基于改進LBP的紋理特征提取算法

張云錦

（中國直升機設計研究所，江西 景德鎮 333000）

0 引 言

紋理是對物體表面特有屬性的描述。不同紋理之間屬性上存在較大差異，因此可根據紋理之間的差異對不同類別的紋理進行區分，即紋理分類。紋理分類是圖像處理、模式識別等領域中重要的研究課題，在近幾十年吸引了大量科研人員的關注。

隨著紋理分類研究的不斷深入，國內外研究人員提出了多種紋理特征描述方法，如灰度差分統計、灰度共生矩陣（Gray Level Cooccurrence Matrix, GLCM）等。雖然上述方法的計算復雜程度較低，但對紋理細節的描述不夠準確，忽略信息較多，從而導致無法提取多尺度圖像特征。隨后，小波變換理論、馬爾可夫隨機場等方法相繼被提出。小波變換理論可以處理得到不同分辨率下的紋理特征，該方法雖然能較好地避免噪聲對于紋理特征提取的影響，但對邊緣模糊及受光照干擾圖像的處理效果較差。

針對以上紋理特征提取方法中存在的問題，2002年，Ojala 等人首次提出了用于描述圖像局部空間結構的局部二值模式（Local Binary Pattern, LBP）紋理描述算子。通過鄰域像素與中心像素之間的差異信息提取紋理特征，該算法計算簡單，抗干擾性較好，因此在醫學圖像處理、運動跟蹤、人臉識別等領域取得了廣泛應用。

然而，傳統的LBP 算子仍存在設計上的缺陷。該算子僅考慮鄰域像素與中心像素之間的差異，忽略了局部鄰域像素強度信息，因此魯棒性較差。為此，眾多學者對其進行了改進研究。Jin 等人提出一種改進LBP（Improved Local Binary Pattern, ILBP）紋理特征描述算法，該算法對傳統LBP 算子的中心像素的取值方式進行改進，利用鄰域像素與該區域內所有像素值的均值的差異進行二進制編碼，增強了算法對于噪聲的魯棒性。Tan 等人提出了一種局部三值（Local Ternary Pattern, LTP）紋理特征描述算法，該算法引入閾值，將鄰域像素與中心像素灰度值之間的差值分別與所設閾值進行比較，最終得到-1，0，1 三種狀態，在一定程度上降低了算法對噪聲的敏感性。Hafiane 等人提出了一種中值（Median Binary Pattern, MBP）紋理特征描述算法，該算法將首先將鄰域像素點按照灰度值的大小進行排列，并將該序列的中值作為閾值，然后將鄰域像素分別與閾值進行二值量化，同時中心像素也參與二值量化，最終得到九位二進制串，提高了算法對紋理特征的提取性能。但是，以上改進紋理特征算法普遍存在對噪聲敏感且魯棒性較差的問題。

為提高紋理特征算子的抗噪穩健性，本文在原始LBP 算子基礎上提出將紋理方向信息融合到紋理特征中的方法，利用紋理的方向特性來提高特征提取算法的魯棒性。

1 局部二值模式紋理特征描述算子

1.1 傳統LBP 紋理描述算子

原始LBP 算子提取特征時，首先將鄰域像素值與中心像素的像素值進行比較，如果其大于或等于中心像素值，則該位編碼為1，否則編碼為0。然后根據不同位置對應的權重將此二進制編碼加權累加，從而得到該中心像素的局部二進制模式，如圖1所示。

圖1 原始LBP 算子計算紋理特征示例

為了提高算子的表征性能以及便于獲取較大半徑下的紋理特征信息，Ojala 等人提出采用圓形鄰域系統代替最初的矩形鄰域系統來作為LBP 提取紋理特征的算子，從而計算出該像素點的LBP 計算值，并以該值反映此區域的紋理信息。圓形鄰域算子如圖2所示。

圖2 改進LBP 紋理特征描述算子結構圖示

將中心像素與鄰域像素進行比較最終得到該中心點相對應的二進制編碼，然后根據不同位置對應的權重將此二進制編碼加權累加，所得即為該點的LBP 紋理特征值。設（，）為圖像中的某一中心像素點，則該點的LBP 紋理特征值表達式如下：

式中：

式中X表示中心點，表示圓形鄰域的半徑，表示該鄰域上采樣點的數目，X表示以為半徑的圓周上等角間隔且均勻分布的個像素點，X的下標第三個值用來表示某個鄰域像素的位置。

對于一副圖像而言，對每個像素點的LBP 紋理特征值進行計算并通過不同描述算子進一步降低紋理特征值的維數后，統計每個特征值出現的次數，進而得出圖像的特征直方圖，即為所提取的圖像特征。

為便于利用特征直方圖進行分類計算，需對LBP 紋理特征進行降維并重新編碼。Ojala 在圓形LBP 算子的基礎上提出旋轉不變模式以及旋轉不變均勻模式2 描述算子，描述算子表示將傳統的LBP 算子提取得到的二進制串不斷旋轉，之后將所得到個不同的二進制串所表示十進制中值最小的作為該中心像素最終的LBP 紋理特征二進制串。描述算子2 在模式基礎上，將二進制相鄰序列中0 和1 之間的跳變次數小于或等于2 定義為均勻模式，變換次數大于2 則定義為非均勻模式，進一步降低了紋理特征的維數。

傳統LBP 紋理特征描述算法雖然實現起來相對容易，但其抗干擾性差，限制了其在紋理分類、人臉識別等領域中的應用。

1.2 改進的局部二值模式（ILNRBP）紋理特征描述算子

由于大部分圖像受到不確定的噪點干擾，而傳統LBP紋理特征算子對于噪點干擾的魯棒性較低，因此，本文提出一種改進的局部抗噪二值模式（Improved Local Noise Robustness Binary Pattern, ILNRBP）紋理描述算子。與傳統LBP 紋理描述算子的不同，ILNRBP 紋理描述算子將各鄰域像素點的灰度值由該鄰域像素點周圍四個鄰域像素點的均值替換，然后以T 為閾值，將鄰域像素灰度替換值與中心像素灰度值的差值二值量化得到圖像某一像素點的紋理特征二進制串，最后根據不同位置對應的權重將此二進制編碼加權累加，得到該點的ILNRBP 紋理特征值。如式（3）：

式中：

式中X表示中心點。表示半徑，表示該鄰域上采樣點的數目，表示某個鄰域像素的位置，為閾值。（X，）表示以鄰域像素X為中心，以為半徑的圓形鄰域上等角間隔的四個鄰域像素值的均值，如式（5）：

本算法將鄰域像素與中心像素灰度值的比較結果分別與閾值T 進行比較，防止因噪點等微小波動對有效紋理特征的提取造成干擾，極大地提高了對噪聲的穩健性，ILNRBP 算子提取圖像紋理特征值如圖3所示。

圖3 ILNRBP 紋理特征描述算子結構圖示

利用ILNRBP 算子對圖像所有像素點進行二進制編碼，然后根據不同位置對應的權重對所有二進制編碼進行加權累加，進而得到所有像素點的特征值，之后得出該幅圖像的紋理特征直方圖H。

2 實驗

2.1 數據集說明

為驗證ILNRBP 算子的有效性，在經典數據集Outex（TC10，TC12_000，TC12_001）上進行LBP、ILNRBP算子紋理分類準確率對比實驗，表1是對各數據集的說明。

表1 各數據集說明

2.2 實驗分類方法說明

本文首先利用紋理描述算子提取圖像紋理統計直方圖，并將其作為圖像特征。然后采用卡方距離（chi-square，2）來計算特征直方圖之間的距離，并計算其預測類別，如式（6）：

式中，分別表示兩個特征直方圖，表示特征直方圖維數大小，q，l分別表示特征直方圖，的第個值。

然后分別將每幅圖像的預測類別與數據集提供的準確類別標簽進行對比。最后通過統計得到對應數據集的紋理分類準確率程度。

2.3 實驗結果及分析

實驗中式（1）和（3）中、取值分別為1、8，式（3）中取值為3。在Outex（TC10，TC12_000，TC12_001）三種數據集中圖像作為本次檢測準確率實驗的訓練、測試樣本。實驗結果如表2所示。

從表2中可以看出，本文提出的ILNRBP 算子在Outex（TC10，TC12_000，TC12_001）紋理庫上識別的準確率顯著優于LBP 算子，說明本算法提取圖像紋理并進行分類時，具有較強的特征鑒別能力。

表2 LBP、ILNRBP 算子紋理分類準確率比較

在數據集Outex_TC10、OutexTC12_000、OutexTC12_001上進行紋理分類實驗時，LBP 算子與本文提出ILNRBP 算子在半徑與中心像素點鄰域比較點數目相同時，在模式下，ILNRBP 算子對其分類的準確率比LBP 算子分別高4.38%、3.03%、1.02%；在2 模式下，ILNRBP 算子對其分類的準確率比LBP 算子分別高3.75%、8.40%、5.18%。實驗說明，本文提出的ILNRBP 算子在紋理分類實驗中表現出更優的準確率，具有較強的區分能力，且在一定程度上提高了算法對于紋理特征提取的穩健性，使得紋理分類的準確率能夠得到較大程度上的提高。

3 結 論

本文針對原始局部二進制特征算子在提取紋理特征時對噪聲敏感度低的問題，提出ILNRBP 算子。本算法與傳統紋理特征提取算法相結合，降低了在鄰域像素點受到干擾時對圖像紋理提取所帶來的影響，使其在處理帶有干擾的紋理圖像處理時具有更優的能力。本文在Outex（TC10，TC12_000，TC12_001）數據集上進行ILNRBP 與傳統局部二進制算子提取紋理特征后分類準確率的對比實驗。實驗結果表明，本文所提出的ILNRBP 算子在進行紋理圖像特征提取時，其分類的準確率要高于傳統紋理描述算子，增強了圖像紋理特征提取的魯棒性。