公开(公告)号：CN114140643A

公开(公告)日：2022-03-04

申请号：CN202111361874.6

申请日：2021-11-17

Applicant: 武汉理工大学

Inventor： 撒继铭 ,  罗怡杰 ,  宋宇烟 ,  顾瀚文 ,  张驰 ,  张学成 ,  江河

IPC: G06V10/764 ,  G06V10/44 ,  G06V10/50 ,  G06K9/62 ,  G06T7/44

Abstract: 本发明公开了基于MRLBP的纹理分类方法，MRLBP(Local Binary Pattern based on Magnitude Ranking)即基于幅值排序的局部二值模式，解决使用原始局部二值模式进行纹理分类时对幅值信息利用不足以及使用固定权重进行排序的问题。首先读取纹理数据集中的图像，然后选定合适的局部区域，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，再通过预训练、连接多尺度直方图和归一化处理来完成特征提取操作，最后使用SVM分类器实现纹理分类，得到当前纹理数据集的分类准确率。本发明具有旋转不变、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。

公开(公告)号：CN114140643B

公开(公告)日：2024-11-01

申请号：CN202111361874.6

申请日：2021-11-17

Applicant: 武汉理工大学

Inventor： 撒继铭 ,  罗怡杰 ,  宋宇烟 ,  顾瀚文 ,  张驰 ,  张学成 ,  江河

IPC: G06V10/764 ,  G06V10/44 ,  G06V10/50 ,  G06V10/54

Abstract: 本发明公开了基于MRLBP的纹理分类方法，MRLBP(Local Binary Pattern based on Magnitude Ranking)即基于幅值排序的局部二值模式，解决使用原始局部二值模式进行纹理分类时对幅值信息利用不足以及使用固定权重进行排序的问题。首先读取纹理数据集中的图像，然后选定合适的局部区域，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，再通过预训练、连接多尺度直方图和归一化处理来完成特征提取操作，最后使用SVM分类器实现纹理分类，得到当前纹理数据集的分类准确率。本发明具有旋转不变、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。

公开(公告)号：CN114140644B

公开(公告)日：2024-07-26

申请号：CN202111363840.0

申请日：2021-11-17

Applicant: 武汉理工大学

Inventor： 撒继铭 ,  宋宇烟 ,  罗怡杰 ,  顾瀚文 ,  张驰 ,  张学成 ,  江河

IPC: G06V10/764 ,  G06V10/26 ,  G06V10/54 ,  G06V10/46

Abstract: 本发明公开了结合基于幅值排序的局部二值模式(Local Binary Pattern based on Magnitude Ranking,MRLBP)和全局N阈值模式(Global N‑thresholds Pattern,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。

公开(公告)号：CN114140644A

公开(公告)日：2022-03-04

申请号：CN202111363840.0

申请日：2021-11-17

Applicant: 武汉理工大学

Inventor： 撒继铭 ,  宋宇烟 ,  罗怡杰 ,  顾瀚文 ,  张驰 ,  张学成 ,  江河

IPC: G06V10/764 ,  G06V10/44 ,  G06V10/50 ,  G06K9/62 ,  G06T7/44

Abstract: 本发明公开了结合基于幅值排序的局部二值模式(Local Binary Pattern based on Magnitude Ranking,MRLBP)和全局N阈值模式(Global N‑thresholds Pattern,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。