基于Haar特征的LBP纹理特征提取方法
需积分: 9 32 浏览量
更新于2024-07-20
收藏 3.73MB PDF 举报
本文主要探讨了"哈尔特征与LBP"在图像纹理特征提取中的应用,特别是在FaceRecognition(人脸识别)领域的研究。论文由周书仁和殷建平共同完成,发表于《软件学报》2013年第24卷第8期,具有较高的学术价值,doi:10.3724/SP.J.1001.2013.04277。
哈尓特征(Haar-like features)是一种基于像素间的差异来表示图像局部结构的方法,它利用简单的算子,如水平和垂直边缘检测,来捕获图像的特征。这些特征易于计算且对图像变换具有一定的不变性,因此被广泛用于计算机视觉中的物体识别和特征提取。
论文提出了一种Haar型局部二元模式(Haar Local Binary Pattern, HLBP),这是一种结合Haar特征和局部二元模式(Local Binary Pattern, LBP)的新型纹理特征提取技术。HLBP从统计角度分析相邻区域的特性,通过对图像局部进行二进制编码,有效地降低了噪声的影响,提高了特征的稳定性和表达能力。
进一步地,作者将Gabor小波滤波引入到HLBP中,通过在不同方向和尺度下对灰度图像进行特征提取,增强了纹理的显著性和对光照变化的鲁棒性。这种方法不仅考虑了局部纹理的细节,还融合了全局特征的捕捉,从而实现更深层次的纹理特征表达。
实验部分,作者在标准的Brodatz纹理库、分块且缩放和旋转的Brodatz纹理库,以及YaleB人脸库(带有非均匀光照条件)等多类复杂的测试集上进行了对比实验,结果表明,基于Haar特性的HLBP方法在纹理特征表达上表现出色,能够有效区分不同的图像内容,对于人脸识别这类任务具有良好的性能。
总结来说,这篇论文深入研究了如何结合Haar特征和LBP,以及Gabor滤波,设计出一种高效的图像纹理特征提取方法,对于提升图像处理特别是人脸识别系统的性能具有重要意义。其创新之处在于将传统的Haar特征与现代的纹理分析技术相结合,为图像处理领域提供了新的思考视角和实用工具。
2018-04-26 上传
2021-01-06 上传
2019-03-21 上传
2021-08-31 上传
点击了解资源详情
点击了解资源详情
点击了解资源详情
Elijah1234
- 粉丝: 0
- 资源: 2
最新资源
- 开源通讯录备份系统项目,易于复刻与扩展
- 探索NX二次开发:UF_DRF_ask_id_symbol_geometry函数详解
- Vuex使用教程:详细资料包解析与实践
- 汉印A300蓝牙打印机安卓App开发教程与资源
- kkFileView 4.4.0-beta版:Windows下的解压缩文件预览器
- ChatGPT对战Bard:一场AI的深度测评与比较
- 稳定版MySQL连接Java的驱动包MySQL Connector/J 5.1.38发布
- Zabbix监控系统离线安装包下载指南
- JavaScript Promise代码解析与应用
- 基于JAVA和SQL的离散数学题库管理系统开发与应用
- 竞赛项目申报系统:SpringBoot与Vue.js结合毕业设计
- JAVA+SQL打造离散数学题库管理系统:源代码与文档全览
- C#代码实现装箱与转换的详细解析
- 利用ChatGPT深入了解行业的快速方法论
- C语言链表操作实战解析与代码示例
- 大学生选修选课系统设计与实现:源码及数据库架构