申请/专利权人：东华理工大学

申请日：2019-03-22

公开（公告）日：2020-03-17

公开（公告）号：CN109977849B

主分类号：G06K9/00(20060101)

分类号：G06K9/00(20060101);G06K9/32(20060101);G06K9/46(20060101);G06K9/62(20060101)

优先权：

专利状态码：有效-授权

法律状态：2020.03.17#授权;2019.07.30#实质审查的生效;2019.07.05#公开

摘要：本发明公开了一种基于迹变换的图像纹理特征融合提取方法，该方法将迹变换进一步泛化，迹变换的三重纹理特征用到的泛函可以是其他特征提取方法。本方法先预处理图像，再通过迹线采样提取特征并全方位扫描图像，获得所有迹线特征，然后进行特征编码得到融合纹理特征向量。本发明实质提供了一种迹变换与其他特征提取方法的融合框架，在此框架下能衍生出各种不同的融合方法。通过本发明获得的融合纹理特征能抵抗光照及RST变化，对不同纹理图像有较好的泛化描述能力，鉴别力更高，稳定性更好，且改善了迹变换特征无实际物理意义的问题。

主权项：1.一种基于迹变换的图像纹理特征融合提取方法，其特征在于，顺序执行以下步骤：S1：图像预处理：输入待检测图像，对待检测图进行的预处理操作包括截取ROI区域、降灰度级和图像扩充或缩放，截取ROI区域为可选步骤，预处理后的图像记为I；S2：迹线扫描整幅图像：为减少采样误差，此步骤通过图像旋转及选择固定增量步长的迹线来实现，即对图像I以给定角度Δφ旋转，使所有等间距不同步长的迹线均旋转为垂直于水平轴的状态；S3：迹线特征提取：对所有迹线采样并进行特征提取，获得反映迹线特性的信息，所述迹线纹理特征提取采用任一种取代迹变换算法中迹泛函的图像特征提取方法；S4：特征编码：采用直方图归一化方法进行特征编码，首先将每个角度i的所有迹线特征记为Ai＝[Di1，…，Dij，…，Din]i∈[1，360]，n为迹线条数，Dij是对迹线特征的描述，再统计Ai中每个特征值出现的频率，计算所有Ai的直方图，并对直方图进行归一化处理；S5：输出融合纹理特征向量：将S4得到的所有Ai的统计直方图连接成一个特征向量，得到能够表征一张图像的融合纹理特征向量；还包括步骤S6：将S5得到的融合纹理特征与采用其它方法获得的图像特征进行多特征融合，输出最终的融合特征向量表征图像，S6中采用其它方法获得的图像特征为迹变换特征、颜色特征、几何特征、统计特征中的任意一种或几种组合；对步骤S5和步骤S6的结果进行增加特征选择或特征降维处理，以减少特征量。

全文数据：一种基于迹变换的图像纹理特征融合提取方法技术领域本发明涉及计算机视觉技术在目标识别、图像检索等领域中的应用，特别是涉及一种基于迹变换的图像纹理特征融合提取方法。背景技术图像特征提取在图像处理中起着关键性的作用，如何从图像中提取反应图像本质并具有强适应性的特征一直是图像处理及计算机视觉等领域的核心研究内容。众所周知，最常见的图像特征包括纹理、颜色和形状等，在这些特征的提取过程中，研究人员都试图寻找一些不变特征，当图像内容发生旋转、缩放、平移或是有光照及拍摄视点变化时，这些特征量具有不变性。图像不变特征分析方法主要有矩理论分析、相关性分析、傅里叶描述子、自回归模型、尺度不变特征转换等，还有就是使用Radon域及其泛化分析的方法，Radon变换将旋转变换转化为参数平移，能提取具有图像几何不变性的特征，迹变换TraceTransform，TT则是Radon变换的推广，通过迹变换能提取图像旋转、缩放及平移不变特征，近十几年迹变换已逐渐成为图像处理及计算机视觉等领域的研究热点之一。迹变换首先由Kadyrov.A和Petrou.M在1998年提出，他们同时提出了基于迹变换的三重不变特征提取理论。使用迹变换能提取图像RSTRotation、ScaleandTranslation不变特征，在不变图像分析领域，迹变换具有重要的几何不变特征提取理论意义，已经引起研究者的极大兴趣。目前已有大量研究迹变换的相关文献，迹变换已被广泛应用于各类图像分析识别中，如图像配准、人脸识别、行为识别、彩色图像分类、地震勘探等。AlbukhanajerW.A.使用迹变换获得更优分类性能的多分类器组合，并提出了进化迹变换算法theevolutionarytracetransform，ETT，ETT能提取不同版本相同图像的高不变性特征。SrisukS等人提出了形状迹变换ShapeTraceTransform,STT来表征人脸图像，通过一个新的Hausdorff上下文测度方法来估计两张人脸图像形状之间的相异性，其研究结果为人脸表示提供了一种新的具有较高鉴别性能的表征方法。吴宁等出了基于迹变换的径向迹时频峰值滤波方法并应用于中国东北部地震信号增强研究，在中国东北的合成地震数据上进行强噪声可衰减实验，表现出良好的性能。于冬岩在相似度度量方法的选择上，根据实验结果选择了改进的Hausdorff距离作为相似度度量方法，对基于Trace变换的不变特征提取算法和其他参考算法进行了对比实验，其结果表明基于Trace变换不变特征的图像检索方法对于存在RST变换的查询图像有较好的检索效果。迹变换通过图像重建和泛函组合作用提取图像不变特征，对图像定义不同的泛函能映射出不同的迹变换结果，通过迹变换提取的特征具有优秀的纹理描述性能，但迹变换需要众多的泛函组合来表征图像，其计算代价较高，且数学函数没有实际物理意义，缺乏对图像视觉特性的表达，若能针对不同问题不同应用选取合适的特征与迹变换融合有利于降低计算代价，且有利于迹变换的推广应用。发明内容发明目的：为了克服现有技术中存在的不足，本发明提供一种基于迹变换的图像纹理特征融合提取方法，其充分利用迹变换特征较高的鉴别能力，同时把图像特征提取算法融合进迹变换的三重纹理特征提取过程中，融合多图像纹理特征来表征图像，能够降低迹变换的计算代价，并赋予迹变换特征实际的物理意义，最终获得更泛化更优鲁棒性的图像纹理特征。技术方案：为实现上述目的，本发明采用的技术方案为：一种基于迹变换的图像纹理特征融合提取方法，其特征在于，顺序执行以下步骤：S1：图像预处理：输入待检测图像，对待检测图进行的预处理操作包括截取ROI区域、降灰度级和图像缩放或扩充，截取ROI区域为可选步骤，预处理后的图像记为I；S2：迹线扫描整幅图像：为减少采样误差，此步骤通过图像旋转及选择固定增量步长的迹线来实现，即对图像I以给定角度Δφ旋转，使所有等间距不同步长的迹线均旋转为垂直于水平轴的状态；S3：迹线特征提取：对所有迹线采样并进行特征提取，获得反映迹线特性的信息；S4：特征编码：采用直方图归一化方法进行特征编码，首先将每个角度i的所有迹线特征记为Ai＝[Di1,…,Dij,…,Din]i∈[1,360]，n为迹线条数，Dij是对迹线特征的描述，再统计Ai中每个特征值出现的频率，计算所有Ai的直方图，并对直方图进行归一化处理；S5：输出融合纹理特征向量：将S4得到的所有Ai的统计直方图连接成一个特征向量，得到能够表征一张图像的融合纹理特征向量。作为优选，还包括步骤S6：将S5得到的融合纹理特征与采用其它方法获得的图像特征进行多特征融合，输出最终的融合特征向量表征图像。作为优选，对步骤S5和步骤S6的结果进行增加特征选择或特征降维处理，以减少特征量。作为优选，所述S1中的截取ROI区域操作用于截取表情或人脸图像识别时，从图像中截取只包含人脸的区域；用于对象识别时，从图像中截取只包含对象的区域；S1中的降灰度级操作是将图像转为灰度级数为G的灰度图，G∈{8，16，32，64，128，256}，当G＝256时，表示仅转灰度图，但不作降级处理。作为优选，所述S1中的图像扩充操作，当图像大小为a×b时，将其扩充为正方形图像，扩充后的正方形大小为扩充部分值为0，记为作为优选，所述S3中的迹线纹理特征提取采用任一种取代迹变换算法中迹泛函的图像特征提取方法。作为优选，所述图像特征提取方法采用HOG图像纹理特征提取算法，具体算法步骤包括：先计算图像I的方向梯度，再用迹线扫描整幅梯度图像；在某个旋转角度i下，对第j条迹线t等分采样并进行HOG编码，计算所有垂直于水平轴的迹线的HOG纹理特征Dij，步骤S4中的直方图为方向梯度直方图。作为优选，所述图像特征提取方法采用LBP纹理特征提取算法，具体算法步骤为：直接用迹线扫描图像I，然后在每条迹线上采样并进行LBP编码，计算所有垂直于水平轴的迹线的LBP纹理特征，采样方式采用中心点等分采样法。作为优选，所述S4中对直方图进行归一化处理的公式为：其中Tmin为最小特征值，Tmax为最大特征值，ki表示图像中特征值为i的像素个数，Pi表示特征值i出现的频率，N表示图像的全部像素数，统计直方图归一化所用的特征值采用二进制数Dij转化为十进制后的数值。作为优选，所述S6中采用其它方法获得的图像特征为迹变换特征、颜色特征、几何特征、统计特征中的任意一种或几种组合。有益效果：本发明实质提供了一种基于迹变换与其他特征提取算法的融合框架，在这个框架下可以衍生出成千上万种具体的融合算法，本发明具体提供了基于迹变换的THOG或TLBP两种方法，详细说明了融合流程。采用本发明方法获得的融合纹理特征具有RST不变性，对不同纹理图像有较好的泛化描述能力，具有更高的稳定性。前期的THOG和TLBP实验结果表明，本发明获得的具体有益效果如下：1对低分辨率图像鉴别效果更优；2截取ROI的预处理过程去除了无价值信息和不利信息的影响，降低灰度级减少了大量冗余信息的产生且降低了计算复杂度，最终获得的纹理特征具备了更高的鉴别性能；3迹线全局扫描的方式与迹线上采用局部特征提取方法相结合，使得最终的特征兼顾了全局与局部关系描述的效果，描述信息更全面；4能有效抵抗光照变化及RST变化，相比频域特征如GABOR特征等存在不变性的优势；5该融合方法使得迹变换特征无实际物理意义的问题得到了根本的改善。附图说明图1为本发明的一种基于迹变换的图像纹理特征融合提取方法的流程图；图2为本发明的对图像截取ROI区域示意图；图3为本发明的迹变换参数定义图和通过图像扩充旋转进行迹线扫描示意图；图4为本发明的在迹线上采用双中心点等间距采样的示意图；图5为本发明的对采样点使用LBP编码的一个示例图；图6为本发明的相同图像的HOG特征与THOG特征效果比较；其中1为原图，2为HOG梯度图，3为HOG特征可视化结果，4为THOG特征可视化结果；图7为采用本发明的一种基于迹变换的图像纹理特征融合提取方法的TLBP特征可视化结果，其迹线采样使用图4的双中心点采样方法，7-1为原图，7-2为TLBP特征效果图；图8是实施例一TLBP实验中，随灰度级降低TLBP识别率增高情况的示意图；图9是图8中对应的均方差浮动情况的示意图。具体实施方式下面结合附图对本发明作更进一步的说明。本发明公开了一种基于迹变换的图像纹理特征融合提取方法，图1为流程图，顺序执行以下步骤：S1：图像预处理：输入待检测图像，对待检测图像执行的预处理操作包括截取ROI区域、降灰度级和图像缩放或扩充，预处理后图像记为I，其中，1截取ROI区域：ROI区域指检测图像中感兴趣的区域，用于去除图像中无用信息对性能的不利影响。截取ROI区域时依据应用需求可选，如图2所示，以表情或人脸图像识别为例，从图像中截取只包含人脸的区域；若是用于对象识别，则从图像中截取只包含对象的区域。本操作依据应用需求可选。比如表情图库，头发和背景是没有价值的信息，就需要取ROI；但若是人的识别，头发信息就是有价值的信息，不能去除，而一些只有人头部的图库就不需要截取。2降灰度级：将图像转为灰度级数为G的灰度图，G∈{8，16，32，64，128，256}，当G＝256时，表示仅转灰度图，但不作降级处理；3图像扩充：表示经缩放后的图像大小为a×b时，将其扩充为正方形图像，大小为扩充部分值为0，记为S2：迹线扫描整幅图像：图3为迹变换的参数定义及图像旋转示意图，图像I中任意一条迹线t的位置由一组φ，ρ表示，φ为迹线t的法线与水平轴的夹角，ρ为迹线t与坐标原点O的垂直距离；为了减少计算误差，预防误差累积，提高采样精度及简化方法，迹线扫描整幅图像通过图像旋转来及选择固定增量步长的迹线来实现，旋转增量为步长增量为Δρ，则所有等间距不同步长的迹线均旋转为垂直于水平轴的状态。由于在S1步骤中对原图像进行了扩充，防止了图片旋转导致的部分边角图像信息超出原图范围的情况，避免了图像信息缺失的问题。S3：对所有迹线采样并进行特征提取：获得反映迹线特性的信息。通过迹变换获得图像的三重特征的过程如公式2所示：ΠI＝ΦPTIφ,ρ,t2其中I表示图像，Iφ,ρ,t表示在图2左部分定义的参数系上图像的投影，T、P、Φ分别表示定义在参数t,ρ,φ上的数学泛函；对于迹变换来说，将迹变换结果进一步作用于不同泛函组合，能获得不同的图像三重特征，进行特征编码后，所得特征向量即可用来表征图像，若采用了不变泛函或敏感泛函，则图像三重特征具有RST不变性。KadyrovA和MPetrou在文献[1]Thetracetransformanditsapplications[J].IEEETransactionsonPatternAnalysis&MachineIntelligence,2001,238:811-828.中定义了不变泛函和敏感泛函，不变特征的构建条件，迹变换参数变化规则及泛函的选取方法。本发明是对迹变换的进一步泛化，其中的迹泛函T泛函不仅可以是数学函数，还可以是任意的图像特征提取方法。此步骤有如下2种实施方法：①仅用图像特征提取方法替换迹泛函，后面继续通过不同Φ、P泛函组合的级联作用获得图像纹理特征。②去掉Φ、P泛函，将T泛函换成其他图像特征提取方法，即在迹线上采样提取其他图像特征，并进行特征编码表征原图。本发明的步骤S3实质上给出了一种融合方法的框架，框架里面选用哪种具体特征提取方式不惟一。以HOG纹理特征提取为例，需先计算图像I的方向梯度，再用迹线扫描整幅梯度图像，在某个旋转角度i下，对第j条迹线t等分采样并进行HOG编码，获得的HOG特征值记为Diji∈[1,360]，j∈[1,n]，Dij即是对迹线t的一种纹理特征描述；计算所有垂直于水平轴的迹线的纹理特征Dij。另以LBP纹理特征提取为例，直接用迹线扫描图像I，然后在每条迹线上采样提取LBP特征，同样可获得每条迹线的纹理特征Dij。采样方式可采用中心点等分采样法，中心点可以是2个或1个，如图4所示。Dij编码公式如下：Dij10＝d0d1…dk…dB-12,dk∈{0,1}，B＝8，i∈[1,360]，j∈[1,n]3其中B为围绕中心点等间距获取的采样点数，dk为除中心采样点外的像素与中心采样点像素比较结果的二进制数值表示，如果采样点的像素大于中心采样点的像素值，则标记为1，否则标记为0，Dij10为该串二进制数值转化的十进制数，则Dij特征值有28＝256种。图5为一个具体的LBP编码示例。S4：特征编码：特征编码可以采用直方图归一化方法，首先将每个角度i的所有迹线特征记为Ai＝[Di1,…,Dij,…,Din]i∈[1,360]，n为迹线条数，再统计Ai中每个特征值出现的频率，计算所有Ai的直方图，其计算公式如下，并对直方图进行归一化处理。其中Tmin为最小特征值，Tmax为最大特征值，ki表示图像中特征值为i的像素个数，Pi表示特征值i出现的频率，N表示图像的全部像素数，统计直方图归一化所用的特征值采用二进制数Dij转化为十进制后的数值。当步骤S3采用的迹线特征提取方式不同时，直方图的含义有所不同。以HOG纹理特征提取方法为例，步骤S4中直方图是方向梯度直方图。S5：输出融合纹理特征向量。将S4得到的所有Ai的统计直方图连接成一个特征向量，得到可以表征一张图像的融合纹理特征向量。当步骤S3采用HOG纹理特征提取方法时，由此取得的融合纹理特征定义为基于迹的方向梯度直方图TraceHistogramofOrientedGradient,THOG特征，图6给出了THOG特征与传统HOG特征的效果比较；当步骤S3采用LBP纹理特征提取方法时，由此取得的融合纹理特征定义为基于迹的局部二值模式TraceLocalBinaryPattern，TLBP特征，图7即为对一张人脸图像经过以上步骤得到的TLBP特征效果图。所以，当选择不同的迹线特征提取方法，将获得不同的基于迹的融合纹理特征提取方法。S6：为提高鉴别性能，针对不同应用场合可以进一步将S5得到的融合纹理特征与其他特征进行多特征融合，输出最终的融合特征向量表征图像，此步骤可选。这里的其他特征可以是任何其他图像特征，如传统迹变换特征，颜色特征、几何特征、统计特征等。特别的，为减少特征信息冗余及去除不利特征，对步骤S5和步骤S6的结果均可以增加特征选择或特征降维方法，以减少特征量。特征选择可以是计算特征信息权重等，特征降维可以是主成分分析及其改进算法等。实施例一：本发明实施例一选用英国剑桥Olivetti实验室拍摄的ORL人脸数据库用于做分类识别，该库总共有400幅图像，分属40个人即有40个类别，每类10幅，图像尺寸是92×112×3，图像背景为黑色。本实验先将所有图片转为92×112灰度图并进行图像扩充处理，每类随机选取其中7张图像用于训练，剩余3张用于测试，分类器使用LibSVM。实验结果显示，在100次随机样本选取的分类识别中，本发明方法的识别率与均方差明显比迹变换采用616种泛函组合及2DNPP+Trace文献[3]算法的更好，识别波动范围更小，性能更稳定。实验结果如表1所示。结合图8和图9实验结果显示，分辨率更低的情况下，识别结果依然保持得好，甚至更优。如图2至图7所示，本实施例一的方法包括以下具体步骤：S1：将原图像转为二维的灰度图，并扩充至正方形，结果图像记为I，其边长为原输入图像对角线的长度，扩充部分值为0。S2：用迹线扫描整幅图像I。对图像I以给定角度Δφ旋转，使所有不同步长的迹线均旋转为垂直于水平轴的状态，如图3所示。S3：采用2个中心点等分采样方法对垂直的每条迹线t获取2×8个采样点，如图4所示，并用LBP编码替代T泛函，同时去除Φ、P泛函级联，即在迹线上进行LBP编码。图5为一个具体的LBP编码示例。S4：对提取到的LBP值作直方图归一化。S5：输出TLBP融合纹理特征向量。将S4得到的所有Ai的统计直方图连接成一个特征向量，得到可以表征一张图像的融合纹理特征向量TLBP，图7为对一张人脸图像经过以上步骤得到的TLBP特征效果图。S6：为提高鉴别性能，进一步将TLBP特征与迹变换特征进行融合，输出最终的融合特征向量表征人脸图像。人脸识别的关键步骤是提取人脸特征，然而人脸图像中存在各种难以预测的变化因素，如拍照角度、距离、光照、表情、形迹、分辨率等，这些因素容易导致训练样本与测试图像的严重数据偏差。本发明的方法对研究寻找人脸图像中的不变特征量具有重要意义，当图像有光照变化、拍摄视点变化或是有几何形变时，这些特征量具有不变性。本发明方法具有更好的泛化能力，适用于对各种不同图像纹理特征的提取，上述实施例为其中一种在人脸图像分析的应用示例。实施例二：本发明实施例二选用YALE人脸表情数据库、ORL人脸库、UIUC纹理库中各一张图片作为示例图片，用于给出直观的原图、HOG特征及THOG特征的比较效果。如图2至图6所示，本实施例的操作方法包括以下具体步骤：S1：对待检测图像截取ROI区域YALE、ORL库适用，并转为二维灰度图，进一步扩充至正方形，结果图像记为I，大小为80×80，其边长为ROI区域对角线长，扩充部分值为0。S2：用迹线扫描整幅图像I：对图像I以给定角度Δφ旋转，使所有不同步长的迹线均旋转为垂直于水平轴的状态，如图3所示。S3：提取所有迹线的HOG特征：设置cell大小为一条迹线的大小，本实施例设置参数为：'CellSize',[803],'BlockSize',[11]。图6为UIUC和YALE图库中相同图像的HOG特征与THOG特征效果比较。S4：对提取到的THOG值作直方图归一化。S5：输出TLBP融合纹理特征向量：将S4得到的所有Ai的统计直方图连接成一个特征向量，得到可以表征一张图像的融合纹理特征向量THOG，图7为对一张人脸图像经过以上步骤得到的THOG特征效果图。S6：为提高鉴别性能，进一步将THOG特征与迹变换特征进行融合，输出最终的融合特征向量表征人脸图像。实验结果如表1所示。表1参考文献：[1]KadyrovA,MPetrou.Thetracetransformanditsapplications[J].IEEETransactionsonPatternAnalysis&MachineIntelligence,2001,238:811-828.[2]KadyrovA,PetrouM.Thetracetransformasatooltoinvariantfeatureconstruction[A].FourteenthInter-nationalConferenceonPatternRecognition[C].IEEE,1998.1037-1039.[3]施展,杜明辉,梁亚玲.基于2DNPP和Trace变换的平面内旋转人脸识别[J].华南理工大学学报自然科学版,2012,408:46-50.以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

权利要求：1.一种基于迹变换的图像纹理特征融合提取方法，其特征在于，顺序执行以下步骤：S1：图像预处理：输入待检测图像，对待检测图进行的预处理操作包括截取ROI区域、降灰度级和图像扩充或缩放，截取ROI区域为可选步骤，预处理后的图像记为I；S2：迹线扫描整幅图像：为减少采样误差，此步骤通过图像旋转及选择固定增量步长的迹线来实现，即对图I以给定角度Δφ旋转，使所有等间距不同步长的迹线均旋转为垂直于水平轴的状态；S3：迹线特征提取：对所有迹线采样并进行特征提取，获得反映迹线特性的信息；S4：特征编码：采用直方图归一化方法进行特征编码，首先将每个角度i的所有迹线特征记为Ai＝[Di1,…,Dij,…,Din]i∈[1,360]，n为迹线条数，Dij是对迹线特征的描述，再统计Ai中每个特征值出现的频率，计算所有Ai的直方图，并对直方图进行归一化处理；S5：输出融合纹理特征向量：将S4得到的所有Ai的统计直方图连接成一个特征向量，得到能够表征一张图像的融合纹理特征向量。2.根据权利要求1所述的一种基于迹变换的图像纹理特征融合提取方法，其特征在于：还包括步骤S6：将S5得到的融合纹理特征与采用其它方法获得的图像特征进行多特征融合，输出最终的融合特征向量表征图像。3.根据权利要求2所述的一种基于迹变换的图像纹理特征融合提取方法，其特征在于：对步骤S5和步骤S6的结果进行增加特征选择或特征降维处理，以减少特征量。4.根据权利要求1所述的一种基于迹变换的图像纹理特征融合提取方法，其特征在于：所述S1中的截取ROI区域操作用于截取表情或人脸图像识别时，从图像中截取只包含人脸的区域；用于对象识别时，从图像中截取只包含对象的区域；S1中的降灰度级操作是将图像转为灰度级数为G的灰度图，G∈{8，16，32，64，128，256}，当G＝256时，表示仅转灰度图，但不作降级处理。5.根据权利要求1所述的一种基于迹变换的图像纹理特征融合提取方法，其特征在于：所述S1中的图像扩充操作，当图像大小为a×b时，将其扩充为正方形图像，扩充后的正方形大小为扩充部分值为0，记为6.根据权利要求1所述的一种基于迹变换的图像纹理特征融合提取方法，其特征在于：所述S3中的迹线纹理特征提取采用任一种取代迹变换算法中迹泛函的图像特征提取方法。7.根据权利要求6所述的一种基于迹变换的图像纹理特征融合提取方法，其特征在于：所述图像特征提取方法采用HOG图像纹理特征提取算法，具体算法步骤包括：先计算图像I的方向梯度，再用迹线扫描整幅梯度图像；在某个旋转角度i下，对第j条迹线t等分采样并进行HOG编码，计算所有垂直于水平轴的迹线的HOG纹理特征Dij，步骤S4中的直方图为方向梯度直方图。8.根据权利要求6所述的一种基于迹变换的图像纹理特征融合提取方法，其特征在于：所述图像特征提取方法采用LBP纹理特征提取算法，具体算法步骤为：直接用迹线扫描图像I，然后在每条迹线上采样并进行LBP编码，计算所有垂直于水平轴的迹线的LBP纹理特征，采样方式采用中心点等分采样法。9.根据权利要求1所述的一种基于迹变换的图像纹理特征融合提取方法，其特征在于：所述S4中对直方图进行归一化处理的公式为：其中Tmin为最小特征值，Tmax为最大特征值，ki表示图像中特征值为i的像素个数，Pi表示特征值i出现的频率，N表示图像的全部像素数，统计直方图归一化所用的特征值采用二进制数Dij转化为十进制后的数值。10.根据权利要求2所述的一种基于迹变换的图像纹理特征融合提取方法，其特征在于：所述S6中采用其它方法获得的图像特征为迹变换特征、颜色特征、几何特征、统计特征中的任意一种或几种组合。

百度查询： 东华理工大学 一种基于迹变换的图像纹理特征融合提取方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD