第圖像特征提取第二PPT課件

1、 在在圖像技術(shù)領(lǐng)域的許多應(yīng)用中，人們總是希望從分割出的區(qū)域中分辨出地物類別，例如分辨農(nóng)田、森林、湖泊、沙灘等；或是希望從分割出的區(qū)域中識(shí)別出某種物體（目標(biāo)），例如在河流中識(shí)別艦船；在飛機(jī)跑道上識(shí)別飛機(jī)等。進(jìn)行地物分類和物體識(shí)別的第一步就是物體特征的提取和檢測(cè)，然后才能根據(jù)檢測(cè)和提取的圖像特征對(duì)圖像中可能的物體進(jìn)行識(shí)別。 第1頁(yè)/共127頁(yè) 圖像特征圖像特征是用于區(qū)分一個(gè)圖像內(nèi)部特征的最基本的屬性。圖像特征可分成自然特征和人工特征兩大類。 人工特征人工特征是指人們?yōu)榱吮阌趯?duì)圖像進(jìn)行處理和分析而人為認(rèn)定的圖像特征，比如圖像直方圖、圖像頻譜和圖像的各種統(tǒng)計(jì)特征（圖像的均值、圖像的方差、圖像的標(biāo)準(zhǔn)差、

2、圖像的熵）等。 自然特征自然特征是指圖像固有的特征，比如圖像中的邊緣、角點(diǎn)、紋理、形狀和顏色等。 第2頁(yè)/共127頁(yè) 第3頁(yè)/共127頁(yè)圖像的邊緣特征圖像的邊緣特征 圖像邊緣具有方向和幅度兩個(gè)特征。沿邊緣走向，像素的灰度值變化比較平緩，而沿垂直于邊緣的走向，像素的灰度值則變化比較劇烈。這種劇烈的變化或者呈階躍狀（step edge），或者呈屋頂狀（roof edge），分別稱為階躍狀邊緣和屋頂狀邊緣。 一般常用一階和二階導(dǎo)數(shù)來(lái)描述和檢測(cè)邊緣。 第4頁(yè)/共127頁(yè)圖像剖面一階導(dǎo)數(shù)二階導(dǎo)數(shù) 上升階躍邊緣 下降階躍邊緣 脈沖狀邊緣 屋頂邊緣 （a） （b） （c） （d） 圖圖10.1 10.1 圖

3、像邊緣及其導(dǎo)數(shù)曲線規(guī)律示例圖像邊緣及其導(dǎo)數(shù)曲線規(guī)律示例 圖像的邊緣特征圖像的邊緣特征 第5頁(yè)/共127頁(yè) 綜上所述，圖像中的邊緣可以通過(guò)對(duì)它們求導(dǎo)數(shù)來(lái)確定，而導(dǎo)數(shù)可利用微分算子來(lái)計(jì)算。對(duì)于數(shù)字圖像來(lái)說(shuō)，通常是利用差分來(lái)近似微分。 圖像的邊緣特征圖像的邊緣特征 第6頁(yè)/共127頁(yè) 設(shè)設(shè)f(x,y)f(x,y)為連續(xù)圖像函數(shù)，為連續(xù)圖像函數(shù)，G Gx x和和G Gy y分別為分別為x x方向和方向和y y方向的梯度，且在點(diǎn)方向的梯度，且在點(diǎn)(x,y)(x,y)處的梯度可以表示為一個(gè)處的梯度可以表示為一個(gè)矢量，并有其梯度定義：矢量，并有其梯度定義： TyyxfxyxfyxfG),(),(),(（10

4、.1） xyxfGx),(yyxfGy),(若記：若記：梯度邊緣檢測(cè)梯度邊緣檢測(cè) 第7頁(yè)/共127頁(yè)22| ),G( |yxGGyxyxGGyxG),(4max),()(8yxGGyxG)/arctan(),(xyGGyx（10.2） （10.3） （10.4） （10.5） 該梯度矢量在點(diǎn)（x，y）處的梯度幅值定義為： 或用其最大值來(lái)近似梯度幅值： 實(shí)際中常用兩個(gè)分量的絕對(duì)值之和來(lái)近似梯度幅值，即： 梯度的方向（由梯度矢量的幅角表示）是函數(shù)f(x,y)增加最快的方向，并定義為： 梯度邊緣檢測(cè)梯度邊緣檢測(cè) 第8頁(yè)/共127頁(yè)梯度邊緣檢測(cè)梯度邊緣檢測(cè) 從梯度原理出發(fā)，已經(jīng)發(fā)展了許多邊緣檢測(cè)算子，

5、下面是幾種最典型的邊緣檢測(cè)算子。 第9頁(yè)/共127頁(yè)(1) (1) RobertsRoberts算子算子 Roberts（羅伯特）邊緣檢測(cè)算子是基于：任意一對(duì)相互垂直方向上的差分可以看成是梯度的近似求解，并可用對(duì)角線上相鄰像素之差來(lái)代替梯度尋找邊緣。所以，羅伯特算子是一個(gè)交叉算子，其在點(diǎn)(i,j)的梯度幅值表示為： 梯度邊緣檢測(cè)梯度邊緣檢測(cè) ) 1, (), 1() 1, 1(), (), (jifjifjifjifjiG（10.6） 其中：) 1, 1(),(Gxjifjif) 1,(), 1(Gyjifjif第10頁(yè)/共127頁(yè)(1) (1) RobertsRoberts算子算子（續(xù)）（續(xù)

6、）梯度邊緣檢測(cè)梯度邊緣檢測(cè) ) 1, (), 1() 1, 1(), (), (jifjifjifjifjiGyxGGjiG),(1001xG0110yG（10.6） （10.7） （10.8） 所以，式（10.6）可一般地用卷積模板可表示為： 其中，Gx和Gy對(duì)應(yīng)22模板可分別表示為： 第11頁(yè)/共127頁(yè)梯度邊緣檢測(cè)梯度邊緣檢測(cè) (1) (1) RobertsRoberts算子算子（續(xù)）（續(xù)） 利用Roberts邊緣檢測(cè)算子進(jìn)行邊緣檢測(cè)的方法是：分別利用上述兩個(gè)模板對(duì)圖像進(jìn)行逐像素卷積，將2 個(gè)卷積結(jié)果值相加，然后判別該相加結(jié)果是否大于或等于某個(gè)閾值，如果滿足條件，則將其作為結(jié)果圖像中對(duì)應(yīng)

7、于模板（i,j）位置的像素值；如果不滿足條件，則給結(jié)果圖像中對(duì)應(yīng)于模板（i,j）位置的像素賦0 值。 第12頁(yè)/共127頁(yè)梯度邊緣檢測(cè)梯度邊緣檢測(cè) (1) (1) RobertsRoberts算子算子（續(xù)）（續(xù)） 由于Roberts邊緣檢測(cè)算子是利用圖像的兩個(gè)對(duì)角線方向的相鄰像素之差進(jìn)行梯度幅值的檢測(cè)，所以求得的是在差分點(diǎn)（i+1/2，j+1/2）處梯度幅值的近似值，而不是所預(yù)期的點(diǎn)（i,j）處的近似值，為了避免引起混淆，可采用33鄰域計(jì)算梯度值。 第13頁(yè)/共127頁(yè)(2) (2) SobelSobel算子算子 Sobel算子（索貝爾）算子是33的，其在點(diǎn)(i,j)的梯度幅值表示為： 梯度邊

8、緣檢測(cè)梯度邊緣檢測(cè) （10.10）簡(jiǎn)化的卷積模板表示形式為簡(jiǎn)化的卷積模板表示形式為 ： 其中，其中，G Gx x和和G Gy y是33像素窗口（模板）的中心點(diǎn)像素在x 方向和y 方向上的梯度，也即利用Sobel 邊緣檢測(cè)算子得到的是邊緣檢測(cè)結(jié)果圖像中與33模板的中心點(diǎn)（i，j）對(duì)應(yīng)的那個(gè)位置處的像素值。 22),(Gyxssji（10.9） yxssji),(G第14頁(yè)/共127頁(yè)(2) (2) SobelSobel算子算子（續(xù)） Gx和Gy定義為：梯度邊緣檢測(cè)梯度邊緣檢測(cè) （10.12）其中，其中，x x方向和方向和y y方向梯度的模板形式為方向梯度的模板形式為 ： 101202101Hx1

9、21000121Hy)1, 1() 1, (2) 1, 1(Gxjifjifjif)1, 1() 1, (2) 1, 1(jifjifjif)1, 1(), 1(2) 1, 1(jifjifjif)1, 1(), 1(2) 1, 1(Gyjifjifjif(10.11a) (10.11b) 第15頁(yè)/共127頁(yè)(2) (2) SobelSobel算子算子（續(xù)） 利用利用SobelSobel邊緣檢測(cè)算子進(jìn)行邊緣檢測(cè)的方法是：邊緣檢測(cè)算子進(jìn)行邊緣檢測(cè)的方法是：分別利用上述兩個(gè)模板對(duì)圖像進(jìn)行逐像素卷積，將2個(gè)卷積結(jié)果值相加，然后判別該相加結(jié)果是否大于或等于某個(gè)閾值，如果滿足條件，則將其作為結(jié)果圖像中

10、對(duì)應(yīng)于模板中心位置（i，j）處的像素值；如果不滿足條件，則給結(jié)果圖像中對(duì)應(yīng)于模板中心位置（i，j）處的像素賦0 值。 梯度邊緣檢測(cè)梯度邊緣檢測(cè) 第16頁(yè)/共127頁(yè)(2) (2) SobelSobel算子算子（續(xù)） Sobel邊緣檢測(cè)算子在較好地獲得邊緣效果的同時(shí)，并對(duì)噪聲具有一定的平滑作用，減小了對(duì)噪聲的敏感性。但Sobel邊緣檢測(cè)算子檢測(cè)的邊緣比較粗，也即會(huì)檢測(cè)出一些偽邊緣，所以邊緣檢測(cè)精度比較低。 梯度邊緣檢測(cè)梯度邊緣檢測(cè) 第17頁(yè)/共127頁(yè)(3) (3) PrewittPrewitt算子算子 Prewitt算子（蒲瑞維特）算子在方向和方向的梯度幅值形式與Sobel算子的形式完全相同，

11、只是系數(shù)均為1。對(duì)應(yīng)的33模板分別為： 梯度邊緣檢測(cè)梯度邊緣檢測(cè) （10.14）101101101Hx111000111Hy第18頁(yè)/共127頁(yè)(3) (3) PrewittPrewitt算子算子（續(xù)）（續(xù)） Prewitt算子的計(jì)算顯然比Sobel算子更為簡(jiǎn)單，但在噪聲抑止方面Sobel算子比Prewitt算子略勝一籌。 需要強(qiáng)調(diào)的是，從總體上來(lái)說(shuō)，梯度算子對(duì)噪聲都有一定的敏感性，所以比較適用于圖像邊緣灰度值比較尖銳，且圖像中噪聲比較小的情況下應(yīng)用。梯度邊緣檢測(cè)梯度邊緣檢測(cè) 第19頁(yè)/共127頁(yè) 圖10.4顯示了對(duì)圖像進(jìn)行梯度邊緣檢測(cè)的示例及其效果。 考慮到考慮到RobetsRobets算子

12、檢測(cè)的邊緣非常精細(xì)，照相制版印算子檢測(cè)的邊緣非常精細(xì)，照相制版印刷后可能基本上看不到邊緣效果，刷后可能基本上看不到邊緣效果，所以書(shū)上給出的圖10.4（b）至（h）是用值為用值為8080的閾值統(tǒng)一將檢測(cè)的結(jié)果圖像轉(zhuǎn)的閾值統(tǒng)一將檢測(cè)的結(jié)果圖像轉(zhuǎn)換成的二值黑白圖像換成的二值黑白圖像。 梯度邊緣檢測(cè)梯度邊緣檢測(cè) 第20頁(yè)/共127頁(yè)原圖像RobetsSobel Prewitt 第21頁(yè)/共127頁(yè)二階微分邊緣檢測(cè)二階微分邊緣檢測(cè) 在利用一階導(dǎo)數(shù)的邊緣檢測(cè)算子（器）進(jìn)行邊緣檢測(cè)時(shí)，有時(shí)會(huì)出現(xiàn)因檢測(cè)到的邊緣點(diǎn)過(guò)多而導(dǎo)致邊緣（線）過(guò)粗的情況。 通過(guò)去除一階導(dǎo)數(shù)中的非局部最大值就可以檢測(cè)出更細(xì)的邊緣，而一階導(dǎo)

13、數(shù)的局部最大值對(duì)應(yīng)著二階導(dǎo)數(shù)的零交叉點(diǎn)。 所以通過(guò)找圖像的二階導(dǎo)數(shù)的零交叉點(diǎn)就能找到精確的邊緣點(diǎn)。 第22頁(yè)/共127頁(yè)二階微分邊緣檢測(cè)二階微分邊緣檢測(cè) 拉普拉斯是一種無(wú)方向性的二階導(dǎo)數(shù)算子，其在點(diǎn)（x,y）處的拉普拉斯值定義為： 22222yfxff（10.15） xjifjifxGxfx),(), 1(22xjifxjif),(), 1(),(), 1(2), 2(jifjifjif（10.14） 二階差分的偏導(dǎo)數(shù)近似式為： 以上是以(i+1,j)為中心，用i替換i+1可得以(i,j)為中心的二階偏導(dǎo)數(shù)公式：第23頁(yè)/共127頁(yè)二階微分邊緣檢測(cè)二階微分邊緣檢測(cè) 拉普拉斯是一種無(wú)方向性的二階

14、導(dǎo)數(shù)算子，其在點(diǎn)（x,y）處的拉普拉斯值定義為： 22222yfxff（10.15） 其中： ), 1(),(2), 1(22jifjifjifxf) 1,(),(2) 1,(22jifjifjifyf（10.16） （10.17） 第24頁(yè)/共127頁(yè)010141010111181111二階微分邊緣檢測(cè)二階微分邊緣檢測(cè) 合并式（10.16）和式（10.17）可得 ： ) 1,(), 1(),(4) 1,(), 1( 2222jifjifjifjifjifyfxf對(duì)應(yīng)的幾種模板為： H1=H2=第25頁(yè)/共127頁(yè) 圖圖10.3 Laplacian10.3 Laplacian二階邊緣檢測(cè)算子的

15、邊緣檢測(cè)示例二階邊緣檢測(cè)算子的邊緣檢測(cè)示例 二階微分邊緣檢測(cè)二階微分邊緣檢測(cè) 第26頁(yè)/共127頁(yè)MmarrMmarr邊緣檢測(cè)算法邊緣檢測(cè)算法 為了克服了一般微分運(yùn)算對(duì)噪聲敏感的缺點(diǎn)， Marr邊緣檢測(cè)算法利用能夠反映人眼視覺(jué)特性的LOG算子對(duì)圖像進(jìn)行檢測(cè)，并結(jié)合二階導(dǎo)數(shù)零交叉的性質(zhì)對(duì)邊緣進(jìn)行定位，在圖像邊緣檢測(cè)方面得到了較好應(yīng)用。 第27頁(yè)/共127頁(yè)MmarrMmarr邊緣檢測(cè)算法邊緣檢測(cè)算法 典型的2維高斯函數(shù)的形式為: 222221 , , e2xyGx y（10.19） 其中， 稱為尺度因子，用于控制去噪效果；實(shí)驗(yàn)結(jié)果表明，當(dāng) =1時(shí)去噪效果較好。 第28頁(yè)/共127頁(yè)MmarrMm

16、arr邊緣檢測(cè)算法邊緣檢測(cè)算法 Marr邊緣檢測(cè)算法可分為兩個(gè)主要過(guò)程： （1 1）利用2維高斯函數(shù)對(duì)圖像進(jìn)行低通濾波，也即用2維高斯函數(shù)與原圖像f(x，y)進(jìn)行卷積。 ( , ) , ,* ( , )g x yGx yf x y（10.20） 就可得到平滑后的圖像 。這一步可消除圖像中空間尺度小于的圖像強(qiáng)度變化，去除部分噪聲。 0( , )g x y第29頁(yè)/共127頁(yè)MmarrMmarr邊緣檢測(cè)算法邊緣檢測(cè)算法 Marr邊緣檢測(cè)算法可分為兩個(gè)主要過(guò)程： （2 2）使用拉普拉斯算子 對(duì) 進(jìn)行二階導(dǎo)數(shù)運(yùn)算，如式（10.21）；就可提取卷積運(yùn)算后的零交叉點(diǎn)作為圖像的邊緣。 （10.21） 其中2

17、0( , )g x y220( , )( , ,* ( , )g x yGx yf x y2 , ,* ( , )Gx yf x y 222222222421 , ,=+(1)e2xyGGxyGx yxy（10.22） 第30頁(yè)/共127頁(yè)MmarrMmarr邊緣檢測(cè)算法邊緣檢測(cè)算法 也即，用Mmarr邊緣檢測(cè)算法對(duì)原圖像進(jìn)行邊緣檢測(cè)的結(jié)果圖像 可表示為： ( , )g x y2( , ) , ,* ( , )g x yGx yf x y （10.23） 可見(jiàn)，高斯-拉普拉斯算子把Gauss的平滑濾波器和Laplacian銳化濾波器結(jié)合了起來(lái)，也即把用2維高斯函數(shù)與原圖像f(x，y)進(jìn)行卷積和

18、用拉普拉斯算子 對(duì)卷積結(jié)果進(jìn)行二階導(dǎo)數(shù)運(yùn)算結(jié)合起來(lái)；先平滑掉噪聲，再進(jìn)行邊緣檢測(cè)（因?yàn)槎A導(dǎo)數(shù)等于0處對(duì)應(yīng)的像素就是圖像的邊緣），所以邊緣檢測(cè)的效果會(huì)更好。 2第31頁(yè)/共127頁(yè)MmarrMmarr邊緣檢測(cè)算法邊緣檢測(cè)算法 在實(shí)際應(yīng)用中，LOG算子一般取55的模板。 24442408044824844080424442第32頁(yè)/共127頁(yè)MmarrMmarr邊緣檢測(cè)算法邊緣檢測(cè)算法 圖10.5給出了利用LOG算子進(jìn)行邊緣檢測(cè)的結(jié)果示例。 （a）原圖像 （b）邊緣檢測(cè)結(jié)果圖像 圖10.5 利用LOG算子的邊緣檢測(cè)結(jié)果示例 第33頁(yè)/共127頁(yè)第34頁(yè)/共127頁(yè)圖像點(diǎn)特征及其檢測(cè)方法圖像點(diǎn)特征

19、及其檢測(cè)方法 如果圖像中的一個(gè)非常小的區(qū)域的灰度幅值與其領(lǐng)域值相比有著明顯的差異，則稱這個(gè)非常小的區(qū)域稱為圖像點(diǎn)（一般意義上的孤立像素點(diǎn)），如圖10.6所示。 圖10.6 圖像的點(diǎn)特征示意圖 第35頁(yè)/共127頁(yè)圖像點(diǎn)特征及其檢測(cè)方法圖像點(diǎn)特征及其檢測(cè)方法 對(duì)圖像中的點(diǎn)特征的提取有多種方法，最基本的方法仍是模板匹配方法，常用的點(diǎn)特征提取與檢測(cè)模板如圖10.7所示。 -1-1-1-18-1-1-1-1圖10.7 圖像的點(diǎn)特征提取模板 第36頁(yè)/共127頁(yè)圖像角點(diǎn)的概念圖像角點(diǎn)的概念 關(guān)于圖像角點(diǎn)的定義有多重不同的看法。從直觀可視的角度出發(fā)，兩條直線相交的頂點(diǎn)可看作是角點(diǎn)（如圖10.8所示）；物體

20、的幾個(gè)平面的相交處也可以看作是角點(diǎn)，等等。從圖像特征的角度出發(fā)，圖像中周?chē)叶茸兓^為劇烈的點(diǎn)可看作是角點(diǎn)；圖像邊界上曲率足夠高的點(diǎn)也可看作是角點(diǎn)，等等。 圖10.8 圖像的角點(diǎn)特征示意圖 第37頁(yè)/共127頁(yè)圖像角點(diǎn)的概念圖像角點(diǎn)的概念 角點(diǎn)檢測(cè)方法有很多種，其檢測(cè)原理也多種多樣，但這些方法概括起來(lái)大體可以分為三類: 一是基于模板的角點(diǎn)檢測(cè)算法； 二是基于邊緣的角點(diǎn)檢測(cè)算法； 三是基于圖像灰度變化的角點(diǎn)檢測(cè)算法。其中，基于圖像灰度變化的角點(diǎn)檢測(cè)算法應(yīng)用最為廣泛。 第38頁(yè)/共127頁(yè)SUSANSUSAN角點(diǎn)檢測(cè)算法角點(diǎn)檢測(cè)算法 1 1、 SUSAN算法通過(guò)核值相似區(qū)（Univalue Seg

21、ment Assimilating Nucleus，USAN）的大小來(lái)判別圖像角點(diǎn)，并實(shí)現(xiàn)圖像中角點(diǎn)特征的檢測(cè)及提?。徊捎玫慕屈c(diǎn)檢測(cè)模板是一種近似圓形的模板，如圖10.9所示。 圖10.9 SUSAN算子圓形模板 第39頁(yè)/共127頁(yè)SUSANSUSAN角點(diǎn)檢測(cè)算法角點(diǎn)檢測(cè)算法 1 1、 在SUSAN方法中，當(dāng)模板在目標(biāo)圖像上移動(dòng)時(shí)，圖像中位于圓形模板（窗口）中心等待被檢測(cè)的像素稱為核心點(diǎn)。在假設(shè)圖像非紋理的情況下，核心點(diǎn)的鄰域（圖像中位于圓形模板下的除核心點(diǎn)像素以外的其它像素組成的區(qū)域）被劃分為兩個(gè)區(qū)域：一個(gè)是灰度值等于（或相似于）核心點(diǎn)灰度值的區(qū)域，稱為核值相似區(qū)，即USAN；另一個(gè)是灰度

22、值不相似于核心點(diǎn)灰度值的區(qū)域，也即與核心點(diǎn)像素灰度值相差比較明顯的像素組成的區(qū)域。 第40頁(yè)/共127頁(yè)SUSANSUSAN角點(diǎn)檢測(cè)算法角點(diǎn)檢測(cè)算法 1 1、 設(shè)閾值t 為一幾何灰度門(mén)限，當(dāng)某一像素點(diǎn)的灰度值與模板核心像素點(diǎn)灰度的差值小于幾何門(mén)限t 時(shí)，就認(rèn)為該點(diǎn)與核心點(diǎn)具有相同(或相近)的灰度值，由滿足該條件的所有像素點(diǎn)組成的區(qū)域稱為USAN區(qū)域。 第41頁(yè)/共127頁(yè)SUSANSUSAN角點(diǎn)檢測(cè)算法角點(diǎn)檢測(cè)算法 1 1、 由USAN區(qū)域的定義可以知道，USAN區(qū)域包含了圖像的局部結(jié)構(gòu)信息，其大小反映了圖像局部特征的強(qiáng)度。 當(dāng)模板在圖像上移動(dòng)時(shí)，USAN區(qū)域大體可以分為三類：當(dāng)模板完全處于圖

23、像的背景（如圖10.10的白色區(qū)域）或目標(biāo)（如圖10.10的灰色區(qū)域）中時(shí)，USAN區(qū)域最大，大小為模板大小，如圖10.10中的位置a。 模板核心點(diǎn)abcde圓形窗口第42頁(yè)/共127頁(yè)SUSANSUSAN角點(diǎn)檢測(cè)算法角點(diǎn)檢測(cè)算法 1 1、 當(dāng)模板中心處于角點(diǎn)上時(shí)，USAN區(qū)域最小，如圖10.10中的位置b；當(dāng)模板中心處于邊界上時(shí)，USAN區(qū)域大小為模板大小的一半，如圖10.10中的位置c；當(dāng)模板由圖像中逐漸移向圖像邊緣時(shí)，USAN區(qū)域逐漸變小，如圖10. 10中的位置e。 模板核心點(diǎn)abcde圓形窗口第43頁(yè)/共127頁(yè)SUSANSUSAN角點(diǎn)檢測(cè)算法角點(diǎn)檢測(cè)算法 2 2、 （1）首先，當(dāng)模

24、板在圖像上進(jìn)行進(jìn)行掃描移動(dòng)時(shí)，利用給定的閾值t ，通過(guò)對(duì)圖像中模板內(nèi)任意像素點(diǎn)與核心像素點(diǎn)灰度差值的比較來(lái)判別該像素點(diǎn)是否屬于USAN區(qū)域。當(dāng)灰度差值小于或等于閾值t 時(shí)，認(rèn)為該像素點(diǎn)屬于USAN區(qū)域；當(dāng)灰度差值大于閾值t 時(shí)，認(rèn)為該像素點(diǎn)不屬于USAN區(qū)域。其數(shù)學(xué)表達(dá)式為： trIrIftrIrIfrrC|)()(|0|)()(|1),(000（10.24） 其中， 為圖像中模板核心點(diǎn)像素的位置， 表示圖像中的模板除中心以外的其它任意一點(diǎn)的位置； 和 分別表示待定像素點(diǎn) 和 中心像素點(diǎn)的灰度值；t 表示灰度差閾值，閾值取值的大小決定了角點(diǎn)選取的精度。 0rr)(rI)(0rIr0r第44頁(yè)/

25、共127頁(yè)SUSANSUSAN角點(diǎn)檢測(cè)算法角點(diǎn)檢測(cè)算法 2 2、 為了計(jì)算可靠，用式（10.25）來(lái)代替式（10.24）: 60)6)()(0),(rIrIerrC（10.25） 這樣，模板內(nèi)所有象素點(diǎn)所對(duì)應(yīng)的USAN區(qū)域大小就可以表示為： rrrCrn),()(0（10.26） 第45頁(yè)/共127頁(yè)SUSANSUSAN角點(diǎn)檢測(cè)算法角點(diǎn)檢測(cè)算法 2 2、 （2）當(dāng)目標(biāo)的所有像素點(diǎn)的USAN區(qū)域大小得到以后，就可以通過(guò)各點(diǎn)的能量響應(yīng)函數(shù)來(lái)判斷該點(diǎn)是否為角點(diǎn)，各像素點(diǎn)的能量響應(yīng)函數(shù) 定義為： )(0rR000( )| ( ) |( )0Tn rifn rTR rothers（10.27） 其中，

26、表示點(diǎn)的USAN區(qū)域大小；T 是預(yù)先設(shè)定的幾何門(mén)限閾值，用于決定哪些像素點(diǎn)可以視為角點(diǎn)。當(dāng)目標(biāo)圖像中的某一像素點(diǎn)的USAN區(qū)域小于幾何門(mén)限時(shí)，該像素點(diǎn)就被判定為角點(diǎn)，否則就不是角點(diǎn)。 )(0rn第46頁(yè)/共127頁(yè)SUSANSUSAN角點(diǎn)檢測(cè)算法角點(diǎn)檢測(cè)算法 2 2、 （3）使用非最大抑制（No Max Supperssion，NMS）方法找特征點(diǎn)，即通過(guò)將一邊緣點(diǎn)作為33模板的中心，在它的8鄰域范圍內(nèi)的點(diǎn)進(jìn)行比較，保留灰度值最大者，這樣就可以找出特征點(diǎn)了。 第47頁(yè)/共127頁(yè)SUSANSUSAN角點(diǎn)檢測(cè)算法角點(diǎn)檢測(cè)算法 3 3、 剔除虛假角點(diǎn)的判定方法（USAN的質(zhì)心和連續(xù)性 ）： （1）

27、真實(shí)角點(diǎn)的USAN區(qū)域其重心（質(zhì)心）的位置遠(yuǎn)離模板的中心位置，重心公式為： rrrrcrrcrrr),(),()(000（10.28） （2）模板內(nèi)從模板中心指向USAN區(qū)域重心的直線上的所有象素必須是USAN區(qū)的一部分。 第48頁(yè)/共127頁(yè)SUSANSUSAN角點(diǎn)檢測(cè)算法角點(diǎn)檢測(cè)算法 4 4、 組合立體積木圖中的角點(diǎn)檢測(cè)算，圖中的11個(gè)明顯的角點(diǎn)都被檢測(cè)出來(lái)了。 (a)原組合立體積木圖 (b)SUSAN算子提取的角點(diǎn)結(jié)果示例 圖10.11 SUSAN算子角點(diǎn)檢測(cè)立體積木實(shí)驗(yàn)圖 第49頁(yè)/共127頁(yè)SUSANSUSAN角點(diǎn)檢測(cè)算法角點(diǎn)檢測(cè)算法 5 5、 SUSAN 角點(diǎn)檢測(cè)算法是最早出現(xiàn)的角

28、點(diǎn)檢測(cè)算法之一，典型的的角點(diǎn)檢測(cè)算法還有Moravec、Harris和Sift等。 第50頁(yè)/共127頁(yè) 第51頁(yè)/共127頁(yè) 紋理紋理通常被用來(lái)描述物體的表面特征，諸如地形、植被、沙灘、磚墻、巖石、紡織布料、毛質(zhì)、皮質(zhì)、墻紙、各種臺(tái)面等。 紋理是一種十分重要的圖像特征，它不僅反映了圖像的灰度統(tǒng)計(jì)信息，而且反映了圖像的空間分布信息和結(jié)構(gòu)信息，在模式識(shí)別、圖像分割與識(shí)別、計(jì)算機(jī)視覺(jué)中具有廣泛的應(yīng)用前景。 第52頁(yè)/共127頁(yè)圖像紋理的概念和分類圖像紋理的概念和分類 1 1、 在自然景物中，類似于磚墻那種的具有重復(fù)性結(jié)構(gòu)的圖案可以看作是一種紋理。 在圖像中，在圖像中，由某種模式重復(fù)排列所形成的結(jié)構(gòu)

29、可看作是紋理。圖像紋理反映了物體表面顏色和灰度的某種變化，而這些變化又與物體本身的屬性相關(guān)。 從宏觀上看，從宏觀上看，紋理是物體表面拓?fù)溥壿嫷囊环N變化模式；從微觀上看，它由具有一定的不變性的視覺(jué)基元（通稱紋理基元）組成。不同物體表面的紋理可作為描述不同區(qū)域的一種明顯特征。 第53頁(yè)/共127頁(yè)圖像紋理的概念和分類圖像紋理的概念和分類 紋理的特征有三點(diǎn)：紋理的特征有三點(diǎn)： （1）某種局部的序列性在比該序列更大的區(qū)域內(nèi)不斷重復(fù)出現(xiàn)。也即紋理是按一定的規(guī)則對(duì)紋理基元進(jìn)行排列所形成的重復(fù)模式。 （2）序列由基本的紋理基元非隨機(jī)排列組成。也即紋理是由紋理基元按某種確定性的或統(tǒng)計(jì)性的規(guī)律排列而成的一種結(jié)構(gòu)

30、。 （3）在紋理區(qū)域內(nèi)各部分具有大致相同的結(jié)構(gòu)和尺寸。以對(duì)應(yīng)區(qū)域具有較為恒定的紋理特征的圖像為例，則圖像函數(shù)的一組局部屬性具有是恒定的，或者是緩變的，或者是近似周期性的特征。 第54頁(yè)/共127頁(yè)圖像紋理的概念和分類圖像紋理的概念和分類 幾個(gè)具有代表性的圖像紋理定義幾個(gè)具有代表性的圖像紋理定義: : 定義定義10.110.1 紋理是一種反映圖像中同質(zhì)現(xiàn)象的視覺(jué)特征，體現(xiàn)了物體表面共有的內(nèi)在屬性，包含了物體表面結(jié)構(gòu)組織排列的重要信息以及它們與周?chē)h(huán)境的聯(lián)系。 定義定義10.210.2 如果圖像內(nèi)區(qū)域的局域統(tǒng)計(jì)特征或其他一些圖像的局域?qū)傩宰兓徛虺式浦芷谛宰兓瑒t可稱為紋理。 定義定義10.3

31、10.3 紋理就是指在圖像中反復(fù)出現(xiàn)的局部模式和它們的排列規(guī)則。 第55頁(yè)/共127頁(yè)圖像紋理的概念和分類圖像紋理的概念和分類 幾個(gè)具有代表性的圖像紋理定義幾個(gè)具有代表性的圖像紋理定義: : 定義定義10.4 10.4 紋理被定義為一個(gè)區(qū)域?qū)傩?，區(qū)域內(nèi)的成分不能進(jìn)行枚舉，且成分之間的相互關(guān)系不十分明確。 定義定義10.5 10.5 紋理是一種反映像素的空間分布屬性的圖像特征，通常表現(xiàn)為局部不規(guī)則而宏觀有規(guī)律的特性。 定義定義10.6 10.6 紋理具有三大標(biāo)志：某種局部序列性不斷重復(fù)、非隨機(jī)排列和紋理區(qū)域內(nèi)大致為均勻的統(tǒng)一體。 第56頁(yè)/共127頁(yè)圖像紋理的概念和分類圖像紋理的概念和分類 2

32、2、 從紋理的組成規(guī)律角度分類： 確定性紋理(規(guī)則的或結(jié)構(gòu)的規(guī)則的或結(jié)構(gòu)的) ：紋理是由紋理基元按某種確定性的規(guī)律組成的。 人工織物中的人工織物中的5 5個(gè)不同區(qū)域的紋理個(gè)不同區(qū)域的紋理 第57頁(yè)/共127頁(yè)圖像紋理的概念和分類圖像紋理的概念和分類 (b)(b)人工地磚人工地磚 (c)(c)堆積的食物堆積的食物 (d)(d)合成的水浪合成的水浪 2 2、 從紋理的組成規(guī)律角度分類： 隨機(jī)性紋理(不規(guī)則的) ：紋理是由紋理基元按某種統(tǒng)計(jì)規(guī)律組成的。第58頁(yè)/共127頁(yè)圖像紋理的概念和分類圖像紋理的概念和分類 2 2、 從紋理的形成原因角度分類： 人工紋理：人工紋理一般由線段、星號(hào)、三角形、矩形、

33、圓、某種字母數(shù)字等符號(hào)有規(guī)律地排列組成。人工紋理屬于確定性紋理。 (a)(a)人工織物人工織物 (b)(b)人工地磚人工地磚 (c)(c)堆積的食物堆積的食物 (d)(d)合成的水浪合成的水浪 圖10.12 人工紋理示例 第59頁(yè)/共127頁(yè)圖像紋理的概念和分類圖像紋理的概念和分類 2 2、 紋理合成示例：海洋圖像合成圖像（初始） 合成圖像（一次迭代） 合成圖像(四次迭代)第60頁(yè)/共127頁(yè)圖像紋理的概念和分類圖像紋理的概念和分類 2 2、 從紋理的形成原因角度分類： 自然紋理：自然紋理是自然景物所呈現(xiàn)的部分重復(fù)性的結(jié)構(gòu)，例如磚墻、沙灘、草地等。自然紋理也屬于隨機(jī)性紋理。 （a）磚墻 （b）

34、卵石墻 （c）草 （d）花 圖10.13 自然紋理示例 第61頁(yè)/共127頁(yè)圖像紋理的概念和分類圖像紋理的概念和分類 2 2、 從圖像的紋理模式角度分類： 粗紋理：紋理細(xì)粒間具有較大的重復(fù)模式。 細(xì)紋理：紋理細(xì)粒間具有較小的重復(fù)模式。 細(xì)紋理 粗紋理第62頁(yè)/共127頁(yè) 一些紋理示例：一些紋理示例：圖像紋理的概念和分類圖像紋理的概念和分類 第63頁(yè)/共127頁(yè)beerenflowerfoodwater彩色紋理圖像圖像紋理的概念和分類圖像紋理的概念和分類 第64頁(yè)/共127頁(yè)包含多個(gè)紋理區(qū)域的圖象圖像紋理的概念和分類圖像紋理的概念和分類 第65頁(yè)/共127頁(yè)圖像紋理的主要特性及描述與提取方法圖像

35、紋理的主要特性及描述與提取方法 1 1、圖像、圖像 對(duì)紋理的特征可定性地對(duì)紋理的特征可定性地用以下一種或幾種描述來(lái)表征: 粗糙的、細(xì)致的、平滑的、顆粒狀的、劃線狀的、波紋狀的、隨機(jī)的、不規(guī)則的，等等。 紋理是一種有組織的區(qū)域現(xiàn)象，其基本特征基本特征是移不變性，也即對(duì)紋理的視覺(jué)感知基本與其在圖像中的位置無(wú)關(guān)。這種移不變性可能是確定性的，也可能是隨機(jī)的，但也可能存在著介于這兩者之間的類別。 第66頁(yè)/共127頁(yè)圖像紋理的主要特性及描述與提取方法圖像紋理的主要特性及描述與提取方法 1 1、圖像、圖像 （1 1）粗糙度。）粗糙度。紋理基元是具有局部灰度特征和結(jié)構(gòu)特征的。紋理的粗糙度與紋理基元的結(jié)構(gòu)及尺

36、寸，以及紋理基元的空間重復(fù)周期有關(guān)。紋理基元的尺寸大則意味著紋理粗糙，其尺寸小則意味著紋理細(xì)致；紋理基元的空間周期長(zhǎng)意味著紋理粗糙，周期短則意味著紋理細(xì)致。如同在同樣觀察條件下毛織品要比絲織品粗糙一樣。粗糙度是最基本、最重要的紋理特征。從狹義的觀點(diǎn)來(lái)看，紋理就是粗糙度。 第67頁(yè)/共127頁(yè)圖像紋理的主要特性及描述與提取方法圖像紋理的主要特性及描述與提取方法 1 1、圖像、圖像 （2 2）方向性。）方向性。某個(gè)像素點(diǎn)的方向性是指該像素點(diǎn)所在的鄰域所具有的方向性。所以，紋理的方向是一個(gè)區(qū)域上的概念，是在一個(gè)大的鄰域內(nèi)呈現(xiàn)出的紋理的方向特性。比如，斜紋織物具有的明顯的方向性，就是從一個(gè)大的鄰域內(nèi)的

37、統(tǒng)計(jì)特性角度表現(xiàn)出的紋理特征的方向性。根據(jù)紋理自身的方向性，紋理可分為各向同性紋理和各向異性紋理。 第68頁(yè)/共127頁(yè)圖像紋理的主要特性及描述與提取方法圖像紋理的主要特性及描述與提取方法 1 1、圖像、圖像 （2 2）方向性。）方向性。第69頁(yè)/共127頁(yè)圖像紋理的主要特性及描述與提取方法圖像紋理的主要特性及描述與提取方法 1 1、圖像、圖像 （3 3）規(guī)則性。）規(guī)則性。紋理的規(guī)則性是指紋理基元是否按照某種規(guī)則（規(guī)律）有序的排列。如果紋理圖像（或圖像區(qū)域）是由某種紋理基元按某種確定的規(guī)律排列而形成，則稱為規(guī)則性紋理；如果紋理圖像（或圖像區(qū)域）是由某種紋理基元隨機(jī)性的排列而形成，則稱為非規(guī)則性

38、紋理。 第70頁(yè)/共127頁(yè)圖像紋理的主要特性及描述與提取方法圖像紋理的主要特性及描述與提取方法 1 1、圖像、圖像 （3 3）規(guī)則性。）規(guī)則性。第71頁(yè)/共127頁(yè)2 2、圖像紋理特征描述與提取方法、圖像紋理特征描述與提取方法 （1 1）統(tǒng)計(jì)分析法）統(tǒng)計(jì)分析法 統(tǒng)計(jì)分析法又稱為基于統(tǒng)計(jì)紋理特征的檢測(cè)方法，主統(tǒng)計(jì)分析法又稱為基于統(tǒng)計(jì)紋理特征的檢測(cè)方法，主要包括灰度直方圖法、灰度共生矩陣法、灰度行程長(zhǎng)度法、要包括灰度直方圖法、灰度共生矩陣法、灰度行程長(zhǎng)度法、灰度差分統(tǒng)計(jì)、交叉對(duì)角矩陣、自相關(guān)函數(shù)法等。灰度差分統(tǒng)計(jì)、交叉對(duì)角矩陣、自相關(guān)函數(shù)法等。 該類方法的優(yōu)勢(shì)是方法簡(jiǎn)單、易于實(shí)現(xiàn)，尤其是灰度該類

39、方法的優(yōu)勢(shì)是方法簡(jiǎn)單、易于實(shí)現(xiàn)，尤其是灰度共生矩陣法是公認(rèn)的有效方法。共生矩陣法是公認(rèn)的有效方法。 圖像紋理的主要特性及描述與提取方法圖像紋理的主要特性及描述與提取方法 第72頁(yè)/共127頁(yè)2 2、圖像紋理特征描述與提取方法、圖像紋理特征描述與提取方法 （2 2）結(jié)構(gòu)分析法）結(jié)構(gòu)分析法 結(jié)構(gòu)分析方法認(rèn)為紋理基元幾乎具有規(guī)范的關(guān)系，因結(jié)構(gòu)分析方法認(rèn)為紋理基元幾乎具有規(guī)范的關(guān)系，因而假設(shè)紋理圖像的基元可以分離出來(lái)而假設(shè)紋理圖像的基元可以分離出來(lái), , 并以基元的特征和并以基元的特征和排列規(guī)則進(jìn)行紋理分割。排列規(guī)則進(jìn)行紋理分割。 圖像紋理的主要特性及描述與提取方法圖像紋理的主要特性及描述與提取方法

40、第73頁(yè)/共127頁(yè)2 2、圖像紋理特征描述與提取方法、圖像紋理特征描述與提取方法 （3 3）模型分析法）模型分析法 模型分析方法根據(jù)每個(gè)像素和其鄰域像素存在的某種模型分析方法根據(jù)每個(gè)像素和其鄰域像素存在的某種相互關(guān)系及平均亮度為圖像中各個(gè)像素點(diǎn)建立模型，然后相互關(guān)系及平均亮度為圖像中各個(gè)像素點(diǎn)建立模型，然后由不同的模型提取不同的特征量，也即進(jìn)行參數(shù)估計(jì)。由不同的模型提取不同的特征量，也即進(jìn)行參數(shù)估計(jì)。 典型的模型分析法有自回歸方法、馬爾可夫隨機(jī)場(chǎng)方典型的模型分析法有自回歸方法、馬爾可夫隨機(jī)場(chǎng)方法和分形方法等。本方法的研究目前進(jìn)展比較緩慢。法和分形方法等。本方法的研究目前進(jìn)展比較緩慢。 圖像紋

41、理的主要特性及描述與提取方法圖像紋理的主要特性及描述與提取方法 第74頁(yè)/共127頁(yè)2 2、圖像紋理特征描述與提取方法、圖像紋理特征描述與提取方法 （4 4）頻譜分析法）頻譜分析法 頻譜分析方法又稱為信號(hào)處理法和濾波方法。該方法頻譜分析方法又稱為信號(hào)處理法和濾波方法。該方法是將紋理圖像從空間域變換到頻率域，然后通過(guò)計(jì)算峰值是將紋理圖像從空間域變換到頻率域，然后通過(guò)計(jì)算峰值處的面積、峰值與原點(diǎn)的距離平方、峰值處的相位、兩個(gè)處的面積、峰值與原點(diǎn)的距離平方、峰值處的相位、兩個(gè)峰值間的相角差等，來(lái)獲得在空間域不易獲得的紋理特征，峰值間的相角差等，來(lái)獲得在空間域不易獲得的紋理特征，如周期、功率譜信息等。

42、如周期、功率譜信息等。 圖像紋理的主要特性及描述與提取方法圖像紋理的主要特性及描述與提取方法 第75頁(yè)/共127頁(yè)灰度直方圖統(tǒng)計(jì)矩紋理特征描述與提取方法灰度直方圖統(tǒng)計(jì)矩紋理特征描述與提取方法 基于灰度直方圖統(tǒng)計(jì)矩的紋理特征描述與提取方法是一種紋理統(tǒng)計(jì)分析方法。該方法可以定量的描述區(qū)域的平滑、粗糙、規(guī)則性等紋理特征。 第76頁(yè)/共127頁(yè)灰度直方圖統(tǒng)計(jì)矩紋理特征描述與提取方法灰度直方圖統(tǒng)計(jì)矩紋理特征描述與提取方法 設(shè) 為表示圖像灰度級(jí)的隨機(jī)變量； 為圖像的灰度級(jí)數(shù)； 為對(duì)應(yīng)的直方圖（其中，i=0,1,L-1）；則 的均值 表示為： rL)(irprm10)(Liiirprm（10.29） 關(guān)于均

43、值 的 階矩表示為： rmn10)()()(Liininrpmrr（10.30） 通過(guò)計(jì)算式(10.30)可知 =1， =0。對(duì)于其他階矩： 01第77頁(yè)/共127頁(yè)灰度直方圖統(tǒng)計(jì)矩紋理特征描述與提取方法灰度直方圖統(tǒng)計(jì)矩紋理特征描述與提取方法 （1 1）二階矩）二階矩 二階矩 又稱作方差，它是灰度級(jí)對(duì)比度的量度。利用二階矩可得到有關(guān)平滑度的描述子，其計(jì)算公式為： 222111111uR（10.31） 由式（10.31）可知，圖像的紋理越平滑，對(duì)應(yīng)的圖像灰度起伏越小，圖像的二階矩R 越小，求得的值越??；反之，圖像的紋理越粗糙，對(duì)應(yīng)的圖像灰度起伏越大，圖像的二階矩R 越大，求得的值越大。 第78頁(yè)

44、/共127頁(yè)灰度直方圖統(tǒng)計(jì)矩紋理特征描述與提取方法灰度直方圖統(tǒng)計(jì)矩紋理特征描述與提取方法 （2 2）三階矩）三階矩 三階矩 是圖像直方圖偏斜度的量度，它可以用于確定直方圖的對(duì)稱性：當(dāng)直方圖向左傾斜時(shí)3階矩為負(fù)；當(dāng)直方圖向右傾斜時(shí)3階矩為正。3u第79頁(yè)/共127頁(yè)灰度直方圖統(tǒng)計(jì)矩紋理特征描述與提取方法灰度直方圖統(tǒng)計(jì)矩紋理特征描述與提取方法 （3 3）四階矩）四階矩 四階矩 表示直方圖的相對(duì)平坦性。五階以上的矩與直方圖形狀聯(lián)系不緊密，但它們對(duì)紋理描述可提供更進(jìn)一步的量化。 4u第80頁(yè)/共127頁(yè)灰度直方圖統(tǒng)計(jì)矩紋理特征描述與提取方法灰度直方圖統(tǒng)計(jì)矩紋理特征描述與提取方法 紋理的其他一些量度方法

45、： （1）一致性 “一致性”量度也可用于描述紋理的平滑情況，其計(jì)算公式為： 102)(LiirpU（10.32） 計(jì)算結(jié)果越大表示圖像的一致性越強(qiáng)，對(duì)應(yīng)圖像就越平滑；反之，圖像的一致性越差，圖像就越粗糙。 第81頁(yè)/共127頁(yè)灰度直方圖統(tǒng)計(jì)矩紋理特征描述與提取方法灰度直方圖統(tǒng)計(jì)矩紋理特征描述與提取方法 紋理的其他一些量度方法： （2）平均熵 圖像的平均熵值，也可作為紋理的量度，它的計(jì)算公式為： （10.33） )(log)(210iLiirprpE 熵是對(duì)可變性的度量，對(duì)于一個(gè)不變的圖像其值為0。熵值變化與一致性量度是反向的，即一致性較大時(shí)，圖像的熵值較小，反之，則較大。 第82頁(yè)/共127頁(yè)

46、灰度直方圖統(tǒng)計(jì)矩紋理特征描述與提取方法灰度直方圖統(tǒng)計(jì)矩紋理特征描述與提取方法 圖10.14(a)原圖像及其子圖的均值、標(biāo)準(zhǔn)差、平滑度描述子R、三階矩、一致性、熵等特征。 (a)原圖像 (b)紋理區(qū)域1 (c )紋理區(qū)域2 (d)紋理區(qū)域3 紋理均值標(biāo)準(zhǔn)差 R（歸一化的） 三階矩一致性熵圖（b） 190.892717.12830.0045-0.49390.06394.4521圖（c） 167.659249.13180.0358-2.36400.01327.0354圖（d） 152.683566.80560.0642-2.51180.00527.7865第83頁(yè)/共127頁(yè)(a)原圖像 (b)紋理

47、區(qū)域1 (c )紋理區(qū)域2 (d)紋理區(qū)域3 紋理均值標(biāo)準(zhǔn)差 R（歸一化的） 三階矩一致性熵圖（b） 190.892717.12830.0045-0.49390.06394.4521圖（c） 167.659249.13180.0358-2.36400.01327.0354圖（d） 152.683566.80560.0642-2.51180.00527.7865 分析可知，均值的結(jié)果說(shuō)明圖(b)的整體灰度較亮，圖(d)的整體灰度相對(duì)較暗，圖(c )的整體灰度介于兩者之間。平滑度描述子R、一致性、熵的結(jié)果可知，圖(b)較平滑、一致性較強(qiáng)、熵值較小，圖(d)較粗糙、一致性較弱、熵值較大，圖(c )的

48、各結(jié)果均介于兩者之間。圖像的三階矩是圖像直方圖偏斜度的量度，它可以用于確定直方圖的對(duì)稱性，由計(jì)算值可知這三幅圖像的直方圖均向左傾斜且它們的對(duì)稱性依次較差第84頁(yè)/共127頁(yè) 灰度共生矩陣法灰度共生矩陣法(Grey Level Co-occurrence Matrix(Grey Level Co-occurrence Matrix，GLCM)GLCM)也稱為也稱為聯(lián)合概率矩陣法聯(lián)合概率矩陣法，是一種基于圖像中某一，是一種基于圖像中某一灰度級(jí)結(jié)構(gòu)重復(fù)出現(xiàn)的概率來(lái)描述圖像紋理信息的方法?；叶燃?jí)結(jié)構(gòu)重復(fù)出現(xiàn)的概率來(lái)描述圖像紋理信息的方法。 該方法用條件概率提取紋理的特征，通過(guò)統(tǒng)計(jì)空間上該方法用條件概率

49、提取紋理的特征，通過(guò)統(tǒng)計(jì)空間上具有某種位置關(guān)系（像素間的方向和距離）的一對(duì)像素的具有某種位置關(guān)系（像素間的方向和距離）的一對(duì)像素的灰度對(duì)出現(xiàn)的概率構(gòu)造矩陣，然后從該矩陣提取有意義的灰度對(duì)出現(xiàn)的概率構(gòu)造矩陣，然后從該矩陣提取有意義的統(tǒng)計(jì)特征來(lái)描述紋理?；叶裙采仃嚳梢缘玫郊y理的空間統(tǒng)計(jì)特征來(lái)描述紋理?；叶裙采仃嚳梢缘玫郊y理的空間分布信息。分布信息。 基于灰度共生矩陣的紋理特征提取方法基于灰度共生矩陣的紋理特征提取方法第85頁(yè)/共127頁(yè)1 1、灰度共生矩陣的概念和定義、灰度共生矩陣的概念和定義 設(shè)紋理圖像的大小為 ，圖像的灰度級(jí)為 。若記 ， ， ，則可把該圖像 理解為從 到G 的一個(gè)映射，也

50、即 中的每一個(gè)像素點(diǎn)對(duì)應(yīng)一個(gè)屬于該圖像 的灰度值： 。 M NL 1, 1 , 0 MLx 1, 1 , 0NLy1, 1 , 0LGfyxLL yxLL fGLLfyx:基于灰度共生矩陣的紋理特征提取方法基于灰度共生矩陣的紋理特征提取方法第86頁(yè)/共127頁(yè)1 1、灰度共生矩陣的概念和定義、灰度共生矩陣的概念和定義 若設(shè)紋理圖像的像素灰度值矩陣中任意兩不同像素的灰度值分別為i 和j ，則該圖像的灰度共生矩陣定義為：沿 方向、像素間隔距離為 的所有像素對(duì)中，其灰度值分別為i 和j 的像素對(duì)出現(xiàn)的次數(shù)，記為 。 顯然是像素間隔距離為 、方向?yàn)?的灰度共生矩陣中第i 行第j 列的元素。生成方向 一

51、般取0、45、90和135四個(gè)方向的值。 d), (djiP), (djiPd基于灰度共生矩陣的紋理特征提取方法基于灰度共生矩陣的紋理特征提取方法第87頁(yè)/共127頁(yè)1 1、灰度共生矩陣的概念和定義、灰度共生矩陣的概念和定義 對(duì)于不同的 ，其灰度共生矩陣的元素定義如下： dnlmkLLLLnmlkdjiPyxyx| , 0),()(),(),(#)0 ,(dnldmkordnldmkLLLLnmlkdjiPyxyx,),(),(),(),(#)45, (0,|),()(),(),(#)90,(nldmkLLLLnmlkdjiPyxyxdnldmkordnldmkLLLLnmlkdjiPyxyx

52、,),()(),(),(#)135, (基于灰度共生矩陣的紋理特征提取方法基于灰度共生矩陣的紋理特征提取方法第88頁(yè)/共127頁(yè)1 1、灰度共生矩陣的概念和定義、灰度共生矩陣的概念和定義 對(duì)于不同的 ，其灰度共生矩陣的元素定義如下： dnlmkLLLLnmlkdjiPyxyx| , 0),()(),(),(#)0 ,(0,|),()(),(),(#)90,(nldmkLLLLnmlkdjiPyxyxdnldmkordnldmkLLLLnmlkdjiPyxyx,),()(),(),(#)135, ( 的含義：一是表示k 和m 的取值范圍是 ，l 和n 的取值范圍是 ；二是表示 和 的取值范圍是待

53、分析圖像的全部像素點(diǎn)坐標(biāo)；三是表示 ， 。 )()(),(),(yxyxLLLLnmlkxLyL),(lk),( nmilkf),(jnmf),(基于灰度共生矩陣的紋理特征提取方法基于灰度共生矩陣的紋理特征提取方法第89頁(yè)/共127頁(yè)1 1、灰度共生矩陣的概念和定義、灰度共生矩陣的概念和定義 對(duì)于不同的 ，其灰度共生矩陣的元素定義如下： dnlmkLLLLnmlkdjiPyxyx| , 0),()(),(),(#)0 ,(0,|),()(),(),(#)90,(nldmkLLLLnmlkdjiPyxyxdnldmkordnldmkLLLLnmlkdjiPyxyx,),()(),(),(#)13

54、5, ( 表示的是灰度共生矩陣中的一個(gè)元素。位于灰度共生矩陣（ ）處的元素 的值是待分析圖像中，沿方向 、像素間隔距離為 的所有像素對(duì)中，其起點(diǎn)像素的灰度值為i ，終點(diǎn)像素的灰度值j 為的像素對(duì)的個(gè)數(shù)。), (#jiji,), (#jid基于灰度共生矩陣的紋理特征提取方法基于灰度共生矩陣的紋理特征提取方法第90頁(yè)/共127頁(yè)1 1、灰度共生矩陣的概念和定義、灰度共生矩陣的概念和定義 因此，當(dāng) 時(shí)，44的灰度共生矩陣可形象地理解為如下形式： 1d ) 3 , 3 (#) 2 , 3 (#) 1 , 3 (#) 0 , 3 (#) 3 , 2(#) 2 , 2(#) 1 , 2(#) 0 , 2(

55、#) 3 , 1 (#) 2 , 1 (#) 1 , 1 (#) 0 , 1 (#) 3 , 0(#) 2 , 0(#) 1 , 0(#) 0 , 0(#), 1 ,(jiP基于灰度共生矩陣的紋理特征提取方法基于灰度共生矩陣的紋理特征提取方法第91頁(yè)/共127頁(yè)1 1、灰度共生矩陣的概念和定義、灰度共生矩陣的概念和定義 對(duì)于不同的 ，其灰度共生矩陣的元素定義如下： dnlmkLLLLnmlkdjiPyxyx| , 0),()(),(),(#)0 ,( 為生成灰度共生矩陣時(shí)像素點(diǎn)之間的距離（步長(zhǎng)）， 的取值要根據(jù)紋理的分布特性進(jìn)行選?。簩?duì)于粗糙的紋理， 的值應(yīng)選取較小一些（一般取1或2），反之，

56、比較平滑的紋理， 的值應(yīng)選取較大一些（一般取2，3，4或5）。通常要根據(jù)紋理特征的提取效果實(shí)驗(yàn)性地確定步長(zhǎng)。通常情況下， 值取1。ddddd基于灰度共生矩陣的紋理特征提取方法基于灰度共生矩陣的紋理特征提取方法第92頁(yè)/共127頁(yè)1 1、灰度共生矩陣的概念和定義、灰度共生矩陣的概念和定義 對(duì)于不同的 ，其灰度共生矩陣的元素定義如下： dnlmkLLLLnmlkdjiPyxyx| , 0),()(),(),(#)0 ,( 相鄰像素點(diǎn)的統(tǒng)計(jì)為正向統(tǒng)計(jì)結(jié)果與反向統(tǒng)計(jì)結(jié)果之和。比如，當(dāng)取 =1和 = 時(shí)，圖像中每一行有2(N-1)個(gè)水平相鄰像素點(diǎn)對(duì)，整個(gè)圖像總共有2M(N-1)個(gè)水平相鄰像素點(diǎn)對(duì)。當(dāng)取

57、=1和 =45時(shí)，整個(gè)圖像共有2(M-1)(N-1)個(gè)相鄰像素點(diǎn)對(duì)。同理可計(jì)算出 =90和135時(shí)的相鄰像素點(diǎn)對(duì)的數(shù)量。 d0d基于灰度共生矩陣的紋理特征提取方法基于灰度共生矩陣的紋理特征提取方法第93頁(yè)/共127頁(yè)1 1、灰度共生矩陣的概念和定義、灰度共生矩陣的概念和定義 對(duì)于不同的 ，其灰度共生矩陣的元素定義如下： dnlmkLLLLnmlkdjiPyxyx| , 0),()(),(),(#)0 ,( 在 值和 值給定的情況下，有時(shí)將灰度共生矩陣 簡(jiǎn)寫(xiě)。比如 =1和 = 時(shí)，簡(jiǎn)寫(xiě)為 。 0d), (djiPd(1,0 )P基于灰度共生矩陣的紋理特征提取方法基于灰度共生矩陣的紋理特征提取方法

58、第94頁(yè)/共127頁(yè)1 1、灰度共生矩陣的概念和定義、灰度共生矩陣的概念和定義 對(duì)于不同的 ，其灰度共生矩陣的元素定義如下(含義)： dnlmkLLLLnmlkdjiPyxyx| , 0),()(),(),(#)0 ,(dnldmkordnldmkLLLLnmlkdjiPyxyx,),(),(),(),(#)45, (0,|),()(),(),(#)90,(nldmkLLLLnmlkdjiPyxyxdnldmkordnldmkLLLLnmlkdjiPyxyx,),()(),(),(#)135, (基于灰度共生矩陣的紋理特征提取方法基于灰度共生矩陣的紋理特征提取方法第95頁(yè)/共127頁(yè)1 1、灰

59、度共生矩陣的概念和定義、灰度共生矩陣的概念和定義 對(duì)于不同的 ，其灰度共生矩陣的元素定義如下(含義)： dnlmkLLLLnmlkdjiPyxyx| , 0),()(),(),(#)0 ,(dnldmkordnldmkLLLLnmlkdjiPyxyx,),(),(),(),(#)45, (0,|),()(),(),(#)90,(nldmkLLLLnmlkdjiPyxyxdnldmkordnldmkLLLLnmlkdjiPyxyx,),()(),(),(#)135, (基于灰度共生矩陣的紋理特征提取方法基于灰度共生矩陣的紋理特征提取方法第96頁(yè)/共127頁(yè)1 1、灰度共生矩陣的概念和定義、灰度共

60、生矩陣的概念和定義 對(duì)于不同的 ，其灰度共生矩陣的元素定義如下： dnlmkLLLLnmlkdjiPyxyx| , 0),()(),(),(#)0 ,(dnldmkordnldmkLLLLnmlkdjiPyxyx,),(),(),(),(#)45, (0,|),()(),(),(#)90,(nldmkLLLLnmlkdjiPyxyxdnldmkordnldmkLLLLnmlkdjiPyxyx,),()(),(),(#)135, (基于灰度共生矩陣的紋理特征提取方法基于灰度共生矩陣的紋理特征提取方法第97頁(yè)/共127頁(yè)1 1、灰度共生矩陣的概念和定義、灰度共生矩陣的概念和定義 例10.3.1 已