纹理分类（一）全局特征

纹理分类（一）全局特征

原文地址： 纹理分类（一）全局特征 作者： 千里 8848

纹理分类是一个很老的topic，但是一些纹理分类的方法为以后的图片分类奠定了基础。

首先定义一下纹理图片，他是一个随一下变量变化的函数：纹理表面材质，反射率，光照，照相机和他的角度。

现在纹理分类比较流行的有两种方法：一个是全局特征，如lbp，gabor，另一种是基于局部特征的，如：harris-laplace，基于局部特征的方法主要基于texton的框架，也就是现在图片分类的bag-of-words框架。

今天我们先介绍一下基于全局的特征，全局特征当属LBP最牛最简单有效，下面我们来介绍一下lbp及其变种。

1. LBP

以R为半径的P点邻域，gc为中心，gp为邻域点 ;区分邻域比中心亮度大还是小

:改变P,R 形成多尺度LBP

 2. uniform LBP    P*(P-1)+2个

 二值编码中0-1转换次数小于或等于2的编码；  U<=2:

P=8，7*8+2=58个编码值，其余的U>2的归为一个bin

3. 旋转不变的LBP ： 36个

 由于编码的起始点是一定的，每一种二值编码模式经旋转（循环位移）后会产生不同的编码结果。

为了形成旋转不变的编码模式，我们让有同一编码模式经旋转后产生的编码结果编码为同一值，即这些旋转结果中的最小值

 

 36个旋转不变的LBP编码模式：

4. 旋转不变的uniform LBP   P+1个

即在uniform LBP中，开始7行的每一行为旋转不变，被编为一个编码值，对应上图中第一行的1-7个模式。再加上 全1和全0  共9个

  

 --------------------------------以上就是经典的LBP了，下面介绍一些变种----------------

一． 增加幅值信息，增加对噪声鲁棒性

1. LTP 

对二值化设定阈值 

三值编码：使相对中心值变化在t范围内的邻域量化为0；比ic大于t的量化为1；比ic小于t的量化为-1

最后把三值编码转化为正的和负的两部分，2个8bit编码作为特征向量；

 

2. CLBP

像素值差分为符号和幅值两项考虑 ，对符号的编码CLBP_S和LBP一样 （ 8位）

 

 对差的幅值Mp编码（8位）：  C为全图像的所有mp的均值

  对中心象数值gc编码（2位）：Ci为全图像象数均值

 最后构建3D联合直方图CLBP_S/M/C ，列化作为特征向量

 二． 加入局部方差信息（局部对比度）

 

1.

在训练集上得到局部方差的量化阈值，对局部方差进行量化，与计算联合直方图

缺点：由于训练和测试图片成像条件不同，训练的量化阈值可能在测试图片上不适合

 

2.  LBP-V

将每个点的方差作为编码值的权重，进行直方图累加（类比sitf中按方向累计梯度幅值）。原理：方差大，对应区域变化大，为高频区域，对区分性贡献大，所以对应该处编码权重大

   

三． 增加局部梯度信息（类比SIFT）

1. CS-LBP

对中心对称点的亮度差编码，即编码四方向的梯度符号，缩短编码长度

 

2. TP-LBP

 编码某中心像数点的相邻patch的相似度 提取patch-based的信息，是对pixels-based的信息的补充中心patch和邻域patch大小为w*w；邻域半径r，邻域patch个数S，提取相似度信息的邻域间隔a，d(a,b)为a，b patch的相似度，编码局部patch的变化程度

 

3. POEM

 编码局部区域个方向patch内的梯度变化信息

（1） 计算梯度：方向和大小，对方向离散化m个

（2） 对每点，按离散方向，累积半径为r邻域内的梯度幅值（高斯加权），形成m个累积梯度幅值图像

（3） 对每个图像，计算半径R，邻域P的LBP，形成m个LBP

 

4. LDP

 编码每点的各方向边缘响应强度的变化

（1） 计算8方向边缘响应

 

（2） 取第K主方向值Mk（即第k大的边缘响应幅值）作为阈值，进行二值化形成编码。有C_8_k种编码值

 

四． 对U-LBP的改进

1. H-LBP

层叠的多多尺度LBP

ULBP将U>2的编码都对归入到一个bin中，丢失了其中的区分信息。

半径越大非uniform编码出现频率越高，而大半径中为非uniform的编码在小半径时可能为uniform形式，此时把其编码换为小半径中uniform形式，直至半径缩小为指定大小

 

----------------------------------------------------------------------------------------

关于LBP的变形还有很多种，这里就不一一赘述了！

（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