图像检索中LBP纹理谱旋转不变性研究

摘要：图像检索是要找到图像库中的相似图像。LBP纹理谱对旋转比较敏感，针对这一问题，将一个LBP纹理谱基元旋转一定的角度后得到的新纹理谱当成具有视觉一致性的纹理谱基元，将具有视觉一致性的所有纹理谱基元合并成一个，这个可以降低特征值的维度，而且可以解决图像旋转影响相似度计算的问题。用此纹理谱进行纹理图像描述，用纹理基元直方图进行检索，结果表明查准率比用规范化的LBP纹理谱进行检索有明显提高，检索效果较好。

关键词：LBP纹理谱；数理分析；旋转不变；图像检索

中图分类号：TP317.4 文献标识码：A 文章编号：16727800（2013）009016003

作者简介：张翠（1985-），女，桂林理工大学博文管理学院助教，研究方向为网络控制、图像处理；杨志清（1965-），男，桂林理工大学博文管理学院高级工程师，研究方向为制造自动化与信息化、不确定环境下控制与决策。

0引言

图像的纹理分析在计算机视觉、遥感等领域有着广阔的应用前景。纹理可以提供深度线索的信息和图像表面的方向性信息，人们也在试图利用不同尺度的纹理基元与3D表面图像建立联系。纹理特征是一种可以用来识别图像的客观信息，有许多图像检索算法采用纹理特征，文献[1]提出了一种用纹理特征进行检索的方法，采用了共生矩阵描述纹理。纹理特征有许多种表示方式，局部二值模式是其中的一种。

Ojala等[1]首先提出了局部二值模式（local binary pattern ， LBP）描述符，对LBP描述符的论述，奠定了LBP理论基础。近几年有很多关于LBP纹理谱的应用与改进的论文[2]。文献[3]针对LBP分析过程中窗口大小不可调整的问题，采用改进的Tamura粗糙度自适应调整模式分析窗口的大小，这种纹理分析方法更加符合LBP的设计思想。文献[4]用颜色相关图与LBP描述符分别提取图像的颜色特征与纹理特征描述图像。

传统的LBP纹理谱描述方法要用256维的特征值来描述图像的纹理，用这种纹理谱特征进行图像检索，计算复杂度较高，一些相似的纹理谱的特征值差异较大，检索效率较低，检索效果不佳。改进的CSLBP（center symmetric local binary pattern ， CSLBP）描述符只用16维特征值描述图像纹理，但是其描述能力不强，用来进行图像检索时，准确率较低。

本文针对传统的LBP纹理谱描述方法中同一个纹理旋转后特征值不同的问题进行改进，对纹理谱基元的表示方法进行改进。对一个纹理谱以及它旋转任一角度所得到的纹理谱归为一类，当一个图像的视角有一定变化时，同样可以识别出来。采用本文改进的纹理谱基元统计直方图的方法进行图像检索，准确率较高。

1传统LBP纹理谱描述符思想

局部二值模式（LBP）纹理是基于图像空间域局部关系的图像纹理描述算法。它的算法思想是：以一个像素点为中心，用其与相邻的像素点的变化来描述图像的局部纹量模式，一般用像素的八邻域元素与其比较。文献[1]又利用圆的思想，距中心的半径为R的像素与中心比较，然后确定局部的纹理特征。

局部二值模式纹理谱可以很好地描述图像纹理上的差异，但是对于纹理图像的旋转识别性不强。一个理想的描述、分类和识别纹理的方法应该能够捕捉感性的纹理结构的基本属性，它也应该是不随环境变化而变化[45] 。对于一个图像旋转一定的角度后可能出现完全不一样的局部二值模式纹理谱值。如图2所示。

图2是一个像素的八邻域形式，根据我们对局部二值模式纹理谱值的计算方法可以得到左图的局部二值模式纹理谱值为127，右边的图像中局部二值模式纹理谱值为191，如果从纹理值上来看，两个图像的差异非常大，实际上两个图像非常相似，只是转动了一个很小的角度而已。在我们的生活当中也会出现同样的情况，比如一个目标物以不同的角度拍摄就会产生不同的纹理谱值，实际上同一个目标物应当是相似的。图像检索系统的特点是要在图像库中找到与示例图像相似的图像，是一种分类、找同类的工作，而不是找差异的工作，我们也可以在这个过程中求同而存异。那么，这两个纹理有很大的相似性，左图只是右图旋转45得到的。在图像检索系统中，图像中的对象可能会因为种种原因产生一些角度上的差异，这样就把这些图像当作不同，与我们进行检索的初衷相悖。

2规范化局部二值模式

针对于图像中的模式对旋转比较敏感的问题，首先将一个中心像素周围的所有的像素分成两类，一类是灰度值比中心像素本身的灰度值要大的，另一类的灰度值小于或等于中心像素的灰度值。若这两类像素是集中分布在一起的话，那么可以很容易分出来，我们把这种像素分布的模式称作规范化的局部二值模式纹理谱[6]。对像素的八邻域模式，可能产生的模式如图3所示。

3改进旋转不变局部二值模式

对于上面的规范化，纹理图像可以规范化成八种旋转不变的纹理谱值，如果把所有的纹理值只分成以上八个种类，这样的话，图像的旋转不会对检索的结果产生影响。规范化的局部二值模式对图像的描述能力是不充分的，针对这个问题，本文将中心像素的邻域中的比自己大的像素和比自己小的像素是分散排列的情况做了分析。我们将所有这些模式再进行进一步细分。如图4所示，第一行中纹理谱中有两个白点，表示是有两个像素是大于中心像素点的，那么这些点的分布方法有4种。其他的排列方式都可以通过旋转与这些点相等，所以用这4个模式就可以表示一个像素中有两个邻域像素比他本身大的情况。第二行就是有3个比中心点像素大的情况。那么，在全部的纹理谱值中，总其可以用36个不同的值来表示。所以用这种表示方法，纹理谱描述符一共是36维的值。这种描述维度并不大，而且描述图像的纹理能力更强，具有旋转不变性。

根据旋转不变的局部二值模式思想，一个纹理谱基元旋转任意角度仍然与原来的基元在视觉上保持一致，因此值也是一样的。例如一个周围仅有两个紧挨着的像素的颜色值比中心像素的颜色值要大的情况，如图5所示，图中白色的点表示颜色值比中心像素的要大的情况，另外黑色的点表示颜色值比中心像素的要小的情况。

这个纹理谱基元的值就是3，这个基元的旋转不变的纹理谱基元就有以下几种情况，如图6示，从左到右表示以下的基元每次旋转45得到的基元。那么8个旋转不变的纹理谱的值就分别为：3，6，12，24，48，96，192，129。这些值对应于图6中的基元，根据这种方法，可以把图4中的所有模式的旋转不变模式找出来，然后可以将他们合并成一个模式，用一个值表示。

基于旋转不变的局部二值模式图像匹配算法的步聚如下：①输入图像，用传统的局部二值模式描述方法计算出图像的纹理谱值；②合并同类模式，这是算法的重点部分，经过分析，我们得到了一共36种旋转不变的纹理谱基元，其他的基元都可以转换成这36种基元中的一种；③统计图像中的旋转不变纹理谱基元的直方图，并用直方图作为图像的特征；④用欧氏距离计算直方图像之间的距离，作为图像间的相似度。

旋转不变的局部二值模式对于图像的旋转不敏感，任何一个模式旋转任何角度后得到的模式值与原来的值一样。图像的检索要对所有的像素进行比较，本文统计图像中的纹理基元并用直方图表示，如图7所示。上图是纹理图像以及旋转30度后的图像，下图是上图的直方图表示，从图中可以看出一个图像的旋转对于图像的影响非常小。因为一个模式基元是旋转不变的，所以统计所有的基元后得到的值也是不变的。

4实验及结果分析

图像检索是用旋转不变的纹理谱的形式表示图像，而进行比较图像之间的特征差异，本文的实验方法是：把纹理图像用上节描述的方法进行表示，然后进行图像的检索实验。

本文用MATLAB6.5进行CBIR系统开发仿真，采用了从http：//www.ee.oulu.fi/mvg/page下载的Brodatz纹理库抽取的10类纹理图像进行实验，对每一类图像进行任意平移或旋转得到新的同类图像10幅，共得到100幅图像。

用本文算法进行检索的平均查准率为95.72%，在相同的实验环境下，文献[6]中的规范化旋转二值模式的平均查准率是92.31%，所以本文对纹理谱的改进是有效的。

把旋转不变的应用到COREL图像库中进行检索，检索的效率有所提高，用同样的实验环境进行实验，每次检索返回30个相关图像，对实验结果进行统计，统计结果如表1所示。

5结语

本文在分析LBP纹理谱描述符和一些相关改进算法优缺点的基础上，对规范化旋转不变LBP纹理谱进行改进。一个纹理的模式基元旋转任意角度后得到的新基元当作与原基元有同一视觉特征，使得描述符更符合人类的视觉特性，将这些基元合并后可以降低特征值的维度，而且对图像的旋转有很好的识别性。采用改进的旋转不变LBP描述符进行检索，效率比采用传统的旋转不变LBP描述符更高，并且在查全率与查准率上比规范化的旋转不变LBP描述符有所改善。

参考文献：

[1]OJALA T，M HEIKKIL，M PIETIKINEN T.Multire solution Grayscale and rotation invariant texture classification with local binary patterns[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2002，24 （7）：971987.

[2]毛秉毅.基于自适应LBP算法的纹理分析[J].计算机工程与应用，2007，43（2）：8990.

[3]张笃振，任世锦.融合颜色特征与LBP的图像检索[J].计算机工程与应用，2009，45（25）：186187.

[4]M MELLOR，B HONG，M BRADY.Locally rotation，contrast， and scale invariant descriptors for texture analysis[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2008，30（1）：5261.

[5]Y XU，H JI，C FERMULLER.A projective invariant for texture[C]//International Conference on Computer Vision and Pattern Recognition，2006：19321939.

[6]ZHENHUA GUO，LEIZHANG，DAVIDZHANG.Rotation invariant texture classification using LBP variance （LBPV） with global matching[J].Pattern Recognition，2010，43：706719.