-
中英文对照外文翻译文献
(
文档含英文原文和中文翻译
)
译文：
基于局部二值模式多分辨率的灰度
和旋转不变性的纹理分类
摘要：
本文描述了理论上非常简单但
非常有效的，基于局部二值模式的、样图的非参数识别
和原型分类的，多分辨率的灰度和
旋转不变性的纹理分类方法。此方法是基于结合某种均
衡局部二值模式，是局部图像纹理
的基本特性，并且已经证明生成的直方图是非常有效的
纹理特征。我们获得一个一般灰度
和旋转不变的算子，可表达检测有角空间和空间结构的
任意量子化的均衡模式，并提出了
结合多种算子的多分辨率分析方法。根据定义，该算子
在图像灰度发生单一变化时具有不
变性，所以所提出的方法在灰度发生变化时是非常强健
的。另一个优点是计算简单，算子
在小邻域内或同一查找表内只要几个操作就可实现。在
旋转不变性的实际问题中得到了良
好的实验结果
,
与来自其他的旋转角度的样品一起以一
个特别的旋转角度试验而且测试得到分类
,
证
明了基于简单旋转的发生统计学的不变性二
值模式的分辨是可以达成。这些算子表示局部
图像纹理的空间结构的又一特色是，由结合
所表示的局部图像纹理的差别的旋转不变量不
一致方法，其性能可得到进一步的改良。这
1
外文翻译：基于局部二值模式多分辨率的灰度和旋转不变性的纹理分类（节选）
些直角的措施共同证明了这是旋转不变性纹理分析的非常有力的工具。
关键词：非参数的，纹理分析，
Outex
，
Brodatz
，分类，直方图，对比度<
/p>
2
灰度和旋转不变性的局部二值模式
我
们通过定义单色纹理图像的一个局部邻域的纹理
T
，如
P
（
P>1
）个象素点的灰度
级联合分布，来描述灰度和旋转不变性算子：
T
?
t
(
g
c
,
< br>g
0
,
?
g
P
?
1
)
（
1
）
其中，
g
c
为局部
邻域中心像素点的灰度值，
g
p
（
p=0
，
1
?
P-1
）为半径
R(R>0)
的圆形
邻域内对称的空间象素点集的灰度值。
图
1
如果
g
c
的坐标是（
0,0
）
，那么
g
< br>p
的坐标为
(
?
R
sin(2
?
p
/
P
),
R
cos
(2
?
p
/
P
))
。图
1
举例说明了圆形对称邻域集内各种不同的（
P,
R
）
。不完全落在中心点邻域内的像素点的灰
< br>度值采用插值法估计。
2.1
灰度不变性的达成
作为灰度不变性的
第一步，在不丢失任何图像信息的前提下，我们从圆形对称邻域集
g
p
（
p=0,
??
P-1
）中减去中心点（
g
c
）的灰度值，即令：
T
?
t
(
g
< br>c
,
g
0
?
g
c
,
g
1
?
g
c
,
?
,
g
P
?
1
?
g
c
)
（
2
）
然后，我们假设差分
g
P
< br>?
g
c
独立于
< br>g
c
，这样我们就可以把式（
2
）式分解为：
T
?
t
(
g
c
)
t
(
g<
/p>
0
?
g
c
,
g
1
?
g
c
,
?
,
g
P
?
1
?
g
c
)
（
3
）
实际上，严格的独立性是无法达成的，因此，被分解的因式只是联合分布的一个近似
值。然而，当我们在旋转中可以保持灰度不变性的话，我们愿意承担丢失一些图像小信息
的可能。也就是说，因式
t
(
< br>g
c
)
在（
3
）中描述了图像的全局亮度，但并不为纹理分析提供
有用
信息。因此，原始的联合灰度级因式（
1
）的许多纹理特征信息
可由联合差分因式表
2
外文翻译：
基于局部二值模式多分辨率的灰度和旋转不变性的纹理分类（节选）
达
[1]
：
T
?
t
(
g
0
?
g
c
,
g
1
?
g
c
,
< br>?
,
g
P
?
1
?
g
c
)
（
4
）
这是一个有高度识别能力的纹理算子，可以算出
P
< br>空间中各种模式下每个像素点邻域
的直方图。对于固定的区域，在各个方向的差别
为零。在一个慢慢倾斜的边缘，该算子可
算出沿倾斜方向差分最大的点和差分为零的点，
对于斑点而言，各个方向的差分都是很大
的。
有正负之分的差分
g
P
?
g
c
不受平均亮度改变的影响，
因此，
联合差分因式对于灰度变
化具有不变性。我
们所得到的关于灰度计数不变性只考虑差分符号而非它们的精确值：
< br>T
?
t
(
s
(
g
0
?
g
c
),
s<
/p>
(
g
1
?
g
c
),
?
s
(
g
p
?
1
?
g
< br>c
))
(5)
其中，
?
1,
x
?
0
s
(
x
)
?
?
(6)
0,
x
?
0
?
通
过为每一个
s
(
g
P
?
g
c
)
的符号赋一个二项式因子
2
p
，我们把式（
5
）转换为一个独
特的
LBP
P
,
R
码来刻画局部图像纹理的空间结构的特性：
<
/p>
p
?
1
LBP<
/p>
P
,
R
?
?
s
(
g
p
?
g
c
)2
p
(7)
p
?
0
Local Binary Patterns
这个名字反映
了
LBP
算子的泛函性，
即第一个局部
邻域点的灰度
值是中心像素点进入二值模式的开始。
LBP
P
,
R
算子是通过
对灰度的任何单调变化定义不变
量，也就是，只要保持图像灰度值的顺序不变，
LBP
P
,
R
算子所产生的
LBP
码就不变。
如果我们设置
（
P=8,R
=1
）
，
我们得到
LBP
8,1
这与我们在文献
[2
]
中提到的
LBP
是类似的。
LBP
8,1
和
LBP
之间有两个不同点：
1)
邻域集内的像
素点被编入索引以形成一个循环链，
2)
对角线上像素点的灰度
值由插值法确定。两者的修改都必需获得圆形对称邻域集，这考虑
到源自
LBP
P
,
R
的旋转不变式之一。
2.2
旋转不变性的达成
由邻域集中
P
个像素点对应
2
P
个不同的二值模式，
LBP
P
,
R
算子会生成
2
P
个不同的输出
值。当图像被旋转时，
g
P
的灰度
值会对应地绕着
g
0
的四周沿着圆周的
边界移动。
g
0
始终
< br>被指定为元素
(0,R)
的灰度值，而恰恰
g
c
旋转一个特定的二值模式后自然生成一个不同的
LBP
P
,
R
值。这不适用于只由
0s
（或
1s
）组成的旋转任何角度始终保持不变的模式。为了要
消除旋转的影响，也就是，要分配一个独特的标识符给每个旋转不变性的局部二值模式，
我们定义：
3
外文翻译：基于局部二值模式多分辨率的灰度和旋转不变性的纹理分类（节选）
< br>
LBP
P
ri
,
R
?
min{
ROR
(
LBP
P
,
R
,
i
)
i
?
0,1,
?
,
P
?
1
}
(8)
其中
ROR(x,i)
执行一个循环
的位方法的
P-
位元
x i
次的变换。
就图像像素点而言，
式
(8)
只简单对应于被多次顺时针方向旋转的邻域集，
因而最有效位元的一个最大码从
g
P
?
1
启动
,
为<
/p>
0
。
LBP<
/p>
P
ri
,
R
量化了对特定的微特征的个别旋转不变性模式的发生统计学；
因此该
模式可作
ri
为特征检测器。
图
2
举例说明了当
P=8
时的
36
种独特的旋转不变二值模式，
也就是说，
LBP
8,1
可以有
36
个不同的值。比如说，图案
#0
检测到明亮的斑点，
#8
有暗点和平坦的区域
，
#4
有
ri
边缘。如果我们设定
R=1
，
LBP
符合灰度和旋转不变性算子正如我们在
[3]
中指定了的
8,1
LBPROT
。
图
2
2.
3
基于均衡模式改进的旋转不变性和有角空间的更佳量化
然而，我们的实际经验已经显示
LBPROT
同样不能提供非常好的识别，这点我们也
总结在
[3]
。这有两个原因：
1)LBPROT
中
36
种互相独立的模式联合体的发生频率变化非
常大，
2)
有角空间
45
°间隔的粗糙量化。
我们已经观测得知，
特定的
LBP
可描述绝大多数的基本纹理特征，有时可描述超过
90%
的
3
×
3
模式里所有的纹理。
这将和实验中用
到的图像数据统计学一起在第
3
节中加以
详细阐述。当它们具有一个共同点时，我们称这种基本模式为“均衡模式”
，即包含少
许
空间变换的均衡圆形循环结构。均衡模式的例子如图
2
的第一行，它们就像模板一样作用
于各种微结构，诸如明亮的斑点
(0)
，平滑区域或者暗色斑点
(8)
，
以及按曲率正负变化的边
缘
(1-7)
等等。
为了要
正式定义“均衡”模式，我们引入
U
值（
“模式”
）
，
“均衡”模式与
U
“模式”
下的空间变换码（
0/1
的跳跃）对应。例如，模式
00000000<
/p>
2
和
11111111
< br>2
的
U
值为
0
，而
图
2
第一列中的其它七种模式的
U
值为
2
，即这些模式中最多只有
2
次
0/1
的跳跃。类似
4
外文翻译：基于局部二值模式多分辨率的灰度和旋转不变性
的纹理分类（节选）
的，其它
27<
/p>
种模式的
U
值至少为
4
。我们指定
U
值不大于
2
的为“均衡”模式，并提出
了替代
LBP
P
ri
,
R
的基于灰度和旋转不变纹理的算子如下：
<
/p>
?
1
?
?
P
当
U
(
LBP
P
,
R
)
?
2
P
?
0
s
(
g
p
?
g
c
)
?
?
(9)
其它
?
P
?
1
LBP
其中
riu
2
P
,
R
U
(
LBP
P
,
R
)
?<
/p>
|
s
(
g
P
?
1
?
g
c
)
?
s
(
g
0
?
g
c
)
|
?
?
|
s<
/p>
(
g
P
?
g
c
)
?
s
(
g
p
?
1
?
g
c
)
|
(10)
p
?
1
P
?
1
标
在右上角的
riu2
反映了旋转不变“均衡”
< br>模式的用处——
U
值最大为
2<
/p>
。
根据定义，
P+1
“均衡”二值模式可用于
P
个像素点的圆形对称邻域集。方
程式
(9)
指定了一个独特的
标识给这
些像素点对应模式（
0
?
。图
2
通过图案把“均衡”模式表
?
P
）中的二进制码“
1
”
p
2
2
示出来了。
在实践中，从
LBP
P
,
R
到
LBP
P
riu
的映射有
P+2
个不
同的输出值，是基于
个元
,
R
素的查找表的最佳实现。
纹理分析中最终使用
的纹理特征是算子作用在纹理样本之上所得值（即模式标识）的
累计直方图。相对于全独
立模式的直方图，
“均衡”模式的直方图之所以能提供更好的识
别力，归结为它们的统计特性的差别。全模式累计直方图中的“非均衡”模式的相关比例
很小，因而它们的概率得不到可靠的估计。对样本和模型直方图的相异点分析中的有噪估
计会使效果变差。
ri
我们很早就注
意到，
LBPROT
（
LBP
8,1
）的旋转不变性受邻域集内
8
个像素点所提供的
有角空间
45
< br>°角粗量化的制约。因为有角空间的量化被定义为
(360
°
/P)
，所以要使用一个
更大的<
/p>
P
来直接定位。但是，
P
的选择还必须考虑一些特定的事项。首先，
P
和
R
在某种程度
上与给定的
R
对应的圆形邻域包含的有限的像素点数
（例如，
9
对于
R=1
）
，
这里引进邻域的
非多余取样点的数目上限。
其次，包含有
2
P
个元素的查找表的有
效执行，要求为
P
设定一
个实用的上限
。本文中，我们探索
P
值最大为
24<
/p>
，这需要一个能由计算机简单处理
16MB
的
查询表。
2.4
局部图像纹理对比度的旋转不变量方差的量度
2
LBP
P
riu
,
R
算子是一个灰度不变性方法，也就是，它的输
出值不受任何灰度转化的影响。
它是空间模式的优良方法，但根据定义，丢失了对比度。
如果灰度不变性不是必需的，而
我们又想要合并局部图像纹理的对比度，则可用旋转不变
量来衡量局部方差：
VAR
P
,
R
1
P
?
1
?
?
(
g
p
?
?
)
2
,
P
p
?
0
1<
/p>
P
?
1
?
?
?
g
p
(11)
P
p
?
0
2
VAR
P
,
R
是根据灰度变化不变量定义的
，
LBP
P
riu
,
R
和
VAR
P
,
R
是互相补充的，它们的联合
2
分布
LBP
P
riu
,
R
/
VAR
P
,
R
的数学期望是局部图像纹理旋转不变量强有力的衡量。鉴于此，即使
< br>2
我们在本研究中限制我们自己用到具有相同
(P,R)
值的
LBP
P
riu
,
R
和
VAR
P
,
R
算子，也不会影响
5
外文翻译：基
于局部二值模式多分辨率的灰度和旋转不变性的纹理分类（节选）
我们使用作用于不同邻域的算子的联合分布。
2.5
非参数的分类法则
在分类阶段，我们求出样本和模型直方图的相异值作为拟合度测试，这个值由非参数
的统计检验来衡量。通过非参数检验，关于纹理分类的假设，我们可以避免任何可能的错
误。有许多众所周知的拟合度统计量，诸如
?
2
统计量和
G
（对数似然比）统计量
[4]
。本
研究中，
测试样本
S
被指派给
M
模型类，它的极大对数似然统计量为：
L
(
S
,
M
)
?
?
S
b
log
M
b
(12)
b
?
1
B
其中，
B
为
bin
的数量，
S
b
和
M
b
分别对应样本和模型的直方图维值（
bin
）为
b
的概
率。方程式（
12
）是
G
（对数似然比）统计量的直接简
化：
B
S
b
G
(
S
,
M
)
?
2
?
S
b
log
?
2
?
[
S
b
log
S
b
?
S
b
< br>log
M
b
]
< br>
(13)
M
b
b
?
1
b
?
1
B
其中，
表达式右边的第一项可以忽略地看作是给定的常数
S
。
L
是一个非参数假设，用于衡量样本
S
的似然度，是来自纹理类别还是基于预分类纹
2
理模型
M
的准确概率。在联合分布<
/p>
LBP
P
riu
,
R
/
VAR
P
,
R
(12)
的情况下，可以直接方式彻底扫描
二维直方图。
样本和模型分布藉由通过选择好的算子和扫描纹理样本和原型，把算子输出的分类分
2
解成带有固定维数的直方图。
因为
< br>LBP
P
riu
不需要量
,
R
有一个离散输出值
(0
→
P+1)
的固定集，
化，
但算子的输出值直接被累计成
P+2
维的直方图。
每维都能有效提供一个在纹理样本或
< br>原型中遇到的对应模式的概率的估计量。因为只有一个模式小子集可以几乎包含一个给定
< br>的模式，所以毗连的邻域之间的空间依存关系是固有地存在于直方图中的。
方差量度
VAR
P
,
R
有一个连续值的输出，因此，需要特征空间的量化。这可通
过在总分
类中为每个单独的模型图像都添加一个特征分类来完成，每个特征分类又被分成
有相同条
目数的
B
维。因此，直方图的
维数的删除数值对应组合数据的百分位（
100/B
）
。从总分布
中获得删减值并锁定每维具有相同量的组合数据，以保证最高
分辨率的量化用于条目数最
大的地方，反之亦然。由于一个低维的直方图不能提供足够的
分类识别信息，在特征空间
量化中所用到的维数在某种程度上是很重要的。另一方面，因
为分类条目数有限，维数太
大可能导致稀疏且不稳定的直方图。根据经验方法，统计学文
献时常建议平均每维
10
个
条目应该是足够的。在实验方面，我们设定
B
的数值，以便这一个条件得到满足。
2.6
多分辨率分析
我们已经描述了一般旋转不变算子作用于
P
像素点以
R
为半径的圆形对称邻域集内的
像素点，来刻画局部图像纹理的空间模式和对比度。通过改变
P
和
R
，我们可以了解算子
在有角空间
的量化和任意空间解析度的作用。
多分辨率分析可通过不断变化的
（
P,R
）
的多
6
外文翻译：基于局部二值模式多分辨率的灰度和旋转
不变性的纹理分类（节选）
重算子所提供的联合信息来完成。
本
研究中，我们通过定义来直接实现多分辨率分析，聚合相异度相当于对应
L
N
算子
的对数似然和。
L<
/p>
N
算子定义如下：
L
N
?
?
L
(
S
n
,<
/p>
M
n
)
(14)
n
?
1
N
其中，
N
为算子数，
S
n
和
< br>M
n
分别用算子
n
（
n=1
，?，
N
）提取的对应样本和模型直
方图。这个表达式是基于
G
统计量
(13)
的特性的叠加，
即，几个
G
检验结果可以归纳出一
个有
深远意义的结果。如果
X
和
Y
是独立随机事件，且
S
X
，
S
Y
，
M
X
和
M
Y
分别为
S
和
M
的边缘分布，则
G
(
S
XY
,
M
XY
)
?
G
(
S
X
,
M
X
)
?
G
(
S
Y
,
M
Y
)
< br>[5]
通常，不同纹理特征之间的独立性假设是站不住脚的。然而，由于统计学
的偏差以及
riu
2
riu
2
高维直方图的计算复杂度，
精确的联合概率估计
是不可行的。
例如，
LBP
，
LBP
8,
R
16,
R
和
riu<
/p>
2
LBP
24,
R
的叠加直方图包含
4680
（
10
×
18
×
26
）个单元。为了满足统计可靠性的第一法则，
即，平均每单元至少要有
10
个条目，图像大小至少为（<
/p>
216+2R
）
(216+2R)
个像素。因此，
高维直方图只有当真实图像大的时候才可靠，这使之变
的不切实际。大的多维直方图的计
算在计算速度和内存消耗上也是很可观的。
最近，我们在纹理分割中也成功使用了这种方法，为多分辨率分析中独立
直方图的合
并做了大量不同选项的比较
[6]
< br>。本研究中，我们限制至多三个算子的合并。
7
Multiresolution Gray-Scale and Rotation
Invariant Texture
Classification with
Local Binary Patterns
Abstract
：
This
paper
presents
a
theoretically
very
simple,
yet
efficient,
multiresolution
approach
to
gray-
scale
and
rotation
invariant
texture
classification
based
on
local
binary
patterns
and
nonparametric
discrimination
of
sample
and
prototype
distributions.
The
method
is
based
on
recognizing that certain local binary
patterns, termed “uniform”
, are
fundamental properties of
local
image
texture
and
their
occurrence
histogram
is
proven
to
be
a
very
powerful
texture
feature.
We
derive
a
generalized
gray-scale
and
rotation
invariant
operator
presentation
that
allows for detecting the “uniform”
patterns for any quantization of the angular space
and for any
spatial
resolution
and
presents
a
method
for
combining
multiple
operators
for
multiresolution
analysis.
The
proposed
approach
is
very
robust
in
terms
of
gray-scale
variations
since
the
operator
is,
by
definition,
invariant
against
any
monotonic
transformation
of
the
gray
scale.
Another
advantage
is
computational
simplicity
as
the
operator
can
be
realized
with
a
few
operations in a small neighborhood and
a lookup table. Excellent experimental results
obtained
in true problems of rotation
invariance, where the classifier is trained at one
particular rotation
angle and tested
with samples from other rotation angles,
demonstrate that good discrimination
can be achieved with the occurrence
statistics of simple rotation invariant local
binary patterns.
These operators
characterize the spatial configuration of local
image texture and the performance
can
be
further
improved
by
combining
them
with
rotation
invariant
variance
measures
that
characterize
the
contrast
of
local
image
texture.
The
joint
distributions
of
these
orthogonal
measures are shown to be very powerful
tools for rotation invariant texture analysis.
Index
Terms
：
Nonparametric, texture
analysis, Outex,
Brodatz,
distribution, histogram, contrast.
2
GRAY SCALE AND ROTATION INVARIANT LOCAL
BINARY PATTERNS
We start
the derivation
of
our
gray scale
and rotation
invariant
texture operator by defining
texture T
in a local neighborhood of a onochrome texture
image as the joint distribution of the
gray levels of P (P > 1) image pixels:
T
?
t
(
g
c
,
g
0
,
?
g
P
?
1
)
< br>
（
1
）
8
-
-
-
-
-
-
-
-
-
上一篇：服务及响应承诺书
下一篇：PS工具栏中英文对照