图像特征——纹理特征

1、纹理特征简介

由于刚接触纹理方面的知识，首先从知网上找了两篇纹理特征研究的综述进行参考，参考文献附上。

参考文献：
[1]刘丽,匡纲要.图像纹理特征提取方法综述[J].中国图象图形学报,2009,14(04):622-635.
[2]李秀怡.图像纹理检测与特征提取技术研究综述[J].中国管理信息化,2017,20(23):175-178.

纹理是一种反映图像中同质现象的视觉特征，它体现了物体表面的具有缓慢变化或者周期性变化的表面结构组织排列属性。

2、纹理的有关定义

代表性的定义：
定义1、纹理是一种反映图像中同质现象的视觉特征，体现了物体表面共有额内在属性，包含了物体表面结构组织排列的重要信息以及它们与周围环境的关系。

定义2、如果图像内区域的局域统计特征或其他图像的局域属性变化缓慢或近似周期性变化，则可称之为纹理。

定义3、纹理就是指在图像中反复出现的局部模式和它们的排列规则。

定义4、纹理被定义为一个区域属性，区域内的成分不能进行枚举，且成分之间的关系不十分明确。

定义5、纹理是一种反映像素的空间分布属性的图像特征，通常表现为局部不规则而宏观有规律的特性。

定义6、纹理具有三大标志：某种局部序列性不断重复、非随机排列和纹理区域大致为均匀的统一体。

对于上述定义都是基于特定应用背景，其中的共识是：（1）纹理不同于灰度和颜色等图像特征，它通过像素及其周围空间邻域的灰度分布来表现，即局部纹理信息；（2）局部纹理信息不同程度的重复性，即全局纹理特征。

3、纹理特征的特点

优点

（1）包含多个像素点的区域中进行统计计算；
（2）常具有旋转不变性；
（3）对噪声具有较强的抵抗能力；

缺点

（1）受分辨率的影响严重；
（2）有可能受到光照、反射情况的影响；
（3）从2-D图像中反映出来的纹理不一定是3-D物体表面真实的纹理；

4、纹理特征提取方法的分类

纹理特征提取方法分类：

4.1 统计方法

统计方法是基于像素及其邻域的灰度属性，来研究纹理区域的统计特性。统计特性包括像素及其邻域内灰度的一阶、二阶或高阶统计特性。

4.1.1 GLCM方法（空间灰度共生矩阵）

该方法建立在估计图像的二阶组合条件概率密度基础上，计算图像上某个方向上相隔一定距离的一对像元灰度出现的统计规律。

GLCM是一个对称矩阵，是距离d和方向$\theta$的函数，其阶数由图像中的灰度级N_g决定，由GLCM能够导出14种纹理特征。但在应用上受限。

因此，不断有研究者尝试改进。一般情况下，取距离d等于1时，0^°、45^°、90^°、130^°的灰度共生矩阵，再由矩阵导出纹理参数，常用的5个参数，即能量、熵、惯性矩、相关、局部平稳等。（对比度、逆差矩、相关性、能量、熵）。

还有研究者提出自适应多尺度的GLCM算法；基于遗传算法的GLCM 方法；通过相似度评估，采用近似纹理特征提高图像纹理分析的效率。

优点：具有较强的适应性与鲁棒性。

4.1.2 半方差图

该方法是一种基于变差函数的方法，由于变差函数反映图像数据的随机性和结构性，因而能很好的表达图像纹理的特征。

对人造纹理和大多数自然纹理的分割效果是十分有效的。

4.1.3 纹理谱方法（如LBP）

LBP，局部二值模式。是一种用来描述图像局部纹理特征的算子，具有旋转不变性和灰度不变性等优点。

常用的特征描述子有：HOG、Harris、LBP等。

4.2 几何法

几何法是建立在纹理基元理论基础上的一种纹理特征分析方法，其中的纹理基元即为基本的纹理元素。

有影响的算法有：Vonorio棋盘格特征法。

但几何法应用和发展受限，后续研究较少。

4.3 模型法

模型法中存在假设：纹理是以某种参数控制的分布模型方式为基础而形成的。

该方法对纹理图像进行建模后，将纹理特征提取归结为参数估计问题，如何采用各种优化参数估计的方法进行参数和估计是研究的主要内容。

模型纹理特征提取方法主要有：随机场模型方法和分型模型方法。

4.3.1 随机场模型方法

该方法试图以概率模型来描述纹理的随机过程，它们对随机数据或随机特征进行统计运算，进而估计纹理模型的参数，然后对一系列的模型参数进行聚类，形成和纹理类型数一致的模型参数。

由估计的模型参数来对灰度图像进行逐点的最大后验概率估计，确定像素及其邻域情况下该像素点最可能归属的概率。随机场模型实际上描述了图像中像素对邻域像素的统计依赖关系。

1 马尔科夫随机场模型法（MRF）

2 Gibbs随机场模型法

4.3.2 分型模型法

分数维作为分形的重要特征和度量，把图像的空间信息和灰度信息简单而又有机的结合起来，因而在图像处理中备受人们的关注。

分形维描述纹理的核心问题是如何准确地估计分形维。分数维在图像处理中的应用时以两点为基础：
(1) 自然界中不同种类的形态物质一般具有不同的分形维；
(2) 由于研究人员的假设，自然界中的分形与图像的灰度表示之间存在着一定的对应关系。

研究表明，人类视觉系统对于粗糙度和凹凸性的感受与分形维数之间有着非常密切的联系。因此，可以用图像区域的分形维数来描述图像区域的纹理特征。

分维数常用的算法有Keller提出的盒维数以及Chaudhuri提出的差分计盒法等。

最重要的分形模型之一是由Mandelbro描述的分数布朗运动模型，它把自然的粗糙表面看成随机游走(random walk)的最终结果。重要的是，纹理的亮度表面也可以看作是随机游走的结果，因此分数布朗运动模型可以用于描述纹理。

自然纹理可以在大范围的尺度内呈现出相似的粗糙度，由于实际中假设粗糙度在任何尺度上都是恒常的，并不合适，于是很多不同的扩展分数布朗运动(FBM)模型的方法被提出来，比较常用的是从扩展自相似(ESS)模型导出的特征——扩 展分形特征，由ESS引入的多尺度Hurst参数提供了表达不同尺度上纹理粗糙度的一种特征。多尺度Hurst参数特征可被用来发展比单个Hurst参数更好的特征矢量来表达自然纹理，因为不要求粗糙度的尺度不变性，所以能够区分大多数自然纹理，对于纹理分类与分割是非常吸引人的特征。

1999年, Kaplan等人提出了有效估计广义Hurst参数的方法，并对多尺度Hurst参数作为特征用于纹理分类与分割的有效性进行评估，其结论是广义Hurst参数特征用于纹理分类效果能够媲美Gabor方法,明显优于传统Hurs参数。此外，针对单一分数维的缺陷，研究者们根据多重分形理论，引入多重分形理论中的广义维数谱作为分类特征，它对于由不同分数维的子集构成的纹理图像有很好的分类效果。

4.4 信号处理法

信号处理的方法是建立在时域、频域分析，以及多尺度分析的基础上。

该方法对纹理图像某个区域内实行某种变换后，再提取出能够保持相对平稳的特征值，并以该特征值作为特征，表示区域内的一致性以及区域之间的相异性。

信号处理类的纹理特征主要是利用某种线性变换、滤波器或者滤波器组将纹理转换到变换域，然后应用某种能量准则提取纹理特征。

因此，基于信号处理的方法也称之为滤波方法。大多数信号处理方法的提出，都基于这样一个假设：频域的能量分布能够鉴别纹理。

信号处理法的经典算法有：灰度共生矩阵、Tamura纹理特征、自回归纹理模型、小波变换等。

4.5 结构分析法

该纹理是由纹理基元的类型、数目、以及基元之间的“重复性”的空间组织结构与排列规则来描述的，而且纹理基元几乎具有规范的关系。

假设纹理图像的基元可以被分离出来，以基元特征和排列规则进行纹理分割，显然结构分析法要解决的问题，就是确定与抽取基本的纹理单元，以及研究存在于纹理基元之间的“重复性”结构关系。

由于结构分析法强调纹理的规律性，所以比较适用于分析人造纹理，然而真实世界大量自然纹理通常是不规则的。此外，解耦股的变化是频繁的，所以结构分析法的应用受到很大程度的限制。

结构分析法的典型算法：句法纹理描述算法、数学形态学方法。

5、小结

图像纹理方法各有优缺点，在实际应用中，要结合实际情况进行选择。