BRINT: Binary Rotation Invariant and Noise Tolerant Texture Classification 特征描述子构建

本文主要是介绍BRINT: Binary Rotation Invariant and Noise Tolerant Texture Classification 特征描述子构建,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

本文是我读完论文“BRINT: Binary Rotation Invariant and Noise Tolerant Texture Classification”,进行个人理解与总结,致敬作者,不涉及官方理解,也并没有与论文作者进行沟通。如有侵权,联系删除~~~

一、BRINT开发背景

简要来说,BRINT(Binary Rotation Invariant and Noise Tolerant Texture Classification),一个以二进制模式实现旋转不变性与噪声弱敏感,可以达到特征纹理进行分类,从而提高图像特征匹配性能的新型特征描述模式,是基于LBP特征描述模式开发的一种新型简单策略描述模式。LBP模式已经出现了很多变体,但仍然存在一些局限性,例如对噪声的敏感性较高,无法捕获长焦域纹理信息等,而这也是BRINT诞生的出发点。

本文不在详细赘述LBP模式的实现及其优缺点,而着重总结BRINT特征描述模式的构建过程。
论文链接:BRINT: Binary Rotation Invariant and Noise Tolerant Texture Classification
LBP特征描述模式:LBP原理介绍以及算法实现

二、BRINT特征描述模式

1.开发意义

(1)LBP算子在邻域较小时也会产生很长的直方图,判别能力随邻域扩大而变小,存储需求较大;
(2)LBP描述符对纹理的局部结构比较适用,但是不适用于更大的纹理结构描述。当邻域较大时,LBP维数也会变得难以处理;
(3)LBP描述子对图像旋转较为敏感,旋转不变性较差;
(4)LBP描述子对噪声很敏感。

2.BRINT描述子构建

献上一张论文原图,代表了描述子构建的整体流程,实际上BRINT描述子由很多部分组成,以下是我对描述子构建的理解:

 (1)BRINT_S描述子构建

1)首先,以x_{c}特征点为中心,构建半径为r的圆形邻域(r=1,2,3......),将0-360°等分为8块,每一块45°;

 2)当r为不同值的时候,在图像上会形成很多圆形,每一环上可以有8q个采样点,如下图所示,圆形边上共有24个采样点(q=3),3个一组,构成8组,正好对应方向的分块。然后,求解每一组点的灰度平均值Yr,q,i,之后每一组采样点进行二值化运算,当本组灰度平均值大于中心点灰度值则置为1,当小于中心灰度值则置为0,得到对每一组的特征描述符BNT_Sr,q,过程如下:


y_{r,q,i} = \frac{1}{q}\sum_{k=0}^{q-1}x_{r,8q,(qi+k)}, i=0,......,7
BNT\_S_{r,q} = \sum_{n=0}^{7}s(y_{r,q,n}-x_{c})2^{n}

3)经过以上计算,每个圆上共获得8个特征码,加上中心(应该是置为0),即每个圆采样计算后共获得一组9个二进制特征码;

4)为了保证旋转不变性,通过对每个圆绕中心进行旋转,假设每次旋转10°,则旋转一周后共获得36组二进制特征码,选取其中最小的一组作为该圆的BNT_Sr,q特征描述。当r=1,2,3,4时,则共获得4*9=36维BNT_Sr,q特征描述符。

BRINT\_M_{r,q} = min\left \{ ROR(BNT\_M_{r,q},i)|i=0,1,......7 \right \}.

(2)BRINT_M描述子构建

1)同上,采样区域与采样点分配分组等信息不变,求解每个采样点与中心点的灰度差绝对值\Deltar,8q,i,并求解每个圆上每组灰度差绝对值的平均值Zr,q,i,过程如下:


\Delta _{r,8q,i}=|x_{r,8q,i}-x_{c}|,i=0,......,8q-1.
z_{r,q,i}=\frac{1}{q}\sum_{k=0}^{q-1}\Delta _{r,8q,(qi+k)}, i=0,1,......7.

2)每个r圆上的8组灰度差绝对值求平均值μr,q,得

\mu_{r,q}^{l} = \frac{1}{8}\sum_{n=0}^{7}s(z_{r,q,n}-\mu _{r,q}^{l})2^{n}

3)然后,用每个圆得到的8组灰度差平均值加上中心点灰度差(0)共9个数,与μr,q进行比较,若大于它则置为1,反之为0,圆上每组二进制特征描述符BNT_Mr,q运算如下:


BNT\_M_{r,q} = \sum_{n=0}^{7}s(z_{r,q,n}-\mu _{r,q}^{l})2^{n}

4)最终,为了保证旋转不变性,同上,同样旋转一定角度,每个圆取其中9个二进制一组的最小的特征描述符,r=1,2,3,4,共4个圆,得到4*9=36维BNT_Mr,q特征描述符。

(3)BRINT_Cb描述子构建

受到CLBP启发,构建特征点灰度Xc与整张图像灰度平均值μI,b比较的特征描述符BRINT_Cb:


BRINT\_C_{b} = s(x_{c}-\mu _{I,b})
\mu _{I,b}=\frac{1}{(M-2b)(N-2b)}\sum_{i=b+1}^{M-b}\sum_{j=b+1}^{N-b}x(i,j)


其中,M*N为图像大小,b为设置的图像边界宽度,计算整张图像灰度平均值时需要将一定宽度的图像边界去掉。

3.特征描述子拼接

以上描述子如果分别运算,计算量很大,因此,进行描述子拼接,将描述子BRINT_S与BRINT_C一组、BRINT_M与BRINT_C一组进行拼接,共获得36*2+36*2=144维,或者将BRINT_S与BRINT_M拼接获得36+36=72维,对这种拼接后的描述子进行特征匹配代价计算,成本较低,效率较高,同时并不改变匹配使用的信息量。

最终,BRINT特征描述子的呈现方式是直方图,横向分为4个部分,分别是r=1,2,3,4时构建的特征描述子,每个r的特征描述子包括BRINT_M、_C、_S的拼接结果,而不同描述子BRINT_M、_C、_S代表的意义不同,横、纵坐标意义也不相同。


附注

以上是我对BRINT论文的个人理解,如有问题,可及时沟通交流~~~希望对大家有所帮助!

这篇关于BRINT: Binary Rotation Invariant and Noise Tolerant Texture Classification 特征描述子构建的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/348716

相关文章

一文详解如何从零构建Spring Boot Starter并实现整合

《一文详解如何从零构建SpringBootStarter并实现整合》SpringBoot是一个开源的Java基础框架,用于创建独立、生产级的基于Spring框架的应用程序,:本文主要介绍如何从... 目录一、Spring Boot Starter的核心价值二、Starter项目创建全流程2.1 项目初始化(

使用Java实现通用树形结构构建工具类

《使用Java实现通用树形结构构建工具类》这篇文章主要为大家详细介绍了如何使用Java实现通用树形结构构建工具类,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录完整代码一、设计思想与核心功能二、核心实现原理1. 数据结构准备阶段2. 循环依赖检测算法3. 树形结构构建4. 搜索子

使用Python和python-pptx构建Markdown到PowerPoint转换器

《使用Python和python-pptx构建Markdown到PowerPoint转换器》在这篇博客中,我们将深入分析一个使用Python开发的应用程序,该程序可以将Markdown文件转换为Pow... 目录引言应用概述代码结构与分析1. 类定义与初始化2. 事件处理3. Markdown 处理4. 转

Java使用Mail构建邮件功能的完整指南

《Java使用Mail构建邮件功能的完整指南》JavaMailAPI是一个功能强大的工具,它可以帮助开发者轻松实现邮件的发送与接收功能,本文将介绍如何使用JavaMail发送和接收邮件,希望对大家有所... 目录1、简述2、主要特点3、发送样例3.1 发送纯文本邮件3.2 发送 html 邮件3.3 发送带

Python结合Flask框架构建一个简易的远程控制系统

《Python结合Flask框架构建一个简易的远程控制系统》这篇文章主要为大家详细介绍了如何使用Python与Flask框架构建一个简易的远程控制系统,能够远程执行操作命令(如关机、重启、锁屏等),还... 目录1.概述2.功能使用系统命令执行实时屏幕监控3. BUG修复过程1. Authorization

nginx-rtmp-module构建流媒体直播服务器实战指南

《nginx-rtmp-module构建流媒体直播服务器实战指南》本文主要介绍了nginx-rtmp-module构建流媒体直播服务器实战指南,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有... 目录1. RTMP协议介绍与应用RTMP协议的原理RTMP协议的应用RTMP与现代流媒体技术的关系2

Python中构建终端应用界面利器Blessed模块的使用

《Python中构建终端应用界面利器Blessed模块的使用》Blessed库作为一个轻量级且功能强大的解决方案,开始在开发者中赢得口碑,今天,我们就一起来探索一下它是如何让终端UI开发变得轻松而高... 目录一、安装与配置:简单、快速、无障碍二、基本功能:从彩色文本到动态交互1. 显示基本内容2. 创建链

Golang使用etcd构建分布式锁的示例分享

《Golang使用etcd构建分布式锁的示例分享》在本教程中,我们将学习如何使用Go和etcd构建分布式锁系统,分布式锁系统对于管理对分布式系统中共享资源的并发访问至关重要,它有助于维护一致性,防止竞... 目录引言环境准备新建Go项目实现加锁和解锁功能测试分布式锁重构实现失败重试总结引言我们将使用Go作

嵌入式QT开发:构建高效智能的嵌入式系统

摘要: 本文深入探讨了嵌入式 QT 相关的各个方面。从 QT 框架的基础架构和核心概念出发,详细阐述了其在嵌入式环境中的优势与特点。文中分析了嵌入式 QT 的开发环境搭建过程,包括交叉编译工具链的配置等关键步骤。进一步探讨了嵌入式 QT 的界面设计与开发,涵盖了从基本控件的使用到复杂界面布局的构建。同时也深入研究了信号与槽机制在嵌入式系统中的应用,以及嵌入式 QT 与硬件设备的交互,包括输入输出设

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI(简称 RVC)模型是一个基于 VITS(Variational Inference with adversarial learning for end-to-end Text-to-Speech)的简单易用的语音转换框架。 具有以下特点 简单易用:RVC 模型通过简单易用的网页界面,使得用户无需深入了