申请/专利权人：武汉理工大学

申请日：2021-11-17

公开（公告）日：2022-03-04

公开（公告）号：CN114140644A

主分类号：G06V10/764(20220101)

分类号：G06V10/764(20220101);G06V10/44(20220101);G06V10/50(20220101);G06K9/62(20220101);G06T7/44(20170101)

优先权：

专利状态码：在审-实质审查的生效

法律状态：2022.03.22#实质审查的生效;2022.03.04#公开

摘要：本发明公开了结合基于幅值排序的局部二值模式LocalBinaryPatternbasedonMagnitudeRanking,MRLBP和全局N阈值模式GlobalN‑thresholdsPattern,GNP的纹理分类方法，解决局部二值模式对中心像素本身的绝对信息利用不足的问题。首先读取纹理数据集中的图像，然后利用局部邻域像素的符号信息和幅值信息，对每一个中心像素进行基于幅值排序的局部二值模式算法处理，利用N阈值分割方法，对每一个中心像素进行全局N阈值模式算法处理，再通过预训练、连接多尺度联合直方图和归一化处理来完成特征提取操作，最后使用SVM分类器进行纹理分类，得到当前纹理数据集的分类准确率。本发明具有光照不变、旋转不变、噪声鲁棒、实时性高、分类准确率高的优点，用于各种纹理分类场景和应用。

主权项：1.一种结合MRLBP和GNP的纹理分类方法，其特征在于，包括以下步骤：步骤1，读取纹理数据集中的图像；步骤2，对原始图像进行基于幅值排序的局部二值模式算法处理，利用符号信息和幅值信息，得到经过基于幅值排序的局部二值模式处理后的图像；步骤3，对原始图像进行算法处理，使用全局N阈值模式算法，得到经过全局N阈值模式处理后的图像；步骤4，从处理后的图像中提取特征，首先对经过基于幅值排序的局部二值模式处理后的图像数据进行预训练，保留概率和在K以内的模式，并将概率和不在K以内的模式合并到与它最接近的模式中，以有效地降低特征维数；步骤5，采用多尺度联合直方图，将预训练后的局部二值模式直方图与全局N阈值模式直方图以联合的方式结合，使局部信息和全局信息一一对应，再将不同尺度的联合直方图以连接的方式结合，从而利用更多的纹理信息，以获取更高的分类准确率；步骤6，最后对得到的直方图进行归一化处理，以去除特征的量纲，使不同的特征映射到相同的区间，提高分类器的收敛速度；步骤7，使用SVM分类器对纹理图像进行分类。

全文数据：

权利要求：

百度查询： 武汉理工大学 一种结合MRLBP和GNP的纹理分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD