基于抗噪的LBP 紋理特征提取研究?

王 明 劉 哲 宋余慶

（江蘇大學計算機科學與通信工程學院 鎮江 212000）

1 引言

局部二值模式方法最早是由芬蘭Oulu 大學機器視覺小組的研究者Ojala 等［1］提出，該方法在計算機視覺和模式識別領域引起了廣泛的關注，目前已經成為紋理分類和人臉識別領域主要的特征提取方法之一。由于傳統局部二值模式容易受到光照，旋轉，噪聲等因素的影響而改變其編碼。雖然均勻模式在一定程度上減少了噪聲的影響，但是圖像對于噪聲依舊是很敏感，一個小的噪聲也會使整幅圖像的LBP編碼完全不一樣。

在此之前也有針對噪聲敏感的問題開展的研究工作［2～3］，Iakovidis 等［4］提出了模糊局部二值模式（FLBP），其通過引入模糊性，在滿足差值條件的像素位置產生一個模糊二進制模式，將每種LBP模式按其函數定義的權值都考慮進去，該方法提高對于噪聲的魯棒性，但是其計算量大并且難以擴展到多尺度分析。之后Jiang 等［5］在此基礎上提出NRLBP，在具有模糊性的像素位置可以產生m種不同的均勻模式，那么每個均勻模式對最后直方圖統計的權值簡單的取1/m。如果不確定模式C（x）無法產生均勻模式，將表示非均勻模式的bin 增加1，通過建立一個查找表來實現，使得其計算量比FLBP 明顯降低，僅僅稍高于傳統LBP 方法而計算量依舊很復雜。Fathi A等［6］提出的NTLBP算子，使用圓形多數表決濾波器和合適的旋轉不變標記方法來獲得更規則的均勻和非均勻模式，這些模式具有更好的識別能力和更強的噪聲魯棒性。Zhao等［3］提出了一種完備魯棒局部二值模式（CRLBP），其中3*3 局部區域中每個中心像素的值被其平均局部灰度級替換。與中心灰度值相比，平均局部灰度級對噪聲和光照變化更穩健。為了使CRLBP 更加穩健和穩定，還引入了加權局部灰度（WLG）代替原中心像素值，該方法對噪聲具有較好的魯棒性。Liu 等［7］在傳統LBP 方法基礎上，設計一種新的對噪聲穩健的BRINT 描述子。首先將中心像素的圓形鄰域系統進用連續Q 個鄰域像素的平均值表示新的鄰域系統中的一個鄰域像素點，最后得到一個新的圓形鄰域系統；然后再以原中心像素值為閾值對新的鄰域系統進行二值量化，最終獲得一個二進制模式。

本文針對圖像出現的噪聲在原始LBP 基礎上提出了一種抗噪LBP描述子，結合統計學和圖像局部區域的一致性，計算出疑似噪聲位，并由鄰域像素確定其二進制，最終實現編碼。

2 局部二值模式

2.1 原始局部二值模式

局部二值模式（Local Binary Patterns）是一種典型的局部紋理描述子［9～11］。LBP算子最初是定義在某中心像素及其周圍大小為3*3 的矩形鄰域系統上，如圖1 所示：將中心像素的每個鄰域像素值以該中心像素的灰度值為閾值進行二值量化，大于或等于中心像素的像素值則編碼為1，小于則編碼為0，按照給定的編碼方向依次對不同的鄰域點賦予不同的權重，并將量化后得到的二值編碼序列轉換成一個無符號十進制數值，然后將該值最為對應像素點的LBP 特征模式值。圖像中的每一個像素點都可以計算得到一個局部二進制模式。

圖1 原始LBP算子計算示例

使用式（1）、（2）可計算出圖像中每個像素點的LBP值。

式中，R 表示鄰域半徑，P 表示半徑為R 的鄰域像素點數，gc表示局部鄰域的中心像素點灰度值，gi（i=0，1，2…P-1）表示鄰域像素點灰度值。

2.2 旋轉不變局部二值模式

當圖像進行了旋轉，那么圖像上某點的LBP描述子也會發生變化（全為0 或者全為1 的LBP 模式除外），為了解決圖像旋轉帶來的影響，Ojala 等［11］提出了一種旋轉不變算子其 定義為

通過不斷地循環各位使得到的局部二值模式值最小即為最終的LBP描述子，從而保證了LBP描述子不再隨圖像的旋轉而產生變化，并且特征維數在一定程度上得到了明顯的降低，但是隨著尺度的增加其特征維度還是很高，不利于特征的提取。之后Ojala 等注意到在所有同一尺度下的原始LBP 模式中有些模式出現的頻率顯著高于其他模式，于是有理由認為出現概率高的模式包含更多的局部紋理信息，從某種意義上來說它們反映了紋理圖像中的基本局部模式。因此，Ojala等建議采用所有LBP模式的一些子集來描述紋理圖像特征，并提出均勻LBP算子。

U 值表示LBP 模式中在圓周上相鄰的兩個二元值的0/1（或1/0）跳變的次數。如：LBP 模式00000000 和01110000 均為均勻模式，因為它們的0/1（或1/0）轉 移 次 數 分 別 為0 和2，即U（00000000）=0，U（01110000）=2。而模式01000100為非均勻模式，因為U（01100101）=4。均勻模式極大的降低了LBP 的特征維數，在尺度為4，鄰域點為32的大尺度下，其特征維數僅僅為995。

2.3 旋轉不變均勻局部二值模式

Ojala 等［12］為了進一步提高LBP 特征描述子旋轉不變形，并降低特征維度，提出了旋轉不變均勻局部二值模式：

式中旋轉不變均勻模式僅P+1類，所有非均勻模式歸為一類，于是整副圖像的LBP 維度僅僅為P+2維，顯著低于上述三種。

3 改進的抗噪LBP描述子

本文在原始LBP 基礎上提出的抗噪LBP。通過式（6）計算鄰域點和中心像素點差值，由統計學中狄克遜準則［13］來找出鄰域中異常像素點，對于非異常像素點通過式（7）得出二進制模式；考慮到局部區域鄰域的一致性，對于異常像素點根據其左右像素點的異同性決定該位像素值，如其左右像素點的值都為1 則該點像素值也為1；若其左右像素點值為0 和1 則根據左右像素點近鄰的兩位來決定，如00X10 則X 為0；若左右近兩位還不能決定該點像素值，則根據鄰域中0 和1 統計數多的位決定，對于存在多個異常值情況下，按照權位由低到高依次判別出異常值的二進制位，處于未知的位，在判定時先跳過，最終得出本文改進的抗噪LBP 描述子，具體步驟如下：

1）對中心像素點gc半徑為R 的P 個像素點分別與gc做差：

其中i=0，1，2，3…P-1。

2）對差值通過狄克遜準則剔除，對于被剔除的第i位將被標記為X待定。

3）則未被剔除的差值di則第i 位的二進制數bi由以下公式得出：

對于被剔除的差值其角標記為λ，角標采用0，1，2，3…P-1 循環準則，則角標為λ的二進制bλ的值由以下規則得出：

（1）若bλ-1XOR bλ+1=0 則bλ= bλ-1或bλ=bλ+1否則轉2）繼續討論。

（2）若bλ-1XOR bλ-2=0 且bλ+1XOR bλ+2=1 則bλ=bλ-1，換個方向同理，否則轉3）繼續討論。

（3）統計bi=1 和bi=0 的個數，bλ為二進制值統計數最多的那組值。

（4）之后計算模糊點左右對稱四個鄰域像素點均值并重新賦值該點。

5）最后將得到的LBP 轉換為旋轉不變均勻模式作為最終的紋理特征。采用半徑為1，鄰域點數為8 的LBP 模式，最后改進抗噪的LBP 特征維數也是10。

本文改進的抗噪LBP 模式具體實驗流程圖可由如圖2所示。

圖2 改進的抗噪LBP流程圖

在第5 位的像素點的灰度值在噪聲影響下，值由35 突變為255，而傳統LBP 模式由原始的0000 0110 變為0010 0110，旋轉不變均勻模式由0000 0011 變為了非均勻模式，這嚴重的影響其特征提取。本文改進的方法使得到的旋轉不變均勻模式并沒有被改變，始終為0000 0011，修改后的像素值為30，與原始35相差無幾，本文所提出的方法很好地解決了這一問題。

4 實驗結果與分析

為了驗證本文提出的算法對噪聲具有良好的魯棒性，選擇在標準數據庫Brodatz 和CUReT 上分別對、FLBP、NRLBP 算法進行對比實驗，使用支持向量機［14～15］完成紋理分類。實驗所用的兩個數據庫樣本紋理如圖3、4所示。

本文將沒有噪聲的紋理圖像作為訓練數據，然后將不同強度的高斯白噪聲添加到旋轉的測試圖像中，其信噪比（SNR，SIGNAL-NOISE RATIO）從10dB 到50dB，四種算法的采樣半徑都為1，鄰域像素點為8，為了減小隨機誤差帶來的影響，在上述數據庫上進行紋理分類時，采用了20 次獨立的隨機采樣實驗平均分類準確率作為最后評估算法性能的指標，實驗結果如表1、表2所示。

圖3 Brodatz 紋理庫部分樣本

圖4 CURet 紋理庫部分樣本

表1 Brodatz紋理庫20次平均分類準確率

表2 CUReT紋理庫20次平均分類準確率

對于兩個數據集，所有方法在較高的SNR（SNR = 30dB）內抗噪性能較好。對于數據集Brodatz 上10dB～30dB 之間的SNR，所提出的方法與其他方法相比具有顯著差異。而在數據集CUReT上，所提方法的性能略優于其他方法。但是在兩個數據集的SNR=10dB 非常低的情況下，所有LBP 方法的辨別能力都會下降。但是在不同的信噪比中，本文所提出的方法表現出更好的分類準確率和魯棒性。

5 結語

LBP 運算符是用于圖像分析的強大紋理描述符。但LBP 對噪音很敏感。即使很小的噪音也可能會顯著改變LBP 模式。FLBP 通過引入多模式的模糊LBP 來解決這個問題，但是計算量巨大，無法拓展到多尺度，NRLBP 也僅僅在FLBP 基礎上通過均勻化來減少計算量，雖然效果比FLBP好，但依舊無法解決巨大的計算量問題，所提出方法的關鍵思想不僅是在局部紋理圖案中有效合理地使用鄰域與鄰域之間的關系，而且對噪聲也變得更加魯棒。為實現這一目的，采用了鄰域循環位表決來決定模糊位的二進制值。對不同數據庫的幾個實驗表明，該方法在現有LBP 算子中具有最高的識別能力和分類精度以及更好的紋理分析噪聲容忍能力。