冀　中，刘　青，聂林红，庞彦伟

天津大学电子信息工程学院，天津300072

ISSN 1673-9418 CODEN JKYTA8

Journal of Frontiers of Computer Science and Technology 1673-9418/2016/10(03)-0389-09



基于卷积神经网络的纹理分类方法研究*

冀中+，刘青，聂林红，庞彦伟

天津大学电子信息工程学院，天津300072

ISSN 1673-9418 CODEN JKYTA8

Journal of Frontiers of Computer Science and Technology 1673-9418/2016/10(03)-0389-09

E-mail: fcst@vip.163.com

http://www.ceaj.org

Tel: +86-10-89056056

* The National Natural Science Foundation of China under Grant Nos. 61271325, 61472273 (国家自然科学基金); the Elite Scholar Program of Tianjin University under Grant No. 2015XRG-0014 (天津大学“北洋学者-青年骨干教师”项目).

Received 2015-05,Accepted 2015-07.

CNKI网络优先出版: 2015-07-14, http://www.cnki.net/kcms/detail/11.5602.TP.20150714.1558.001.html

摘要：深度卷积神经网络（convolutional neural network，CNN）在许多计算机视觉应用中都取得了突破性进展，但其在纹理分类应用中的性能还未得到深入研究。为此，就CNN模型在图像纹理分类中的应用进行了较book=390,ebook=94为系统的研究。具体而言，将CNN用于提取图像的初步特征，此特征经过PCA（principal component analysis）降维后可得到最终的纹理特征，将其输入到SVM（support vector machine）分类器中便可获得分类标签。在4个常用的纹理数据集上进行了性能测试与分析，结果表明CNN模型在大多纹理数据集上均能取得很好的性能，是一种优秀的纹理特征表示模型，但其对包含旋转和噪声的纹理图像数据集仍不能取得理想结果，需要进一步提升CNN的抗旋转能力和抗噪声能力。另外，有必要构建具有足够多样性的大规模纹理数据集来保证CNN性能的发挥。

关键词：纹理分类；卷积神经网络（CNN）；计算机视觉

1　引言

纹理在自然界中广泛存在，几乎所有自然界事物的表面都是一种纹理，它包含了图像的表面信息与其周围环境的关系，兼顾了图像的宏观信息和微观结构，因此纹理分析在计算机视觉和多媒体分析领域占据重要地位。传统的纹理分类算法以局部二值模式（local binary pattern，LBP）[1]为代表，并以它为基础提出了一系列……