辛亮亮 宋铁成 张刚高陈强张天骐

纹理是一种重要的视觉特征,它反映了像素灰度的空间分布规律,传达了物体的表面结构信息.提取有效的纹理特征是图像处理和计算机视觉领域研究的基础问题,在纹理分类[1−3]、纹理分割[4]、场景识别[5]、图像匹配[6]等视觉任务中扮演重要角色.由于图像内在的纹理结构呈现多样化以及外部成像条件的不可预知性(如旋转、光照、尺度和视角等变化),提取对各种图像变化具有不变性的纹理特征是一个富有挑战性的问题.

近几十年来,学者们提出了一系列的纹理特征提取方法,包括灰度共生矩阵[7]、马尔科夫随机场[8]、Gabor 滤波[9]和小波变换[10]等.Ojala 等[2]提出了局部二值模式(Local binary pattern,LBP),该方法通过编码像素差分的符号信息来建立直方图特征,具有计算复杂度低、对光照和旋转变化鲁棒等优点.受其启发,研究者们提出了许多LBP的衍生算法[11−12].例如,在提高抗噪性能方面,Tan 等[13]提出了局部三值模式(Local ternary pattern,LTP)将局部差分符号量化为三值模式以降低噪声对像素差分编码值的影响.Song 等[14]利用局部差分模板提出了抗噪的局部对比度模式(Local contrast pattern,LCP).Liu 等[15]基于局部平均的思想提出了对噪声鲁棒的BRINT(Binary rotation invariant and noise tolerant)描述符.在提高特征鉴别力方面,研究者们提出了完整的LBP(Completed LBP,CLBP)[16]、完整的局部二值计数(Completed local binary count,CLBC)[17]和基于变换域的方法,包括局部Gabor二值模式[9]、局部编码变换特征直方图(Locally encoded transform feature histogram,LETRIST)[18]和局部空频模式联合编码(Joint coding of local space-frequency pattern,jcLSFP)[19].

尽管上述LBP的衍生算法获得了一定成功,但是它们对图像的光照反转变化十分敏感……