纹理分类（二）局部特征

纹理分类的第二大类方法是基于texton的方法，具体的方法是先提取特征点的局部特征，然后聚类形成texton；之后对于每幅求出统计直方图作为最后的特征，之后用knn或者svm分类。

开始的时候各位大虾都在filter bank上面做文章，方法比较接近texton，但是还是有区别的，详见：A Statistical Approach to Texture Classication from Single Images。

比较出名的filter bank有: Leung-Malik (LM) set, Schmid (S) set, Maximum Response (MR或MR8)sets。

于此同时局部特征点和描述的方法也很流行，详见综述性文章：Local Features and Kernels for Classification of Texture and Object Categories: A Comprehensive Study。

文章比较的提取特征点方法有：Harris-Laplace detector和Laplacian detector,描述子有：SIFT，SPIN和RIFT。

之后在纹理识别方面就出现了一篇引导潮流的文章：A Statistical Approach to Material Classification

Using Image Patch Exemplars。这篇文章直接用每个像素点周围的裸像素作为特征，而且文章中详细的说明了这样为什么效果好，之后follow此方法的就是以前提交的用随机投影做纹理分类的文章。详见以前的博客： http://blog.sina.com.cn/s/blog_631a4cc401013e4d. html