1.3改进的LBP纹理特征

Ojala等人[4]在将LBP扩展到任意圆形邻域的同时，提出了“改进的旋转不变性与等价模式”计算方法，成功地对众多二进制排列方式进行降维。以LBP_4,1形式为例，将得到的二进制序列首尾相连，计算二进制序列中从0变化到1和从1变化到0的次数，若变化次数小于等于两次，则称此二进制序列为一个等价模式，例如：00010000，11101111等为等价模式，01010100，01101010等为非等价模式。如果二进制序列为等价模式，则将该像素位置标记为二进制序列中所有1的个数，如果二进制序列为非等价模式，则将该像素位置标记为P+1，其中P为采样点的个数。例如，图1所示的图像块是非等价模式，此时P=9，则此处应标记为9。

改进的LBP纹理特征的数值定义式如下：

使用改进的LBP纹理特征的好处是，将原有的二进制模式种类由2^P种减为P+2种，减少了统计种类，便于统计分类。

1.4LBP纹理特征处理图像

图3展示了两种LBP纹理特征的直方图，传统的纹理特征分类较多，可精确的表示图像的纹理特征，但特征数据的较多增大了计算量；改进的纹理特征直方图数据种类较少，便于分类，但不够精确。

本文使用改进的LBP纹理特征进行图像分析。可以直接获取目标图像区域的纹理特征值直方图，与模板直方图进行相似度比较，来判断目标图像区域是否是待选择区域[5]；也可以将纹理特征值融合在矩阵中进行处理。

2 区域协方差矩阵

由于N个特征向量不共线，则协方差矩阵CR是d×d维的正定实对称方阵；由于是对称方阵，在计算中只需要计算上三角矩阵数据，即保留(d^2+d)/2个数据[6]。通过建立协方差矩阵，能够一定程度地消除噪声，而且对角线元素代表该特征的方差，表征了数据的集中程度，非对角线元素代表特征间的协方差，描述了各个不同维度之间数据相关性。因此，协方差矩阵能够有效反映目标区域的数据信息，以及不同特征间的关系。

3 协方差矩阵的相关性

通过图像提取出的协方差矩阵含有图像的信息，可以将比较两幅图像相似度的问题转化为对协方差矩阵的相关性判定。由于协方差矩阵不服从向量空间，所以欧式空间的运算法则不适合协方差矩阵相似度判定[7]。对于两个对称正定的协方差矩阵的相关性度量，文献[8]给出了度量方法，提出了基于黎曼度量的距离计算。设A，B是实对称正定矩阵，则A，B之间的距离d(A,B) 可以表示为：

分享让更多人看到