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 $\Delta$ r,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！

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

一、BRINT开发背景

二、BRINT特征描述模式

1.开发意义

2.BRINT描述子构建

（1）BRINT_S描述子构建

（2）BRINT_M描述子构建

（3）BRINT_Cb描述子构建

3.特征描述子拼接

附注

相关文章

基于Python构建一个高效词汇表

Python FastMCP构建MCP服务端与客户端的详细步骤

详解如何使用Python构建从数据到文档的自动化工作流

详解如何使用Python从零开始构建文本统计模型

一文教你Java如何快速构建项目骨架

Python使用Reflex构建现代Web应用的完全指南

Python+wxPython构建图像编辑器

Java中的StringBuilder之如何高效构建字符串

使用Python构建一个Hexo博客发布工具

一文详解如何从零构建Spring Boot Starter并实现整合