的次數(shù)。如：LBP 模式00000000 和01110000 均為均勻模式，因?yàn)樗鼈兊?/1（或1/0）轉(zhuǎn) 移 次 數(shù) 分 別 為0 和2，即U（00000000）=0，U（01110000）=2。而模式01000100為非均勻模式，因?yàn)閁（01100101）=4。均勻模式極大的降低了LBP 的特征維數(shù)，在尺度為4，鄰域點(diǎn)為32的大尺度下，其特征維數(shù)僅僅為995。

2.3 旋轉(zhuǎn)不變均勻局部二值模式

Ojala 等［12］為了進(jìn)一步提高LBP 特征描述子旋轉(zhuǎn)不變形，并降低特征維度，提出了旋轉(zhuǎn)不變均勻局部二值模式：

式中旋轉(zhuǎn)不變均勻模式僅P+1類，所有非均勻模式歸為一類，于是整副圖像的LBP 維度僅僅為P+2維，顯著低于上述三種。

3 改進(jìn)的抗噪LBP描述子

本文在原始LBP 基礎(chǔ)上提出的抗噪LBP。通過式（6）計(jì)算鄰域點(diǎn)和中心像素點(diǎn)差值，由統(tǒng)計(jì)學(xué)中狄克遜準(zhǔn)則［13］來找出鄰域中異常像素點(diǎn)，對(duì)于非異常像素點(diǎn)通過式（7）得出二進(jìn)制模式；考慮到局部區(qū)域鄰域的一致性，對(duì)于異常像素點(diǎn)根據(jù)其左右像素點(diǎn)的異同性決定該位像素值，如其左右像素點(diǎn)的值都為1 則該點(diǎn)像素值也為1；若其左右像素點(diǎn)值為0 和1 則根據(jù)左右像素點(diǎn)近鄰的兩位來決定，如00X10 則X 為0；若左右近兩位還不能決定該點(diǎn)像素值，則根據(jù)鄰域中0 和1 統(tǒng)計(jì)數(shù)多的位決定，對(duì)于存在多個(gè)異常值情況下，按照權(quán)位由低到高依次判別出異常值的二進(jìn)制位，處于未知的位，在判定時(shí)先跳過，最終得出本文改進(jìn)的抗噪LBP 描述子，具體步驟如下：

1）對(duì)中心像素點(diǎn)gc半徑為R 的P 個(gè)像素點(diǎn)分別與gc做差：

其中i=0，1，2，3…P-1。

2）對(duì)差值通過狄克遜準(zhǔn)則剔除，對(duì)于被剔除的第i位將被標(biāo)記為X待定。

3）則未被剔除的差值di則第i 位的二進(jìn)制數(shù)bi由以下公式得出：

對(duì)于被剔除的差值其角標(biāo)記為λ，角標(biāo)采用0，1，2，3…P-1 循環(huán)準(zhǔn)則，則角標(biāo)為λ的二進(jìn)制bλ的值由以下規(guī)則得出：

（1）若bλ-1XOR bλ+1=0 則bλ= bλ-1或bλ=bλ+1否則轉(zhuǎn)2）繼續(xù)討論。

（2）若bλ-1XOR bλ-2=0 且bλ+1XOR bλ+2=1 則bλ=bλ-1，換個(gè)方向同理，否則轉(zhuǎn)3）繼續(xù)討論。

（3）統(tǒng)計(jì)bi=1 和bi=0 的個(gè)數(shù)，bλ為二進(jìn)制值統(tǒng)計(jì)數(shù)最多的那組值。

（4）之后計(jì)算模糊點(diǎn)左右對(duì)稱四個(gè)鄰域像素點(diǎn)均值并重新賦值該點(diǎn)。

5）最后將得到的LBP 轉(zhuǎn)換為旋轉(zhuǎn)不變均勻模式作為最終的紋理特征。采用半徑為1，鄰域點(diǎn)數(shù)為8 的LBP 模式，最后改進(jìn)抗噪的LBP 特征維數(shù)也是10。

本文改進(jìn)的抗噪LBP 模式具體實(shí)驗(yàn)流程圖可由如圖2所示。

圖2 改進(jìn)的抗噪LBP流程圖

在第5 位的像素點(diǎn)的灰度值在噪聲影響下，值由35 突變?yōu)?55，而傳統(tǒng)LBP 模式由原始的0000 0110 變?yōu)?010 0110，旋轉(zhuǎn)不變均勻模式由0000 0011 變?yōu)榱朔蔷鶆蚰Ｊ?，這嚴(yán)重的影響其特征提取。本文改進(jìn)的方法使得到的旋轉(zhuǎn)不變均勻模式并沒有被改變，始終為0000 0011，修改后的像素值為30，與原始35相差無幾，本文所提出的方法很好地解決了這一問題。

4 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文提出的算法對(duì)噪聲具有良好的魯棒性，選擇在標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)Brodatz 和CUReT 上分別對(duì)、FLBP、NRLBP 算法進(jìn)行對(duì)比實(shí)驗(yàn)，使用支持向量機(jī)［14～15］完成紋理分類。實(shí)驗(yàn)所用的兩個(gè)數(shù)據(jù)庫(kù)樣本紋理如圖3、4所示。

本文將沒有噪聲的紋理圖像作為訓(xùn)練數(shù)據(jù)，然后將不同強(qiáng)度的高斯白噪聲添加到旋轉(zhuǎn)的測(cè)試圖像中，其信噪比（SNR，SIGNAL-NOISE RATIO）從10dB 到50dB，四種算法的采樣半徑都為1，鄰域像素點(diǎn)為8，為了減小隨機(jī)誤差帶來的影響，在上述數(shù)據(jù)庫(kù)上進(jìn)行紋理分類時(shí)，采用了20 次獨(dú)立的隨機(jī)采樣實(shí)驗(yàn)平均分類準(zhǔn)確率作為最后評(píng)估算法性能的指標(biāo)，實(shí)驗(yàn)結(jié)果如表1、表2所示。

圖3 Brodatz 紋理庫(kù)部分樣本

圖4 CURet 紋理庫(kù)部分樣本

表1 Brodatz紋理庫(kù)20次平均分類準(zhǔn)確率

表2 CUReT紋理庫(kù)20次平均分類準(zhǔn)確率

對(duì)于兩個(gè)數(shù)據(jù)集，所有方法在較高的SNR（SNR = 30dB）內(nèi)抗噪性能較好。對(duì)于數(shù)據(jù)集Brodatz 上10dB～30dB 之間的SNR，所提出的方法與其他方法相比具有顯著差異。而在數(shù)據(jù)集CUReT上，所提方法的性能略優(yōu)于其他方法。但是在兩個(gè)數(shù)據(jù)集的SNR=10dB 非常低的情況下，所有LBP 方法的辨別能力都會(huì)下降。但是在不同的信噪比中，本文所提出的方法表現(xiàn)出更好的分類準(zhǔn)確率和魯棒性。

5 結(jié)語(yǔ)

LBP 運(yùn)算符是用于圖像分析的強(qiáng)大紋理描述符。但LBP 對(duì)噪音很敏感。即使很小的噪音也可能會(huì)顯著改變LBP 模式。FLBP 通過引入多模式的模糊LBP 來解決這個(gè)問題，但是計(jì)算量巨大，無法拓展到多尺度，NRLBP 也僅僅在FLBP 基礎(chǔ)上通過均勻化來減少計(jì)算量，雖然效果比FLBP好，但依舊無法解決巨大的計(jì)算量問題，所提出方法的關(guān)鍵思想不僅是在局部紋理圖案中有效合理地使用鄰域與鄰域之間的關(guān)系，而且對(duì)噪聲也變得更加魯棒。為實(shí)現(xiàn)這一目的，采用了鄰域循環(huán)位表決來決定模糊位的二進(jìn)制值。對(duì)不同數(shù)據(jù)庫(kù)的幾個(gè)實(shí)驗(yàn)表明，該方法在現(xiàn)有LBP 算子中具有最高的識(shí)別能力和分類精度以及更好的紋理分析噪聲容忍能力。