基于可操纵金字塔的纹理特征提取及分类

可在www.sciencedirect.com上在线ScienceDirect电气系统与信息技术学报4（2017）185基于可控金字塔的Laws'Mask纹理分类Sonali DashZahara， Uma Ranjan Jena电子和电信工程系，Veer Surendra Sai技术大学（VSSUT），Burla 768018，Odisha，印度接收日期：2016年1月11日;接收日期：2016年9月7日;接受日期：2016年10月1日2016年10月11日在线发布摘要本文将现有的两种纹理分类方法Laws掩模法和导向金字塔法相结合，提出了一种新的纹理特征提取方法推导了纹理参数，并对纹理参数进行了分类在本文中，纹理特征的提取和分类使用新的方法，这是通过结合可操纵金字塔和法律的掩模（SPLM）的方法进行结果表明，基于可操纵金字塔的Laws' Mask（SPLM）纹理特征提取技术在图像第五层分解时具有最好的分类精度。我们使用简单的k-NN分类器进行分类。我们提出的方法进行了测试Brodatz数据库。实验结果表明，两个特征集的组合所建立的融合特征的性能总是优于传统的Laws© 2016 电 子 研 究 所 （ ERI ） 。 Elsevier B. V. 制 作 和 托 管 这 是 CC BY-NC-ND 许 可 证 下 的 开 放 获 取 文 章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：可控金字塔; Laws1. 介绍纹理分析在图像处理中起着重要的作用，近十年来，纹理分析得到了深入的研究（Zhang and Tan，2002）。最初，纹理分类方法集中于来自纹理图像的灰度共生矩阵（GLCM）的纹理的统计分析和基于滤波的方法（Haralick等人，1973; Randen和Husy，1999）。 为了描述纹理，局部二进制模式（LBP）也是常用的方法（Ojala等人， 2002年）。在上述方法中，不存在对取向和尺度的控制。几种多分辨率和多通道变换算法已经用于纹理分类，例如二进小波变换（Arivazhagan和Ganesan，2003;Mallat，1989 a;Mallat，1989b）、小波框架变换（Unser，1995）、Gabor滤波器（Jain和Farrokhnia，1991;Manjunath和Ma，1996）和可操纵金字塔（FreemanWilliam和SimoncelliEero，1995）。用于控制规模和方向。*通讯作者。电子邮件地址：sonali. gmail.com（S. Dash）、urjena@rediffmail.com（U.R. 耶拿）。电子研究所（ERI）负责同行评审。http://dx.doi.org/10.1016/j.jesit.2016.10.0012314-7172/© 2016电子研究所（ERI）。Elsevier B. V.制作和托管这是CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。186S. Dash，U.R.耶拿/电气系统和信息技术杂志4（2017）185× ××图像信息可以用一种有效的方法表示，称为金字塔分析。在所有金字塔中，可操纵金字塔保留了正交变换的一些优点（FreemanWilliam和Simoncelli Eero，1995）。金字塔滤波确实比用快速傅立叶变换完成的等效滤波快。每个级别中的节点表示包括在空间和空间频率两者中的信息，因此便于使用（Adelson等人，1984年）。 递归多尺度变换（例如，小波）现在是信号和图像处理中的标准工具可操纵金字塔是这种类型的变换的特定变体，其已经在各种图像处理应用中充分使用。在这种线性分解中，图像被细分为在尺度（它们具有倍频程带宽）和方向上局部化的子带的集合。该变换是使用卷积和抽取操作递归计算的，并且是“自反相”的。这种表示的优点是子带是平移和旋转不变的（Karasartight和Simoncelli，1996）。可操纵金字塔分解是一种类似于二维离散小波变换的可逆表示，但具有有趣的移位和旋转不变性。 它稍微过于完整，并且经由卷积和上下采样操作对滤波器组实现做出响应（Castleman等人， 1998年）。K.I.传达的法律面具意识。LawsLaws提出了一些定义纹理的重要属性，包括均匀性、密度、粗糙度、规则性、线性、方向性、方向、相位和频率。在空间域中分析图像的频率分量并捕获窗口的高纹理能量点（Laws，1979;Laws，1980）。最近，通过组合传统的纹理描述符来获得更好的分类精度，也已经开发了一些混合模型（Yadav Arvind等人，2015; Yadav等人，2015; Qi等人，2015; Zhe等人， 2015年）。在医学图像分析中，Law的掩模已得到广泛接受（Rachidi等人，2008; Elnemr Heba，2013）。在乳房X线摄影图像分析中，Arden在2015年通过使用ANN作为分类器获得了Laws掩模方法的93.90%的分类准确度（Sagiterry Arden Setiawan等人，2015年）。Pietikainen发现纹理能量测量性能取决于掩模的一般形式而不是它们的特定值（Pietikainen等人， 1983年）。 对于适当的图像和掩模大小，为了找到图像的局部秩序相关性，Laws的掩模可以实现比Harwood在1985年实现的基本卷积更好的结果（Harwood等人，1985年）。Ade和Unser在1983年和1986年审议了与法律措施有关的不同方法（Ade，1983年;Unser，1986年）。这些类型的纹理测量已经很好地执行，并且Du Buf和Ng在1990年和1992年进行了比较研究（DuBuf等人，1990;Ng等人，1992年）。在1995年，Harwood、Ojala和Pietikainen提出了一种新的纹理分析方法，该方法基于纹理的抽象局部自协方差测量，其中分类器作为最近邻纹理分类，使用这些测量的样本和原型分布的Kullback对数似然判别（Harwood等人，1995年）。该方法可以看作是Laws方法的推广他们用24种不同的Laws的5 - 5掩模进行了最后的实验然而，在纹理分类分析的详细研究的研究表明，法律此外，该研究表明，还没有任何进一步的研究用于通过使用Laws的掩模方法来提高纹理分类精度（Vidya等人，2000; Timo等人，1996年a，b）。基于此，本文提出了一种新的纹理特征提取方法， Laws' mask和Steerable pyramid based Laws' Maskmethod（SPLM）。首先，我们用传统的Laws掩模方法作为纹理描述子，实现纹理分类问题。利用Laws的掩模描述子提取纹理的然后，使用k-NN分类器使用这些特征的纹理进行分类。在这项工作中，我们使用k-最近邻方法作为分类器，因为分类方法在概念上和计算上都是最简单的技术该分类器的动机是，在特征空间中彼此接近的模式很可能属于同一模式类。邻居是从一组样本，其中正确的分类是已知的。K-最近邻是一种监督学习算法。k-NN分类基于k-最近邻类的多数投票。k-NN分类器只需要k个最近邻类。因此，大多数人的投票，然后采取预测最适合类的一个这意味着，在k= 5的最近邻分类器中，算法将采用其5个最近邻的多数投票通过使用预定义的距离度量（相关性、欧几里德距离）来计算和选择在所选度量的意义上与输入样本相邻的最近训练模式，来选择这些k-NN分类器不使用任何模型来拟合，仅基于记忆。之后，对所提出的方法进行了S. Dash，U.R.耶拿/电气系统和信息技术杂志4（2017）185187Fig. 1. k阶导数可操纵金字塔的系统图方法（SPLM）的不同层次和领域。在这里，在所提出的方法中，我们将三种不同类型的可操纵金字塔分别与Laws的掩码描述符集成(1) 纹理图像通过使用分解滤波器sp1、sp3和sp5通过针对级别2的卷积在可操纵金字塔上传递。随后，通过使用分解滤波器sp5来进行级别3和级别5然后将导向金字塔的输出图像(2) 纹理图像在频域中通过可操纵金字塔，用于四个子带的水平2、3、5和7。然后，输出的图像分布在传统的法律的掩模技术的特征提取的可控金字塔(3) 纹理图像通过复可控金字塔在频域中的水平2，3，5和7的四个子带。然后，输出的图像分布在传统的法律的掩模技术的特征提取的可控金字塔实验结果表明，综合SPLM方法比传统的Laws掩模方法具有更好的分类精度。由于可操纵金字塔除了具有平移和旋转不变性外，还具有良好的重建特性，因此我们选择可操纵金字塔。本文其余部分安排如下。第二节简要介绍了可控金字塔和Laws的掩模方法。第3节描述了所提出的方法。实验和结果在第4节中讨论。第五节是结论性的评论。2. 可控金字塔和Laws掩模方法综述可控金字塔生成图像的多尺度和多方向表示。它是一种类似小波的表示，其分析函数是单向小波的扩张和旋转版本。可操纵性是指通过形成等角方向小波分量的主要集合的合适线性组合，底层小波可以被旋转到任何取向的性质。这提供了一种强大的机制，通过将基函数转向最大响应的方向来使变换适应图像的局部特征（Mythili，2011）。第k级可操纵金字塔的系统图如图1所示。该系统分为分析和综合两部分。图的左侧是分析部分。图像被分解成低通和高通子带，使用可控滤波器L0和H0。低通带继续分解成一组带通子带B0，. . . ，Bk和较低低的低通子带H1。较低的低通子带沿着x和y方向以因子2进行二次采样重复阴影区域提供递归结构。对188S. Dash，U.R.耶拿/电气系统和信息技术杂志4（2017）185- − −××× − − − × × − −×- − × −×NN（三）N另一方面，图的右侧是合成部分。 通过将较低的低通子带上采样2倍并与带通子带和高通子带的集合相加来重建合成图像（Unser等人， 2011年）。LawsLaws的掩码将像素邻域与标准掩码集进行匹配，此外，这种图像处理技术可以进一步分为5 5维和33维。Laws的属性，他称之为“纹理能量度量”，从三个长度为3的简单向量L3（1，2，1），E3（1，0，1）和S3中提取（1、2、3、4、5、6、8、9、10、11、121），其表示中心加权局部平均、对称第一差分（边缘检测）和第二差分（点检测）的一维操作如果我们将这些向量与它们自己或彼此卷积，我们得到五个长度为5的向量：L5 （1，4，6，4，1）= L3 L3、S5 （ 1,0,2,0, 1)为E3E3 = L3 S3、R5（1， 4,6, 4，1）= S3S3，05- 1,2,0, 2，1）= E3S3. 可以是更多数量的向量的集合。通过重复这个卷积过程来定义。因此，有五种类型的遮罩，即边缘（E）、水平（L）、斑点（S）、波纹（R）和波浪（W）。从这组掩模中生产出25种不同的掩模。这些掩模随后与纹理图像卷积以突出其微结构，从而给出图像，从该图像中测量微结构阵列的能量以及其他统计数据。灰度矢量决定图像的平均灰度，边缘矢量类似于梯度算子，它对图像中的列和行阶跃边缘做出响应，斑点矢量表示斑点提取，波纹矢量检测图像中的波纹。3. 提出的基于可控金字塔的Laws本文的主要目的是提出基于可操纵金字塔的Laws最简单的K-NN分类器用于分类的验证为了进一步提高分类精度，引入了基于可控金字塔的Laws本工作中进行的纹理分类的步骤如下第1步：首先通过将原始纹理图像拆分为子图像来创建数据库第二步：利用可转向金字塔将子图像分解为多尺度和多方向滤波器组分解可以在空间域或频域中实现。我们构造可控金字塔在三种不同的方式，可控金字塔通过卷积，可控金字塔在频域和复杂的可控金字塔在频域实现对于通过卷积的可操纵金字塔使用这些分解滤波器的不同级别是（sp1，级别= 2）、（sp3，级别= 2）、（sp5，级别= 2）、（sp5，级别= 3）和（sp5，级别= 5）。对于频域中的可操纵金字塔，类似地，对于在频域中实现的复杂可操纵金字塔，也有四个子带，并且考虑的级别是二、三、五和七。步骤3：使用Laws的掩码纹理描述符对三个能量测量滤波器卷积得到的分解图像。卷积输出通过三个能量测量滤波器（ElnemrHeba，2013），描述如下：是说 =N个相邻像素绝对平均值=10Nabs（相邻像素）. N（相邻像素-平均值）2（一）（二）标准差=S. Dash，U.R.耶拿/电气系统和信息技术杂志4（2017）185189×图二. 提出的方法框图。其中N表示窗口大小。步骤4：使用最大最小归一化对纹理特征进行归一化，因为纹理特征中存在对于每个归一化特征向量，评估三个最重要的统计量这些是绝对平均值（ABSM），均方或能量（MS）和熵表示为纹理参数。步骤5：在结论步骤中，k-NN分类器对纹理特征向量进行分类在此基础上，实现了可导向金字塔和Laws掩模的最佳组合，并程序步骤如框图所示。 二、所提出方法的算法：1. 读取输入图像2. 每个图像被分成像素大小为128 128的非重叠子图像。3. 子图像通过使用三个单独的可操纵金字塔（用于卷积的SP、用于频域的SP和用于频域的复SP）针对不同的域和级别进行分解。4. 三种不同类型的分解的可操纵的图像分别与法律的掩模描述子卷积5. 同样，卷积输出单独通过三个能量测量滤波器，并计算均方、熵和绝对平均值等特征。6. 上述特征通过使用最小-最大归一化进行归一化。7. 最后应用k-NN分类器进行分类，并计算分类精度4. 实验结果、比较和讨论本节的主要动机是研究我们提出的方法与传统的法律的面具方法，结果进行了比较，这两种方法。使用Brodatz数据库（Brodatz，1999）中随机选取的纹理图像对传统Laws掩模和我们提出的纹理特征提取方法SPLM的性能进行了检验。190S. Dash，U.R.耶拿/电气系统和信息技术杂志4（2017）185×××图三. 24类Brodatz纹理。表1传统Laws面具的分类结果不同尺寸的口罩分类准确性是说绝对平均标准偏差15个口罩（无波）4593.2786.2289.4225面具7595.8391.3591.6在这个实验中，我们只使用Brodatz数据库。图3所示的数据库具有24个纹理图像，每个纹理图像的大小为640 640。在一些纹理中有很大的变化，其中一些非常相似，这就是为什么这个Brodatz数据集非常具有挑战性。对于数据集，原始纹理图像被细分为大小为128 128的非重叠样本。因此，有600个子图像从选定的24个图像，如图所示。3.第三章。 在每个纹理的25个子图像中，我们取了12个子图像用于训练，其余13个子图像用于测试。用k-NN分类器验证了良好的分类效果在第一个实验中，我们以两种方式使用传统的Laws最初仅使用四个掩模Level（L）、Edge（E）、Spot（S）和Ripple（R）使用这四种面具制作了十五种不同的面具其次，我们使用所有五个掩模水平（L），边缘（E），斑点（S），波纹（R）和波（W），通过使用这五个掩模产生二十五个不同的掩模。训练和测试图像都与对应于我们两种方法的这15和25个掩码进行卷积。卷积输出通过三个能量测量滤波器，称为平均值，绝对平均值和标准偏差的窗口大小15 15，这是归一化的最小-最大归一化方法，然后统计特征绝对平均值，均方或能量和熵的计算，这是用来作为纹理特征参数。对于15个掩模45个否，以及对于25个掩模75个两组Laws口罩的分类结果见表1。性能结果如图所示。 四、S. Dash，U.R.耶拿/电气系统和信息技术杂志4（2017）185191见图4。只有Law的面具与两组不同的面具的性能结果表2通过基于卷积的Laws' Mask（SPLM）对15个掩码进行可操纵金字塔的性能评估特征提取技术特征数分类精度粗体值表示从基于可操纵金字塔的Laws掩码方法（SPLM）方法获得的分类精度对于第二个实验，我们通过与分解滤波器sp1、sp3和sp5卷积来使用可操纵金字塔，以生成与Laws掩码相结合的滤波图像。使用这些分解滤波器的不同级别是（sp1，级别= 2）、（sp3，级别= 2）、（sp5，级别=2）、（sp5，级别= 3）和（sp5，级别= 5）。这些过滤后的图像被提升到Laws特征是通过使用15和25个Laws的掩码得到的分类精度进行了验证，为15和25个不同的面具。15和25个Laws面具的特征数量15种口罩的分类结果见表2。从表2中，我们可以看到，具有第三级分解滤波器sp5的可控金字塔定律第二高的94.30%的准确度是从可操纵的金字塔定律的表3中示出了25个掩模的分类结果，从中我们观察到，具有第三级分解滤波器sp5的 SPLM在第五级具有分解滤波器sp5的SPLM对于相同的平均能量滤波器给出了第二高的96.15%的分类精度性能结果示于图1A和1B中。5和6.第三个实验是频域中的可控金字塔与具有十五和二十五个数字的两个不同集合掩码的Laws掩码的组合。用于调查的可控金字塔有四个级别和四个子带。实现分解图像的不同级别是级别2、级别3、级别5和级别7。然后将分解后的图像与具有15和25个掩码的两个不同集合的Laws掩码进行卷积，显示了组合集的分类结果是说绝对平均标准偏差SPLM（sp1，L = 2）4591.0383.0188.14SPLM（sp3，L = 2）4591.3583.6588.14SPLM（sp5，L = 2）4591.0384.2989.42SPLM（sp5，L = 3）4595.1386.8690.38SPLM（sp5，L = 5）4594.2386.8690.71192S. Dash，U.R.耶拿/电气系统和信息技术杂志4（2017）185表3通过基于卷积的Laws' Mask（SPLM）对25个掩码进行可操纵金字塔的性能评估特征提取技术特征数分类精度粗体值表示从基于可操纵金字塔的Laws掩码方法（SPLM）方法获得的分类精度图五.所提出的SPLM方法的性能结果与15个掩码。表4可操纵金字塔在频域中基于15个掩码的Laws' Mask（SPLM）的性能评估特征提取技术特征数分类精度粗体值表示从基于可操纵金字塔的Laws掩码方法（SPLM）方法获得的分类精度在表4和表5中。从表4中，我们可以观察到，对于平均能量滤波器，第五级的可操纵金字塔法则第二高的94.55%的准确度是从可操纵金字塔定律而对于具有25个掩码的可操纵金字塔定律第二个最好的分类是在96.00%的第三级性能结果示于图1A和1B中。7和8是说绝对平均标准偏差SPLM（sp1，L = 2）7592.9586.2289.10SPLM（sp3，L = 2）7593.2787.8190.71SPLM（sp5，L = 2）7593.2787.8190.71SPLM（sp5，L = 3）7596.4791.0391.35SPLM（sp5，L = 5）7596.1591.9991.35是说绝对平均标准偏差SP（4个子带，L = 2）4593.2786.2289.42SP（4个子带，L = 3）4593.9187.1889.74SP（4个子带，L = 5）4595.1987.1890.06SP（4个子带，L = 7）4594.5581.4188.14S. Dash，U.R.耶拿/电气系统和信息技术杂志4（2017）185193见图6。所提出的SPLM方法的性能结果与25个掩码。表5可操纵金字塔在频域中基于25个掩码的Laws' Mask（SPLM）的性能评估特征提取技术特征数分类精度粗体值表示从基于可控金字塔的Laws掩码方法（SPLM）方法获得的分类准确度表6在频域中实现的复杂可控金字塔的性能评估基于15个掩码的Laws特征提取技术特征数分类精度粗体值表示从基于可操纵金字塔的Laws掩码方法（SPLM）方法获得的分类精度第四个实验是在频域中实现的复杂可控金字塔与Laws水平和子带与第三次实验相同获取纹理特征和分类的过程与我们在第三个实验中所做的完全相同表6中示出了15个可操纵定律掩模（SPLM）的分类结果对25个可操纵律的分类结果是说绝对平均标准偏差SP（4个子带，L = 2）7595.8391.3591.67SP（4个子带，L = 3）7596.0091.3591.35SP（4个子带，L = 5）7596.1591.6791.03SP（4个子带，L = 7）7596.1588.7891.67是说绝对平均标准偏差SP（4个子带，L = 2）4593.2786.2289.42SP（4个子带，L = 3）4593.9185.2689.42SP（4个子带，L = 5）4594.5585.9089.42SP（4个子带，L = 7）4595.8381.0987.82194S. Dash，U.R.耶拿/电气系统和信息技术杂志4（2017）185见图7。所提出的SPLM方法的性能结果与15个掩码。见图8。所提出的SPLM方法的性能结果与25个掩码。在表7中示出了基于平均能量滤波器的最高分类准确度（SPLM），其表示在第五级和第七级同时从平均能量滤波器获得96.79%的最高 性能结果示于图1A和1B中。 9和10的在所有上述提出的方法中，我们观察到，最高的分类准确率为96.79%，从复杂的可控金字塔实现在频域与法律的实验结果表明，在可控金字塔掩模方法的三个能量测量滤波器S. Dash，U.R.耶拿/电气系统和信息技术杂志4（2017）185195±±表7在频域中实现的复杂可控金字塔的性能评估基于25个掩码的Laws特征提取技术特征数分类精度粗体值表示从基于可控金字塔的Laws掩码方法（SPLM）方法获得的分类准确度见图9。所提出的SPLM方法的性能结果与15个掩码。能量滤波器总是给出最佳的分类精度。此外，我们编制了一些其他的混合模型用于纹理分类的不同数据库的其他研究人员提出的Fernando，William，Schwartz实现了一种新的混合模型，该模型将金字塔分解与GLCM和用于GLCM的高斯平滑结合起来，用于组合特征描述符。对于具有GLCM的金字塔分解，对于尺度2的Brodatz数据库，对于局部和归一化+全局归一化组合与最近邻作为分类器，最高准确率为68.27%。 当针对GLCM考虑高斯平滑时，对于使用最近邻作为分类器的对应方法，在尺度4处实现的最高分类准确度为87.19%（Siqueira等人，2013年）。用于特征提取的Gabor滤波器和GLCM的组合与作为分类器的MLP-BP-NN产生了90.33%和90.20%的识别准确度（Yusof等人， 2010年）的报告。Yadav，Anand，Dewal和Gupta提出了一种新的混合模型，将DWT和LBP与LBP扩展相结合。采用线性支持向量机作为分类器，在全特征下，DWTCLBPu2对硬木树种的对于通过PCA减少的特征，他们实现了DWTCLBP u2为97.87± 0.82%（YadavArvind等人，2015年）。在同一作者的另一篇论文中，他们将高斯金字塔与LBP、LCP、LPQ集成，并通过使用UIUC纹理数据库，在GPLBP的1、2、3级实现了92.30%的最高分类准确度，在2级实现了96.10%的最高准确度，在3级实现了98.00%的GPLCP riu2的最高准确度（Yadav等人， 2015年）。是说绝对平均标准偏差SP（4个子带，L = 2）7595.8391.3591.67SP（4个子带，L = 3）7596.4791.0391.99SP（4个子带，L = 5）7596.7992.3192.31SP（4个子带，L = 7）7596.7986.2291.35196S. Dash，U.R.耶拿/电气系统和信息技术杂志4（2017）185见图10。所提出的SPLM方法的性能结果与25个掩码。5. 结论本文提出了一种基于图像金字塔生成的纹理特征提取方法，并结合现有的Laws掩模方法。利用可操纵金字塔的多分辨率特性，提取不同层次、不同方位的特征。为了评估所提出的方法的效率，k-NN分类器用于分类。对Brodatz数据库的分类精度达到96.79%，比单独的Laws掩模方法有更好的分类效果。对于未来的工作，不同的数据库可以实现所提出的方法，以验证进一步的改进。引用张杰，Tan，T.，2002年。 异相结构分析方法简述。 P模式识别 35（3），735-747。Haralick，R.M.，Shanmugam，K.，丁斯坦岛，1973. 用于图像分类的特征。IEEETrans. Cybern系统3（6），610-621。兰登，T.，Husy，J.H.，1999. 纹理分类中的滤波比较研究。IEEETrans. P样式肛门。马赫内特尔21（4），291-310。Ojala，T.，Pietikainen，M.，Maenpaa，T. T.，2002年。 基于局部二值P模式的变纹理分类中的多分辨率灰度和旋转IEEETrans. P样式肛门。 马赫内特尔 24（7），971-987。Arivazhagan，S.，甘尼桑湖，2003年。 利用小波变换进行纹理分类。 P模式识别Lett. 24（9 -10），1513-1521。Mallat，S.G.，1989年a。多分辨信号分解理论：小波表示。 IEEE Trans. P样式肛门。 马赫内特尔 11（7），674-693.Mallat，S.G.，1989年b。图像的多频通道分解与小波模型。 IEEE Trans. 语音信号处理 37（120），2091-2110。Unser，M.，一九九五年 使用小波帧的纹理分类和分割。 IEEE Trans. 图像处理。 4（11），1549-1560。贾恩，A.K.，Farrokhnia，F.，一九九一年 使用Gabor滤波器的无监督分割。 P模式识别 24（12），1167-1186。Manjunath，B.S.，妈，怀依，一九九六年。 大图像数据浏览与检索的特性。 IEEE Trans. P样式肛门。 马赫内特尔 18（8），837-849。弗里曼·威廉，T.Simoncelli Eero，P.，1995年10月 可操纵金字塔：一种用于多尺度派生计算的灵活架构。在：在第二届IEEE图像处理国际会议上发表，华盛顿特区。Adelson，E.H.，安德森，C.H.，卑尔根，J.R.，伯特，P.J.，奥格登，J.M.，一九八四年图像处理中的金字塔方法。 RCA工程师Nov/December，29-36.Karasarlett，A.，Simoncelli，E.P.，1996年5月 一种用于可控金字塔图像变换的滤波器设计技术。输入：程序ICASSP-96亚特兰大Castleman，K.R.，Schulze，M.，吴昆，1998年 可控金字塔滤波器的简化设计。 Proc. IEEE国际Sympos. Circ. 系统5，329-332.S. Dash，U.R.耶拿/电气系统和信息技术杂志4（2017）185197劳斯，凯，一九七九年 具体能源措施。 Proc. 图像理解 商店，47-51。劳斯，凯，1980年 图像分割。In：Image Processing Institute，Univ. 南加州940号报告Yadav Arvind，R.，Anand，R.S.，Dewal，MI，Gupta Sangeeta，2015. 基于多分辨率局部二值模式变量的纹理特征提取技术在硬木类显微图像分类中的应用。应用软件计算32，101-112.Yadav，A.R.，Anand，R.S.，Dewal，MI，古普塔，S.，2015年。基于高斯图像金字塔的纹理特征用于木材显微图像分类。Optik126（24），5570-5578。Qi，X.，沈，L.，赵，G.，李，Q.，Pietikainen，M.，2015年。变尺度同现局部二值模式中的全局旋转。 图像V是。Comput. 43，16-26。Zhe，T.，Sua，Y.，Erb，M.J.，Qia，F.，Li，Z.，Zhouc，J.，2015年。基于局部二值模式的茶叶纹理描述子。NeuroComputing168，1011-1023.Rachidi，M.，Marchadier，A.，Gadois角，Lespessailles，E.，Chappard，C.，Benhamou，C.L.，2008年应用于骨结构分析的LAWS掩模描述符：骨质疏松症的一种创新和判别工具。SkRadiol.37（June（6）），541-548.Elnemr Heba，A.，2013年。用于癌和水肺检测的劳氏掩模纹理特征的统计分析。 IJCSI国际 J. Comput. Sci. 问题10（无v）（6，无。（2））。Sagiterry Arden Setiawan，E.，朱利安，W.，Yudy，P.，2015年。基于劳氏能量测度和神经网络的乳腺图像分类。Proc. Comput.Sci. （59），92-97.Pietikainen，M.，Rosenfled，A.，戴维斯，洛杉矶，一九八三年 使用局部模式匹配的纹理分类实验。 IEEE Trans. 系统曼·赛伯恩SMC-13（3），42-426。哈伍德，D.，Subbarao，M.，戴维斯，洛杉矶，一九八五年局部秩相关分类法。Graph. 图像处理。32，404-411。Ade，F.，1983. 用本征滤波器表征结构。信号处理。5，451-457。Unser，M.，一九八六年 用于纹理测量的局部线性变换。 信号处理。11，61-79。Du Buf，H.M.J.，Kardan，J.M.H.，Spann，M.M.，1990. 图像分割的特征性能。P模式识别23（3/4），291-309。Ng，I.，Tan，T.，Kittler，J.，一九九二年纹理的局部线性变换和Gabor滤波表示。输入：程序第11届国际会议Recognition，III，TheHague，TheNetherlands，pp. 627-631哈伍德，D.，Timo，O.，Pietikäinen，M.，Shalom，K.，Larry，D.，一九九五年使用分布的Kullback判别通过中心对称自相关进行分类。P模式识别Lett. 16（January（1）），1-10.Timo，O.，Matti，P.，大卫，H.，1996年a。 基于特征分布的纹理度量与分类的比较研究。 P模式识别29（l），51-59.Vidya，M.，Ramón，V.，Praveen，K.，两千 使用逻辑运算符的结构分类。 IEEE Trans. 图像处理。 9（October（10））.Timo，O.，Matti，P.，Jarkko，N.，1996年b。基于特征分布的纹理分类法确定颗粒混合物的成分。P模式识别第内特尔10（73）.Mythili，S.，2011年。 使用可操纵金字塔进行织物缺陷检测。 ICTACT J. 图像视频处理。 01（04（5））。Unser，M.，Chenouard，N.，维尔，D.V.D.，2011. L2（Rd）中的可操纵pyramid和紧wavelet框架. IEEETrans. 图像处理。20（October（10））.Brodatz，P.，1999年 作品：《A PhotographicAlbumforArtistsandDesigners》 我爱&格里尔出版公司。Siqueira，F.R.，施瓦茨，D.，Pedrini，W.R.H.，2013年。用于纹理描述的多尺度灰度共生矩阵。神经计算（120），336-345。尤索夫河，Rosli，N.R.，Khalid，M.，2010. 应用gabor滤波器作为影像倍增器于热带森林物种辨识系统。第12届IEEE建模与仿真国际会议（UKSim），pp。289-294。