论文部分内容阅读
在计算机视觉和模式识别领域,纹理分类是一个重要的研究课题。纹理分类方法已经成功应用到很多领域。近年来,人们提出了各种特征提取的方法用于纹理分类。一般来说,分为两大类:空域方法和频域方法。空域方法用于处理图像矩阵空间像素之间的关系。频域方法利用变换系数进行纹理分析。纹理分类方法仍存在以下问题:纹理特征维度高,对旋转、光照、尺度变化、视角变化、噪声等不具有鲁棒性。针对以上的问题,本文提出两种纹理分类方法。基于跳跃细分化局部模式的纹理分类方法包含跳跃性局部差分模式和细分化完整局部二值模式。跳跃性局部差分模式里包含局部区域中的跳跃信息,提取局部区域内邻域像素间的二阶差分计数特征和基于指定距离的对角方向特征,用于抑制噪声和旋转对图像分类的影响。为了捕获被跳跃性局部差分模式遗留下来的细节信息,细分化完整局部二值模式被提出,它是对中心像素及其邻域像素间的非统一模式差分特征进行重新的划分,提取了图像的微观结构信息和宏观结构信息。而且该方法的特征维度较低,计算量小。基于方向极值化局部模式的纹理分类方法包含图像纹理的方向信息和像素强度信息。此方法由局部方向差分计数模式和邻域极值局部模式组成。前者从中心像素的奇数邻域和偶数邻域中提取不同方向的差分信息。后者提取的是局部区域内极值的位置信息（最大值,最小值）,局部区域内极值与邻域像素点间的旋转不变统一模式信息,以及引入求余模型,获得基于极值的中心像素点压缩信息。在国际上公认的标准纹理数据库（Brodatz,CUReT,UIUC,VisTex,Kylberg,Kth-tips2-a,OutexTC00010,DTD,Prague,Stex,Kth-tips2-a）上的实验证明,本文所提出的两种纹理图像分类方法与其它六种具有代表性的纹理分类方法相比,对不同的成像条件,例如旋转、光照,尺度变化、视角变化,噪声等具有鲁棒性,可以获得更令人满意的分类性能。