圖像紋理特征提取方法

精品實(shí)用文檔.精品安徽大學(xué)本科畢業(yè)論文〔設(shè)計(jì)、創(chuàng)作〕題目：圖像紋理特征提取方法研究學(xué)生姓名：朱邵成學(xué)號(hào)：Z01114175院〔系〕：電氣工程與自動(dòng)化學(xué)院專業(yè)：自動(dòng)化入學(xué)時(shí)間：2021年9月導(dǎo)師姓名：尋麗娜職稱/學(xué)位：講師/博士導(dǎo)師所在單位：安徽大學(xué)電氣工程與自動(dòng)化學(xué)院完成時(shí)間：2021年5月精品實(shí)用文檔.精品圖像紋理特征提取方法研究摘要近年來(lái)，隨著信息多媒體時(shí)代的到來(lái)，以及網(wǎng)絡(luò)在世界范圍內(nèi)的日益流行、云計(jì)算的風(fēng)行，人們?cè)谌粘Ｉ罟ぷ鹘佑|的信息量越來(lái)越大。圖像作為信息的一種載體，具有直觀、信息量大、便于不同國(guó)家間交流的特點(diǎn)，是網(wǎng)絡(luò)多媒體的重要組成局部?；谖谋镜膱D像檢索是基于內(nèi)容圖像檢索的根底，用人工方式解釋圖像信息，其工作量我們難以想象，可行性也值得商榷。因此CBIR方法有效解決了這一個(gè)難題。基于內(nèi)容的圖像檢索〔CBIR〕包括四個(gè)階段，分別是：獲取圖像、提取特征、分類圖像、檢索圖像。圖像檢索主要是一個(gè)核心問(wèn)題：選取何種算法提取哪一種圖像特征，快速有效的進(jìn)展圖像的區(qū)分與檢測(cè)。紋理特征的提取是CBIR的關(guān)鍵問(wèn)題之一，本論文也是基于圖像紋理特征的提取為根底。首先，本文使用基于紋理基元的共生矩陣分析方法，用來(lái)提取紋理特征向量。此方法中，采用局部二進(jìn)制模式(LocalBinaryPattern，LBP)來(lái)進(jìn)展圖像的根本紋理基元的提取，并用灰度共生矩陣(GrayLevelCo．occurrenceMatrix，GLCM)中共生矩陣的分析方法來(lái)對(duì)紋理基元圖像進(jìn)展分析。其次文中深入研究了基于灰度共生矩陣(GLCM)的紋理特征提取方法，給出了基于Matlab的簡(jiǎn)便實(shí)現(xiàn)代碼，分析了共生矩陣各個(gè)構(gòu)造參數(shù)對(duì)構(gòu)造共生矩陣的影響。分析結(jié)果對(duì)優(yōu)化灰度共生矩陣的構(gòu)造、實(shí)現(xiàn)基于灰度共生矩陣(GLCM)的特定圖像的紋理特征提取等都具有重要參考意義。關(guān)鍵詞：紋理特征；灰度共生矩陣；基于內(nèi)容的圖像檢索；Matlab精品實(shí)用文檔.精品Studyontheextractionmethodof

imagetexturefeatureAbstractInrecentyears,alongwithinformationmultimediatimearrival,aswellasnetworkinworldwidescaledaybydaypopular,cloudcomputationbeinginfashion,thepeoplearemoreandmorebiggerinthedailylifeworkcontactinformationcontent.Theimagetooktheinformationonekindofcarrier,has,theinformationcontentintuitivelybig,isadvantageousforthecharacteristicwhichbetweenthedifferentcountryexchanges,isthenetworkmultimediaimportantconstituent.Basedonthetextimageretrievalisbasedonthecontentimageretrievalfoundation,withtheartificialwayexplanationpictorialinformation,itsworkloadweimagineswithdifficulty,thefeasibilityisalsoworthdiscussing.ThereforeCBIRmethodeffectiveaddressingthisdifficultproblem.Basedoncontentimageretrieval(CBIR)includingfourstages,respectivelyis:Gainimage,extractioncharacteristic,classifiedimage,retrievalimage.Theimageretrievalmainlyisacorequestion:Whichonekindofimagecharacteristicselectswhatalgorithmtowithdraw,fasteffectivecarriesontheimagethediscriminationandtheexamination.ThetexturecharacteristicextractionisoneofCBIRkeyquestion,thepresentpaperalsoisbasedontheimagetexturecharacteristicextractionisafoundation.First,thispaperusedtheco-occurrencematrixbasedontextureprimitivetoextracttexturefeatureofimage．Inthismethod，itextractedbasictextureprimitiveofimagebyLocalBinaryPattem(LBP),andusedco-ccurrencematrixofgraylevelco-occurrencematrix(GLCM)toanalyzethetextureprimitiveimage.Themethodoftexturefeatureextractionbasedongraylevelco-occurrencematrix(GLCM)wasstudied.Analyzedtheeffectofeachparameteronconstructingtheco-occurrencematrixandimplementedthefeatureextractionusingMatlab.TheanalyticalresultsprovidevaluablereferenceforcreatingGLCMbetterandextractingtexturefeaturesofspecifickindsofimages．Keywords:texturefeature；graylevelco－occurrencematrix；basedoncontentimageretrieval；Matlab精品實(shí)用文檔.精品目錄TOC\o"1-4"\h\u9406第1章緒論 1211741.1前言 111371.2研究背景和意義 194811.3國(guó)內(nèi)外研究現(xiàn)狀 1102001.4研究方法 28154第2章紋理的概念和表達(dá)方式 3276392.1紋理的概念和特征 327882.2紋理特征的描述方法 413452.2.1統(tǒng)計(jì)分析法 4117542.2.1.1自相關(guān)函數(shù) 5217932.2.1.2邊界頻率 56622.2.1.3灰度共生矩陣法 5155772.2.2頻譜法 66042.2.3構(gòu)造法 624671第3章灰度共生距陣算法的具體分析與實(shí)現(xiàn) 7226273.1灰度共生矩陣根本原理和特征 784783.2灰度共生矩陣的二次統(tǒng)計(jì)特征量 7163223.3灰度共生矩陣的Matlab實(shí)現(xiàn) 960893.3.1圖像的前期處理 9226723.3.2Matlab實(shí)驗(yàn)獲取二次統(tǒng)計(jì)特征量 9198623.4試驗(yàn)結(jié)果分析 921151第4章完畢語(yǔ) 1114504主要參考文獻(xiàn) 12723致謝 13精品實(shí)用文檔.精品第1章緒論1.1前言隨著多媒體技術(shù)和互聯(lián)網(wǎng)的迅速開(kāi)展，數(shù)字圖像的容量正以驚人的速度增長(zhǎng)，無(wú)論是軍用還是民用，無(wú)論是靜態(tài)還是動(dòng)態(tài)的，每天都會(huì)產(chǎn)生海量的圖像信息。近年來(lái)大規(guī)模圖像庫(kù)的出現(xiàn)，管理、組織和利用圖像成為一項(xiàng)亟待解決的技術(shù)難題，于是圖像檢索技術(shù)這種能夠快速而且準(zhǔn)確查找訪問(wèn)圖像的技術(shù)應(yīng)運(yùn)而生。基于內(nèi)容的圖像檢索〔CBIR〕是20世紀(jì)90年代興起的新技術(shù)，其實(shí)質(zhì)是圖像特征相似性匹配檢索。因其直觀、高效、通用等特點(diǎn)，近年來(lái)在國(guó)際國(guó)內(nèi)均是一個(gè)熱門(mén)研究課題。1.2研究背景和意義隨著信息多媒體時(shí)代的到來(lái)，以及網(wǎng)絡(luò)在世界范圍內(nèi)的日益流行，云計(jì)算的風(fēng)行，人們?cè)谌粘Ｉ罟ぷ鹘佑|的信息量越來(lái)越大。圖像作為信息的一種載體，具有直觀、信息量大、便于不同年國(guó)家間交流的特點(diǎn)，是網(wǎng)路多媒體的重要組成局部?；谖谋镜膱D像檢索是基于內(nèi)容圖像檢索的根底，用人工方式解釋圖像信息，它通過(guò)對(duì)圖像進(jìn)展手工注解，利用文本檢索技術(shù)對(duì)圖像進(jìn)展關(guān)鍵字檢索。然而其文本注解的主觀性和不準(zhǔn)確性會(huì)直接影響檢索的可靠性。其工作量我們難以想象，可行性也值得商榷。因此基于內(nèi)容的圖像檢索有效解決了這一難題。CBIR技術(shù)一般包括圖像獲取，特征提取，圖像分類，圖像檢索四個(gè)階段。基于內(nèi)容的圖像檢索有兩個(gè)核心問(wèn)題：如何能夠?qū)崿F(xiàn)快速有效的圖像分類與檢索，其關(guān)鍵在于選用哪一種算法提取何種特征；如何建立有效的圖像分類識(shí)別系統(tǒng)，其關(guān)鍵在于分類算法的選取。紋理特征作為顯著的視覺(jué)特征，不僅不依賴于顏色或亮度，并且包含事物外表構(gòu)造的排列與組織次序，表現(xiàn)出上下文內(nèi)容的聯(lián)系，反映圖像中同質(zhì)現(xiàn)象重復(fù)出現(xiàn)的視覺(jué)特征，因此紋理是基于內(nèi)容的圖像檢索方法中非常重要的一種用于圖像描述和分類的特征。目前其在許多重要工作重要領(lǐng)域都有其研究成果，如天氣預(yù)報(bào)，其衛(wèi)星云圖與紅外線圖提取的紋理特征有很大差異，所以紋理特征可以應(yīng)用在模式識(shí)別領(lǐng)域，作為模式識(shí)別的一個(gè)重要特征。在地球衛(wèi)星上拍攝到的地球外表遙感圖像大局部紋理特征非常明顯，其外表的山川、陸地、沙漠、海洋以及大的城市建筑群都有不同的紋理特點(diǎn)，因此我們可以通過(guò)圖像的紋理特征對(duì)國(guó)家的不同區(qū)域識(shí)別、土地整治、土地沙漠化、城市建筑群分布等宏觀進(jìn)展研究。CBIR依照其系統(tǒng)所應(yīng)用的范圍，人為的把它分為：商用系統(tǒng)、網(wǎng)絡(luò)應(yīng)用系統(tǒng)和研究應(yīng)用系統(tǒng)三個(gè)類別。而基于內(nèi)容的圖像檢索系統(tǒng)也有著非常廣闊的應(yīng)用領(lǐng)域，主要應(yīng)用于知識(shí)產(chǎn)權(quán)的保護(hù)、犯罪與圖片過(guò)濾、網(wǎng)上圖像檢索和數(shù)字圖書(shū)館以及新式視頻效勞和圖像編輯等領(lǐng)域。1.3國(guó)內(nèi)外研究現(xiàn)狀圖像內(nèi)容中的紋理特征是當(dāng)今研究的熱點(diǎn)之一。通過(guò)幾十年的研究，紋理分析取得了很大進(jìn)步，并產(chǎn)生了許多紋理研究方法，如小波變換、共生矩陣等。這些方法大體可以分為統(tǒng)計(jì)分析方法、模型法、頻域分析法、構(gòu)造分析法。其中統(tǒng)計(jì)分析法應(yīng)用最為廣泛。精品實(shí)用文檔.精品上個(gè)世紀(jì)70年代以前，常用的紋理提取方法主要是功率譜、自相關(guān)函數(shù)等一些與灰度出現(xiàn)頻率相關(guān)的方法，這些方法主要利用一些數(shù)字變換對(duì)圖像進(jìn)展c操作，而梅雨具體描述或者定義紋理，這對(duì)于描述紋理以及區(qū)分不同紋理具有很大的局限性。20世紀(jì)70年代，最有代表性的是Haralick對(duì)紋理的分析和理解以及提出的紋理特征提取方法，為后續(xù)的紋理研究提供了理論支持和技術(shù)積累。1973年他提出了一個(gè)具有重要意義的灰度共生矩陣，他在利用陸地衛(wèi)星圖像研究美國(guó)加利福尼亞海岸帶的土地利用問(wèn)題，將圖像像素的灰度值轉(zhuǎn)化為紋理信息，對(duì)紋理進(jìn)展了較為系統(tǒng)的分析和理解。這也是早期出現(xiàn)的基于統(tǒng)計(jì)的紋理特征提取方法。20世紀(jì)80年代以來(lái)，馬爾可夫隨機(jī)場(chǎng)理論為紋理特征提取找到了一個(gè)新方向，也是基于模型的紋理特征提取方法的開(kāi)端，而后相繼出現(xiàn)了馬爾可夫隨機(jī)場(chǎng)模型〔GMRF〕、Gibbs模型、高斯馬爾可夫隨機(jī)場(chǎng)模型、同步自回歸模型〔SAR〕、隱馬爾可夫隨機(jī)場(chǎng)模型〔HMRF〕、廣義馬爾可夫隨機(jī)場(chǎng)模型等。1989年，Mallat首先將小波分析引入紋理分析中，為時(shí)頻尺度分析紋理提供了一種更為準(zhǔn)確而統(tǒng)一的框架。隨后，小波理論開(kāi)展了許多分支，如多進(jìn)制小波、小波包以及小波框架等等，它們均在圖像紋理分析中發(fā)揮了積極的作用。近年來(lái)，較引人矚目的是Ojala等人于2002年提出的局部二進(jìn)制模式〔LBJ),其特點(diǎn)在于計(jì)算復(fù)雜度小，具有多尺度特性和旋轉(zhuǎn)不變形，在紋理檢索領(lǐng)域得到應(yīng)用。隨著紋理特征提取方法的研究越來(lái)越深入，其應(yīng)用也越來(lái)越廣泛，一方面，國(guó)內(nèi)外研究人員對(duì)已有的紋理特征提取方法不斷進(jìn)展深入研究，并拓寬其在實(shí)際工程領(lǐng)域的應(yīng)用；另一方面，研究人員致力于對(duì)現(xiàn)有紋理提取方法進(jìn)展融合并對(duì)特征指數(shù)進(jìn)展有效篩選，如GLCM與MRF的融合，小波方法與MRF的融合等等；除此之外，研究人員也在不斷嘗試研究并開(kāi)拓新的紋理特征提取方法，主要是紋理多尺度特征和旋轉(zhuǎn)不變特征的提??；但是紋理的微觀異構(gòu)性，復(fù)雜性以及其應(yīng)用的廣泛性和概念的不明確性給紋理研究帶來(lái)很大挑戰(zhàn)。迄今為止，已經(jīng)有一些比較成功的檢索系統(tǒng)問(wèn)世，在一定范圍之內(nèi)，這些系統(tǒng)可以得到一個(gè)比較令人滿意的效果?，F(xiàn)簡(jiǎn)單介紹幾種紋理特征提取方式。VisualSEEK/WebSEEK：是由哥倫比亞大學(xué)所開(kāi)發(fā)，在圖像特征方面，采用基于小波變換方法提取紋理特征。QBIC：IBM公司的QBIC系統(tǒng)的構(gòu)造包括、：圖像入庫(kù)、特征向量提取和查詢。采用Tamura進(jìn)展紋理特征的描述，特征向量是由其中的粗糙度、比照度和方向性的結(jié)合所構(gòu)成。NETRA：有加利福利亞大學(xué)亞歷山大數(shù)字圖書(shū)館開(kāi)發(fā)。采用基于Gabor濾波器的紋理分析方法對(duì)圖像進(jìn)展處理，從而得到紋理特征向量。精品實(shí)用文檔.精品1.4研究方法1文獻(xiàn)研究法文獻(xiàn)研究法主要指收集、鑒別、整理文獻(xiàn)，并通過(guò)對(duì)文獻(xiàn)的研究，形成對(duì)事實(shí)科學(xué)認(rèn)識(shí)的方法。該方法主要用于前期工作。首先，閱讀大量的相關(guān)特征提取方法，總結(jié)各種方法的優(yōu)勢(shì)與缺乏，對(duì)該課題的可行性得以確定。2實(shí)驗(yàn)測(cè)試法對(duì)于紋理特征，代表的分析方法是共生矩陣法，Tammra方法等。利用灰度共生矩陣可得到描述紋理特征的統(tǒng)計(jì)量，常用的有比照度、能量、熵等七個(gè)特征。Tammra提出了與人的視覺(jué)感受相關(guān)的六個(gè)紋理特征，分別是粗糙度、比照度、方向性、線性相似性、規(guī)那么性和粗略度。第2章紋理的概念和表達(dá)方式在圖像的三大底層特征中，紋理特征作為顯著的視覺(jué)特征，不僅不依賴于顏色或亮度，并且包含事物外表構(gòu)造的排列與組織次序，表現(xiàn)出上下文內(nèi)容的聯(lián)系，反映圖像中同質(zhì)現(xiàn)象重復(fù)出現(xiàn)的視覺(jué)特征，因此紋理是基于內(nèi)容的圖像檢索方法中非常重要的一種用于圖像描述和分類的特征。本章首先對(duì)紋理的定義及特性做簡(jiǎn)要介紹，然后對(duì)紋理的三類描述方法進(jìn)展概括，對(duì)常用的紋理描述方法做一個(gè)綜述。2.1紋理的概念和特征紋理的概念最初起源于人類對(duì)物體外表的觸感。在此根底上，將觸感與人類視覺(jué)關(guān)聯(lián)起來(lái)，從而成為了一個(gè)重要的視覺(jué)信息——紋理。具體的可以從以下四個(gè)方面進(jìn)展描述。1在鄰近的像素點(diǎn)之間存在著亮度層次上的有意義的變化，正是由于這些變化圖像中才展現(xiàn)出各種各樣的紋理。2紋理是圖像區(qū)域的一個(gè)屬性，，紋理涉及到上下文，與一個(gè)空間鄰居關(guān)系內(nèi)的像素的灰度值有關(guān)，換句話說(shuō)，，或者定義紋理的基元的大小。3紋理是一個(gè)在某種空間尺度大于圖像分辨率下的同質(zhì)(homogeneous)屬性，一些研究人員以人的視覺(jué)系統(tǒng)來(lái)描述紋理：紋理沒(méi)有始終如一的亮度，但仍然可以被人像同質(zhì)區(qū)域那樣所觀察到。4圖像紋理在不同尺度和不同分辨率下都能被感知。例如，考慮一幅磚墻所表示的紋理.在一個(gè)粗糙的分辨率下，所觀察到的紋理是由墻上個(gè)體的磚塊所形成，而磚塊內(nèi)部的細(xì)節(jié)會(huì)喪失；在一個(gè)高的分辨率下，僅有少量的磚塊在視野范圍以內(nèi)，觀察到的紋理會(huì)顯示出磚塊的細(xì)節(jié)。在不同的距離和不同的視覺(jué)注意程度下，紋理區(qū)域都會(huì)給出不同的解釋。在一個(gè)正常注意力和標(biāo)準(zhǔn)距離下，它給出了用來(lái)表征特定紋理的宏觀規(guī)那么性的概念。當(dāng)近距離非常仔細(xì)地觀察時(shí)，可以注意到一些同質(zhì)區(qū)域和邊，它們有時(shí)候會(huì)構(gòu)成紋理素(texels)最后，紋理是依賴于尺度的.當(dāng)一個(gè)區(qū)域內(nèi)基元對(duì)象的數(shù)目足夠大時(shí)才會(huì)被感知為紋理。如果僅有少量的基元數(shù)目，那么會(huì)被觀察為一組可數(shù)的對(duì)象而不是一幅紋理圖像。精品實(shí)用文檔.精品對(duì)于紋理的特征，紋理特征也是一種全局特征，它也描述了圖像或圖像區(qū)域所對(duì)應(yīng)景物的外表性質(zhì)。但由于紋理只是一種物體外表的特性，并不能完全反映出物體的本質(zhì)屬性，所以僅僅利用紋理特征是無(wú)法獲得高層次圖像內(nèi)容的。與顏色特征不同，紋理特征不是基于像素點(diǎn)的特征，它需要在包含多個(gè)像素點(diǎn)的區(qū)域中進(jìn)展統(tǒng)計(jì)計(jì)算。在模式匹配中，這種區(qū)域性的特征具有較大的優(yōu)越性，不會(huì)由于局部的偏差而無(wú)法匹配成功。作為一種統(tǒng)計(jì)特征，紋理特征常具有旋轉(zhuǎn)不變性，并且對(duì)于噪聲有較強(qiáng)的抵抗能力。但是，紋理特征也有其缺點(diǎn)，一個(gè)很明顯的缺點(diǎn)是當(dāng)圖像的分辨率變化的時(shí)候，所計(jì)算出來(lái)的紋理可能會(huì)有較大偏差。另外，由于有可能受到光照、反射情況的影響，從2-D圖像中反映出來(lái)的紋理不一定是3-D物體外表真實(shí)的紋理。例如，水中的倒影，光滑的金屬面互相反射造成的影響等都會(huì)導(dǎo)致紋理的變化。由于這些不是物體本身的特性，因而將紋理信息應(yīng)用于檢索時(shí)，有時(shí)這些虛假的紋理會(huì)對(duì)檢索造成“誤導(dǎo)〞。在檢索具有粗細(xì)、疏密等方面較大差異的紋理圖像時(shí)，利用紋理特征是一種有效的方法。但當(dāng)紋理之間的粗細(xì)、疏密等易于分辨的信息之間相差不大的時(shí)候，通常的紋理特征很難準(zhǔn)確地反映出人的視覺(jué)感覺(jué)不同的紋理之間的差異?？偟膩?lái)說(shuō)，紋理有粗糙性、強(qiáng)度、密度、周期性、方向性等描述特性。其中，紋理的粗糙性、周期性、方向性三個(gè)特征是人感受最為強(qiáng)烈的視覺(jué)特征。同時(shí)要注意的是，由于紋理是區(qū)域?qū)傩?，觀察的區(qū)域大小會(huì)影響紋理分析。因此對(duì)紋理的研究需要事先確定一定的觀察尺度。2.2紋理特征的描述方法圖像紋理一直到現(xiàn)在都沒(méi)有一個(gè)一致的、公認(rèn)的定義，它在圖像中是一個(gè)重要但是又不太容易描述出來(lái)的特征，并且人們?cè)趯?duì)紋理的認(rèn)識(shí)中存在主觀性，為了定量描述圖像紋理，所我們需要提取出能代表圖像紋理的特征信息。通常情況下，檢測(cè)圖像中的紋理基元，以及紋理基元與周圍像素點(diǎn)灰度的慣性是我們進(jìn)展圖像處理提取紋理特征的兩個(gè)最主要的目的。圖像紋理的描述既可以借助于空域性質(zhì)有可以通過(guò)頻域性質(zhì)進(jìn)展分析，主要是通過(guò)研究圖像像素灰度的統(tǒng)計(jì)特性和空間構(gòu)造特性來(lái)描述圖像紋理。我們常用的紋理的表達(dá)方法有三種：頻譜法、統(tǒng)計(jì)法、構(gòu)造法。但是由于圖像紋理特征不是想象中的那么簡(jiǎn)單，我們?cè)谘芯窟^(guò)程中可以綜合這三種方法，分析比較出更適合的方法，此外圖像模型法在一些相對(duì)成熟的圖像模型中也有應(yīng)用。精品實(shí)用文檔.精品2.2.1統(tǒng)計(jì)分析法統(tǒng)計(jì)分析紋理描述方法是常用的紋理分析方法，也是紋理研究最多最早的一類方法.統(tǒng)計(jì)分析方法通過(guò)統(tǒng)計(jì)圖像的空間頻率、邊界頻率以及空間灰度依賴關(guān)系等來(lái)分析紋理一般來(lái)講，紋理的細(xì)致和粗糙程度與空間頻率有關(guān).細(xì)致的紋理具有高的空間頻率，例如布匹的紋理是非常細(xì)致的紋理，其基元較小，因而空間頻率較高；低的空間頻率常常與粗糙的紋理相關(guān)，比方大理石紋理一般是粗糙的紋理，其基元較大，具有低的空間頻率。因此，我們可以通過(guò)度量空間頻率來(lái)描述紋理.除了空間頻率以，每單位面積邊界數(shù)也是度量紋理的細(xì)致和粗糙程度的另外一種統(tǒng)計(jì)方法.邊界頻率越高說(shuō)明紋理越精細(xì)，相反，低的邊界頻率與粗糙的紋理息息相關(guān)。此外，統(tǒng)計(jì)分析方法還從描述空間灰度依賴關(guān)系的角度出發(fā)來(lái)分析和描述圖像紋理.常用的統(tǒng)計(jì)紋理分析方法有，自相關(guān)函數(shù)(AutocorrelationFeatures)邊界頻率(EdgeFrequency)，空間灰度依賴矩陣(theSpatialGreyLevelDependenceMatrix,SGLDM)等。相對(duì)于構(gòu)造分析方法，統(tǒng)計(jì)分析方法并不刻意去準(zhǔn)確描述紋理的構(gòu)造。從統(tǒng)計(jì)學(xué)的角度來(lái)看，紋理圖像是一些復(fù)雜的模式，可以通過(guò)獲得的統(tǒng)計(jì)特征集來(lái)描述這些模式。2.2.1.1自相關(guān)函數(shù)自相關(guān)函數(shù)(AutocorrelationFeatures}ACF)就是一種常用的空間頻率紋理描述方法。在這個(gè)方法中，紋理的空間組織用評(píng)價(jià)基元間線性空間關(guān)系的相關(guān)系數(shù)來(lái)描述。，自相關(guān)值下降的越快，那么移動(dòng)后的紋理與原來(lái)的紋理就越不相關(guān)，也就是移動(dòng)后的紋理與原來(lái)的紋理越不相似，這說(shuō)明紋理的基元就很?。环粗?，如果自相關(guān)值下降的越慢，那么移動(dòng)后的紋理與原來(lái)的紋理就越相關(guān)，也就是移動(dòng)后的紋理與原來(lái)的紋理越相似，紋理的基元就越大。如果紋理基元較大，當(dāng)距離增加時(shí)，自相關(guān)函數(shù)的值就會(huì)緩慢的減小，然而如果紋理由小基元構(gòu)成，它就會(huì)很快的減小。如果紋理的基元具有周期性，那么自相關(guān)函數(shù)就會(huì)隨著距離而周期地變化。自相關(guān)函數(shù)紋理分析方法通過(guò)計(jì)算圖像紋理的自相關(guān)系數(shù)來(lái)描述紋理，紋理的自相關(guān)系數(shù)的變化趨勢(shì)反映了紋理的粗細(xì)程度，然而，對(duì)于同樣粗糙(細(xì)致)但完全不同的兩種紋理，它們的自相關(guān)系數(shù)很可能比較相近，很難將這兩種紋理區(qū)分開(kāi)來(lái)。2.2.1.2邊界頻率與自相關(guān)函數(shù)方法中用空間頻率來(lái)區(qū)分紋理的粗細(xì)不同，邊界頻率認(rèn)為紋理可以用每單位面積內(nèi)邊界來(lái)區(qū)分紋理。粗糙的紋理由于局部領(lǐng)域內(nèi)的灰度相似，并沒(méi)有太大的變化，因而每單位面積內(nèi)的邊界數(shù)會(huì)較??；細(xì)致的紋理由于局部鄰域內(nèi)的灰度變化較快，所以每單位面積內(nèi)的邊界數(shù)會(huì)較大。圖像區(qū)域的邊界頻率在一定程度上反映了該區(qū)域內(nèi)紋理的粗細(xì)程度，邊界頻率函數(shù)就是從這種思路出發(fā)來(lái)描述紋理的，這種紋理分析方法的缺點(diǎn)是雖然邊界頻率能局部反映紋理的微構(gòu)造信息，但這種描述是粗略的，缺乏微構(gòu)造形狀方面的信息描述。另外，邊界頻率函數(shù)對(duì)圖像的大小非常敏感，一個(gè)改進(jìn)的方法是用圖像的大小去歸一化該邊界頻率函數(shù)精品實(shí)用文檔.精品。2.2.1.3灰度共生矩陣法共生矩陣用兩個(gè)位置的象素的聯(lián)合概率密度來(lái)定義，它不僅反映亮度的分布特性，也反映具有同樣亮度或接近亮度的象素之間的位置分布特性，是有關(guān)圖象亮度變化的二階統(tǒng)計(jì)特征。它是定義一組紋理特征的根底。一幅圖象的灰度共生矩陣能反映出圖象灰度關(guān)于方向、相鄰間隔、變化幅度的綜合信息，它是分析圖象的局部模式和它們排列規(guī)那么的根底。設(shè)f(x,y)為一幅二維數(shù)字圖象，其大小為M×N，灰度級(jí)別為Ng,那么滿足一定空間關(guān)系的灰度共生矩陣為：P(i,j)=#｛(x1,y1),(x2,y2)∈M×N｜f(x1,y1)=i,f(x2,y2)=j｝〔1〕其中#(x)表示集合x(chóng)中的元素個(gè)數(shù)，顯然P為Ng×Ng的矩陣，假設(shè)(x1,y1)與(x2,y2)間距離為d,兩者與坐標(biāo)橫軸的夾角為θ，那么可以得到各種間距及角度的灰度共生矩陣P(i,j,d,θ)。紋理特征提取的一種有效方法是以灰度級(jí)的空間相關(guān)矩陣即共生矩陣為根底的，因?yàn)閳D像中相距(Δx，Δy)的兩個(gè)灰度像素同時(shí)出現(xiàn)的聯(lián)合頻率分布可以用灰度共生矩陣來(lái)表示。假設(shè)將圖像的灰度級(jí)定為N級(jí)，那么共生矩陣為N×N矩陣，可表示為M(Δx，Δy)(h,k)，其中位于(h,k)的元素mhk的值表示一個(gè)灰度為h而另一個(gè)灰度為k的兩個(gè)相距為(Δx，Δy)的像素對(duì)出現(xiàn)的次數(shù)。對(duì)粗紋理的區(qū)域，其灰度共生矩陣的mhk值較集中于主對(duì)角線附近。因?yàn)閷?duì)于粗紋理，像素對(duì)趨于具有一樣的灰度。而對(duì)于細(xì)紋理的區(qū)域，其灰度共生矩陣中的mhk值那么散布在各處。2.2.2頻譜法心理物理學(xué)研究得到證實(shí)，人們?cè)谟^察圖像時(shí)，大腦對(duì)圖像進(jìn)展了頻率分析，因此，對(duì)圖像紋理進(jìn)展頻率分析也是適宜的。頻譜法是建立在時(shí)、頻技術(shù)與多尺度技術(shù)根底之上的紋理分析方法，利用信號(hào)處理的方法，主要借助傅里葉變換將空間域的紋理圖像變換到頻率域中，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)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。通常，傅立葉頻譜中突起的峰值對(duì)應(yīng)紋理的主方向信息，峰值在頻域平面的位置對(duì)應(yīng)紋理的周期信息，粗紋理的頻率分量集中在低頻局部，細(xì)紋理對(duì)應(yīng)的頻率分量集中在高頻局部。常用的頻譜法主要包括傅立葉功率譜法、Gabor變換、塔式小波變換、樹(shù)式小波變換等。2.2.3構(gòu)造法構(gòu)造法是把復(fù)雜的紋理拆分成許多簡(jiǎn)單的紋理基元，并且這些簡(jiǎn)單基元按照某一規(guī)律重復(fù)排列組合成復(fù)雜紋理。根據(jù)紋理基元的形狀和排列特點(diǎn)分析圖像紋理特征的方法統(tǒng)稱為構(gòu)造法，構(gòu)造分析方法的根本思想是認(rèn)為復(fù)雜的紋理可由一些簡(jiǎn)單的紋理基元以一定的有規(guī)律的形式重復(fù)排列組合而成。構(gòu)造分析法使用形式語(yǔ)言對(duì)紋理的排列規(guī)那么進(jìn)展描述，這需要計(jì)算出紋理基元的偏心度、面積、方向、矩、延伸度等特征，并需要應(yīng)用模式識(shí)別和編譯原理中的句法理論。構(gòu)造分析法需要形態(tài)學(xué)、離散數(shù)學(xué)等方法描述紋理基元的立體特征以及排列的規(guī)律。構(gòu)造分析法需要對(duì)紋理基元的形態(tài)進(jìn)展描述，所以這種方法在人工紋理研究中應(yīng)用的比較廣泛。構(gòu)造分析法得到的紋理特征比較清楚，易于檢索。但是在自然紋理中，紋理基元的排列沒(méi)有規(guī)律性或者規(guī)律性不強(qiáng)，很難對(duì)某一個(gè)具體的紋理基元進(jìn)展描述，建立數(shù)學(xué)模型，因此在自然紋理中，構(gòu)造法應(yīng)用并不廣泛，僅僅作為一個(gè)研究的輔助手段。精品實(shí)用文檔.精品第3章灰度共生距陣算法的具體分析與實(shí)現(xiàn)3.1灰度共生矩陣根本原理和特征在第2章中已經(jīng)簡(jiǎn)單介紹了灰度共生矩陣的一些信息，現(xiàn)在來(lái)具體分析?；叶裙采仃嚲褪且环N通過(guò)研究灰度的空間相關(guān)特性來(lái)描述紋理的常用方法。灰度直方圖是對(duì)圖像上單個(gè)象素具有某個(gè)灰度進(jìn)展統(tǒng)計(jì)的結(jié)果，而灰度共生矩陣是對(duì)圖像上保持某距離的兩象素分別具有某灰度的狀況進(jìn)展統(tǒng)計(jì)得到的。取圖像(N×N)中任意一點(diǎn)〔x，y〕及偏離它的另一點(diǎn)〔x+a，y+b〕，設(shè)該點(diǎn)對(duì)的灰度值為〔g1，g2〕。令點(diǎn)〔x，y〕在整個(gè)畫(huà)面上移動(dòng)，那么會(huì)得到各種〔g1，g2〕值，設(shè)灰度值的級(jí)數(shù)為，那么〔g1，g2〕的組合共有k2種。對(duì)于整個(gè)畫(huà)面，統(tǒng)計(jì)出每一種〔g1，g2〕值出現(xiàn)的次數(shù)，然后排列成一個(gè)方陣，在用〔g1，g2〕出現(xiàn)的總次數(shù)將它們歸一化為出現(xiàn)的概率P〔g1，g2〕，這樣的方陣稱為灰度共生矩陣。距離差分值〔a，b〕取不同的數(shù)值組合，可以得到不同情況下的聯(lián)合概率矩陣。〔a，b〕取值要根據(jù)紋理周期分布的特性來(lái)選擇，對(duì)于較細(xì)的紋理，選取〔1，0〕、〔1，1〕、〔2，0〕等小的差分值。當(dāng)a=1，b=0時(shí)，像素對(duì)是水平的，即0度掃描；當(dāng)a=1，b=0時(shí)，像素對(duì)是垂直的，即90度掃描；當(dāng)a=1，b=1時(shí)，像素對(duì)是右對(duì)角線的，即45度掃描；當(dāng)a=-1，b=-1時(shí)，像素對(duì)是左對(duì)角線，即135度掃描。這樣，兩個(gè)象素灰度級(jí)同時(shí)發(fā)生的概率，就將〔x，y〕的空間坐標(biāo)轉(zhuǎn)化為“灰度對(duì)〞〔g1，g2〕的描述，形成了灰度共生矩陣。實(shí)驗(yàn)中對(duì)灰度共生矩陣進(jìn)展了如下的歸一化：〔2〕灰度共生矩陣中元素值相對(duì)于主對(duì)角線的分布可用離散性來(lái)表示，它常常反映紋理的粗細(xì)程度。離開(kāi)主對(duì)角線遠(yuǎn)的元素的歸一化值高，即元素的離散性大，也就是說(shuō)，一定位置關(guān)系的兩象素間灰度差的比例高。假設(shè)以|△x|=1或0，|△y|=1或0的位置關(guān)系為例，離散性大意味著相鄰象素間灰度差大的比例高，說(shuō)明圖像上垂直于該方向的紋理較細(xì)；相反，那么圖像上垂直于該方向上的紋理較粗。當(dāng)非主對(duì)角線上的元素的歸一化值全為0時(shí)，元素值的離散性最小，即圖像上垂直于該方向上不可能出現(xiàn)紋理。灰度共生矩陣中主對(duì)角線上的元素是一定位置關(guān)系下的兩象素同灰度組合出現(xiàn)的次數(shù)。由于沿著紋理方向上相近元素的灰度根本一樣，垂直紋理方向上相近象素間有較大灰度差的一般規(guī)律，因此，這些主對(duì)角線元素的大小有助于判別紋理的方向和粗細(xì)，對(duì)紋理分析起著重要的作用。精品實(shí)用文檔.精品3.2灰度共生矩陣的二次統(tǒng)計(jì)特征量灰度共生矩陣不能反映出紋理特特征，它僅僅反映了圖像在變化幅度、角度、一定鄰域的綜合信息，因此還需要計(jì)算出相關(guān)、熵值、比照度、差異等值，用這項(xiàng)特征值來(lái)反映整幅圖像的紋理特征。由于各個(gè)特征值的物理意義不同，需要給它們一樣的權(quán)重進(jìn)展歸一化。

為了能更直觀地以共生矩陣描述紋理狀況，從共生矩陣導(dǎo)出一些反映矩陣狀況的參數(shù)，典型的有以下幾種：紋理能量：〔3〕是灰度共生矩陣元素值的平方和，所以也稱能量，反映了圖像灰度分布均勻程度和紋理粗細(xì)度。如果共生矩陣的所有值均相等，那么其能量值小；相反，如果其中一些值大而其它值小，那么能量值大。當(dāng)共生矩陣中元素集中分布時(shí)，此時(shí)能量值大。其值大說(shuō)明一種較均一和規(guī)那么變化的紋理模式。紋理慣性：〔4〕反映了圖像的清晰度和紋理溝紋深淺的程度。紋理溝紋越深，其比照度越大，視覺(jué)效果越清晰；反之，比照度小，那么溝紋淺，效果模糊?；叶炔罴幢日斩却蟮南笏貙?duì)越多，這個(gè)值越大。灰度公生矩陣中遠(yuǎn)離對(duì)角線的元素值越大，那么其越大。紋理相關(guān)性：〔5〕相關(guān)性是度量灰度共生矩陣元素在行或列方向上的相似程度。如果圖像在某一方向上的值大于其它方向，那么在這個(gè)方向上的紋理性也比其它方向強(qiáng)，因此其可以表示紋理的方向。其中：，〔6〕精品實(shí)用文檔.精品紋理熵：〔7〕熵是圖像所具有的信息量的度量，紋理信息也屬于圖像的信息，是一個(gè)隨機(jī)性的度量，當(dāng)共生矩陣中所有元素有最大的隨機(jī)性、空間共生矩陣中所有值幾乎相等時(shí)，共生矩陣中元素分散分布時(shí)，熵較大。它表示了圖像中紋理的非均勻程度或復(fù)雜程度。3.3灰度共生矩陣的Matlab實(shí)現(xiàn)3.3.1圖像的前期處理基于灰度共生矩陣的圖像紋理特征分析，其實(shí)現(xiàn)過(guò)程需要經(jīng)過(guò)對(duì)圖像前期的簡(jiǎn)單預(yù)處理之后才能進(jìn)展其紋理分析。圖像的預(yù)處理主要包括圖像格式的轉(zhuǎn)換和圖像的直方圖均衡以及對(duì)圖像的灰度級(jí)壓縮三個(gè)方面。圖像格式的轉(zhuǎn)換由我們實(shí)際獲得的圖像來(lái)轉(zhuǎn)化為灰度級(jí)數(shù)為256級(jí)的圖片格式。直方圖均衡化是通過(guò)灰度變換將一幅圖象轉(zhuǎn)換為另一幅均衡直方圖，即在每個(gè)灰度級(jí)上都具有一樣的象素點(diǎn)數(shù)的過(guò)程。這種方法通常用來(lái)增加許多圖像的局部比照度，尤其是當(dāng)圖像的有用數(shù)據(jù)的比照度相當(dāng)接近的時(shí)候。通過(guò)這種方法，亮度可以更好地砸直方圖上分布。這樣就可以擁有增強(qiáng)局部的比照度而不影響整體的比照度，直方圖均衡化通過(guò)有效地?cái)U(kuò)展常用的亮度來(lái)實(shí)現(xiàn)這種功能。而對(duì)于灰度級(jí)壓縮，實(shí)際情況下一幅圖像的灰度級(jí)是256級(jí)。在研究圖像紋理特征的前提下我們需要將原圖像的灰度級(jí)在不影響其紋理特征的前提下壓縮到較小范圍，一邊減小共生矩陣的尺寸。本實(shí)驗(yàn)將圖像壓縮為16級(jí)。3.3.2Matlab實(shí)驗(yàn)獲取二次統(tǒng)計(jì)特征量利用Matlab對(duì)進(jìn)展了圖像預(yù)處理的圖像進(jìn)展處理，獲得其二次統(tǒng)計(jì)量。3.4試驗(yàn)結(jié)果分析本實(shí)驗(yàn)采用了四種不同類型地物的圖像，有由Matlab進(jìn)展實(shí)驗(yàn)。實(shí)驗(yàn)數(shù)據(jù)如下：原始圖片：圖1：沙地圖2：地磚精品實(shí)用文檔.精品圖3：草地圖4：水面格式轉(zhuǎn)化后的灰度圖像：圖5：沙地圖6：地磚圖7：草地圖8：水面由Matlab對(duì)圖像處理可得到各個(gè)圖像的二次統(tǒng)計(jì)特征量，分別包括能量、熵、慣性矩、相關(guān)性和四種二次統(tǒng)計(jì)特征量的均值，如表1、表2所示。表1：四種地物的灰度共生矩陣的紋理特征能量熵慣性矩相關(guān)性精品實(shí)用文檔.精品沙地：地磚：草地：水面：表2：二次統(tǒng)計(jì)特征量均值能量熵慣性矩相關(guān)性沙地地磚草地水面由以上實(shí)驗(yàn)數(shù)據(jù)分析可得，地磚地物的能量值較大，紋理較粗。水面的熵值和相關(guān)性較小，說(shuō)明水面圖像的局部變化小，同時(shí)由于水面圖像灰度局部變化小，所以其慣性矩也偏小。草地和沙地圖像的各個(gè)特征值比較相似，所以會(huì)難以區(qū)分。精品實(shí)用文檔.精品第4章完畢語(yǔ)隨著計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)、云計(jì)算、物聯(lián)網(wǎng)的迅速開(kāi)展，數(shù)字圖像技術(shù)的廣泛應(yīng)用，對(duì)與大規(guī)模圖像數(shù)據(jù)庫(kù)、多媒體信息的有效管理和分類檢索已經(jīng)成為最為圖像處理領(lǐng)域最需要解決的問(wèn)題之一，圖像的紋理特征提取以及根據(jù)提取的紋理特征對(duì)圖像就行檢索是解決