Huang Chen 1, après les Amis de la redevance 1,2, Liu Xiaodong 2

(1. École de génie mécanique, Université de Dalian Jiaotong, Dalian 1160282. Engineering College automobile et d'entretien, Dalian Jiaotong University, Dalian 116028)

descripteurs de texture a une signification très importante dans le domaine de l'analyse d'image et classification de motifs. Pour améliorer la robustesse des caractéristiques décrites, présente une caractéristique de texture basée sur une méthode de configuration binaire locale d'extraction gaussienne. Tout d'abord, la mise en valeur d'image est obtenue à filtre gaussien prétraitement différent de l'échelle, pour construire une pyramide d'images multi-échelles, d'autre part, pour améliorer motif binaire est proposé l'immunité au bruit et de la rotation invariance présentant direction principale caractéristique; enfin, à différentes échelles extraction des trois motif binaire locale efficace décrit texture de structure de joint et de l'histogramme de réduction de la dimension. Les résultats montrent que la fonction se distingue avec une bonne efficacité et peut être efficacement appliquée à la classification de la texture des images visuelles.

Texture caractéristiques, filtre gaussien, fonction binaire locale, la classification d'images

CLC: TP31

Code de document: A

DOI: 10,16157 / j.issn.0258-7998.171014

format de citation chinois: Chen Huang, frais amis suivants, Xiaodong. Classification fonction Goss texture basée sur un modèle binaire locale Technologie électronique, 2018,44 (1): 121-124.

Anglais format de citation: Huang Chen, Fei Jiyou, Liu Xiaodong. Méthode fonction Texture basée sur le modèle binaire locale gaussienne . Application de la technique électronique, 2018,44 (1): 121-124.

0 introduction

La texture est une caractéristique importante de la surface d'un objet décrit dans l'effet visible, est devenu une technique d'inspection de vision industrielle de la recherche chaude. Au cours de la dernière décennie, beaucoup d'attention par les caractéristiques de texture, a été largement appliqué à la télédétection aérospatiale, l'inspection industrielle, la reconnaissance faciale et la récupération du contenu et d'autres domaines. À l'heure actuelle, le sac de mots technologie modèle pour obtenir beaucoup d'attention en termes de texture analyse, cette technique a une forte immunité au bruit. Dans laquelle, Motif binaire local (Modèles binaires local, LBP) opérateur simple et efficace, la reconnaissance forte et une faible complexité de calcul, a fait des progrès significatifs dans de nombreux domaines de .

Ces dernières années, en fonction du contexte d'application, de nombreux chercheurs LBP apporter les améliorations voulues, notamment dans la reconnaissance faciale a obtenu de bons résultats . En raison de la haute dimensionnalité de fonction LBP, document centrosymétrique utilisant motif binaire local (Centre Symmetric LBP, CS-LBP), en calculant une opération symétrique du pixel réduit la lombalgie. Afin de renforcer la texture de rotation et l'immunité du bruit, Liao S et fait dominante modèle binaire local. Plus tard, comme le VAR de quantification, nous avons proposé une variance d'un modèle binaire local (LBP écart, LBPV) dans le document méthodes pour extraire la classification de texture. Autres MEHTA R rotation du motif binaire locale proposé dominant est estimé en comparant la taille des pixels environnants DIRECTION. Récemment, afin de mieux compléter la LBP d'information, GUO Z, etc. présente une méthode complète pour le modèle binaire local, étant donné trois opérateurs différents et comme calculé par l'information de différence. LIU L et a proposé méthode LBPs prolongée d'introduire quatre opérateurs, et obtenir de meilleurs résultats.

Cet article vise à améliorer la lombalgie, pour améliorer son immunité au bruit et invariance par rotation, propose une fonction de texture multiples joint opérateur gaussienne LBP. Spécifique pensé: Tout d'abord, en utilisant le filtrage de l'image gaussienne obtenue à différentes échelles, D'autre part, une meilleure conception de modèle proposé modèle binaire ayant la direction principale caractéristique, de manière à renforcer l'immunité du bruit et invariance par rotation, enfin, à différentes échelles extrait 3 modes opérateur combinés comme caractéristiques de texture. Les caractéristiques de l'image de texture dans le test de vérification de base de données et l'application pratique, les résultats montrent que le nouvel algorithme amélioré peut améliorer le taux de reconnaissance.

1 opérateur LBP

1.1 théorie de base LBP

LBP est définie est obtenue en comparant le pixel central et huit pixels entourant valeurs de gris. Si une valeur du pixel central est inférieure aux pixels environnants, alors le pixel est considéré comme 0, autrement dénommé 1. Calcul de principe indiqué sur la figure. LBP est calculé comme suit:

Dans lequel, gc est la valeur de gradation du pixel central; gp est la valeur de gris de pixels voisins; P est le nombre de pixels dans le voisinage; 2P est gp poids, R est le rayon de la région avoisinante.

En raison du manque d'information de texture spatiale contraste LBP, la reconnaissance de la texture pour améliorer les performances, document est proposé de compléter l'information variance VAR LBP locale, qui est calculé comme suit:

1.2 Amélioration LBP

Afin d'améliorer la rotation de l'image de texture invariant et l'applicabilité de l'environnement de bruit et le domaine d'opérateur de LBP circulaire , proposé LBP (direction principale Structure LBP, PSLBP) de la direction principale de la structure. Pour réduire l'interférence de bruit, et les pixels de voisinage en utilisant la valeur moyenne du pixel central en tant que valeur de seuil, tout en déterminant les directions principales du pixel central et le quartier de la différence. Set (xc, yc) du pixel central, les coordonnées du rayon R de la région avoisinante P (xp, yp) est:

Procédé de détermination de la direction par PSLBP entre le calcul de pixel central et la différence de pixels environnants, le voisinage de pixels pour trouver la plus petite différence, comme les principales directions du voisinage opérateur de LBP, à savoir, le pixel de mise au point comme étant le poids minimum. Dans. La figure 2, P = 8, R = 1, cases grises directions principales, à savoir, p = 0. Le principal indice direction P0 est calculée comme suit:

1,3 LBP procédé de réduction de la dimension

Parce que LBP a une grande valeur du point de Viterbi, selon la littérature , au moyen d'un histogramme pour décrire la texture fonctionnalités sens statistique pour compléter la réduction de dimensionnalité. Définir la taille de l'image de N x N, générer spectrogramme LBPP, R (x, y), x, y = 1,2 La valeur LBP, ... N. Peut-être une dimension histogrammes de caractéristiques de texture sont les suivantes:

Comme on peut le voir, dans la construction du spectre, depuis le voisinage des valeurs de pixel d'image limite incomplète, il est nécessaire de compléter le voisinage d'interpolation de référence LBP est calculée sur la valeur limite d'origine. motif de VAR peut également être procédé de réduction de l'histogramme de dimension directement appliquée.

2 texture Goss présente LBP

2.1 amélioration de la texture

En général, la présence de détails texture flou d'image, afin d'améliorer la précision de la classification des images de texture, l'algorithme adaptatif d'amélioration de contraste local L'image est prétraité. À condition que p (x, y) est une valeur de pixel de l'image originale, dont la définition zone partielle est la suivante: In (x, y) que le pixel central, la taille de fenêtre de voisinage de (2n + 1) x (2n + 1), f ( x, y) est l'amélioration de la valeur de pixel, calculé comme suit:

Le pixel moyen dans laquelle est pleine figure.

2,2 filtre gaussien

En règle générale, l'échantillonnage d'un flou d'image en pyramide gaussienne après filtrage continu vers le bas pour obtenir des images ayant des résolutions différentes. Par souci de cohérence et une meilleure invariance d'échelle des paramètres LBP, référence ici document pensée, lors du redimensionnement de la taille de l'image est maintenue, en utilisant différents paramètres d'échelle gaussienne, pour obtenir une série d'images à grande échelle. L'image d'origine est définie G1, l'image gaussienne G1 de l'échelle de l:

2,3 méthode de Gauss trame LBP

LBP est décrit dans lequel l'établissement couche d'image à échelle gaussienne 3, et extrait PSLBP VAR pour chaque échelle, en tenant compte de la CS-LBP peut fournir une structure symétrique autour de l'information de voisinage, et donc d'augmenter l'opérateur CS-LBP. Pendant ce temps, chacun des trois opérateurs histogramme de réduction, combinés pour donner une texture caractéristiques plus complètes, la mise en uvre de la figure 3.

3 Test et analyse

Pour vérifier l'efficacité de l'algorithme proposé deux façons de vérifier. La première vérification pour l'amélioration LBP indépendamment, principalement pour la vérification Outex une base de données d'image typique, est comparée à un domaine circulaire comme opérateur LBP pour prouver leur supériorité, le deuxième est proposé selon un PSL texture gaussienne les descriptions des fonctions pour vérifier sa validité par le système de vision test de capture d'image dans le processus d'application.

3.1 Comparaison de l'opérateur

Pour vérifier l'opérateur de performance ici, dans le test de classification de texture de base de données classique texture Outex, et le domaine de l'opérateur LBP cercle, CS-LBP opérateur, LBPV Opérateurs de comparaison. 5 classe de texture sélectionnée au hasard, un total de 60 images, en utilisant k formation le plus proche voisin (k-plus proche voisin, kNN) et d'essai comme une classification de texture, les résultats de classification indiqués dans le tableau 1. Comme on peut le voir de 1 tableau, la variation des paramètres PSLBP, des performances plus stables, et est légèrement mieux que d'autres opérateurs.

3.2 Caractéristiques de texture application

Afin de vérifier l'efficacité de l'algorithme général, ce document sélectionner quatre types de marbre, en utilisant son acquisition d'images de la caméra, la taille de l'image est de 300 × 380 pixels. Sélectionnez 50 pour chaque type d'image, dans lequel l'image sous forme d'échantillons de formation 20, 30 que l'échantillon d'essai restants. Tout d'abord, l'acquisition d'image du renforcement de la texture de l'image. . La figure 4 (a) est l'image originale, la figure 4 (b) de la figure texture de renfort, cette expérience comme une première carte de dimension,. D'autre part, de renforcer la mise en place de la figure l'image gaussienne multi-échelle, la deuxième dimension et la troisième dimension de l'image, respectivement, . la figure 4 (c) et 4 (d), et enfin, une extraction de caractéristique d'image multi-échelle pour obtenir des spectres, pour établir un histogramme, tel que décrit dans les caractéristiques de texture Unies.

Le tableau 2 en quatre résultat de classification d'image de marbre, utilisé pour l'algorithme de classification kNN, la précision de la classification moyenne de 90% peut être atteint au début de la classification de la vision de la machine.

4 Conclusion

Sur la base LBP propose une immunité au bruit et rotation texture représentation de fonction invariante. Tout d'abord, l'amélioration du contraste local d'adaptation des techniques d'amélioration de la texture d'origine, d'autre part, l'importance des informations de configuration et l'analyse fonction caractéristique LBP différents modes, et pour améliorer la rotation invariance améliorer l'immunité au bruit, un principal proposé direction LBP de la structure de l'opérateur, suivie d'une analyse des caractéristiques sous différentes échelles, États-PSLBP, CS-LBP et VAR, en utilisant la réduction de la dimension de l'histogramme, mise en place d'un descripteur de texture caractérisé en Gauss de la lombalgie. Les résultats montrent que l'algorithme proposé peut améliorer les performances de classification de la texture d'image cas sans bruit, et la classification de l'image de texture plus robuste aussi floue.

références

VARMA M, Zisserman A.Une approche statistique de la texture classification à partir d'images simples .International Journal of Computer Vision, 2005,62 (1): 61-81.

Songke Chen, Yan Yunhui, Joe Chan, etc. Motif binaire local et méthode de Prospect Automatica Sinica, 2012,39 (6): 730-744.

LIU L, P FIEGUTH, GUO Y, et al.Local caractéristiques binaires pour la classification de texture: la taxonomie et l'étude expérimentale .Pattern reconnaissance, 2017,62: 135-160.

OJALA T, PIETIKÄINEN M, Mäenpää T.Multiresolution classification de texture d'échelle de gris et invariant rotation avec des motifs binaires locales .IEEE Transactions sur le modèle d'analyse et de la machine Intelligence, 2002,24 (7): 971-987.

Zhangjie Yu, Zhaohong Ping Chen Shu. La reconnaissance et le seuil adaptatif pondéré en fonction de configuration binaire locale Électronique et Technologies de l'information, 2014 (6): 1327-1333.

première Zhaoyu, Yangxiao Fan, la germination Li. Reconnaissance faciale basée sur les caractéristiques locales représentées nucléaires de faible rang Technologie électronique, 2016,42 (9): 126-128.

HEIKKILAM, PIETIKÄINEN M, SCHMID C.Description des régions d'intérêt avec des motifs binaires locales centre symétrique .Proceedings de Computer Vision, Graphics et de l'image, Conférence indienne, Berlin Heidelberg: Springer-Verlag, 2006: 58-69.

LIAO S, M DROIT W, A CHUNG motifs binaires C.Dominant locaux pour la classification de texture Traitement .Image IEEE Transactions on, 200918 (5): 1107-1118.

GUO Z, ZHANG L, classification de texture invariante ZHANG D.Rotation en utilisant la variance de la lombalgie (de LBPV) avec correspondance globale .Pattern reconnaissance, 2010,43 (3): 706-719.

MEHTA R, EGIAZARIAN K.Dominant mis en rotation motifs binaires locales (DRLBP) pour la classification de texture .Pattern lettres de reconnaissance, 2016,71: 16-22.

GUO Z, ZHANG L, ZHANG D.Procédé terminé la modélisation de l'opérateur de modèle binaire local pour la classification de texture .IEEE Transactions sur traitement de l'image, 2010,19 (6): 1657.

LIU L, L ZHAO, LONG Y, et al.Extended modèles binaires locaux pour la classification de texture .Image & Informatique, 2012,30 (2): 86-99.

ALI A, S HUSSAIN, HAROON F, la reconnaissance et al.Face avec des motifs binaires locales .Bahria Université Journal des technologies de l'information et de la communication, 2012,5 (12): 469-481.

NARENDRA P M, R FITCH C.Real temps amélioration du contraste adaptatif .IEEE Transactions sur le modèle d'analyse et de la machine Intelligence, 1981,3 (6): 655.

LOWE D l'image G.Distinctive dispose de points clés à l'échelle invariante .International Journal of Computer Vision, 2004,60 (2): 91-110.