纹理分析

参考自:

1. 引言

     纹理是对图象的象素灰度级在空间上的分布模式的描述,反映物品的质地,如粗糙度、光滑性、颗粒度、随机性和规范性等。当图象中大量出现同样的或差不多的基本图象元素(模式)时,纹理分析是研究这类图象的最重要的手段之一,此外分形方法也十分重要[2]。

   

纹理分析_第1张图片

     描述一块图象区域的纹理有三种主要的方法,统计分析方法、结构分析方法和频谱分析方法[1]。

     统计方法有自相关函数、纹理边缘、结构元素、灰度的空间共生概率(spatial gray-tone cooccurrence probabilities)、灰度行程和自回归模型。统计方法将纹理描述为光滑、粗糙、粒状等等。

     结构方法研究基元及其空间关系。基元一般定义为具有某种属性而彼此相连的单元的集合,属性包括灰度、连通区域的形状、局部一致性等。空间关系包括基元的相邻性、在一定角度范围内的最近距离等等。根据基元间的空间联系,纹理可以分为弱纹理或强纹理。进一步细分,可以根据基元的空间共生频率来划分,也可以根据单位面积内的边缘数来区别。基元也可以定义为灰度行程。

     频谱方法是根据傅立叶频谱,根据峰值所占的能量比例将图象分类。包括计算峰值处的面积、峰值处的相位、峰值与原点的距离平方、两个峰值间的相角差等手段。

2. 纹理的统计特征

·         共生矩阵

共生矩阵用两个位置的象素的联合概率密度来定义,它不仅反映亮度的分布特性,也反映具有同样亮度或接近亮度的象素之间的位置分布特性,是有关图象亮度变化的二阶统计特征。它是定义一组纹理特征的基础。

    如下图所示,定义位置算子:

纹理分析_第2张图片

 

假设给定如下的仅具有3个灰度级的图象区域,分别记数符合上述位置算子的象素空间组合的数目形成频度矩阵,再将其归一化,即除以符合位置关系的总数就得到共生矩阵。共生矩阵的阶数与图象的灰度级别数相等。

 

 
 


 

 
  纹理分析_第3张图片


 

 
 


 


·         基于共生矩阵的纹理特征

    选择合适的位置算子,计算出共生矩阵,然后可以计算如下的纹理描述特征:

 
 


 


3. 基于纹理的分割

    将图象分割成一些具有某种一致性的区域是图象分析的重要手段,一致性包括亮度、颜色或纹理等衡量标准。在机器视觉系统中,通常图象可以根据亮度标准进行分割,但在复杂的情况下,如自然景物,这种方法不能达到令人满意的分割效果。因为这类图象不具有均匀的亮度分布,而具有共同的纹理特征。

纹理分析_第4张图片 图片来自Extraction of Textured Regions

    如果在没有任何先验知识以及任何统计训练数据可以利用的情况下,可以采用如下的基于共生矩阵的纹理分割方法。

    例如,对于256x256大小的原图象,随机地选择40个NxN子图象,N需要根据实验来确定。记图象的灰度级数目是G,根据这些子图象计算各自的共生矩阵(GxG)。然后,将共生矩阵分成n等份方形子矩阵,用子矩阵元素的平均值形成一n维特征向量。根据它们在Rn特征空间的聚类情况,将图象分成不同的纹理区域。

    在纹理分析中,Gabor变换是一种常用的重要工具,具有十分重要的作用。有关Gabor变换的基本概念在第12章第5节有介绍,更为深入的内容读者可以参照网上的相关资料(Gabor Filters for Texture (links) ..\..\download_IPCVPR\textureanalysis\USC Gabor Filters for Texture.htm)。

    此外,分形技术在图象纹理分割中具有十分重要的应用,参见:杨波 徐光佑 朱志刚,基于分形特征的自然景物图象分割方法,中国图象图形学报,1999。


你可能感兴趣的:(纹理分析)