全局旋转不变性LBP方差纹理分类

"Rotation invariant texture classification using LBP variance (LBPV) with global matching" 这篇论文主要探讨了在纹理分类中的旋转不变性特征提取方法。它针对局部旋转不变特征（如局部二值模式，Local Binary Pattern，简称LBP）在保持全局空间信息方面的不足，以及全局特征对局部纹理信息保留不充分的问题，提出了一种混合方案——基于局部变异性LBP的全局旋转不变匹配方法。 LBP是一种常用的纹理分析工具，通过比较像素点与其邻域像素的灰度差异，将邻域内像素点的相对关系编码为二进制码，形成一个局部描述符。然而，LBP在处理旋转变化的纹理时会丢失部分信息。论文中，作者首先利用LBP分布估计纹理图像的主要方向，然后根据这些方向对LBP直方图进行对齐，以保持纹理结构的完整性。这个过程旨在确保在不同旋转状态下的纹理特征仍能匹配。 接下来，论文提出了一个新的纹理描述符——LBP方差（LBPV）。LBPV将局部对比信息整合到一维LBP直方图中，无需任何量化步骤，并且完全不需要训练数据。这使得LBPV在保持旋转不变性的同时，能够更全面地捕获纹理的局部特性。 为了进一步提高匹配速度，论文还提出了一种降维方法，通过距离测量来减少特征维度。实验结果显示，在代表性的数据库上，采用LBPV操作和全局匹配方案可以显著提升分类准确性，有时甚至能比传统的局部旋转不变LBP方法提高超过10%的准确率。 关键词：纹理分类、局部二值模式、旋转不变、全局匹配 文章历史：2009年4月24日初稿提交，2009年7月2日修改后提交，2009年8月19日接受。 该研究通过创新的LBPV描述符和全局匹配策略，成功克服了传统LBP在处理旋转纹理时的信息损失问题，提高了纹理分类的性能，具有重要的理论和实际应用价值。