技术摘要：
本发明公开了一种基于局部排序差值细化模式的纹理图像分类方法及系统，该方法包括：根据选择的采样半径对数据集中的每幅纹理图像进行高斯滤波，得到对应半径下的平滑纹理图像；在平滑后的图像上提取局部排序差值细化模式LSDRP描述子，以获取纹理图像在不同尺度下的灰度  全部
背景技术：
纹理特征作为图像的底层特征之一，在图像分析、机器视觉和模式识别领域一直 占据重要地位。无论是对自然图像、医学图像还是遥感图像而言，纹理特征的提取和分析都 是首要解决的基本问题。因此，如何有效的获取具有表征性的纹理特征是图像分析和理解 的关键所在。 早期的纹理特征提取方法，主要包括灰度共生矩阵、马尔可夫随机场、分形理论、 小波变换等。这些方法在纹理分类中能够取得较好的效果，但却存在计算过程复杂、计算量 大及实时性差等问题。2002年Ojala等人提出了一种局部二值模式LBP，因其具有计算简单、 复杂度低、线性灰度不变等优点而被广泛用于人脸检测和识别、图像检索、场景重建等诸多 应用领域。随后，众多基于LBP的拓展算法被提出，以解决LBP面对自然环境中纹理的复杂多 样性及图像成像过程中存在的光照、旋转、噪声干扰等带来的问题。实验表明，LBP的拓展算 法在一定程度上解决了原始LBP中存在的问题，但仍存在特征维度高、局部区域像素间差值 没有得到充分体现等问题。
技术实现要素：
发明目的：为了克服现有技术的不足，本发明提供一种基于局部排序差值细化模 式的纹理图像分类方法，该方法可以解决传统局部二值模式及其扩展方法存在特征维度 高、局部区域像素间差值没有得到充分体现的问题，本发明还提供一种基于局部排序差值 细化模式的纹理图像分类系统。 技术方案：本发明所述的基于局部排序差值细化模式的纹理图像分类方法，包括： (1)根据选择的采样半径对数据集中的每幅纹理图像进行高斯滤波，得到对应半 径下的平滑纹理图像； (2)提取所述平滑纹理图像的上部描述子的特征直方图和下部描述子的特征直方 图，进而得到每幅图像的LSDRP特征直方图，其中，所述上部描述子为在将图像局部邻域内 的采样点和中心点阈值化操作后，大于等于中心点对应值的采样点的二值序列对应的描述 子，所述下部描述子为小于中心点对应值的采样点的二值序列对应的描述子； (3)选择LSDRP特征直方图中的前T维高频特征所对应的模式表征纹理图像，得到 降维后的LSDRP_T特征向量； (4)级联多个采样半径下所述降维后的LSDRP_T特征向量，建立多尺度直方图特征 表示，并进行分类训练，得到训练结果。 进一步的，包括： 步骤(2)中，所述得到每幅图像的LSDRP特征直方图的方法包括： 5 CN 111612099 A 说　明　书 2/9 页 (21)根据灰度值大小将图像局部邻域内的采样点排序，得到局部排序区域中的各 个采样点和中心点； (22)将采样点和中心点进行阈值化操作，得到上部排序二值序列，将采样点和中 心点再次进行阈值化操作，得到下部排序二值序列； (23)分别为上部排序二值序列和下部排序二值序列分配初始权值，使得上部排序 二值序列对应位置处的权值为2p，下部排序二值序列对应位置处的权值为2P-1-p，其中，P为 采样点的总数，p＝0,1,...,P-1； (24)计算局部排序区域内的采样点和中心点的灰度差值，并将差值归一化，使归 一化差值在[0,1]之间； (25)采用所述归一化的差值分别更新上部排序二值序列和下部排序二值序列对 应位置处的权值，从而得到包含局部像素间差值大小信息的新权值； (26)将该局部邻域的上部排序二值序列和各值对应位置处的新权值相乘，再累 加，得到上部LSDRPup描述子对应的十进制编码；将该局部邻域的下部排序二值序列和各值 对应位置处的新权值相乘，再累加，得到下部LSDRPlow描述子对应的十进制编码，； (27)分别构建每幅图像上部LSDRPup描述子直方图和下部LSDRPlow描述子的直方 图，再将LSDRPup和LSDRPlow的直方图级联，由此得到每幅图像的LSDRP特征直方图。 进一步的，包括： 步骤(24)中，所述归一化差值表示为： 其中，gc表示局部邻域的中心点(i,j)处的灰度值，g'p表示排序后的局部邻域内第 p位采样点的灰度值。 进一步的，包括： 步骤(25)中，所述归一化的差值分别更新上部排序二值序列的权值，表示为： 所述下部排序二值序列对应位置处的权值，表示为： 进一步的，包括： 步骤(26)中，所述上部排序二值序列对应的十进制编码，表示为： 所述下部排序二值序列对应的十进制编码，表示为： 6 CN 111612099 A 说　明　书 3/9 页 其中，参数R和P分别表示局部邻域采样半径和采样点数，z(x)和f(x)为符号描述 符。 进一步的，包括： 步骤(27)中，所述得到每幅图像的LSDRP特征直方图，具体包括： 首先，构建每幅图像上部LSDRPup描述子直方图，表示为： 其次，构建每幅图像下部LSDRPlow描述子的直方图，表示为： 每幅图像的LSDRP特征直方图，表示为： 其中，M和N表示一幅大小为M*N的纹理图像。 进一步的，包括： 步骤(3)中，所述选择LSDRP特征直方图中带有模式类别的高频模式表征纹理图 像，包括： (31)用G1,G2,...,Gn代表高斯滤波后的训练图像，n为训练集中图像的总数； (32)计算G1,G2,...,Gn的LSDRP特征直方图，表示为H1,H2,...,Hn，将所有直方图按 模式类别累加，得到行向量H＝H1 H2 ... Hn； (32)根据模式频数将H降序排列得到Hsort，保留Hsort的前T维高频特征所对应的模 式类别，并作为最终所提取的特征模式类别。 进一步的，包括： 步骤(3)中，所述T维是以分类性能达到最佳为标准，即当特征模式数小于T，特征 频数随着特征模式数的增加仍有变化，当特征模式数大于等于T，特征频数趋于稳定，T位后 的特征模式基本不包含有效信息。 另一方面，本发明还提供一种基于局部排序差值细化模式的纹理图像分类系统， 包括： 图像预处理模块，用于根据选择的采样半径对训练集中的每幅原始纹理图像进行 高斯滤波，得到对应半径下的平滑纹理图像； 特征提取模块，用于提取所述平滑纹理图像的上部描述子的特征直方图和下部描 述子的特征直方图，进而得到每幅图像的LSDRP特征直方图，其中，所述上部描述子为在将 图像局部邻域内的采样点和中心点阈值化操作后，大于等于中心点对应值的采样点的二值 7 CN 111612099 A 说　明　书 4/9 页 序列对应的描述子，所述下部描述子为小于中心点对应值的采样点的二值序列对应的描述 子； 特征降维模块，用于选择LSDRP特征直方图中的前T维高频特征所对应的模式表征 纹理图像，得到降维后的LSDRP_T特征向量； 分类模块，用于级联多个采样半径下所述降维后的LSDRP_T特征向量，建立多尺度 直方图特征表示，并进行分类训练，得到训练结果。 在上面的基础上，本发明还提供一种计算机存储介质，其上存储有计算机程序，其 特征在于：所述计算机程序在被计算机处理器执行时实现上述所述的方法。 有益效果：(1)本发明根据灰度值大小对局部邻域采样点排序，使得纹理描述子具 有高效的旋转鲁棒性；(2)本发明将局部像素间的关系分为上部和下部，并分别将上下部的 差值信息融入纹理特征的编码模式中，不仅提高了LSDRP描述子的稳定性，也弥补了原始 LBP忽视局部像素间灰度差值大小信息的问题；(3)本发明采用LSDRP特征向量中带有模式 类别的高频特征模式表征纹理图像，在降低特征向量维度的同时也避免了低频模式对纹理 分类性能的影响；(4)本发明的LSDRP描述子能够有效捕获局部像素间的纹理信息，且能在 低维度、低密度采样条件下有效解决纹理分类中存在的光照、旋转变化问题，具有较好的纹 理分类能力。 附图说明 图1为本发明的纹理图像分类方法流程图； 图2为本发明的提取局部排序差值细化模式中LSDRPup和LSDRPlow描述子的流程图； 图3为本发明的方法分类精度和特征维度关系图，其中，图3a1为采样半径为1时在 不同子库中的关系图，图3b1为采样半径为2时在不同子库中的关系图，图3c1为采样半径为 3时在不同子库中的关系图，图3a2为采样半径为1时前100维下在不同子库中的关系图，图 3b2为采样半径为2时前100维下在不同子库中的关系图，图3c2为采样半径为3时前100维下 在不同子库中的关系图； 图4为本发明的方法与其他方法的对比实验结果图； 图5为本发明所述的电子设备结构示意图。