纹理分类(一)全局特征
来源:互联网 发布:linux 批量删除 编辑:程序博客网 时间:2024/05/18 21:39
转自:http://blog.sina.com.cn/s/blog_631a4cc401013pkn.html
1. LBP
以R为半径的P点邻域,gc为中心,gp为邻域点 ;区分邻域比中心亮度大还是小
:改变P,R 形成多尺度LBP
P=8,7*8+2=58个编码值,其余的U>2的归为一个bin
3. 旋转不变的LBP : 36个
为了形成旋转不变的编码模式,我们让有同一编码模式经旋转后产生的编码结果编码为同一值,即这些旋转结果中的最小值
4. 旋转不变的uniform LBP
即在uniform LBP中,开始7行的每一行为旋转不变,被编为一个编码值,对应上图中第一行的1-7个模式。再加上 全1和全0
一. 增加幅值信息,增加对噪声鲁棒性
1. LTP
对二值化设定阈值
三值编码:使相对中心值变化在t范围内的邻域量化为0;比ic大于t的量化为1;比ic小于t的量化为-1
最后把三值编码转化为正的和负的两部分,2个8bit编码作为特征向量;
2. CLBP
像素值差分为符号和幅值两项考虑 ,对符号的编码CLBP_S和LBP一样 ( 8位)
1.
在训练集上得到局部方差的量化阈值,对局部方差进行量化,与计算联合直方图
缺点:由于训练和测试图片成像条件不同,训练的量化阈值可能在测试图片上不适合
2.
将每个点的方差作为编码值的权重,进行直方图累加(类比sitf中按方向累计梯度幅值)。原理:方差大,对应区域变化大,为高频区域,对区分性贡献大,所以对应该处编码权重大
三. 增加局部梯度信息(类比SIFT)
1. CS-LBP
对中心对称点的亮度差编码,即编码四方向的梯度符号,缩短编码长度
2. TP-LBP
3. POEM
(1) 计算梯度:方向和大小,对方向离散化m个
(2) 对每点,按离散方向,累积半径为r邻域内的梯度幅值(高斯加权),形成m个累积梯度幅值图像
(3) 对每个图像,计算半径R,邻域P的LBP,形成m个LBP
4. LDP
(1) 计算8方向边缘响应
(2) 取第K主方向值Mk(即第k大的边缘响应幅值)作为阈值,进行二值化形成编码。有C_8_k种编码值
四. 对U-LBP的改进
1. H-LBP
层叠的多多尺度LBP
ULBP将U>2的编码都对归入到一个bin中,丢失了其中的区分信息。
半径越大非uniform编码出现频率越高,而大半径中为非uniform的编码在小半径时可能为uniform形式,此时把其编码换为小半径中uniform形式,直至半径缩小为指定大小
- 纹理分类(一)全局特征
- 纹理分类(一)全局特征
- 纹理分类(一)全局特征
- 纹理分类(一)全局特征LBP
- 纹理分类(一)全局特征LBP
- 纹理分类(一)全局特征
- 纹理分类(二)局部特征
- 目标特征提取(一):全局特征
- 纹理特征之(一) LBP
- LBP 局部纹理特征(一)
- [纹理分类]利用随机特征做纹理分类_刘丽
- 基于图像的室内装修风格分类系统(三)---提取纹理特征
- 图像特征提取(纹理特征)
- python实现LBP方法提取图像纹理特征实现分类
- 纹理特征
- 纹理特征
- 纹理特征
- 纹理特征
- JAVAEE知识的系统性有多重要?再谈非线性学习方法
- 基于Predictive Parsing的ABNF语法分析器(九)——AbnfParser文法解析器之带星号的情形(c-wsp和comment)
- ffmpeg 获取视频关键帧
- ASP.NET MVC3 上传头像图片并截图
- android 获取网络资源
- 纹理分类(一)全局特征
- vim 配置文件 ,高亮+自动缩进+行号+折叠+优化
- makefile(二)
- 使用 C# + SQLite + PetaPoco + django 快速打造桌面程序
- CATransition的动画效果类型及实现方法
- makefile(三)
- 打印最优二叉查找树
- 关于邮件营销
- 深入浅出REST