安徽工业大学机械工程学院，安徽 马鞍山 243032
针对传统特征检测算法检测效率低、匹配正确率低和双目视觉测量精度不足等问题，提出一种基于局部信息熵和梯度漂移的双目视觉测量算法。首先，将图像划分成若干子区域，计算各子区域局部信息熵筛选出高熵区域，并利用oriented FAST and rotated BRIEF（ORB）算法检测特征点；其次，采用圆形邻域代替像素点，并对圆形邻域内各像素梯度幅值采用二维高斯加权的方式改进旋转不变local binary patterns（LBP）；然后，与rotated binary robust independent elementary features（rBRIEF）融合生成新的描述子进行特征匹配；最后，提出梯度漂移方法，引入特征点次极大响应值作为辅助因素，结合极大响应值通过坐标迭代更新计算出理想特征点的精确坐标，解决提取特征点坐标不准确的问题，提高测量精度。实验结果表明：所提算法的平均匹配正确率较传统ORB算法提高37.51%，测量最低相对误差达到0.365%。
机器视觉 双目视觉 局部信息熵 改进旋转不变local binary patterns 梯度漂移 测量精度 激光与光电子学进展
2023, 60(12): 1215004
大连理工大学光电工程与仪器科学学院，辽宁 大连 116024
为提升半全局匹配（SGM）算法效率，提出一种基于改进匹配代价计算和路径优化策略的立体匹配算法。代价计算阶段，通过对角线取点方式对局部二值模式（LBP）算子进行优化，降低时间复杂度和数据规模；代价聚合阶段，根据聚合逻辑选择5个方向进行扫描线优化，结合灰度相似性约束和距离约束条件，对聚合路径进行自适应权重赋值；再通过赢者通吃（WTA）策略计算初始视差值，通过左右一致性检测和二次多项式插值算法对视差图作进一步优化。最后算法在Middlebury 2.0和3.0数据平台上进行匹配效率验证，实验结果表明，所提算法相比SGM算法在不损失匹配准确度的情况下，代价计算阶段用时减少63.1%，代价聚合阶段用时减少39.3%，算法整体效率提升54.2%，达到效率提升的目的。
机器视觉 稠密匹配算法 改进局部二值模式算子 自适应权重 视差计算 激光与光电子学进展
2022, 59(16): 1615006
1 安徽大学 农业生态大数据分析与应用技术国家地方联合工程研究中心，安徽 合肥 230601
2 安徽大学 电子信息工程学院，安徽 合肥 230601
如何利用较少训练样本达到高分类精度已成为高光谱遥感领域的重要研究方向和极具挑战性任务。针对高光谱图像包含的丰富光谱与空间信息，提出了一种联合局部二值模式LBP（Local Binary Patterns）与K-最近邻KNN（K-Nearest Neighbors）算法的高光谱图像分类方法。首先，通过主成分分析PCA（Principle Component Analysis）对高光谱数据进行降维；然后，使用LBP提取降维后的高光谱图像空间纹理信息，将光谱与空间特征变量堆叠成空—谱特征向量；最后，输入最近邻分类器得到分类结果。选取Pavia University、Indian Pines和Salinas三种公开高光谱数据集的训练集和测试集作为建模和验证数据源，选取KNN、基于径向基核函数的支持向量机（RBF-SVM）、核联合正交匹配追踪（Kernel Simultaneous Orthogonal Matching Pursuit，KSOMP）三种经典分类算法作为比较。在Pavia University与Indian Pines数据集中随机选取10%作为训练样本，总体精度和Kappa系数分别达到99.15%、98.87%和97.88%、97.58%；在Salinas数据集中随机选取2%作为训练样本，总体精度与Kappa系数为98.46%和98.29%。实验结果表明，在训练样本仅为数据集10%甚至2%的条件下，本文提出的方法仍可达到98%以上的分类精度，可满足训练样本难以获取的应用场景对高分类精度要求。
高光谱遥感 局部二值模式 K-最近邻 空谱特征 主成分分析 hyperspectral remote sensing local binary patterns（LBP） k-nearest neighbors（KNN） spatial and textural features principle component analysis
重庆大学光电技术及系统教育部重点实验室, 重庆 400044
针对传统的高光谱遥感图像分类方法未能充分利用空间信息,提出一种基于高光谱图像重构特征融合的分类方法。该方法首先将图像的每个像素点进行LBP(Local Binary Patterns)特征提取,得到每个像素点的LBP特征值;其次提取出每个像素点的空间邻域块,按照图像已知的标签信息去除每个空间邻域块中冗余的背景像素点,得到新的空间邻域块,利用光谱距离得到每个像素点的权重值并计算重构特征值;然后,将像素点的LBP特征值和重构特征值进行叠加融合,获得重构特征融合值;最后,采用K最近邻分类器将像素点进行分类,根据测试样本点和训练样本点的欧氏距离判断测试样本点的类别。在Indian Pines和Pavia University数据集上进行实验。实验结果表明,所提方法的分类精度分别达到99.06%和99.73%。
遥感 高光谱遥感 LBP特征 空间邻域块 特征融合
南京邮电大学电子与光学工程学院、微电子学院, 江苏 南京210023
烟雾图像检测是及早发现火灾的一种重要手段。针对传统LBP(Local Binary Patterns) 特征与Gabor特征的融合算法存在鲁棒性和检测率低的问题,提出一种TDFF(Triple Multi Feature Local Binary Patterns and Derivative Gabor Feature Fusion)的烟雾检测算法。采用T-MFLBP(Triple Multi Feature Local Binary Patterns)算法分别对像素间不同灰度差值以及非均匀模式中特殊位置的像素进行编码计算,可以捕捉更清晰的纹理特征;然后利用高斯核函数的一阶偏导数提取Gabor特征,从而优化提取图像边缘灰度信息的性能;最后对融合后的特征进行训练,可以提高最终分类的准确性。实验结果表明,TDFF算法具有较强的鲁棒性,烟雾图像的检测率也显著优于未改进的传统算法。
图像处理 烟雾检测 局部二值模式 Gabor 特征融合 激光与光电子学进展
2021, 58(4): 0410023
石家庄学院 教育技术中心, 河北 石家庄 050035
针对数字图像的高精度分类问题, 提出了一种新型数字图像分类算法。在该算法中, 局部二值模式(Local Binary Patterns, LBP)算子被用于数字图像的LBP图构建LBP图的直方图被用于构建 图像样本的特征向量; 大量样本的特征向量构建的训练数据集被送入最小二乘支持向量机(Least Squares Support Vector Machines, LSSVM)进行最优分类模型的构建。在测试数据集的分类测试中 , 对本文所提出算法与传统支持向量机算法、极限学习机算法和Hopfield神经网络方法进行了比较, 在宏查准率、宏查全率和分类时间几个典型性能指标的测试方面, 本文所提出的LBP-LSSVM算法 均表现出了优异的性能。
局部二值模式 数字图像分类 local binary patterns LSSVM LSSVM digital image classification
西北师范大学物理与电子工程学院, 甘肃 兰州 730070
针对QR(Quick Response)码在光照变化、污染、破损等情况下识别率低的问题,提出一种多块局部二值模式(MB-LBP)结合改进灰狼优化算法(GWO)优化支持向量机(SVM)的QR码识别算法。首先采用提升小波变换分离出图像的高低频分量,将二级低频和水平高频分量分成互不重叠的子块,分别提取每个子块的MB-LBP特征并融合;然后运用主成分分析(PCA)对样本集进行特征降维;最后采用SVM算法对QR码数据建立分类模型。为进一步提高分类精度,在标准GWO基础上引入基于对数函数的非线性收敛因子提升其寻优性能,并使用改进GWO优化SVM模型。实验根据不同高低频结合方式、SVM优化算法对识别性能进行了测试,结果表明本文方法在识别速度和分类精度方面都有明显提升,具有良好的稳健性。
图像处理 QR码识别 改进灰狼优化算法 多块局部二值模式 提升小波变换 激光与光电子学进展
2020, 57(2): 021015
长安大学电子与控制工程学院， 陕西 西安 710064
提出了两种基于主成分分析与局部二值模式的高光谱图像分类算法。利用主成分分析去除高光谱图像的谱间冗余信息，对降维后的图像利用局部二值模式进行空间纹理特征分析，采用稀疏表示分类和支持向量机分别对提取的特征进行分类。其通过将主成分分析与局部二值模式相结合对高光谱图像进行特征提取，保证了高光谱图像的谱间冗余的有效去除，同时保护了高光谱图像的空间局部邻域信息，因此，此类算法不但能充分挖掘高光谱图像的谱间-空间特征，在较大程度上提高分类精度和Kappa系数，而且在高斯噪声环境中和小样本情况下也具有良好的分类性能。
图像处理 高光谱图像分类 主成分分析 局部二值模式 特征提取 激光与光电子学进展
2017, 54(11): 111006
宁波大学信息科学与工程学院, 浙江 宁波 315211
针对传统掌纹识别方法易受噪声干扰, 且旋转鲁棒性差的问题, 提出一种采用均匀局部二元模式 (Uniform Local Binary Patterns, ULBP)及稀疏表示的掌纹识别方法。该方法利用善于表达图像纹理特征, 且具有良好旋转不变性和抗干扰性的 ULBP提取掌纹图像特征; 同时考虑到直接对整幅图像进行 ULBP处理会丢失局部纹理, 采用先对各图像进行分块, 再对各块分别进行 ULBP处理的特征提取方案。在分类算法的设计上, 本文利用掌纹图像库中训练样本的 ULBP特征构造过完备字典, 通过求解 l1范数意义下的最优化问题实现测试样本的稀疏分解, 并提出一种基于统计残差平均的稀疏表示分类方法, 实现了测试掌纹图像的分类识别。实验结果表明, 本文方法不仅具有良好的旋转及噪声鲁棒性, 而且总体识别率明显优于基于 PCA及 2DPCA的传统稀疏表示分类方法, 对于包含 5 000031 0人的掌纹数据库, 识别率分别提高了 8.8%和 6.8%。
掌纹识别 均匀局部二元模式 稀疏表示 鲁棒性 palmprint recognition uniform local binary patterns sparse representation robustness
中国科学技术大学 电子科学与技术系,合肥 230027
针对在视频对象分割时,运动阴影常被误分为视频对象,给出一种新的运动阴影检测方法。首先,进行基于自适应高斯混合模型的背景提取,获得包含运动阴影的前景分割,然后根据灰度图像中阴影区域和已获取背景相应位置的纹理相似性,进行阴影检测。纹理采用局部二元图(Local Binary Patterns,LBP)统一模式的直方图表征。实验表明,方法检测效果好,速度快,可应用于运动目标检测分割及跟踪等领域。
阴影检测 运动目标分割 局部二元图 高斯混合模型 shadow detection moving target segmentation local binary patterns Gaussian mixture models
