纹理是图像的一种重要特征,也是图像的灰度统计信息、空间分布信息和结构信息的综合反映，因此被认为是几乎所有图像表面的固有特性。纹理分类作为纹理分析的重要组成部分，构成了模式识别和计算机视觉领域的经典研究主题。

　1996年OJALA T首次提出了利用局部二元模式(LBP)直方图提取纹理特征的方法，并于2002年将其扩展为系统理论[1]。该方法具有旋转不变性的显著优点，在纹理分类中取得了广泛的应用。然而，原始的LBP码在邻近区域内并不独立，忽略了图像的全局特征，分类效率低。近年来，研究人员相继提出了多种解决方案，但在分类效率和计算复杂度方面不能达到很好的平衡 [2]。针对上述问题，本文对经典的LBP方法进行改进，引入LBP方差(LBPV)，并结合新的全局匹配穷尽搜索方案以提高分类效率。此外，为了降低计算复杂度，采用了一种基于LBP特征估测主方向进行特征降维的方法。
1 基于LBPV的特征提取
1.1 LBP
    LBP是一种灰阶纹理算子，用来表示局部图像纹理的空间结构，以及纹理图像局部区域的中心像素点与其相距R的P个邻域像素点之间的灰度值大小关系。以中心点像素值为阈值，邻域点灰度值小于阈值则用0表示，大于或等于阈值则用1表示，按顺时针方向得到的0、1码串即为LBP模式，如图1所示。对不同位置像素点按式(1)进行加权求和得到LBP算子,用LBPP,R表示。
  
其中，P表示像素点的个数;gi表示第i个邻域像素点的值;gc表示中心像素点的值,表示邻域灰度值与中心像素点的差,当邻域像素点的值大于中心像素点时的值为1，反之则为0。

    不同的LBP 模式代表不同的微观结构。统计不同LBP模式出现的概率得到图像的纹理谱直方图，可作为纹理图像的特征向量对纹理图像进行分类。
1.2 LBPV算子
       在纹理识别时，通常将LBP算子与方差(VAR)联合使用[3]，即 LBP与方差的联合算子(LBPP,R/VARP,R)，该算子突出了局部空间模式和局部对比度的互补信息，能更好地描述区域的纹理特征。然而，由于方差是一个连续值，量化过程中不可避免地会出现误差，影响分类效率，而且得到的特征向量维数过大,从而增加了计算复杂度。本文引入LBP方差[4](LBPV),LBPV将局部区域方差的权值作为LBP模式的权值，有效地将图像的空间模式和局部差异性融合为一体，且不需量化过程，避免了量化过程中的问题。另外，LBPV提取的特征向量维数相对较小，计算复杂度低，能有效节省计算时长。因此，LBPV相比于LBPP,R/VARP,R更具优势。
2 基于穷尽搜索的旋转不变全局匹配方案
    传统的基于LBP的旋转不变纹理分类中，首先得到待分类图像的直方图，然后寻找与待分类图像的直方图最匹配的样本图像。这种做法忽略了图像的全局信息，仅靠从图像局部区域的旋转不变纹理信息进行分类，很容易造成误分,如图2所示。如果只用图2(c)代表图2(a)、图2(b)两幅图所提取的纹理特征进行分类，则两幅不同的图像将会被误分为同一类。

3.2 基于旋转不变LBP模式的特征降维
　　在进行纹理分类时，高维特征之间可能存在着相关性和信息冗余[7]，这不仅会降低分类率，还会增加计算复杂度。为了提高分类效率，降低计算复杂度，本文采用基于LBP旋转不变模式的原理进行特征降维。首先计算整个图像的旋转可变LBP模式直方图，如图4(a)所示。其次将该直方图按照旋转不变性的方法累积到一个旋转不变LBP模式上得到一个新的直方图,如图4(b)所示。最后将新直方图按降序排列，把出现频率最高的模式累积到其旋转可变模式上，同时保留对分类精度有利的可变模式，如图4(c)所示，这样就实现了一次特征降维。重复这一步骤，不断减少特征向量的维数，直到得到所需要的维数为止。这种方法是一种混合匹配方法，同时利用了图像的旋转可变和不变纹理，即把每一行都累积到其不变模式上，从而达到特征降维的目的。

4 纹理分类实验与结果分析
    实验选用纹理丰富的Outex库进行测试。Outex库包含Outex_TC_00011(TC11)和Outex_TC_00012(TC12)两个测试集，共24类相同的纹理。为了表述方便，本文约定GM代表全局匹配方案，ES代表穷尽搜索方法，U2表示旋转不变模式,PDn代表沿n主方向匹配，RN代表保留了RN行旋转可变模式，若所有旋转可变模式都被保留，即不进行降维，则RN忽略不计。具体步骤如下：
    (1) TC11测试集:采用每类纹理中分辨率为120 dpi的样本对分类器进行训练，然后在同样的光源和角度下，用分辨率为100 dpi的样本结合不同的方法进行测试,共有24×20个测试图像。
    (2) TC12测试集：用在90°和“t184”光照条件下得到的样本对分类器进行训练，用在inca和horizon光源下得到的样本采用与TC11相同的方法进行测试。共有24×20种训练样本，每种光源条件都有24×20×9个实验样本。对两个测试集采用LBPV_P,R^U2GM_PD2^RN方法分类时,由于提取的特征之间存在着部分冗余，分类率会随着RN值的增大而降低，考虑到特征降维和主方向匹配的复杂性，本实验取RN=P/2进行测试。表1给出了不同算子结合不同的方法在TC11和TC12测试集下的分类效率，单位为%，其中(8,1)、(16,2)和(24,3)表示P,R的3种不同取值。

    由测试结果可知，作为LBP/VAR的简化算子，LBPV结合全局匹配的方法明显提高了分类效率，采用基于LBP模式频率估计主方向和特征降维的方法，不但降低了计算复杂度，节省了分类时间，而且进一步提高了分类效率。
    本文在分析传统的基于LBP纹理分类局限性的基础上引入LBPV，并提出了全局匹配方案。此方案与LBP算子或LBPV算子相结合，其效果均优于传统的旋转不变LBP，且该算法在大邻域和复杂测试集上具有较高的分类效率。另外提出的基于LBPV模式频率估计主方向和特征降维的方法，分类正确率不但没有降低，而且还在一定程度上降低了运算复杂度，减少了分类时间，提高了分类效率。实验结果表明，本文提出的旋转不变纹理分类方案在分类效率和计算发杂度上达到了较好的平衡，具有更好的分类效率。
参考文献
[1] OJALA T, PIETIKAINEN M, MAENPAA T. Multiresolution  gray-scale and rotation invariant texture classification with  local binary patterns[J].IEEE Transaction on Pattern Analysis and Machine Intelligence,2002,24(7):971-987.
[2] Han Tuohuang, Kang Zhiwei. Texture extraction method by fusion of multi-level wavelet decomposition and LBP[J]. Analysis and Machine Intelligence, 2012,28(3):169-171.
[3] MURALA S, BALASUBRAMAN R. Multiresolution LBP correlogram for texture image indexing and Retrieval[J]. Materials Science and Engineering,2011,23(11):908-914.
[4] Guo Zhenhua, Zhang Lei, ZHANG D. Rotation invariant  texture classification using LBP variance(LBPV) with global   matching[J].Pattern Recognition,2010,43(3):706-708.
[5] 王水鱼,刘武.基于纹理结构的指纹匹配算法[J].电子技术应用,2011,30(2):48-50.
[6] Zhang Lin, Zhang Lei, Guo Zhenhua, et al. Monogenic  LBP: A new approach for rotation invariant texture classication[C]. 17th IEEE Int. Conference on Image Processing, 2010.
[7] 刘翠响.人脸识别中高维数据特征分析[D].天津：河北工业大学,2009.