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。
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
![[转载]纹理分类(一)全局特征 [转载]纹理分类(一)全局特征](https://i-blog.csdnimg.cn/blog_migrate/d96f514dfb4eb738ed0e166bc9dcdce1.jpeg)
![[转载]纹理分类(一)全局特征 [转载]纹理分类(一)全局特征](https://i-blog.csdnimg.cn/blog_migrate/c64a2f62dd135f89bbaeb07bf0df9c53.jpeg)
![[转载]纹理分类(一)全局特征 [转载]纹理分类(一)全局特征](https://i-blog.csdnimg.cn/blog_migrate/5c9088a2b1b2aca271a317b8dbde88d8.jpeg)
: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:
![[转载]纹理分类(一)全局特征 [转载]纹理分类(一)全局特征](https://i-blog.csdnimg.cn/blog_migrate/e953a29df5dba7327b58dc92d1e6f972.jpeg)
P=8,7*8+2=58个编码值,其余的U>2的归为一个bin
![[转载]纹理分类(一)全局特征 [转载]纹理分类(一)全局特征](https://i-blog.csdnimg.cn/blog_migrate/20b0768992fca01cb6f441c9f85c99a4.jpeg)
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
![[转载]纹理分类(一)全局特征 [转载]纹理分类(一)全局特征](https://i-blog.csdnimg.cn/blog_migrate/fa5cff785b07de6872bb3f1048aefc0a.jpeg)
36个旋转不变的LBP编码模式:
![[转载]纹理分类(一)全局特征 [转载]纹理分类(一)全局特征](https://i-blog.csdnimg.cn/blog_migrate/1da41f121fa5e21c292a7451d235903d.jpeg)
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
![[转载]纹理分类(一)全局特征 [转载]纹理分类(一)全局特征](https://i-blog.csdnimg.cn/blog_migrate/c4783c8e22851d0be860717145c7f96f.jpeg)
![[转载]纹理分类(一)全局特征 [转载]纹理分类(一)全局特征](https://i-blog.csdnimg.cn/blog_migrate/48b1417c7fb26d0806db0668de052059.jpeg)
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;
![[转载]纹理分类(一)全局特征 [转载]纹理分类(一)全局特征](https://i-blog.csdnimg.cn/blog_migrate/02b30793e4a6ac70c519f55175c9f999.jpeg)
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)
![[转载]纹理分类(一)全局特征 [转载]纹理分类(一)全局特征](https://i-blog.csdnimg.cn/blog_migrate/e5ad55fff62a77f1cd899f038de6c05e.jpeg)
对差的幅值Mp编码(8位): C为全图像的所有mp的均值
![[转载]纹理分类(一)全局特征 [转载]纹理分类(一)全局特征](https://i-blog.csdnimg.cn/blog_migrate/14f2d4f2f84213c7eed235e2f21dab3d.jpeg)
对中心象数值gc编码(2位):Ci为全图像象数均值
![[转载]纹理分类(一)全局特征 [转载]纹理分类(一)全局特征](https://i-blog.csdnimg.cn/blog_migrate/2d0a30516311c61d3b4bc895c1d1e496.jpeg)
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)
![[转载]纹理分类(一)全局特征 [转载]纹理分类(一)全局特征](https://i-blog.csdnimg.cn/blog_migrate/7855b1f7903541f5d14a3056376e4ff5.jpeg)
1.![[转载]纹理分类(一)全局特征 [转载]纹理分类(一)全局特征](https://i-blog.csdnimg.cn/blog_migrate/664e32faabbd9f33ea7cd8597a10f005.jpeg)
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
![[转载]纹理分类(一)全局特征 [转载]纹理分类(一)全局特征](https://i-blog.csdnimg.cn/blog_migrate/dcd30c6f81d69aaa464ecc5c75b76937.jpeg)
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
![[转载]纹理分类(一)全局特征 [转载]纹理分类(一)全局特征](https://i-blog.csdnimg.cn/blog_migrate/6656f7402ac813b6e0c4f1ed2bff61a3.jpeg)
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
![[转载]纹理分类(一)全局特征 [转载]纹理分类(一)全局特征](https://i-blog.csdnimg.cn/blog_migrate/77f15bc78c9c2a74207480bed0795300.jpeg)
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
![[转载]纹理分类(一)全局特征 [转载]纹理分类(一)全局特征](https://i-blog.csdnimg.cn/blog_migrate/05ef567af1176c77e6d095853168fba8.jpeg)
(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
![[转载]纹理分类(一)全局特征 [转载]纹理分类(一)全局特征](https://i-blog.csdnimg.cn/blog_migrate/0b2cb9ea847445c696073884d3effaf8.jpeg)
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
![[转载]纹理分类(一)全局特征 [转载]纹理分类(一)全局特征](https://i-blog.csdnimg.cn/blog_migrate/807982d025be33edcb916344e148c926.jpeg)
----------------------------------------------------------------------------------------
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