找人设计的网站,安卓app是用什么语言开发的,济南富库网络技术有限公司,建设一个网站可以放视频的多少钱纹理作为一种重要的视觉线索#xff0c;是图像中普遍存在而又难以描述的特征#xff0c;图像的纹理特征一般是指图像上地物重复排列造成的灰度值有规则的分布。纹理特征的关键在于纹理特征的提取方法。目前#xff0c;用于纹理特征提取的方法有很多#xff0c;最具有代表性…纹理作为一种重要的视觉线索是图像中普遍存在而又难以描述的特征图像的纹理特征一般是指图像上地物重复排列造成的灰度值有规则的分布。纹理特征的关键在于纹理特征的提取方法。目前用于纹理特征提取的方法有很多最具有代表性的是有基于二阶概率密度的灰度共生矩阵、符合人眼视觉特性的小波变换、纹理谱法以及基于图像结构基元的纹理元方法等。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$$\frac{ΔI}{I}k$$其中$k$是一个常量$ΔI$表示差别阈值$I$表示原始刺激的强度。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$G_{ratio}(x_c)$再利用反正切变换将分布在$[-P,∞]$范围内的$G_{ratio}(x_c)$映射到区间$(-\frac{\pi}{2},\frac{\pi}{2})$内得到差分激励$ξ(x_c)$的计算式为$$ξ(x_c)arctan(G_{ratio}(x_c))arctan(\sum\limits_{i0}^{P-1}\frac{(x_i-x_c)}{x_c})$$其中,$x_c$和$x_i,i0,1,...,P-1$分别表示中心像素点和邻域像素点的灰度值$P$表示邻域像素点个数。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:$$Φ(x_c)arctan(\frac{D_V}{D_H})$$其中,$D_H$和$D_V$分别表示水平方向上和垂直方向上中心像素点两侧的邻域像素点间的灰度差异若对于$3\times3$像素的局部窗口如下图所示则$D_Hx_7-x_3$$D_Vx_5-x_1$。为了能够更加有效的区分局部窗口的灰度分布变换进一步将方向由$Φ(x_c)\in(-\frac{\pi}{2},\frac{\pi}{2})$变换到了$Φ(x_c)\in[0,2\pi]$其变换公式为$$Φ(x_c)\begin{cases} Φ(x_c) \qquad D_H0,D_V0 \\ \piΦ(x_c) \qquad D_H0,D_V0 \\\piΦ(x_c) \qquad D_H0,D_V0 \\ 2\piΦ(x_c) \qquad D_H0,D_V0 \end{cases}$$3、WLD直方图WLD采用均匀量化技术将方向$Φ(x_c)$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$T\times{C}T\times(M\times{S})$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。二维直方图如上图所示横轴表示方向纵轴表示差分激励。每个小矩形表示在该方向下所在差分激励区间像素的数量数量不同颜色不同。下图是WLD直方图得到的过程1、在每个主方向上得到差分激励子直方图得到$H(0)$至$H(T-1)$;2、将$H(k)$分成$M$个子区间即$l_m,m0,...,M-1$,将$H(k)$中的${l_m}$对应放置在$tk$和$mi$处3、将$mi$的一行子直方图拼接成一个直方图即$H_i$4、将$H_i$组合成一个直方图即WLD直方图。然后可以把WLD直方图用于后续分类。4、缺点我们来看下图所示的3个局部灰度分布示例。从3个局部窗内的灰度分布看(a)~(c)分别表示了高频、中频和低频3种变换。按照WLD的计算方法他们的$ΔI$都等于0即差分激励等于0而且在垂直方向上的灰度值差值也为0表明方向也等于0.这意味着WLD将无法区分这3个纹理模式。存在上述问题的主要原因有:WLD的差分激励算子是利用各向同性的边缘检测滤波器———拉普拉斯算子统计局部窗内$P$个邻域像素点与中心像素点间的灰度差值之和$ΔI$导致了灰度变化的正负差值相互抵消,换言之,局部窗内的灰度变化信息没有充分体现;WLD 的方向算子仅表达了水平方向和垂直方向上邻域像素点间灰度变化梯度的空间分布方位,不能充分反映局部窗内灰度变化的空间分布结构信息,难以体现纹理的内在变化特征;5、改进纹理特征是指与空间分布相关的图像灰度等级的变化。 这意味着灰度图像的纹理既与各像素点间灰度变化的梯度幅值有关,也与其梯度的空间分布密切相关,两者是有机的一体。 针对WLD 存在的问题提出一种基于正负梯度改进的 WLD(WLD-PNG)。其核心思想是:基于局部窗内邻域像素点与中心像素点间灰度变化的正负梯度信息,分离计算正、负差分激励以保留灰度等级的变化特征;利用 LBP 模式提取正负梯度分布的结构信息,以反映灰度等级变化的空间分布特征。 最后,采用均匀量化和编码技术,将两者有机联合建立图像的纹理特征。三 代码实现由于opencv没有提供WLD算法的实现但是从网上我们可以找到基于Weber local descriptors的人脸识别的代码和基于OPENCV的WLD特征提取程序我们作为参考修改自己的代码如下#-*- coding: utf-8 -*-Created on Sat Sep 1 19:08:10 2018author: zyWLD韦伯局部描述符importcv2importnumpy as npclassWLD(object):def __init__(self):#差分激励由中心像素与周围像素强度的差异以及中心像素强度组成分别由f1和f2滤波器得出。self.__f1 np.array([[1,1,1],[1,-8,1],[1,1,1]])self.__f2 np.array([[0,0,0],[0,1,0],[0,0,0]])#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。 方向分为竖直方向和水平方向由f3和f4滤波器得出。self.__f3 np.array([[0,-1,0],[0,0,0],[0,1,0]])self.__f4 np.array([[0,0,0],[1,0,-1],[0,0,0]])#方向量化个数 如果修改也需要修改__classify_fai函数self.__T 12#差分激励量化个数 如果修改也需要修改__classify_epc函数self.__M 8#每个频段上将差分激励均匀地量化为S格 可以修改self.__S 4def calc_hist(self,image,concatenateTrue):输出统计直方图 形状[M,T,S]或[MxTxS,]args:image输入灰度图concatenate表明输出直方图是否合并为一维his np.zeros((self.__M,self.__T,self.__S),np.float32)rows,cols image.shape[:2]#计算像素点个数sum_pix rows*colsepc,theta self.__compute(image)for i inrange(rows):for j inrange(cols):#把差分激励分为8个区间分别对应一个类别m self.__classify_epc(epc[i][j])ttheta[i][j]s self.__classify_s(epc[i][j],m)his[m-1][t-1][s-1] 1#归一化his /sum_pixifconcatenate:his np.reshape(his,-1)returnhisdef __compute(self,image):计算每个像素点的差分激励和方向rows,cols image.shape[:2]#用于保存每个像素点对应的差分激励算子epc np.zeros((rows,cols),dtypenp.float32)#用于保存每个像素点对应的方向算子theta np.zeros((rows,cols),dtypenp.float32)计算差分激励ξv1 cv2.filter2D(image,cv2.CV_16SC1,self.__f1)v2 cv2.filter2D(image,cv2.CV_16SC1,self.__f2)for i inrange(rows):for j inrange(cols):#-π/2~π/2epc[i][j] np.arctan(v1[i][j]/(v2[i][j]0.0001))计算每个像素点的方向Φ把方向[0,2pi]均匀地量化为12个区间v3 cv2.filter2D(image,cv2.CV_16SC1,self.__f3)v4 cv2.filter2D(image,cv2.CV_16SC1,self.__f4)for i inrange(rows):for j inrange(cols):theta[i][j] np.arctan(v3[i][j]/((v4[i][j])0.0001))if v3[i][j]0 and v4[i][j]0:passelif v3[i][j]0 and v4[i][j]0:theta[i][j] theta[i][j]2*np.pielse:theta[i][j]theta[i][j]np.pitheta[i][j] self.__classify_fai(theta[i][j])thetatheta.astype(np.uint8)returnepc,thetadef __classify_fai(self,value):把方向值value分类 类别为1、2、3、4、5、6、7、8、9、10、11、12args:value数值 0~2π之间if value 0 and value 0.15*np.pi:return 1elif value np.pi*0.15 and value 0.35*np.pi:return 2elif value np.pi*0.35 and value 0.5*np.pi:return 3elif value np.pi*0.5 and value 0.65*np.pi:return 4elif value 0.65*np.pi and value 0.85*np.pi:return 5elif value np.pi*0.85 and value elif value np.pi and value 1.15*np.pi:return 7elif value 1.15*np.pi and value 1.35*np.pi:return 8elif value np.pi*1.35 and value 1.5*np.pi:return 9elif value 1.5*np.pi and value 1.65*np.pi:return 10elif value 1.65*np.pi and value 1.85*np.pi:return 11else:return 12def __classify_epc(self,value):把差分激励值value分类划分为8个区间 类别为1、2、3、4、5、6、7、8args:value数值 -π/2~π/2之间if value np.pi*(-0.5) and value (-0.3)*np.pi:return 1elif value np.pi*(-0.3) and value (-0.15)*np.pi:return 2elif value np.pi*(-0.15) and value (-0.05)*np.pi:return 3elif value np.pi*(-0.05) and value 0:return 4elif value 0 and value 0.05*np.pi:return 5elif value np.pi*0.05 and value 0.15*np.pi:return 6elif value np.pi*0.15 and value 0.3*np.pi:return 7else:return 8def __classify_s(self,value,label):将每个区间的差分激励再次划分为S格argsvalue差分激励值 -π/2~π/2之间label当前所属区间 1,2,3,...,8if label 1:space ((-0.3)*np.pi - (-0.5)*np.pi)/self.__Sreturn int((value - (-0.5)*np.pi)/space)1elif label 2:space ((-0.15)*np.pi - (-0.3)*np.pi)/self.__Sreturn int((value - (-0.3)*np.pi)/space)1elif label 3:space ((-0.05)*np.pi - (-0.15)*np.pi)/self.__Sreturn int((value - (-0.15)*np.pi)/space)1elif label 4:space 0-(-0.05)*np.pi/self.__Sreturn int((value - (-0.05)*np.pi)/space)1elif label 5:space 0.05*np.pi /self.__Sreturn int(value /space)1elif label 6:space (0.15*np.pi - 0.05*np.pi)/self.__Sreturn int((value - 0.05*np.pi)/space)1elif label 7:space (0.3*np.pi - 0.15*np.pi)/self.__Sreturn int((value - 0.15*np.pi)/space)1else:space (0.5*np.pi - 0.3*np.pi)/self.__Sn int((value - 0.3*np.pi)/space)1if n self.__S1:n self.__Sreturnndefdraw_hist(hist):绘制直方图#首先先创建一个黑底的图像为了可以显示彩色所以该绘制图像是一个8位的3通道图像#图像高为100宽为直方图的长度width len(hist)height 100draw_image np.zeros((height,width,3),dtypenp.uint8)#获取最大值max_value np.max(hist)#数值量化value np.asarray((hist*0.9/max_value*height),dtypenp.int8)for i inrange(width):cv2.line(draw_image,(i,height-1),(i,height-1-value[i]),(255,0,0))#显示cv2.imshow(hist,draw_image)cv2.waitKey(0)cv2.destroyAllWindows()if __name____main__:image cv2.imread(./image/match1.jpg)image cv2.resize(image,dsize(600,400))imgraycv2.cvtColor(image, cv2.COLOR_BGR2GRAY)wldWLD()histwld.calc_hist(imgray)print(hist.shape)print(hist)print(np.sum(hist))draw_hist(hist)运行结果如下参考文章