稀疏紋理的特征提取和分類(lèi)研究

摘要：提出了對(duì)稀疏紋理表面特征的新描述方法，并進(jìn)行了紋理分類(lèi)的研究。以往對(duì)紋理的研究大多是對(duì)2D紋理的研究，一般是通過(guò)大量的訓(xùn)練樣本來(lái)完成紋理特征的提取。通過(guò)RANSAC估計(jì)兩幅紋理的單應(yīng)約束，提取兩幅紋理的對(duì)應(yīng)點(diǎn)，不僅可以提取一般紋理的特征，而且可以提取包含立體信息的紋理特征（如因?yàn)楣庹蘸鸵朁c(diǎn)的變化引起立體紋理的陰影變化等），通過(guò)對(duì)應(yīng)點(diǎn)的提取使得不再需要大量的訓(xùn)練樣本來(lái)進(jìn)行紋理的特征提取。實(shí)驗(yàn)表明該算法可以較準(zhǔn)確和快速地進(jìn)行紋理特征提取和分類(lèi)，使得紋理分類(lèi)工作變得有較強(qiáng)的可行性和實(shí)用性。

關(guān)鍵詞：紋理分類(lèi);特征提取；稀疏紋理

中圖分類(lèi)號(hào)：TP181;TP391.41文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1001—3695(2007)03—0306—03

關(guān)于紋理分類(lèi)的研究已有四十多年的歷史了，可以追溯到1962年Julesz對(duì)紋理的研究。關(guān)于紋理研究存在的技術(shù)有：聯(lián)合統(tǒng)計(jì)的方法[1]、運(yùn)用濾波器庫(kù)的方法[1，2]和自由域的方法[3]。但是這些方法對(duì)研究的紋理都有限制，如對(duì)紋理的觀測(cè)視角、光照條件和旋轉(zhuǎn)情況都有限制。以往的方法一般都是對(duì)2D紋理的研究，只有很少的方法是基于3D紋理考慮的[4，5]。這些基于3D紋理考慮的方法用的是提取同種紋理不同視角的共同部分作為紋理的3D表示和運(yùn)用立體視覺(jué)重構(gòu)紋理的深度來(lái)對(duì)3D紋理進(jìn)行研究。但是，這些方法均有它自身的局限性，也不能廣泛地應(yīng)用于大多數(shù)紋理。對(duì)于不同視角的2D紋理來(lái)提取3D的情況，隨著視角的復(fù)雜使得計(jì)算量增大，以致不能實(shí)現(xiàn)[1]。本文基于上面對(duì)紋理的研究所出現(xiàn)的問(wèn)題，結(jié)合文獻(xiàn)[2]中的對(duì)紋理特征的提取，建立了良好的紋理特征描述和分類(lèi)系統(tǒng)。該方法由下面幾個(gè)部分組成：①通過(guò)Harris角點(diǎn)檢測(cè)器獲得兩幅紋理各自的興趣點(diǎn)；②用RANSAC自動(dòng)估計(jì)兩幅圖像之間的單應(yīng)；③紋理的相似性度量，并進(jìn)行紋理分類(lèi)。

1紋理特征的提取

紋理特征是一種不依賴于顏色或亮度且反映相同紋理現(xiàn)象的視覺(jué)特征。常用的紋理特征主要有Tamura紋理特征、自回歸紋理模型、方向性特征、小波變換和共生矩陣等形式。本文應(yīng)用的是基于同類(lèi)紋理的單應(yīng)來(lái)考慮紋理的特征。

本章描述兩幅圖像之間的單應(yīng)算法。算法的輸入就是圖像，不需要其他先驗(yàn)信息；而輸出是單應(yīng)的估計(jì)以及有興趣的對(duì)應(yīng)點(diǎn)集。

首先計(jì)算每一圖像中有興趣的點(diǎn)，實(shí)驗(yàn)中興趣點(diǎn)用Harris角點(diǎn)檢測(cè)器獲得。該算法歸納在算法1中，并在圖1和圖2給出應(yīng)用的例子。

算法1用RANSCA自動(dòng)估計(jì)兩幅圖像之間的單應(yīng)

（1）有興趣點(diǎn)。在每一幅圖像中計(jì)算有興趣點(diǎn)，實(shí)驗(yàn)用的是Harris角點(diǎn)。

（2）假設(shè)對(duì)應(yīng)。根據(jù)有興趣點(diǎn)灰度鄰域的接近和相似計(jì)算它們的匹配集。

（3）RANSAC魯棒估計(jì)。重復(fù)N次采樣，這里N按算法2用自適應(yīng)性方法確定：

①選擇四組對(duì)應(yīng)組成的一個(gè)隨機(jī)樣本并計(jì)算單應(yīng)H；

②對(duì)每一假設(shè)的對(duì)應(yīng)，計(jì)算距離d⊥；

③根據(jù)d⊥

選擇具有最大內(nèi)點(diǎn)數(shù)的H。在數(shù)目相等時(shí)選擇內(nèi)點(diǎn)的標(biāo)準(zhǔn)方差最低的H。

（4）最優(yōu)估計(jì)。由劃定為內(nèi)點(diǎn)的所有對(duì)應(yīng)重新估計(jì)H，其中用Levenberg-Marquardt算法來(lái)最小化ML代價(jià)函數(shù)。

（5）引導(dǎo)匹配。用估計(jì)的H去定義變換點(diǎn)位置附近的搜索區(qū)域，進(jìn)一步確定有興趣點(diǎn)的對(duì)應(yīng)。

最后兩步可以重復(fù)直到對(duì)應(yīng)的數(shù)目穩(wěn)定為止。

1.1確定假設(shè)對(duì)應(yīng)

算法的目標(biāo)是在不知道單應(yīng)條件下提供初始的點(diǎn)對(duì)應(yīng)集。這些對(duì)應(yīng)的大部分應(yīng)該是正確的，但算法的目標(biāo)并不是完全匹配，此后用RANSCA可消除錯(cuò)配。這些假設(shè)對(duì)應(yīng)由在每一幅圖像中獨(dú)立地檢測(cè)興趣點(diǎn)獲得，然后用鄰域灰度的近似度和相似度的組合來(lái)匹配這些有趣

1.2用RANSAC求單應(yīng)

把RANSAC算法應(yīng)用于假設(shè)對(duì)應(yīng)集，以求得估計(jì)單應(yīng)和與此估計(jì)相一致的（內(nèi)點(diǎn)）對(duì)應(yīng)。樣本大小是四，因?yàn)樗慕M對(duì)應(yīng)確定一個(gè)單應(yīng)。采樣次數(shù)由每個(gè)一致集中閾值所占比例而適應(yīng)性地設(shè)置，如算法2所描述。

（2）樣本選擇。這里有兩個(gè)議題：①退化的樣本應(yīng)該丟棄，例如，如果四點(diǎn)中的三點(diǎn)共線那么單應(yīng)就得不到。②組成樣本的點(diǎn)應(yīng)該在整個(gè)圖像上有合理的空間分布。這是由于外插問(wèn)題的緣故——在計(jì)算點(diǎn)所跨越的區(qū)域內(nèi)被估計(jì)的單應(yīng)將準(zhǔn)確地映射，但一般地，準(zhǔn)確性將隨著該區(qū)域距離加大而變壞（想象四點(diǎn)位于圖像四個(gè)拐角的情形）。空間分布的采樣可以這樣來(lái)實(shí)施：劃分圖像并通過(guò)隨機(jī)采樣的適當(dāng)加權(quán)來(lái)保證屬于不同小區(qū)的點(diǎn)比同屬于一個(gè)小區(qū)的點(diǎn)有較大可能性進(jìn)入樣本。

1.3魯棒ML估計(jì)與引導(dǎo)匹配

這一步的目標(biāo)是雙重的：①通過(guò)使用所有估計(jì)得到的內(nèi)點(diǎn)（而不僅僅用樣本的四點(diǎn)）來(lái)改進(jìn)對(duì)單應(yīng)的估計(jì)。②由假設(shè)對(duì)應(yīng)集獲得更多的內(nèi)點(diǎn)匹配，因?yàn)橛辛烁鼫?zhǔn)確的單應(yīng)；通過(guò)最小化ML代價(jià)函數(shù)從內(nèi)點(diǎn)中計(jì)算進(jìn)一步改進(jìn)的單應(yīng)估計(jì)。它可以用兩種方法來(lái)實(shí)現(xiàn)：一種方法是在內(nèi)點(diǎn)上執(zhí)行一個(gè)ML估計(jì)，然后用新的估計(jì)H重計(jì)算內(nèi)點(diǎn)，并且重復(fù)這一循環(huán)直到內(nèi)點(diǎn)數(shù)目收斂；另一種方法是采用魯棒ML代價(jià)函數(shù)同時(shí)估計(jì)單應(yīng)和內(nèi)點(diǎn)。估計(jì)單應(yīng)和內(nèi)點(diǎn)的方法的缺點(diǎn)是在最小化代價(jià)函數(shù)的計(jì)算方面要花很大功夫（單應(yīng)算法文獻(xiàn)[6]中有更詳細(xì)的介紹）。

2兩幅紋理圖片的相似性度量

關(guān)于紋理的典型說(shuō)法是紋理是小塊圖案的空間排列（如棋盤(pán)是小方塊的一種排列，而草場(chǎng)的紋理是細(xì)條的一種排列），即紋理是重復(fù)地按一定的規(guī)則排列的圖像。尋找這些子圖案的通常策略是對(duì)圖像應(yīng)用線性濾波器[2]，這種濾波器的核看上去很像圖案的基本元素。從濾波器理論看，濾波器的強(qiáng)烈響應(yīng)說(shuō)明這里有特定的圖案呈現(xiàn)。可以應(yīng)用不同種類(lèi)的濾波器，根據(jù)在不同位置的響應(yīng)統(tǒng)計(jì)把圖像分解成斑點(diǎn)區(qū)域和條形區(qū)域等。首先可能想到的紋理描述是濾波器響應(yīng)的直方圖，這種機(jī)制十分成功地應(yīng)用于伯克利Calphotos集合中（http://elib.cs.berkeley.edu/photos）。但這種方法分類(lèi)精度不是太高，如果用于本文的分類(lèi)算法中，不能顯示出配準(zhǔn)后的圖像對(duì)分類(lèi)的貢獻(xiàn)非常大。而信號(hào)譜描述方法比直方圖有更好的魯棒性和可描述性，特別是在高維的情況下信號(hào)譜描述有顯著優(yōu)勢(shì)。本文采用如圖3中單應(yīng)的局部小區(qū)域的信號(hào)譜的相似性來(lái)進(jìn)行紋理分類(lèi)。

2.1旋轉(zhuǎn)不變量的描述

旋轉(zhuǎn)不變量的描述是旋轉(zhuǎn)不變量的特征變換(RIFT)描述，它是由Lowe的基于刻度不變量的特征變換(SIFT)發(fā)展過(guò)來(lái)的。原來(lái)的SIFT很好地應(yīng)用在恢復(fù)紋理窗口中，但并不能把它直接應(yīng)用在這里，為了獲得對(duì)于單應(yīng)的局部小區(qū)域的完整描述，添加了RIFT。RIFT的構(gòu)成如下：將局部小區(qū)域分成同圓心、相同寬度的幾個(gè)圓環(huán)，然后對(duì)于每一個(gè)圓環(huán)計(jì)算其梯度方向的直方圖（圖4）。每一點(diǎn)觀測(cè)的方向是依賴于從圓心指向該點(diǎn)的方向。實(shí)驗(yàn)中使用了四個(gè)圓環(huán)、八個(gè)方向直方圖的32維的描述。注意上面所講的RIFT描述實(shí)際上顛倒了在方向直方圖中的方向次序，但在工作中并不用關(guān)心這些情況，因?yàn)閷?shí)際給出的圖像條件并不包括顛倒紋理表面的方向的圖像。

3實(shí)驗(yàn)結(jié)果評(píng)價(jià)

實(shí)驗(yàn)使用的是筆者制作的紋理集，每一類(lèi)紋理在不同的視角和光照條件下有50幅圖片，紋理共有10類(lèi)。圖5（a）—(j)為這10類(lèi)的分類(lèi)準(zhǔn)確度的結(jié)果。

4結(jié)束語(yǔ)

本文提出的對(duì)于稀疏紋理描述的3D研究可以很好地對(duì)紋理特征進(jìn)行描述，使得對(duì)稀疏紋理的分類(lèi)精度很高，并且不再需要大量的訓(xùn)練集，也使得算法的速度比以往的相關(guān)算法速度高很多，使得紋理的分類(lèi)工作可行性大大提高。

本文中所涉及到的圖表、注解、公式等內(nèi)容請(qǐng)以PDF格式閱讀原文。