IET Image Processing 文章 很短小
将LBP和WLD的纹理与CNN结合 融合进行分类
文章结构比较简单
介绍一下WLD原理
为了更有效地描述图像局部纹理特征，又先后提取了局部二值模式(Local Binary Pattern,LBP)和韦伯局部描述符(Weber Local Descriptor,WLD),这两种方法都是基于邻域像素点间的灰度变化特征来描述图像纹理的。 因两者易于理解、便于计算且具有较好的局部特征描述能力而被广泛地应用于纹理分类 、目标检测、人脸识别 、合成孔径雷达(Synthetic Aperture Radar,SAR) 图像索引 、指纹活性检测 、图像伪造检测等众多领域中。
一、 WLD原理
韦伯定律是反映心理量和物理量之间关系的定律，它表明能够引起感觉差异的差别阈值与原始刺激的强度之比是一个常量，即：
由此可以推知，刺激的变化所引起的感觉差异不仅与刺激变化的大小有关，还与原始刺激的强度有关。局部图像描述符WLB就是根据该定律提出的，它包含两个算子：差分激励算子和方向算子。WLD计算除边缘像素点外的每个像素点的差分激励和方向，并以其二维分布直方图来联合表征图像的纹理特征。
1、差分激励算子
差分激励反映局部窗内灰度变化的强度信息。通过计算局部窗内邻域像素点与中心像素点间的灰度差值和与中心像素点灰度值的比值Gratio(xc)，再利用反正切变换将分布在[−P,+∞]范围内的Gratio(xc)映射到区间(−π2,π2)内得到，差分激励ξ(xc)ξ(xc)的计算式为：
2、方向算子
方向反映局部窗内灰度变化的空间分布信息。通过局部窗内水平方向与垂直方向上邻域像素点的灰度差值比值的反正切变换来描述。 其计算式为:
3、WLD直方图
WLD采用均匀量化技术，将方向Φ′(xc)均匀地量化为T个方向，将差分激励均匀地划分为M个频段，分别对应于图像中的高频、中频和低频变化，再将划分的每个频段上将差分激励均匀地量化为S格，形成一个T×C=T×(M×S)的二维直方图，并通过编码将其转化为一维向量用于表示图像的纹理特征。
