基于擴展的LBP算子地板塊紋理分類研究

曹 軍，王愛斐，陳 宇

(東北林業大學機電工程學院，哈爾濱 150040)

地板紋理是評定地板等級的重要標準，如何對其進行定量定性測量和分選是木材紋理識別領域的一大難題。隨著計算機技術的快速發展，國內外學者將計算機視覺技術引入木材識別領域，為木材紋理識別問題提供了新思路［1-2］。

在提取紋理特征的研究方面，國內外學者進行了廣泛探索，提出了許多描述紋理特征的算法，在木材紋理方面具有代表性的方法有灰度共生矩陣法、馬爾可夫隨機場、分形法以及小波法等，均取得了一定的成果。近年來提出一種簡單、但功能強大的紋理分析方法——局部二值模式 (Local Binary Pattern，LBP)，它是一種灰度尺度不變的紋理算子，通過比較中心像素值與鄰域像素值的大小得到的二進制碼來反映局部紋理特征，已廣泛應用于紋理分割、人臉識別等領域，但至今尚未應用于木材紋理識別。隨著LBP算子日漸成熟，以及其灰度尺度魯棒性好、計算速度快、無參量等優點［3］，該算子在木材紋理識別領域也會具有較好的發展前景。

本文提出了一種基于擴展的LBP算子地板塊紋理分類方法，采用中值濾波法減少噪點對紋理特征的干擾。針對傳統的LBP算子特征總量大且不能較好地區分由圖像旋轉得到的同類紋理圖像的缺點，將均勻模式和旋轉不變性與傳統的LBP算子相融合，提取地板塊紋理特征。最后經KNN分類器實現地板塊紋理分類。實驗結果表明該方法識別速度快、準確率高，實用價值大。

1 算法原理

局部二值模式 (Local Binary Pattern，LBP)最早由Ojala等人于1996年提出，是一種描述灰度范圍內紋理特征的算子。LBP最初定義為:3×3窗口中，以中心像素的灰度值為閾值，周圍8個像素灰度值與其比較，小于閾值標記為0，反之，標記為1。由標記值組成的8位二進制數的值即為LBP值。基本方法如圖1所示。

圖1 LBP基本算法實例Fig．1 LBP basic algorithm example

2002年，Ojala對LBP算子做了修改，形成以下系統理論。

在灰度圖像中，定義一個半徑為R(R＞0)的圓環形鄰域，P(P＞0)個鄰域像素點均勻分布在圓周上。設該鄰域中心像素的紋理為T，則T可用該鄰域中P+1個像素的函數定義［4］:

式中，g0，gM1，…gP－1為P個鄰域像素的灰度值;gc為其中心像素的灰度值。若設中心像素坐標為(xc，yc)，則其鄰域像素坐標 (xi，yi)為:

當坐標 (xi，yi)不在像素中心時，通過雙線性內插法計算該位置的灰度值。如圖2所示為三種不同的P，R值所對應的圓環形鄰域。

圖2 三種LBP模式Fig．2 Three kinds of LBP mode

與原始LBP算子相似，將鄰域像素灰度值減去中心像素灰度值得到局部紋理特征T［5］:

假設差值g0，g1，…gP－1獨立于gc，則上式可表示為:

這種假設雖會導致紋理信息少量丟失，但卻可以使得局部紋理描述在灰度范圍內具有平移不變性［6］。又由于t(gc)代表的是圖像各個像素的灰度值，與圖像的局部特征無關，故可忽略不計，得到:

公式 (5)差值函數記錄了鄰域中每個像素的紋理模式，為使定義的紋理不受灰度值單調變化的影響，在此只考慮差值符號:

由此得到一個P位的二進制數，乘以相應位置權重求和得LBP值:

為了使旋轉后圖像的LBP值不發生變化，M?enp??等人在LBP算子中加入了旋轉不變性，即將圓形鄰域上的點旋轉得到P個LBP值，取最小值作為該鄰域的LBP值［7］:

式中，ROR(x，i)是旋轉函數，表示將x的二進制數按位右移i次，在此表示對P個像素點逆時針轉動i(i＜P)次。

研究發現，有些模式出現的頻率很低，而有一類模式可視為紋理的基本屬性，它能涵蓋大部分紋理模式，稱之為均勻模式 (uniform pattern)。該模式下，P位二進制編碼中最多有兩個0到1或者1到0的變化［8］。均勻性的度量表示如下:

式中，gP=g0，滿足U≤2的模式稱為均勻模式，該模式可明顯減少特征數量。將均勻模式與旋轉不變性相結合，可使鄰域P中的均勻模式由P×(P-1)+2個減少為P+1個，這P+1個模式稱為旋轉不變均勻模式，用表示［9］:

將圖像旋轉90度，比較旋轉前后兩幅圖像的LBP8，1直方圖和直方圖。結果如圖 3 所示。

圖3 旋轉前后圖像的LBP直方圖Fig．3 Image LBP histogram before and after rotation

由圖3可知將均勻模式和旋轉不變性與LBP算子相融合，既可大幅度地減少特征總量，為后續紋理分類減少計算量，又可保證旋轉后的圖像與原圖像具有相同的LBP特征值。

分類器選用K最鄰近節點算法 (K-Nearest Neighbor algorithm，KNN)，它是一種傳統統計模式識別算法。其基本思想是在已知訓練集中各樣本類別的前提下，計算測試樣本與訓練集中各樣本的距離，統計與其距離最近的K個訓練樣本所屬的類別，將測試樣本歸類為K個樣本中類別最多的那類，達到分類的目的。

2 仿真與實驗結果

實驗中選用了兩種典型的地板塊紋理進行分類，如圖4所示。

圖4 兩種地板塊紋理Fig．4 Two kinds of plate texture

從圖4中可以看出兩類地板塊紋理區別明顯:a類紋理走勢彎曲，結構相對復雜，b類紋理走勢橫向，結構不復雜。實驗中選取訓練樣本40個，其中a類樣本和b類樣本各20個。選取測試樣本20個，a類和b類各10個。圖片大小均為512×512、bmp格式。

由于LBP算子是在灰度值的基礎上，通過比較鄰域與中心值大小確定的最終值，因此，像素點之間不是獨立存在的，一個像素值的改變會引起鄰近區域LBP值也發生改變，它們之間相互影響，對噪聲非常敏感。所以，在運用LBP算子提取圖像紋理特征之前需對圖像進行一定的濾波，以消除部分噪聲的影響。在此采用傳統的中值濾波方法。

濾波后運用LBP算子提取40個訓練樣本的紋理特征，完成訓練階段。測試階段，同樣經中值濾波和LBP提取20個測試樣本的紋理特征，使用KNN分類器完成地板塊紋理分類。

在運用LBP算子提取紋理特征時，需確定圓形鄰域半徑R和鄰域像素點數P，這兩個參數共同決定了提取的地板塊紋理特征。實驗中采用3種不同的 (P，R)組合，即 (8，1)、 (8，2)和(16，2)，分別計算擴展的LBP算子。見表1為不同 (P，R)組合的實驗結果。

表1 不同 (P，R)組合的實驗結果Tab．1 Experimental results of different(P，R)combinations

從表中可以看出 (P，R)為 (8，2)或(16，2)時識別率可達100%，但 (16，2)時計算量較大，得到的直方圖維數高，導致分類時間較長。故選擇 (8，2)組合。

針對上述訓練樣本和測試樣本采用灰度共生矩陣提取 0°，45°，90°，135°的 4個方向的能量、熵、對比度以及相關性特征值，使用KNN分類器。結果見表2。

表2 LBP與GLCM分類結果Tab．2 Classification results of LBP and GLCM

表2表明LBP算子比傳統的灰度共生矩陣法識別準確率高，且處理速度快，具有較高的分類能力。

3 結論

本文提出了一種基于擴展的LBP算子的地板塊紋理分類方法。首先采用中值濾波去除圖像噪點，減少噪點對紋理特征的干擾。提取紋理特征時，將均勻模式和旋轉不變性與傳統的LBP算子相融合，在保留大部分紋理特征的前提下減少了LBP特征總量，且可保證旋轉后的圖像與原圖像具有相同的LBP特征值，經分類器后可歸為同一類紋理。實驗結果表明該算法適用于地板塊紋理分類，分類準確率高達100%，優于傳統的灰度共生矩陣法，具有很大的實用價值，也為地板塊紋理分類問題提供了一種新的有效方法。

【參 考 文 獻】

［1］王 晗，白雪冰，王 輝．基于空間灰度共生矩陣木材紋理分類識別的研究［J］．森林工程，2007，23(1):32-36．

［2］徐華東，王立海，倪松運．模態分析技術在木材質量檢測中應用的研究進展［J］．森林工程，2007，23(6):15-17．

［3］宋本欽，李培軍．加入改進LBP紋理的高分辨率遙感圖像分類［J］．國土資源遙感，2010，87(4):40-44．

［4］黃金鈺，張會林，閆日亮．LBP直方圖與PCA的歐式距離的人臉識別［J］．計算機系統應用，2012，21(6):202-204．

［5］Shan C，Gong S，McOwan P W．Robust facial expression recognition using local binary patterns［A］．IEEE Int．Conf．on Image Processing［C］，2005:914-917．

［6］肖 霄．圖像LBP特征提取的研究與應用［D］．長春:吉林大學，2011．

［7］Ojala T，Pietik?inen M，M?enp?? T．Multiresolution gray-scale and rotation invariant texture classification with Local Binary Patterns［J］．IEEE Transactions on Pattern Analysis and Machine Intelligence，2002，24(7):971-987．

［8］胡瑩瑩．旋轉不變紋理分類算法研究［D］．天津:天津大學，2011．

［9］宋翠玉．基于擴展的局部二值模式的圖像紋理及圖像分類應用［D］．青島:山東科技大學，2006．