[论文解读] Invariant texture analysis through Local Binary Patterns

Rodrigo Nava, Gabriel Cristóbal+1 more|arXiv (Cornell University)|Nov 30, 2011

Image Retrieval and Classification Techniques参考文献 24被引用 7

一句话总结

本文评估了基于局部二值模式（LBP）及其扩展的不变纹理描述子在旋转、光照和噪声变化下的表现。结果表明，将LBP与对比度信息（CI）结合可显著提升分类准确率——在旋转和光照变化下识别率从约38%提升至约77%，凸显了混合LBP-CI特征在真实环境下鲁棒纹理分析中的有效性。

ABSTRACT

In many image processing applications, such as segmentation and classification, the selection of robust features descriptors is crucial to improve the discrimination capabilities in real world scenarios. In particular, it is well known that image textures constitute power visual cues for feature extraction and classification. In the past few years the local binary pattern (LBP) approach, a texture descriptor method proposed by Ojala et al., has gained increased acceptance due to its computational simplicity and more importantly for encoding a powerful signature for describing textures. However, the original algorithm presents some limitations such as noise sensitivity and its lack of rotational invariance which have led to many proposals or extensions in order to overcome such limitations. In this paper we performed a quantitative study of the Ojala's original LBP proposal together with other recently proposed LBP extensions in the presence of rotational, illumination and noisy changes. In the experiments we have considered two different databases: Brodatz and CUReT for different sizes of LBP masks. Experimental results demonstrated the effectiveness and robustness of the described texture descriptors for images that are subjected to geometric or radiometric changes.

研究动机与目标

• 评估原始及扩展LBP描述子在几何与辐射畸变下的鲁棒性。
• 研究噪声、旋转和光照变化对基于LBP的纹理分类的影响。
• 评估对比度信息（CI）在复杂条件下增强LBP性能的有效性。
• 在标准纹理数据库上，对比基于最小链、邻域值和均匀模式的不同LBP变体。
• 识别最优的LBP-CI融合策略（联合与混合直方图）以提升分类准确率。

提出的方法

• 采用原始LBP算子及其扩展形式：LBP^min、LBP^ni、LBP^med、LBP^uni 和 LBP^num，各类方法在噪声与不变性处理上具有差异。
• 通过公式（18）引入对比度信息（CI），定义为邻域像素中大于等于中心值的像素之和与小于中心值的像素之和的差值。
• 使用两个数据集：Brodatz 和 CUreT，通过不同大小的LBP掩码评估各类纹理类型下的性能表现。
• 采用两种距离度量：重叠距离（OD）与Kullback-Leibler（KL）散度，用于分类评估。
• 将LBP与CI直方图以联合方式（三维直方图）或混合方式（拼接的伪联合直方图）结合。
• 在特征提取前，通过去噪与归一化处理对图像进行预处理，以减轻噪声与光照影响。

实验结果

研究问题

• RQ1 在纹理分类中，不同LBP变体在旋转与光照变化下的表现如何？
• RQ2 引入对比度信息（CI）在多大程度上提升了LBP描述子的鲁棒性？
• RQ3 在噪声与光照退化条件下，哪种LBP-CI融合策略——联合或混合——能获得更高的分类准确率？
• RQ4 噪声敏感性如何影响LBP变体？基于邻域的预处理能否缓解此问题？
• RQ5 均匀模式编码与非均匀模式量化对分类性能有何影响？

主要发现

• 原始LBP方法在使用OD与KL度量时，旋转条件下的识别准确率分别为38.46%与42.86%。
• 加入对比度信息（CI）后，识别准确率分别提升至76.92%（OD）与78.02%（KL），显著提升了鲁棒性。
• LBP^num（编码非均匀模式计数）优于LBP^uni，因其在直方图中引入了额外的结构信息。
• CI显著提升了大多数LBP变体在OD度量下的性能，但对基于均匀模式的方法性能略有下降。
• KL度量受到CI熵的负面影响，导致部分情况下性能下降，表明其行为具有度量依赖性。
• 采用邻域平均的LBP变体（LBP^ni与LBP^med）比依赖原始像素比较的方法更具抗噪鲁棒性。