LBP—自適應增強模型的木材紋理分類

向+東++陳+宇++陳廣勝

摘要：針對傳統木材紋理分類的準確率低且難度大的問題，依據LBP（局部二值）算子和AD-ABOOST（自適應增強）算法理論，提出了LBP-ADABOOST模型對木材紋理進行識別分類，通過均勻旋轉不變特性與原始LBP算子相融合，提取紋理的特征值，結合自適應增強算法，從而訓練得到每類紋理所對應的分類器模型參數，構造分類器，實現對木材紋理準確高效分類，實驗結果表明相比于BP神經網絡，SVM支持向量機等分類算法，該模型的實驗結果誤差率為4%左右，準確率高，實用性強，

關鍵詞：木材紋理分類；LBP算子；ADABOOST算法；分類器

DOI：IO.15938/j.jhust.2015.02.011

中圖分類號：TP391.4

文獻標志碼：A

文章編號：1007-2683（2015）02-0057-06

0 引 言

木材紋理分類是木材優化利用過程的重要部分，木材紋理結構精細復雜、無規律的天然屬性，使得紋理分類一直是木材學的前沿課題.針對不同的研究，國內外學者提出了不同的特征提取及紋理分類算法，非負矩陣分解，灰度共生矩陣法，馬爾可夫隨機場，尺度不變特征變換法等存特征提取方面取得了一定的突破，而常用的分類算法有BP神經網絡，SVM支持向量機，決策樹，極限學習機等.大多紋理分類模型基于以上算法的結合，且取得了一定的成果，此外，我國對于木材紋理分類的研究起步較晚，初期主要是對國外的經驗總結，優化傳統的分類算法，現階段我國的紋理分類技術發展較好，但也存在一定缺陷，主要由于實際應用的訓練樣本在個體之間存在著差異，導致分類算法對分類結果的差異性較大.如何提高木材紋理分類的準確性至關重要，也將是本文的重點.

近些年，一種簡單高效的紋理特征分析方法——局部二值模式（logical binary pattern，LBP）成為了眾多學者研究的對象，在描述、提取局部紋理特征方面取得了很好的效果.此外，Adaboost自適應增強算法是通過訓練樣本特征得到弱分類器，對弱分類器的線性組合得到最終的強分類器，進行分類學習，其在機器學習和數據挖掘方面應用較廣.基于以上表述，本文采用LBP與ADABOOST的融合嘗試進行木材紋理分類，且這種分類算法在木材紋理分類方面應用極少.經實驗，本文提出的基于LBP-ADABOOST模型的木材紋理分類算法達到預期目的，并且正確率明顯高于BP神經網絡，SVM支持向量機，不失為木材紋理分類提供一種有效方法.

1 特征提取

局部二值模式（logical binary pattern，LBP）最早是由Ojala等在1996年提出，是一種描述圖像局部紋理特征的算子，原始的LBP算子定義為在3×3的窗體內，以窗體中心像素為閾值，與相鄰的8個像素的灰度值比較，若周圍像素值大于中心像素值，則該像素點的位置被標記為1，反之為0.這樣，3×3領域內的8個點可產生8bit的無符號數，即得到該窗體的LBP值，并用這個值來反映該區域的紋理信息，如圖l所示：

隨著LBP算子在圖像中的應用，擴展定義一個半徑為R（R>O）的圓形鄰域，B（B>O）個鄰域像素點均勻分布在圓周上面.設定該鄰域中心像素值是C，則C可用該鄰域內的B+1個像素的函數來定義，即其中：gc為中心像素值；g0，g1，gb-1為B個鄰域像素值.中心像素的坐標是（Xc，Yc），則其鄰域坐標（Xi，Yi）為：

當坐標（Xi，Yi）不在中心，通過雙線性內插法，將鄰域的像素值減去中心的像素值計算得到局部的紋理特征像素值C：

假定在實際情況中中心像素值與鄰域像素值的差值g0-gc，gb-1-gc獨立于gc，則（3）可表示為：

由于c（g。）代表的是中心點的像素值，與圖像的局部紋理特征無必然聯系，故可以忽略不計，得到：

上式（5）中的像素差值描述了每個紋理模式，若紋理不受像素值單調變化，只須考慮差值符號即可：

由此可以得到一個B為二進制數，乘以相應的權重2i求和得到LBP特征值：

原始LBP算子是灰度不變的，但不是旋轉不變的，圖像經過旋轉后可得到不同的LBP值.為了便于描述圖像信息，針對圖像旋轉之后還可以得到相同的LBP值，Maenpaa等人提出具有旋轉不變的LBP算子（rotation invariant LBP），不斷旋轉圓形鄰域得到LBP值，取其最小的作為鄰域的LBP值，表述如下式：其中ROI（x，i）是旋轉函數，表示將x的二進制數按位循環右移i次，

但隨著鄰域采點集數的增加，二進制模式的種類急劇增加，達到2B個，這種數量無論是對紋理特征的提取，紋理的分類都是不利的.針對二進制模式的降維問題，Ojala提出一種均勻模式（uniform pat-tern）.均勻模式即根據編碼模式出現頻率的高低，在圓形二進制編碼中，至多有兩個0到1或1到0的變化，表示如下：

上式的結果滿足U≤2的模式時稱為均勻模式，用LBP表示，通過改進，二進制的模式減少，且不會丟失信息，使得原來2B種減少到B（B-1）+2種，降低了特征矩陣的維數.

基于以上兩種性質的優越性，可以將LBP的旋轉不變性與均勻模式結合得到更好的效果，稱為旋轉不變均勻模式用符號LBPriu2表示，定義如下：其中：U（LBPb，r）的計算方法是（10）的表述，該模式下不儀保留了圖像的紋理特征，而且鄰域二進制編碼的種類降到了B+2種，大幅減少了特征總量，本文采用了旋轉不變均勻模式LBP算子提取特征值，并對比了幾種模式下不同分布情況，如圖2所示.可以看出LBP算子在均勻旋轉不變模式下的特征維數相對較少，同時保留了圖像信息，效果最佳，

2 算法原理

1995年SChapire和Freund提出的Adaboost算法，相對于Boosting算法，其自適應在于：前一個分類器分錯的樣本會被用來訓練下一個分類器.Asaboost算法訓練弱分類器的錯誤率相對較大，但是只要它的分類效果比隨機猜測效果要好即可接受，通過對弱分類器的線性組合得到最終的強分類器.同時，Adaboost算法也是一種迭代算法，它允許在每一輪的訓練中加入一個新的弱分類器，直到達到某個預定足夠小的錯誤率.每次訓練樣本都被賦予一個權重，表明它被某個分類器選人訓練集的概率，如果某個樣本特征已經被準確的分類，那么存構造下一個分類器的時候，它再次被選人訓練集的概率會被降低；相反，若沒有準確的分類，那么他的權重就會得到提高，選人下一個分類器訓練集的慨率增大.通過上述迭代過程，Adaboost算法主要將聚焦那些較“困難”的分類樣本上面.