基于紋理分析的圖像形貌特征提取_李素日方

《基于紋理分析的圖像形貌特征提取_李素日方》由會員上傳分享，免費在線閱讀，更多相關內容在行業(yè)資料-天天文庫。

1、紋理分析各種方法的優(yōu)缺點紋理是自然圖像中一個普遍存在的基本特征,紋理分析就是研究不同紋理的特點,尋找刻畫紋理的本質特征。紋理感知在人類視覺活動中起著重要作用,雖然視覺系統(tǒng)能夠很方便地進行紋理識別,但是卻很難對紋理給出一個精確定義。一般認為,圖像紋理具有粗細度、對比度、方向性、線性性、規(guī)則性、粗糙度、凸凹性等特性,但這些都是對圖像紋理概括性的描述,并沒有把紋理的本質體現(xiàn)出來。根據(jù)紋理的基本特征,目前已出現(xiàn)了許多紋理分析方法。Haralick曾作了較為全面的總結[1],基本上M.可歸納為統(tǒng)計法、結構法、模型法和空間/頻率域聯(lián)合分析法等4類,它們有著各自不同的特點。(1)統(tǒng)計法?；诮y(tǒng)計的方法

2、是紋理分析中最基本的一類方法,考慮的是紋理中灰度級的空間分布,典型的有灰度共生矩陣法、Laws紋理能量法等。這類方法的優(yōu)點是原理簡單易懂,容易實現(xiàn),但在多紋理分類中,難以取得理想的結果。因為灰度的起伏變化除與紋理結構的變化有關外,還與照明條件等多種因素有關,這影響了統(tǒng)計結果的有效性。(2)結構法?；诮Y構的方法也稱幾何法,出發(fā)點是紋理由紋理基元組成的定義,研究重點在于紋理基元之間的相互關系和排列規(guī)則,主要適用于非常規(guī)則的紋理,對于分析自然紋理圖像則很難取得滿意的效果。由于具有形貌特征的圖像大都不符合前述定義,故不適合用結構法進行分析。(3)模型法。基于模型的方法假設紋理按某種收稿日期:2

3、004-03-18基金項目:山東省優(yōu)秀中青年科學家科研獎勵基金資助項目(01BS01)作者簡介:李素日(1980-),女,河南信陽人,濟南大學信息科方學與工程學院碩士生。　　　　　　　　　　　　　　　　　　　　　南大學學報(自然科學版)　　　　　　　　　　　　　　　　　　　　　18卷濟第218模型分布,模型可以表示紋理元之間的關系,模型參數(shù)則表達了紋理元的特性,因此通過估計模型的參數(shù)可以把握紋理的重要性狀,進行紋理分析。模型法主要有隨機場方法和分形法,常見的隨機場模型有高斯-馬爾科夫、ibbs模型等,隨機場方法的缺G點是參數(shù)難以估計,計算量大,且自然紋理很難用單一的模型表達。分形維數(shù)給出

4、了粗糙度的一種度量,許多自然圖像的粗糙度具有一些統(tǒng)計性質,在不同的尺度上具有自相似性,分形對于這些性質的建模非常有用,但分形維數(shù)的計算一般是采用一個理論模型,而實際的紋理圖像并不完全符合,另外不同的紋理圖像可能具有相近的分形維數(shù),使進一步的處理復雜化。(4)空間/頻率域聯(lián)合分析法。近年來的生物視覺實驗表明,空間-頻率域多尺度多通道紋理分析方法是與人類視覺過程相一致的,因此引起了廣泛注意?？臻g/頻率域聯(lián)合分析法主要包括Gabor變換法和小波變換法等,利用在空間域和頻率域同時取得較好局部化特性的濾波器對紋理圖像進行濾波,從而獲得較為理想的紋理特征。在分析自然紋理圖像中能取得一定的效果,但基于

5、多通道濾波的分析方法,常采用區(qū)域平均特征如區(qū)域能量、區(qū)域方差等,正如S.Mallat指出的[2],這類特征都是特殊的、非本質的,因為區(qū)域平均過程導致了紋理結構信息的損失,通常不能反映紋理的本質特征。且單通道能量、方差信息不能有效描述紋理特征,需要多個濾波通道,這就增加了分類特征的維數(shù)。在高維特征空間中,各模式特征間的分布關系比較復雜,不利于獲得理想的分類結果?？傊?目前尚沒有公認的紋理定義,也沒有較為通用的紋理分析方法,大多還只適用于一部分特定的圖像。的研究和創(chuàng)新也主要集中于特征提取部分,其中紋理分析是研究得最多也討論得最深入的一類方法。由于紋理分析各種方法都存在一些問題,故近年來呈現(xiàn)了

6、相互滲透的趨勢。由于單獨使用結構法進行分析的論文很少,因此本文中將紋理分析在形貌特征提取中的應用分為4類:統(tǒng)計法、模型法、信號處理法和結合法。(1)統(tǒng)計法。常見的統(tǒng)計法思想是考慮圖像的局部灰度分布信息,刻劃不同紋理的差異[3-6]。文獻[7]提出了紋理元灰度模式的概念,根據(jù)紋理元灰度模式分布直方圖,定義了若干反映其模式分布的特征,如方差、熵等,利用它們作為紋理特征對紋理圖像進行分類和分割。實驗表明比傳統(tǒng)方法能取得更好的效果,并有很強的實用性。文獻[8]給出了一種基于紋理主矢量集的紋理表示及分析方法,該方法是在多維紋理譜的基礎上得到多維主矢量集合及相應的能量集合,以其作為紋理特征,對自然景

7、物圖像的識別分類效果較好。多數(shù)場合的紋理圖像尺寸較大,傳統(tǒng)的灰度共生矩陣法會導致矩陣維數(shù)過大、運算復雜等問題,一[9,10]些學者提出了改進方法。文獻[11]提出一種矢量量化技術,從而生成原始圖像的符號圖像,再構造共生矩陣,選用矩陣的統(tǒng)計特征,實現(xiàn)對紋理圖像的快速匹配。對于尺寸較大,信息冗余度也較大的圖像,該方法具有較好的適用性。圖像數(shù)據(jù)不是純隨機變量,它具有明顯的結構特征。現(xiàn)有的許多方法沒有充分考慮圖像數(shù)據(jù)的隨機性和空間相關性,因