CRLBP： Completed robust local binary pattern for texture classification
用于纹理分类的完备鲁棒局部二值模式
原文地址：https://www.sciencedirect.com/science/article/pii/S0925231212008545?via%3Dihub
摘要
原始的局部二进制模式（LBP）描述符有两个明显的缺点，即对噪声敏感，有时倾向于用相同的二进制码来描述不同的结构模式，这将不可避免地降低其可分辨性。为了克服这两个缺点，本文提出了一种鲁棒的LBP框架，称为完全鲁棒局部二值模式（CRLBP），其中每个中心像素的值为3*3局部区域被其平均局部灰度所代替。与中心灰度值相比，平均局部灰度对噪声和光照变化更具鲁棒性。为了提高CRLBP的鲁棒性和稳定性，引入加权局部灰度（WLG）来代替传统的中心像素灰度值。在四个具有代表性的纹理数据库上进行的实验结果表明，该方法对噪声具有较强的鲁棒性，并能达到较高的分类精度。
相关工作
局部三元模式（LTP）
由于直接使用中心像素的灰度值作为阈值，LBP对噪声非常敏感，尤其是在接近均匀的图像区域。
针对这一缺点，Tan和Triggs将原来的LBP扩展到了三值LTP。LTP描述符的构造可以用以下公式描述：
其中gc表示中心像素的灰度值，gp（p=0，…，P-1）表示半径为R的圆上相邻像素的灰度值，P是相邻像素的总数，t是用户指定的阈值。如图3所示，通过使用阈值t，将传统的二值（0，1）LBP码扩展为三值（-1，0，1）三值码。然后分别对上模式和下模式进行编码。LTP码对噪声具有更强的鲁棒性，但由于阈值t由用户指定，它对单调灰度变换不再具有严格的不变性。
完整LBP（CLBP）
LBP的另一个缺点是，许多不同的结构模式可能具有相同的LBP代码。如图4所示，模式（a）和（b）具有相同的LBP代码，但很难说它们具有相似的局部结构。
为了增强局部结构的辨别能力，Guo等人提出了CLBP方法。在CLBP中，图像局部差异被分解为两个互补分量，即符号（sp）和幅值（mp）
式中，gp、gc和s（x）的定义如式（1）所示。提出了两个名为CLBP_Sign（CLBP_S）和CLBP_Magnitude（CLBP_M）的算子对其进行编码，其中CLBP_S等价于传统LBP，CLBP_M度量幅值的局部方差。CLBP_M可定义如下：
其中，阈值cI设置为整个图像的平均灰度。通过组合CLBP_S、CLBP_M和CLBP_C三个操作符（表示为CLBP_S/M/C），在区分混淆模式方面取得了显著的改进。
完整的鲁棒局部二进制模式（CRLBP）
为了解决上述困难，在本节中，作者提出了一个健壮的LBP框架，该框架继承了LTP和CLBP的优点，但可以克服它们的缺点。
鲁棒局部二进制模式（RLBP）
为了找到对噪声不敏感且对单调灰度变换不变的阈值，我们将平均局部灰度（ALG）定义如下：
其中g表示中心像素的灰度值，gi（i=1，…，8）表示相邻像素的灰度值。ALG表示局部纹理的平均灰度，明显比中心像素的灰度值对噪声更鲁棒。然后用ALG作为阈值代替灰度值，采用LBP过程，称为鲁棒局部二值模式（RLBP）。因此，我们可以如下定义RLBP：
其中，gc表示中心像素的灰度值，gp（p=0，…，P-1）表示半径为R的圆上相邻像素的灰度值，P是相邻像素的总数，gci（i=1，…，8）表示gc的相邻像素的灰度值。很明显，RLBP对噪声不敏感，因为它使用了像素的平均局部灰度作为阈值。此外，由于还考虑了每个相邻像素的邻域，因此具有相同LBP码的两个不同模式可能具有不同的RLBP码。因此，RLBP可以克服原LBP的上述两个缺点。
ALG忽略单个像素的特定值。但有时需要中心像素的特定信息。为了在抗噪声和单个像素的信息之间取得平衡，我们定义了加权局部灰度（WLG），如下所示：
其中g和gi的定义如式（5）所示，α是用户设置的参数。需要注意的是，如果α设置为1，则WLG与常规ALG等效。现在，RLBP可以计算如下：
式中，gp、gc、gci的定义如式（6）所示，α是WLG的参数。本文在大型纹理数据库上进行了一系列实验，以选择最佳参数α。CUReT数据库中的图像是在显著的光照变化、视点变化和尺度变换下捕获的。因此，在CUReT数据库和噪声CUReT数据库（SNR=5）上进行了实验设置，这将在第4.3节稍后讨论。CUReT数据库和噪声CUReT数据库上不同参数α的响应函数如图6所示。如图6（a）所示，在正常数据库上，当α设置为8、9、10时，RLBP的性能更好。图6（b）显示，当a设置为1时，RLBP在抗噪声方面表现最好，如果α设置为大于8，则RLBP对噪声更敏感。因此，在我们的方法中，根据实验结果将α设置为1或8。换句话说，RLBP（α=1）比RLBP（α=8）对噪声更不敏感，而RLBP（α=8）在复杂的照明和视点变化条件下表现更稳定，因为它同时提取局部邻居集和单个像素的灰度信息。
图6：不同α值（0–20）下的纹理分类率。（a） 使用R=1、P=8和46个训练样本的CUReT数据库的分类率，以及（b）使用R=1、P=8、SNR=5和46个训练样本的嘈杂CUReT数据库的分类率。
完整鲁棒局部二进制模式（CRLBP）
为了区分LBP的混乱模式，RLBP继承了CLBP的有效框架。幅度（magnitude）mp通常定义如下：
其中，gp、gc、gci的定义如式（6）所示，gpi（i=1，…，8）表示gp的相邻像素的灰度值，α是WLG的参数。RLBP_magnitude（RLBP_M）测量WLG的局部方差。因此，我们将RLBP_M定义如下：
其中，阈值c被设置为整个图像mp的平均值。表示图像中心灰度的中心像素也具有鉴别信息。因此，我们还定义了一个名为RLBP–Center（RLBP_C）的操作符来提取局部中心信息，如下所示：
其中，阈值cI设置为整个图像的平均局部灰度。如CLBP中所述，我们使用相同的方法组合RLBP、RLBP_M和RLBP_C三个操作符，表示为CRLBP。
相异性度量Dissimilarity measure
已经提出了几种措施来区分两个直方图之间的差异。在本文中，我们利用X2统计量来解决这个问题。如果H={hi}和K={ki}（i=1，2…B）表示两个柱状图，那么X2统计量可以计算如下：
本文假设所有的方法都使用最近邻分类器进行分类。