纹理特征提取方法:LBP, 灰度共生矩阵

纹理特征提取方法:LBP, 灰度共生矩阵

在前面的博文《图像纹理特征总体简述》中,笔者总结了图像纹理特征及其分类。在这里笔者对其中两种算法介绍并总结。

参考网址: 《纹理特征提取》 《【纹理特征】LBP 》 《灰度共生矩阵(GLCM)理解》 《灰度共生矩阵的理解》 《图像的纹理特征之灰度共生矩阵 》

参考论文: 《基于灰度共生矩阵提取纹理特征图像的研究》——冯建辉 《灰度共生矩阵纹理特征提取的Matlab实现》——焦蓬蓬

一. LBP

1. 算法简介

LBP方法(Local binary patterns, 局部二值模式)是一种用来描述图像局部纹理特征的算子;它的作用是进行特征提取,提取图像的局部纹理特征。 LBP是一个计算机视觉中用于图像特征分类的一个方法,用于纹理特征提取。后来LBP方法与HOG特征分类器与其他机器学习算法联合使用。

2. 算法原理

LBP算法的核心思想,是以某个像素点为中心,与其邻域像素点共同计算。关于邻域像素点的选择方法,其实并不唯一:

  • 原始的LBP算子定义的是在3*3的窗口内,以窗口中心像素为阈值,将相邻的8个像素点灰度值与其进行比较;
  • 后来的LBP算法也将相邻8个像素点的位置改成了环形邻域内8个点(也可能是环形邻域多个点),进行顺时针或逆时针的比较。

这里选择环形邻域的方法进行说明: 窗口中心的像素点作为中心,该像素点的像素值作为阈值。然后将周围8个像素点的灰度值与该阈值进行比较,若周围某像素值大于中心像素值,则该像素点位置被标记为1;反之,该像素点标记为0。 如此这样,该窗口的8个点可以产生8位的无符号数,这样就得到了该窗口的LBP值,该值反应了该窗口的纹理信息。如下图所示:

图中,中心像素点的像素值作为阈值,其值v = 3;周围邻域8个像素值中,有3个比阈值小的像素点置0,5个比阈值大的像素点置1。

LBP算法的计算公式如下:

3. 算法流程

LBP纹理特征向量,一般以图像分块LBP直方图表示。具体步骤如下:

  • 图像划分若干为N × N的图像子块(如16 × 16),计算每个子块中每个像素的LBP值;
  • 对每个子块进行直方图统计,得到N × N图像子块的直方图;
  • 对所有图像子块的直方图进行归一化处理;
  • 连接所有子块的归一化直方图,便得到了整幅图像的纹理特征。

得到了整幅图像的LBP纹理特征后,便可以利用SVM或者其他机器学习算法进行分类了。

4. 算法源码

这两天笔者将会对源码进行测试封装,以后会上传到我的GitHub网站上。

二. 灰度共生矩阵(GLCM)

1. 算法简介

灰度共生矩阵法(GLCM, Gray-level co-occurrence matrix),就是通过计算灰度图像得到它的共生矩阵,然后透过计算该共生矩阵得到矩阵的部分特征值,来分别代表图像的某些纹理特征(纹理的定义仍是难点)。灰度共生矩阵能反映图像灰度关于方向、相邻间隔、变化幅度等综合信息,它是分析图像的局部模式和它们排列规则的基础。 对于灰度共生矩阵的理解,需要明确几个概念:方向,偏移量和灰度共生矩阵的阶数。

  • 方向:一般计算过程会分别选在几个不同的方向来进行,常规的是水平方向0°,垂直90°,以及45°和135°;
  • 步距d:中心像元(在下面的例程中进行说明);
  • 灰度共生矩阵的阶数:与灰度图像灰度值的阶数相同,即当灰度图像灰度值阶数为N时,灰度共生矩阵为N × N的矩阵;

2. 算法实现步骤

(1) 提取灰度图像

计算纹理特征第一步,就是将多通道的图像(一般指RGB图像)转换为灰度图像,分别提取出多个通道的灰度图像。 纹理特征是一种结构特征,使用不同通道图像得到的纹理特征都是一样的,所以可以任意选择其一。

(2) 灰度级量化

一般在一幅图像中的灰度级有256级,从0–255。但在计算灰度共生矩阵时我们并不需要256个灰度级,且计算量实在太大,所以一般分为8个灰度级或16个灰度级。 而且当分成8个灰度级时,如果直接将像素点的灰度值除以32取整,会引起影像清晰度降低,所以进行灰度级压缩时,首先我们会将图片进行直方图均衡化处理,增加灰度值的动态范围,这样就增加了影像的整体对比效果。 注:笔者后文中的例子中,为了简要说明,所以灰度等级简单设置为4。

(3) 计算特征值的参数选择

计算特征值前,先选择计算过程中的一些参数:

  • 滑动窗口尺寸:一般选择5×5或7×7的滑动窗口进行计算特征值;
    • 注:后文笔者选择了6×6的窗口矩阵,只是随意进行举例说明,一般还是选维度为5或7的滑动窗口矩阵;
  • 步距d:一般选择d = 1,即中心像素直接与其相邻像素点做比较运算;
  • 方向选择:计算灰度共生矩阵的方向一般为0°,45°,90°,135°四个方向;求出四个方向矩阵的特征值后,可以通过计算四个特征值的平均值作为最终特征值共生矩阵;
    • 注:如果选择其他方向,则在每个方向上都会得到相当繁多的纹理特征,不利于使用的效率。

(4) 纹理特征值的计算与纹理特征影像生成

下面分部且适当的使用一些例子说明计算过程:

A. 单个窗口的灰度共生矩阵计算

为了达到简单说明计算纹理特征值的目的,笔者此处做简要的假设:灰度被分为4阶,灰度阶从0–3;窗口大小为6 × 6; 窗口A的灰度矩阵A如下:

窗口B的灰度矩阵B如下:

此处以左上角元素为坐标原点,原点记为(1, 1);以此为基础举例,第四行第二列的点记为(4, 2);

情景1:d = 1,求0°方向矩阵A的共生矩阵: 则按照0°方向(即水平方向从左向右,从右向左两个方向),统计矩阵值(1, 2),则如下图所示:

此时满足矩阵值(1, 2)统计条件的值,共有8个,所以该窗口对应的GLCM统计矩阵的(1, 2)位置元素的值即为8。若统计矩阵值(3, 0),则如下图所示:

此时满足矩阵值(3, 0)统计条件的值,共有7个,所以该窗口对应的GLCM统计矩阵的(1, 2)位置元素的值即为7。又由于此例设定的灰度级只有4级,所以灰度共生矩阵GLCM是一个4×4的矩阵。 最后的GLCM 4 × 4统计矩阵结果如下:

情景2:d = 1,求45°方向矩阵A的共生矩阵: 按照情景1,同理可得此时的统计矩阵结果如下:

情景3:d = 1,求0°与45°方向矩阵B的共生矩阵: 与前面同理,可以得到矩阵B的统计及矩阵结果如下:

矩阵A, B的其余90°、135°矩阵与上面同理,所以笔者偷懒略去。

这样,我们就已经计算得到了单个窗口的灰度共生矩阵的各个方向的矩阵,下面就要用刚才算出的矩阵计算灰度共生矩阵特征值。 用P表示灰度共生矩阵的归一化频率矩阵,其中i, j表示按照某方向同时出现于两个像素的某两个级别的灰度值,所以P(i, j)表示满足这种情况的两个像素出现的概率。 以上述情景2中的矩阵为例: 原矩阵为:

归一化后,矩阵形式变为:

B. 单个窗口的灰度共生矩阵特征值的计算

灰度共生矩阵理论的前辈Haralick等人用灰度共生矩阵提出了14中特征值,但由于灰度共生矩阵的计算量很大,所以为了简便,我们一般采用四个最常用的特征来提取图像的纹理特征:能量、对比度、相关度、熵

a. 能量(角二阶距)

能量是灰度共生矩阵各元素的平方和,又被称角二阶距。它是图像纹理灰度变化均一的度量,反映了图像灰度分布均匀程度和纹理粗细程度。

b. 对比度

对比度是灰度共生矩阵主对角线附近的惯性矩,它体现矩阵的值如何分布,反映了图像的清晰度和纹理沟纹的深浅。

c. 相关度
相关度体现了空间灰度共生矩阵元素在行或列方向上的相似程度,反映了图像局部灰度相关性。
d. 熵
熵体现了图像纹理的随机性。若共生矩阵中所有值都相等,取得最大值;若共生矩阵中的值不均匀,则其值会变得很小。

求出该灰度共生矩阵各个方向的特征值后,再对这些特征值进行均值和方差的计算,这样处理就消除了方向分量对纹理特征的影响。

C. 滑动窗口的移动

一个滑动窗口计算结束后,该窗口就可以移动一个像素点,形成另一个小窗口图像,重复进行上一步的计算,生成新窗口图像的共生矩阵和纹理特征值; 以此类推,滑动窗口遍历完所有的图像像素点后,整个图像就形成了一个由纹理特征值构成的一个纹理特征值矩阵。

之后,就可以将这个纹理特征值矩阵转换成纹理特征图像。

3. 算法源码

笔者已经对源码进行测试了封装,并上传到了笔者的GitHub网站上。 GitHub:https://github.com/upcAutoLang/GLCM-OpenCV

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏大数据挖掘DT机器学习

深度学习CTPN+CRNN模型实现图片内文字的定位与识别(OCR)

源码(PyTorch实现)github 地址: 在公众号 datadw 里 回复 OCR 即可获取。 1:样本获取 **算法论文:** Synt...

8185
来自专栏塔奇克马敲代码

ECEF和大地坐标系的相互转化

1906
来自专栏云时之间

深度学习与神经网络:单层感知机应用(二分类)

因为单层感知器的特性适合于做分类问题,借这个例子我们去实际体会下单层感知器的二分类问题:

5043
来自专栏CreateAMind

最近比较火的三个GAN应用及代码--Pix2pix

Pix2pix是一个全新的工具,旨在允许任何类型的图像变换的应用程序无关的训练。所需要的是包含图像对A和B的数据集,并且可以训练网络以变换到任一方向。可能的应用...

1023
来自专栏计算机视觉

(condition instance batchnorm)A LEARNED REPRESENTATION FOR ARTISTIC STYLE

分享一个不错的对batchnorm的解释https://blog.csdn.net/aichipmunk/article/details/54234646.作者...

672
来自专栏云时之间

深度学习与神经网络:单层感知机应用(二分类)

因为单层感知器的特性适合于做分类问题,借这个例子我们去实际体会下单层感知器的二分类问题: 比如这样一组数据集: X =[ -9,  1, -12, -4,  ...

2966
来自专栏企鹅号快讯

模糊决策树算法FID3

Q A 用户 今天发布什么呢??? ? ? HHY 今天讲决策树算法哦,不同于清晰决策树,利用了模糊逻辑的模糊决策树算法哦! 模糊隶属度 ? (a)三角形隶属度...

2348
来自专栏Small Code

【Python | TensorBoard】用 PCA 可视化 MNIST 手写数字识别数据集

Principal component analysis (PCA) is a statistical procedure that uses an orth...

3608
来自专栏塔奇克马敲代码

ECEF和大地坐标系的相互转化

1152
来自专栏wym

模板运算和常见滤波操作

首先我们把所有图像看作矩阵。 模板一般是nxn(n通常是3、5、7、9等很小的奇数)的矩阵。模板运算基本思路:将原图像中某个像素的值,作为它本身灰度值和其相邻...

682

扫码关注云+社区