用于紋理特征提取的改進的LBP算法

劉豪，楊永全，郭仙草，宋志浩

西安工程大學計算機科學學院，西安 710048

用于紋理特征提取的改進的LBP算法

劉豪，楊永全，郭仙草，宋志浩

西安工程大學計算機科學學院，西安 710048

針對現有的紋理特征提取方法計算復雜度高的問題，利用局部二值模式（LBP）算法思想簡單、計算復雜度小的優勢，在已有的完整LBP（CLBP）算法基礎上，提出了一種改進的CLBP算法（ICLBP）。ICLBP算法保留了CLBP算法中CLBP_S，而對CLBP_M算子、CLBP_C算子進行了改進，提出一個新的紋理描述算子ICLBP_T。ICLBP算法更全面地描述了局部窗口的紋理特征，同時有效解決了CLBP算法中CLBP_M算子對灰度分布不均敏感的問題。通過對Outex、CURet數據庫的數據分類實驗，結果表明，相比于已有的LBP算法，ICLBP算法的分類精度有了明顯的改進，同時ICLBP算法中ICLBP_SCT特征具有較低的特征維數，具有較好的實用價值。

紋理特征提取；局部二值模式；完整局部二值模式算法（CLBP）；改進的完整局部二值模式算法（ICLBP）

1 引言

紋理特征是一種不依賴于顏色或亮度而反映圖像中同質現象的視覺特征，它是物體表面共有的內在特性[1]。紋理特征提取方法一直是模式識別研究和關注的焦點。在近50多年的研究中，許多研究者提出了各種紋理特征提取方法，諸如灰度共生矩陣[2]、小波理論[3]、分形理論[4]、馬爾可夫隨機場[5]等，這些方法在圖像分類和模式識別應用領域內取得了較好的效果。灰度共生矩陣是建立在估計圖像的二階組合條件概率密度基礎上提取的紋理特征，反映了圖像關于灰度方向、相鄰間隔、變化幅度的綜合信息，具有較好的鑒別能力；小波理論通過紋理的多分辨表示，能在精細的尺度上分析紋理，更符合人類視覺特征；分形理論把圖像的空間信息和灰度信息有機地結合起來，提供了一種基于參數化的紋理特性描述方法，它能夠更準確地表達紋理的特征；馬爾可夫隨機場是用先驗概率和條件概率的分布函數來刻畫圖像的紋理特征，可以對低頻紋理圖像很好地建模[6]。但是，上述這些方法的突出問題是計算復雜度偏大，對于存在背景干擾或光照不均的紋理圖像，這些方法處理的效果往往不佳。

T.Ojala等人于1996年提出了局部二值模式算法（Local Binary Patterns，LBP）[7]，用于紋理特征的描述。LBP算法思想簡單容易理解、計算復雜度小、對不同光照強度不敏感并且能夠很好地描述圖像的局部紋理特征，因而引起各國研究學者的關注。在過去的十幾年中各國研究學者對LBP算法進行了深入的研究，同時提出了多種LBP改進算法，諸如：FLBP[8]、LTP[9]、CBP[10]、LBPV[11]、TPLBP[12]、FPLBP[12]、MS-LBP[13]、CLBP[14]等，并將其廣泛應用于圖像分割、人臉識別、圖像檢索等領域[15-18]。其中，相對于其他改進的LBP算法，CLBP算法在局部紋理描述和紋理特征提取上更全面、精細，并取得了較好的效果。但是CLBP算法對光照不均敏感，為此，本文提出了一種CLBP的改進算法ICLBP方法。

2 局部二值模式

2.1 傳統局部二值模式及變種

局部二值模式（Local Binary Patterns，LBP）最初由T.Ojala等人提出[7]。LBP算法通過對比像素點與其領域像素點的灰度值的差異性來計算LBP算子：

式（1）中，gp為鄰域像素點的灰度值，gc為中心像素點的灰度值，P為鄰域中像素點的個數，R為鄰域半徑。為了解決角度旋轉問題，T.Ojala等人在原LBP算法的基礎上提出了旋轉不變局部二值模式（Rotation Invariant Local Binary Patterns，RILBP）[7]。RILBP的計算方式如下：

其中min{x}表示求x的最小值。ROR(x)表示將P位的二進制數x按位向左平移，最高位移動到最低位。RILBP在解決角度旋轉問題的同時降低了RILBP模式集的維數，但隨著P的增大，RILBP模式集維數仍會急劇增長，這顯然不利于圖像中LBP模式集的快速提取以及后續數據的處理。為此，T.Ojala等人在RILBP的基礎上又提出均勻局部二值模式（Uniform Local Binary Patterns，ULBP）[7]，其計算方式如下：

可以看出當R=1，P=8時，其LBP模式集的維度只有10。這樣不僅大大降低了LBP模式集的維數，也方便了后續的數據分析。

2.2 完整的局部二值模式

完整的局部二值模式（Complete Local Binary Patterns，CLBP）[14]提出了三種局部紋理描述算子表達紋理：窗口灰度差異描述算子（CLBP-Sign，CLBP_S）、窗口梯度差異描述算子（CLBP-Magnitude，CLBP_M）以及中心像素點描述算子（CLBP-Center，CLBP_C）。其計算方式如下：

3 改進的CLBP算法（ICLBP）

對CLBP算法分析可知，當因光照不均導致圖像灰度梯度分布不均勻時，即相比于圖像的大部分區域，小部分區域變化幅度劇烈或變化幅度平緩時，CLBP_MP，R就顯現出了它的局限性。為此，本文在CLBP算法的基礎上，對CLBP算法作了進一步改進，同時提出了一種灰度梯度差異特征描述算子ICLBP_TP，R，即采用兩像素點的灰度差異幅值與窗口灰度差異幅值的均值比較，其計算方式如下：

CLBP算法中CLBP_MP，R僅考慮了局部窗口的灰度值差異特征，這就使得當由于光照不均或拍攝角度變化等原因得到的圖像灰度強度分布不均勻時，CLBP_MP，R會遺漏掉圖像光滑部分的紋理信息。圖1是Lena原圖及用改進的LBP提取的Lena特征圖。從圖1中可以看出，相比于CLBP_MP，R特征圖，ICLBP_MP，R的特征圖像描述的紋理不僅清晰，也更加精細。同時可以看出，基于ICLBP_T的紋理特征圖和基于CLBP_MP，R的紋理特征圖像十分相似，但前者的邊緣更加清晰，其計算復雜度遠小于CLBP_MP，R算子。因此，相比于原CLBP算法，改進后的ICLBP算法對圖像紋理的描述具有更好的精細性和魯棒性。

圖1 Lena原圖及用改進的LBP提取的Lena特征圖

4 實驗結果與分析

為了驗證本文所提出ICLBP算法的可行性和有效性，將ICLBP算法中的各紋理描述子進行不同的組合得到ICLBP_ST、ICLBP_SCT、ICLBP_SMCT特征，組合方式以ICLBP_SMCT為例：對每一個像素點分別計算四個算子，此四個算子構成的四維紋理描述特征即為該像素點的ICLBP_SMCT特征。實驗中分別對Outex、CURet數據庫提供的紋理圖像提取ICLBP特征進行紋理分類實驗，同時使用LBP[7]、LTP[9]、LBP/V[7]以及CLBP[14]算法中的CLBP_SC、CLBP_SMC特征進行對比驗證。其中，所有算子都采用旋轉不變的均勻的LBP模式（riu2）；相似性測度通過卡方統計的方式計算它們的特征直方圖的差異度，差異度越小表示它們越相似，最后根據最近鄰原則將測試圖像歸為差異度最小的那一類。

Outex數據庫中包含16個圖像集，每個圖像集由24類不同紋理圖像組成，分別采用3種不同光照、9個不同的旋轉角度拍攝得到。由于篇幅限制，本文只是列舉了其中的Outex_TC_00010（TC10）和Outex_TC_00012（TC12）圖像集的分類實驗，其結果數據見表1，其中，TC12之下的“t”和“h”分別代表光照條件為“t184”和“horizon”測試樣本。CURet數據庫中包含61個自然紋理圖像集，每個圖像集對應一個紋理類，每個紋理類中有205幅圖像，分別采用不同光照角度、不同拍攝角度拍攝得到。對于每個紋理類，選擇其中92幅拍攝角度小于60°圖像轉換為灰度圖像作為實驗樣本，隨機選取N幅圖像作為訓練樣本，剩余圖像作為測試樣本進行分類實驗，實驗重復100次后求取均值，分類結果見表2。

表1 不同LBP算法對Outex數據庫的分類準確率（%）

表2 不同LBP算法對CURet數據庫的分類準確率（%）

由表1和表2中實驗數據結果表明：

（1）當P=8、R=1時，本文提出ICLBP算法中的ICLBP_SMCT對Outex和CURet數據庫的分類準確率明顯高于其他改進算法。從文獻[14]中，知道CLBP算法既考慮了局部窗口內的灰度差異性以及對應幅值的差異作為圖像局部紋理的兩個互補信息，兩者相互結合能大幅度提高圖像的分類準確度，圖像的局部特征與全局特征相結合同樣可以提高圖像的分類準確度。實驗中LTP、LBP、LBP/V算法顯然沒有考慮到圖像的全局特征，而ICLBP算法中，ICLBP_SP，R與ICLBP_MP，R從局部角度細致地描述了圖像局部窗口灰度值的差異性，同時，ICLBP_CP，R與ICLBP_TP，R從全局角度粗略地描述了局部窗口灰度值的差異性，相比較于CLBP算法中的CLBP_SMC，ICLBP算法中四個算子相結合而形成的ICLBP_SMCT更全面地描述了窗口的梯度差異特征，所以對圖像局部紋理的描述更加精細，對紋理的分類具有更高的準確率和較好的魯棒性。

（2）從表1對Outex數據庫的分類結果可以看出，當P=8、R=1時，ICLBP_SCT分類準確率明顯高于CLBP_ SMC，甚至和ICLBP_SMCT持平。ICLBP_SCT在保持高分類準確率的同時，ICLBP_SCT的算法時間復雜度以及空間復雜度都要小于CLBP_SMC、ICLBP_SMCT。比如，對TC10計算，CLBP_SMC所需時間為138.7 s，ICLBP_SMCT需要177.1 s，ICLBP_SCT則只需要94.7 s。根據公式（5）可以推導出ICLBP_SP，R、ICLBP_MP，R、ICLBP_CP，R以及ICLBP_TP，R的特征維數分別為10、10、2和2，因此CLBP_SMC的特征維數為10×10×2=200維，ICLBP_SMC的特征維數為10×10×2×2=400維，而ICLBP_SCT則只有10×2×2=40維。可以看出ICLBP_ SCT更適用于快速、實時、高準確率的圖像紋理特征提取。

（3）從表2對CURet數據庫的分類結果可以看出，隨著訓練樣本N的增大，ICLBP算法的分類準確度不斷提高，但是當P=8、R=1時，ICLBP_SCT分類準確率略低于CLBP_SMC。分析原因可知，CURet數據庫中絕大多數圖像類是水泥、砂石等材料表面，這種圖像局部粗糙不規則，圖像整體反而較為均勻，這就使得對同一幅圖像而言，ICLBP_SCT的算法中采用局部窗口灰度/灰度梯度均值與圖像全局灰度/灰度梯度均值對比而得到的ICLBP_CP，R/ICLBP_TP，R沒有很好的可區分性，從而導致ICLBP_SCT分類準確率略低于CLBP_SMC。

（4）從圖2 ICLBP-SMCT對兩大數據庫的分類準確度曲線可以看出，當P的取值增大時，ICLBP_SMCT的分類準確率會有所下降。原因有兩個：由于ICLBP_MP，R是通過兩像素點的灰度差異幅值與局部窗口灰度差異幅值的均值比較而產生的，并且采用旋轉不變的均勻模式，當P值增大時，ICLBP_MP，R很容易產生不均勻模式從而降低了ICLBP_MP，R的可區分性，對Lena圖像計算的結果可以看到，當P=8、16、24時，CLBP_M中旋轉不變的不均勻模式所占的比例分別為19.7%、30.0%、34.7%，而ICLBP所占比例則是59.4%、67.3%、70.4%；另外，采用均值的比較，ICLBP_CP，R和ICLBP_TP，R會對局部窗口灰度/灰度梯度的描述有一定的模糊作用，隨著P值的增大，這種模糊作用會越來越大，ICLBP_CP，R和ICLBP_TP，R的可區分性也隨之降低。

圖2 不同尺度的ICLBP_SMCT對兩大數據庫的分類準確度

5 結束語

本文在CLBP算法的基礎上，提出了一種改進的CLBP算法（ICLBP）。ICLBP算法更全面地描述了局部窗口的紋理特征，同時有效解決了CLBP算法對灰度分布不均敏感的問題。在對Outex和CURet數據庫的分類結果中可以看出，相比于CLBP_SMC，ICLBP算法中ICLBP_SMCT具有更高的分類準確率，同時，ICLBP_SCT的時間復雜度以及空間復雜度遠小于CLBP_SMC，并保持了較高的分類準確率，因此ICLBP_SCT更適用于快速、實時、高效的圖像紋理特征的提取。ICLBP算法也存在其約束條件及不足之處：ICLBP_SCT對于自然紋理的圖像特征提取效果不如CLBP_SMC；ICLBP_SMCT的分類準確率隨著P值的增加會有所下降。本文認為LBP算法仍有可以改進的地方，進一步縮減特征維數、提高LBP算法抗噪聲能力將是下一步研究內容。致謝本論文在指導老師石美紅教授的指導下完成，寫作期間石美紅教授給予了諸多寶貴的建議，在此對石美紅教授表示誠摯的謝意。

[1]Smith J R，Chang Shih-Fu.Automated binary texture feature sets for image retrieval[C]//IEEE International Conference on Acoustics，Speech，and Signal Processing，Atlanta，GA，USA，1996：2239-2242.

[2]Haralick R M，Shanmugam K，Dinstein I.Textural features for image classification[J].IEEE Transactions on Systems，Man，and Cybernetics，1973，3（6）：610-621.

[3]Mallat S G.A theory for multi-resolution signal decomposition：the wavelet representation[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，1989，11（7）：674-693.

[4]Galloway M.Texture analysis using gray level run lengths[J]. Computer Graphics Image Processing，1975，4：172-199.

[5]Hassner M，Sklansky J.The use of markov random fields as models of texture[J].Computer Graphics and Image Processing，1980，12（3）：357-370.

[6]劉麗，匡綱要.圖像紋理特征提取方法綜述[J].中國圖象圖形學報，2009（4）：622-635.

[7]Oja1a T，Pietikainen M，Harwood D.A comparative study of texture measures with classification based on feature distributions[J].Pattern Recognition，1996，29：51-59.

[8]Iakovidis D K，Keramidas E，Maroulis D.Fuzzy local binary patterns for ultrasound texture characterization[C]// Lecture Notes in Computer Science：Image Analysis and Recognition，2008，5112：750-759.

[9]Nanni L，Brahnam S，Lumini A.A study for selecting the best performing rotation invariant patterns in local binary/ ternary patterns[C]//Image Processing，Computer Vision& Pattern Recognition，2010：12-15.

[10]Fu X，Wei W.Centralized binary patterns embedded with image euclidean distance for facial expression recognition[C]//The Fourth International Conference on Natural Computation，2008，10（4）：115-119.

[11]Guo Z H，Zhang L，Zhang D.Rotation invariant texture classification using LBP Variance（LBPV）with global matching[J].Pattern Recognition，2010，43（3）：706-719.

[12]Wolf L，Hassner T，Taigman Y.Descriptor based methods in the wild[C]//Faces in Real Life Images Workshop in ECCV，2008.

[13]Xu Jingsong，Wu Qiang.Fast and accurate human detection using a cascade of boosted MS-LBP features[J]. IEEE Signal Processing Letters，2012，10：676-679.

[14]Guo Z，Zhang L，Zhang D.A completed modeling of local binary pattern operator for texture classification[J]. IEEE Transactions on Image Processing，2010，19（6）：1657-1663.

[15]付蓉，石美紅，陳惠娟.自適應局部二值模式算法及其在織物疵點檢測中的應用[J].紡織高校基礎科學學報，2010，23（1）：99-104.

[16]練秋生，劉春亮.基于Gabor濾波器和LBP的分級掌紋識別[J].計算機工程與應用，2007，43（6）：212-215.

[17]王瑋，黃非非，李見為.使用多尺度LBP特征描述與識別人臉[J].光學精密工程，2008，16（4）：696-705.

[18]梁鵬，何俊詩，黎紹發，等.基于多尺度LBP金字塔特征的分類算法[J].計算機工程，2011，37（8）：166-168.

LIU Hao,YANG Yongquan,GUO Xiancao,SONG Zhihao

School of Computer Science,Xi’an Polytechnic University,Xi’an 710048,China

For most texture feature extraction method,the problem of high computational complexity always exists.An Improved Complete Local Binary Pattern algorithm（ICLBP）is proposed based on Complete LBP（CLBP）.ICLBP preserves the CLBP_S in CLBP,while makes an improvement on CLBP_M and CLBP_C,and proposes a new texture description operator ICLBP_T.ICLBP can describe the local texture feature in a comprehensive way,and the problem that CLBP_M operator in CLBP is sensitive to uneven distribution of gray,is well solved in ICLBP.The classification results on Outex and CURet image databases suggest that,compared to the existing LBP algorithm,ICLBP has obtained a higher classification accuracy,meanwhile,the ICLBP_SCT feature in ICLBP has a lower feature dimension and better practical value.

texture feature extraction;local binary patterns;Complete Local Binary Pattern algorithm（CLBP）;Improved Complete Local Binary Pattern algorithm（ICLBP）

A

TP391

10.3778/j.issn.1002-8331.1311-0040

LIU Hao,YANG Yongquan,GUO Xiancao,et al.Improved LBP used for texture feature extraction.Computer Engineering and Applications,2014,50（6）：182-185.

國家級創新創業項目（No.201210709052）；陜西省科技廳創新工程重大科技專項項目（No.2008ZDKG-36）。

劉豪（1989—），男，碩士，研究領域為智能信息處理，圖像圖形處理；楊永全（1986—），男，研究領域為圖像圖形處理與模式識別；郭仙草（1990—），女，碩士，研究領域為圖像圖形處理與模式識別；宋志浩（1991—），男，研究領域為圖像圖形處理與模式識別。

2013-11-05

2014-01-13

1002-8331（2014）06-0182-04