本发明涉及图像处理领域,尤其涉及一种图像特征的提取方法及设备。
背景技术:
在计算机视觉和数字图像处理技术中,图像特征的表示与获取是一项重要的基础性工作。近年来,局部二值模式(Local Binary Pattern,LBP)的特征提取方法在纹理分析和人脸识别应用中取得了显著的成果。LBP提取原理相对简单,计算复杂度低,且具有旋转不变性和灰度不变性等显著优点,因而该被广泛地应用于纹理分类、图像检索、人脸识别、目标的检测与跟踪、生物和医学图像分析、遥感图像分析等领域。
利用不同尺度下LBP特征谱的多区域直方图序列来描述图像纹理特征,称之为多尺度LBP特征,多尺度LBP相对于单尺度LBP具有更高的识别率。多尺度LBP直方图序列是由不同尺度下的LBP直方图串联构成,然而,多尺度LBP直方图串联具有前提条件,即假设不同尺度的LBP之间相互独立。由于自然图像的连续性,图像局部必然具有相关性,因而独立性假设并不成立,导致串联模式的多尺度LBP直方图序列特征具有较高的冗余性,特征的识别率受到一定的限制。
综上所述,目前的多尺度LBP特征的提取受到独立性假设的限制,使得特征提取效果受到影响。
技术实现要素:
本发明提供一种图像特征的提取方法及设备,用以解决现有技术中存在的对同一图像进行多尺度采集后,得到的图像特征值存在较多冗余的问题。
本发明实施例提供了一种图像特征的提取方法,包括:
确定待处理图像的中心像素点;以所述中心像素点为中心,按照设定的采样尺度序列对所述待处理图像进行N次采样,得到N个采样集合,其中,各采样集合的采样尺度不完全相同,N为大于1的整数;
确定所述N个采样集合中每个采样集合的第一灰度值差值序列,所述第一灰度值差值序列由采样集合中每个采样点的灰度值与所述中心像素点的灰度值的差值构成;
根据第J个采样集合对应的采样尺度在所述采样尺度序列的序列号,对所述N个采样集合的第一灰度值差值序列进行离散余弦变换,得到所述第J个采样集合的第二灰度值差值序列;
对所述第J个采样集合的第二灰度值差值序列中每个采样点的第二灰度值差值进行符号化处理,得到所述第J个采样集合中每个采样点的符号函数值;
根据所述第J个采样集合中每个采样点的符号函数值,确定所述第J个采样集合的局部二值模式特征值。
较佳地,所述根据所述第J个采样集合中每个采样点的符号函数值,确定所述第J个采样集合的局部二值模式特征值,包括:对所述第J个采样集合进行旋转不变性的均匀模式编码,得到所述第J个采样集合的局部二值模式特征值。
较佳地,所述以所述中心像素点为中心,按照设定的采样尺度序列对所述待处理图像进行N次采样,得到N个采样集合,包括:
若初始采样点数为M,则直接将M个采样点作为采样集合的采样点;
若初始采样点数为K*M,则对相邻的K个采样点的灰度值进行平均计算得到一个平均采样点,将得到的M个平均采样点作为采样集合的采样点。
较佳地,若初始采样点为非像素采样点,通过对所述非像素采样点的相邻像素点进行双线性插值计算,得到所述非像素采样点的灰度值。
较佳地,所述根据第J个采样集合对应的采样尺度在所述采样尺度序列的序列号,对所述N个采样集合的第一灰度值差值序列进行离散余弦变换,得到所述第J个采样集合的第二灰度值差值序列,包括:
根据如下公式计算第J个采样集合的第二灰度值差值序列:
其中,pQ为第Q个采样集合的第一灰度值差值序列,PJ为第J个采样集合的第二灰度值差值序列,其中J=0,1,...,N-1,Q=0,1,...,N-1。
较佳地,所述对所述第J个采样集合的第二灰度值差值序列中每个采样点的第二灰度值差值进行符号化处理,得到所述第J个采样集合中每个采样点的符号函数值,包括:
根据如下公式,确定第J个采样集合中第i个采样点的符号函数值:
其中,为第J个采样集合中第i个采样点的符号函数值,为第J个采样集合中第i个采样点的第二灰度值差值。
较佳地,所述对所述第J个采样集合进行旋转不变性的均匀模式编码,得到所述第J个采样集合的局部二值模式特征值,包括:
根据如下公式计算第J个采样集合的局部二值模式特征值:
其中,
为第J个采样集合的局部二值模式特征值,为第J个采样集合中第i个采样点的符号函数值,M为第J个采样集合的采样点数。
较佳地,所述采样尺度随采样尺度序列的序列号依次递增。
较佳地,所述确定所述第J个采样集合的局部二值模式特征值之后,还包括:计算所述待处理图像的全局特征值,根据N个采样集合的局部二值模式特征值及所述全局特征值,确定N个二维直方图,串联所述N个二维直方图。
较佳地,所述计算所述待处理图像全局特征值,包括:根据如下公式计算所述待处理图像全局特征值:
其中,CLBP_C为所述待处理图像的全局特征值,xc为所述待处理图像中心像素点的灰度值,为所述待处理图像灰度值均值。
本发明实施例还提供一种图像特征的提取设备,包括:
采样模块:用于确定待处理图像的中心像素点;以所述中心像素点为中心,按照设定的采样尺度序列对所述待处理图像进行N次采样,得到N个采样集合,其中,各采样集合的采样尺度不完全相同,N为大于1的整数;
第一确定模块:用于确定所述N个采样集合中每个采样集合的第一灰度值差值序列,所述第一灰度值差值序列由采样集合中每个采样点的灰度值与所述中心像素点的灰度值的差值构成;
第二确定模块:用于根据第J个采样集合对应的采样尺度在所述采样尺度序列的序列号,对所述N个采样集合的第一灰度值差值序列进行离散余弦变换,得到所述第J个采样集合的第二灰度值差值序列;
第三确定模块:用于对所述第J个采样集合的第二灰度值差值序列中每个采样点的第二灰度值差值进行符号化处理,得到所述第J个采样集合中每个采样点的符号函数值;
第四确定模块:用于根据所述第J个采样集合中每个采样点的符号函数值,确定所述第J个采样集合的局部二值模式特征值。
较佳地,所述第四确定模块具体用于:对所述第J个采样集合进行旋转不变性的均匀模式编码,得到所述第J个采样集合的局部二值模式特征值。
较佳地,所述采样模块具体用于:
若初始采样点数为M,则直接将M个采样点作为采样集合的采样点;
若初始采样点数为K*M,则对相邻的K个采样点的灰度值进行平均计算得到一个平均采样点,将得到的M个平均采样点作为采样集合的采样点。
较佳地,所述采样模块具体用于:若初始采样点为非像素采样点,通过对所述非像素采样点的相邻像素点进行双线性插值计算,得到所述非像素采样点的灰度值。
较佳地,所述第二确定模块具体用于:根据如下公式计算第J个采样集合的第二灰度值差值序列:
其中,pQ为第Q个采样集合的第一灰度值差值序列,PJ为第J个采样集合的第二灰度值差值序列,其中J=0,1,...,N-1,Q=0,1,...,N-1。
较佳地,所述第三确定模块具体用于:根据如下公式,确定第J个采样集合中第i个采样点的符号函数值:
其中,为第J个采样集合中第i个采样点的符号函数值,为第J个采样集合中第i个采样点的第二灰度值差值。
较佳地,所述第四确定模块具体用于:根据如下公式计算第J个采样集合的局部二值模式特征值:
其中,
为第J个采样集合的局部二值模式特征值,为第J个采样集合中第i个采样点的符号函数值,M为第J个采样集合的采样点数。
较佳地,所述采样尺度随采样尺度序列的序列号依次递增。
较佳地,本发明实施例提供的图像特征的提取设备,还包括直方图模块:用于计算所述待处理图像的全局特征值,根据N个采样集合的局部二值模式特征值及所述全局特征值,确定N个二维直方图,串联所述N个二维直方图。
较佳地,所述直方图模块具体用于:根据如下公式计算所述待处理图像全局特征值:
其中,CLBP_C为所述待处理图像的全局特征值,xc为所述待处理图像中心像素点的灰度值,为所述待处理图像灰度值均值。
本发明实施例通过离散余弦变换和符号化处理对多尺度采样后的图像进行去相关,降低了不同尺度特征之间的相关性和局部特征之间的信息冗余性,具有较低维度和较高抗噪性;此外,通过去相关处理避免了在对图像数据计算特征值和特征向量时产生的大量计算,简化了特征提取时的计算过程。本发明实施例提出的图像特征的提取方法,弱化了独立性假设的限制,提取方法简单且特征识别率高。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的图像特征提取方法的流程示意图;
图2为本发明实施例提供的一种平均采样示意图;
图3为本发明实施例提供的一种多尺度LBP采样实例示意图;
图4为本发明实施例与现有技术中的多尺度LBP特征提取对比示意图;
图5为本发明实施例提供的多尺度LBP联合直方图示意图;
图6为本发明实施例提供的多尺度LBP串联直方图示意图;
图7为本发明实施例提供的一种图像特征的提取设备示意框图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部份实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
需要说明的是,本实施例中的图像特征提取方法可应用于多个领域,例如:纹理分类、人脸识别、目标的检测与跟踪等,在此不做限制。
实施例一:
如图1所示,本发明实施例图像特征提取方法的方法包括:
步骤101:确定待处理图像的中心像素点;以中心像素点为中心,按照设定的采样尺度序列对待处理图像进行N次采样,得到N个采样集合,其中,各采样集合的采样尺度不完全相同,N为大于1的整数。
具体地,待处理图像可以是一副完整的图像,也可以是对一个图像进行划块后的各个块图。已知待处理图像的各个像素点的灰度值,以中心像素点为中心,采样尺度为半径对中心像素点的领域进行采样,其中领域范围可以为圆形邻域,也可以为其他形状的邻域,在此不做限制。
进一步地,为了降低特征之间的冗余性,采样尺度可随采样尺度序列的序列号依次递增,即按照采样尺度从小到大分别对待处理图像进行次采样。
进一步地,若初始采样点为非像素采样点,则通过对非像素采样点的相邻像素点进行双线性插值计算,得到该非像素采样点的灰度值。具体地,可通过待处理图像中邻近非像素采样点的4个像素点进行双线性插值,得到非像素采样点的灰度值。
进一步地,为确保采样的准确性,随着采样尺度的增大,对应的采样点也会增多。若初始采样点数为M,则直接将M个采样点作为采样集合的采样点;若初始采样点数为K*M,则对相邻的K个采样点的灰度值进行平均计算得到一个平均采样点,将得到的M个平均采样点作为采样集合的采样点。其中,采样集合的采样点数M一般取值为8,若其中一个采样集合的初始采样点数24,则对该集合中相邻的3个采样点的灰度值进行平均计算,得到8平均采样点,并将此8个平均采样点作为该采样集合的采样点。本发明实施例通过这种平均采样的方法,提高了局部特征的抗噪性。
本发明实施例中,采样集合的采样尺度可以相同,也可以不同,只要保证各采样集合的采样尺度不完全相同即可。此外,各采样尺度对应的采样点数可以相同,也可以不同,在此不做限制。
步骤102:确定所述N个采样集合中每个采样集合的第一灰度值差值序列,所述第一灰度值差值序列由采样集合中每个采样点的灰度值与所述中心像素点的灰度值的差值构成。
具体地,N个采样集合中每个采样集合包含M个采样点,即M×N个采样点。分别对M×N个采样点的灰度值与待处理图像的中心像素点的灰度值进行差值,得到N个采样集合的第一灰度值差值序列。
步骤103:根据第J个采样集合对应的采样尺度在采样尺度序列的序列号,对N个采样集合的第一灰度值差值序列进行离散余弦变换,得到第J个采样集合的第二灰度值差值序列。
进一步地,根据公式(1)计算第J个采样集合的第二灰度值差值序列:
式中,pQ为第Q个采样集合的第一灰度值差值序列,PJ为第J个采样集合的第二灰度值差值序列,J和Q表示采样集合的序列号,取值范围为0到N-1,即J=0,1,...,N-1,Q=0,1,...,N-1。
具体地,通过离散余弦变换对图像的多尺度特征进行处理,降低了不同尺度特征之间的相关性和冗余性,与利于改善于后续的图像特征的提取的效果。
步骤104:对第J个采样集合的第二灰度值差值序列中每个采样点的第二灰度值差值进行符号化处理,得到第J个采样集合中每个采样点的符号函数值;
进一步地,根据公式(2)确定第J个采样集合中第i个采样点的符号函数值:
式中,为第J个采样集合中第i个采样点的符号函数值,为第J个采样集合中第i个采样点的第二灰度值差值,i各个采样集合中采样点的序列号。
具体地,在符号函数中,若则取值为1;若则取值为0。通过步骤103的离散余弦变换和步骤104的符号化处理弱化了各个尺度的图像特征之间的相关性。
步骤105:根据所述第J个采样集合中每个采样点的符号函数值,确定所述第J个采样集合的局部二值模式特征值。
进一步地,对第J个采样集合进行旋转不变性的均匀模式编码,得到第J个采样集合的局部二值模式特征值。具体地,根据公式(3)计算第J个采样集合的局部二值模式特征值:
式中,
其中,为第J个采样集合的局部二值模式特征值,为第J个采样集合中第i个采样点的符号函数值,M为第J个采样集合的采样点数。例如,对于M取值为8采样集合,通过公式(3)的变换,将原来8位向量表示的256特征值映射到10个特征值,降低了特征维数,简化了特征提取时的计算过程。
为了反映局部特征之间的相互配置关系,本发明实施例通过统计直方图来描述图像纹理特征,以便将整体和局部结合起来达到更优的图像特征提取效果。
进一步地,在确定N个采样集合的局部二值模式特征值之后,还包括计算待处理图像的全局特征值,并根据N个采样集合的局部二值模式特征值及全局特征值,确定N个二维直方图,并串联N个二维直方图。
具体地,根据公式(4)计算待处理图像全局特征值:
式中,CLBP_C为待处理图像的全局特征值,xc为待处理图像中心像素点的灰度值,为待处理图像灰度值均值。
具体地,在符号函数中,若则CLBP_C取值为1;若则CLBP_C取值为0。
全局特征值CLBP_C与N个尺度的局部二值模式特征值结合,得到N个二维直方图,再分别将各个尺度的LBP直方图串联起来,构成多尺度LBP特征。由于步骤103的离散余弦变换和步骤104的符号化处理弱化了各个尺度的图像特征之间的相关性,因而减小了独立性假设对串联的影响。可见,本发明实施例的多尺度LBP特征能更全面准确地描述图像特征。
本发明实施例通过离散余弦变换和符号化处理对多尺度采样后的图像进行去相关,降低了不同尺度特征之间的相关性和局部特征之间的信息冗余性,具有较低维度和较高抗噪性;此外,通过去相关处理避免了在对图像数据计算特征值和特征向量时产生的大量计算,简化了特征提取时的计算过程。本发明实施例提出的图像特征的提取方法,弱化了独立性假设的限制,提取方法简单且特征识别率高。
实施例二:
下面以采样次数N等于3为例,对本发明作进一步地详细描述。
步骤一:以中心像素点为中心,按照采样尺度1、2和3的序列对待处理图像进行3次采样,得到3个采样集合。
具体地,对于待处理图像中尺度半径为1的邻域进行如下处理:在以中心像素为圆心,半径为1的圆上进行均匀采样,采样点数为8,得到采样集合为
对于待处理图像中尺度半径为2、3的领域进行如下处理:在以中心像素为圆心,半径为2和3的圆上分别进行均匀采样,初始采样点数为24,得到初始采样集合分别为和然后初始采样集合中每相邻的3个采样点取灰度值均值,得到8个平均采样点。
如图2所示,为本发明实施例提供的一种平均采样示意图。其中,初始采样集合为平均采样后的采样集合为具体地,可以通过公式(5)计算每个平均采样点的灰度值:
根据公式(5)可得到尺度半径为2对应的采样集合尺度半径为3对应的采样集合其中,非像素采样点通过在待处理图像中邻近4个像素点进行双线性插值得到。双线性插值为在两个方向分别进行线性插值的过程,为标准的插值计算,在此不做详细说明。
步骤一:确定3个采样集合中每个采样集合的第一灰度值差值序列。
具体地,分别计算3个采样集合和中每个采样点与中心像素点的灰度值差值,得到3个集合的第一灰度值差值序列则其中i=0,1,...,7,J=0,1,2。
如图3所示,为本发明实施例提供的多尺度LBP采样实例示意图。其中,x0={151,134,133,151,148,155,159,160},x1={144,133,136,150,152,156,160,157},x2={154,138,137,145,154,152,153,154}。
步骤三:对3个采样集合的第一灰度值差值序列进行离散余弦变换,得到第二灰度值差值序列
具体地,将N=3,Q=1,2,3代入公式(1),得3个采样集合的第二灰度值差值序列和
式中,i=0,1,...,7,表示每个采样集合中的采样点。对于图3中的实例,根据公式(6)可得:P0={-1,-45,-44,-4,4,13,22,21},P1={17,16,-2,-4,-2,-5,-8,0},P2={3,4,4,-6,6,-3,-6,-6}。
步骤四:对第二灰度值差值序列进行符号化处理,得到符号函数值
具体地,对第二灰度值差值序列进行符号化处理,即将P0,P1,P2代入公式(2),得到符号函数值若则取值为1;若则取值为0。对于图3中的实例,根据公式(2)可得:SP0={0,0,0,0,1,1,1,1},SP1={1,1,0,0,0,0,0,1},SP1={1,1,1,0,1,0,0,0}。
步骤五:根据符号函数值确定局部二值模式特征值
具体地,根据公式(3),计算各个尺度的采样集合对应的局部二值模式特征值且的取值为0到9。对于图3中的实例,根据公式(3)得,
图4为本发明实施例与现有技术中的多尺度LBP特征提取对比示意图。为了验证本发明实施例的去相关效果,对离散余弦变换后的第二灰度值差值序列进行相关性验证,分别计算P0与P1+t,P0与P2+t,P0与P1+t得到24个值,其中t=0,1,…,7(表示向量循环右移的位数),计算24个值的平均值得到中心像素的相关性度量。对待处理图像中的所有像素采用相同的方法计算相关性,并计算所有像素点相关性度量的平均值得到待处理图的相关性度量。为了不失一般性,在OUTEX(纹理数据库)中统计分析,得到现有技术中的多尺度LBP图像特征相关性的平均值为0.393,本发明实施例的多尺度LBP图像特征相关性的平均值为0.248。可见,本发明实施例的图像特征提取方法具有明显的去相关效果。
为了对图像特征进行完整提取,本发明实施例通过统计直方图来描述图像纹理特征。具体地,通过公式(4)计算待处理图像的全局特征值CLBP_C,分别对和CLBP_C、和CLBP_C、和CLBP_C计算二维联合直方图。统计所有像素的联合特征的直方图,可以得到3个二维直方图,每个二维直方图有20个特征,如图5所示,对每个像素可以得到一个(CLBP_C)值,统计直方图统计待处理图像中每个可能的(CLBP_C)的个数,直方图横坐标表示每个(CLBP_C)的可能取值,直方图的纵坐标表示(CLBP_C)的个数。将3个二维直方图串联,得到60维特征,为了便于分类器处理,将二维直方图转换为一维直方图,得到本发明实施例的多尺度LBP特征,如图6所示。
将多尺度LBP特征作为待处理图像的特征向量,从而使高维的LBP特征转化为低维的LBP直方图特征,简化了特征提取时的计算过程。此外,由于离散余弦变换和符号化处理弱化了各个尺度的图像特征之间的相关性,减小了独立性假设对串联的影响。可见,本发明实施例的多尺度LBP特征能更全面准确地描述图像特征。
本发明实施例通过离散余弦变换和符号化处理对多尺度采样后的图像进行去相关,降低了不同尺度特征之间的相关性和局部特征之间的信息冗余性,弱化了独立性假设的限制,从而更优地结合图像的全局特征进行图像特征提取。本发明实施例统筹了局部和全局特征,提取方法简单且特征识别率高。
实施例三:
相应地,本发明实施例提供一种图像特征的提取设备,如图7所示,包括:
采样模块701:用于确定待处理图像的中心像素点;以中心像素点为中心,按照设定的采样尺度序列对待处理图像进行N次采样,得到N个采样集合,其中,各采样集合的采样尺度不完全相同,N为大于1的整数;
第一确定模块702:用于确定N个采样集合中每个采样集合的第一灰度值差值序列,第一灰度值差值序列由采样集合中每个采样点的灰度值与中心像素点的灰度值的差值构成;
第二确定模块703:用于根据第J个采样集合对应的采样尺度在采样尺度序列的序列号,对N个采样集合的第一灰度值差值序列进行离散余弦变换,得到第J个采样集合的第二灰度值差值序列;
第三确定模块704:用于对第J个采样集合的第二灰度值差值序列中每个采样点的第二灰度值差值进行符号化处理,得到第J个采样集合中每个采样点的符号函数值;
第四确定模块705:用于根据第J个采样集合中每个采样点的符号函数值,确定第J个采样集合的局部二值模式特征值。
进一步地,第四确定模块705具体用于:对第J个采样集合进行旋转不变性的均匀模式编码,得到第J个采样集合的局部二值模式特征值。
进一步地,采样模块701具体用于:若初始采样点数为M,则直接将M个采样点作为采样集合的采样点;若初始采样点数为K*M,则对相邻的K个采样点的灰度值进行平均计算得到一个平均采样点,将得到的M个平均采样点作为采样集合的采样点。
进一步地,采样模块701还用于:若初始采样点为非像素采样点,通过对非像素采样点的相邻像素点进行双线性插值计算,得到非像素采样点的灰度值。
进一步地,第二确定模块703具体用于:根据公式(1)确定第J个采样集合的第二灰度值差值序列。
进一步地,第三确定模块704具体用于:根据公式(2)确定第J个采样集合中第i个采样点的符号函数值。
进一步地,第四确定模块705具体用于:根据公式(3)确定第J个采样集合的局部二值模式特征值。
进一步地,本发明实施例中采样尺度随采样尺度序列的序列号依次递增。
进一步地,本发明实施例提供的图像特征的提取设备,还包括直方图模块:用于计算待处理图像的全局特征值,根据N个采样集合的局部二值模式特征值及全局特征值,确定N个二维直方图,串联N个二维直方图。
进一步地,直方图模块具体用于:根据公式(4)计算待处理图像全局特征值。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。