图像纹理特征提取方法综述
第14卷 第4期2009年4月
中国图象图形学报Journa l o f I m age and G raphics
V o.l 14,N o .4
A pr .,2009
图像纹理特征提取方法综述
刘 丽
匡纲要
(国防科技大学电子科学与工程学院,长沙 410073)
摘 要 纹理是一种重要的视觉线索,是图像中普遍存在而又难以描述的特征。纹理分类与分割是图像处理领域一个经久不衰的热点研究领域,纹理特征提取作为纹理分类与分割的首要问题,一直是人们关注的焦点,各种纹理特征提取方法层出不穷。在广泛文献调研的基础上,回顾了纹理特征提取方法的发展历程,分析了其研究现状,对纹理特征提取方法进行了较为全面的综述,对其进行分类和比较,最后给出了纹理研究领域的主要发展趋势。关键词 图像纹理 纹理特征提取 灰度共生矩阵 马尔可夫随机场 分形 小波 G abo r 滤波器 自回归模型中图法分类号:TP391 41 文献标识码:A 文章编号:1006 8961(2009)04 0622 14
O vervie w of I mage T extural Feature Extracti onM ethods
LI U l,i KUANG Gang yao
(Colle g e of E le c t rical S cie n ce and Eng i neeri ng,Na tional Universit y o f De fense Technol ogy,Chang sha 410073)
Abstrac t T exture i s an i m portan t v isual cue Itw i dely ex ists i n i m ages and i s hard to descr i be T ex t ure class ifi cati on and segm en tati on i s a ho t research fie l d i n i m age pro cessi ng Due t o its i m portance in texture c l assifi ca tion and seg m entation ,tex ture feature ex tracti on has rece i ved consi derab le attention duri ng the past decades and nu m erous approaches have been presented i n the li tera t ure Based on ex tensive i nvesti gation of ex i sti ng arti c l es ,
the develop m ent history and current
chall eng es of texture feature ex tracti on m ethods are rev ie w ed i n deta ils F irst ,a comprehens i ve overv i ew of tex ture feature ex tracti on m ethods is presented i n this paper T hen ,c lassificati on and com par isons o f tex ture fea t ure ex tracti on m ethods are g iven A t l ast ,conc l usi ons and f uture develop m ent o f tex t ure fea t ure ex tracti on are discussed K eywords
i m age tex ture ,
tex t ure fea t ure extrac tion ,
gray L evel co occurrence m atr i x ,ma rkov random field ,
frac ta,l
w avelet ,G abor filter ,autoreg ressi ve mode l
收稿日期:2007 10 08;改回日期:2007 12 27
第一作者简介:刘 丽(1982~ ),女。国防科技大学电子科学与工程学院信息与通信工程专业在读博士。主要研究方向为遥感信息处理。E m ai:l f eiyun l y@i hot m ail co m
1 引 言
纹理是一种重要的视觉线索,是图像中普遍存在而又难以描述的特征。纹理分析技术一直是计算机视觉、图像处理、图像分析、图像检索等的活跃研究领
域。纹理分析作为诸如上述应用的基础性研究领域之一,其研究内容主要包括:纹理分类和分割、纹理合成、纹理检索和由纹理恢复形状如图1所示。这些研究内容的一个最基本的问题是纹理特征提取。
作为纹理研究的主要内容之一,纹理分类与分
割问题一直是人们关注的焦点,涉及模式识别、应用
数学、统计学、神经生理学、神经网络等多个研究领域。纹理特征提取是成功进行图像纹理描述、分类与分割的关键环节,因为提取的纹理特征直接影响后续处理的质量。在具体纹理特征提取过程中,人们总是先寻找更多的能够反映纹理特征的度量,然后通过各种分析或变换从中提取有效的特征用于纹理描述和
分类。纹理特征提取的目标是:提取的纹理特征维数不大、鉴别能力强、稳健性好,提取过程计算量小,能够指导实际应用。鉴于纹理特征提取的重要性,至少半个世纪以前,人们开始探索图像纹理特征提取方
法,多年来纹理特征提取依然并且无疑将继续在纹理
分类与分割中发挥非常重要的作用。图1 图像纹理应用F i g 1
I m ag e texture applicati on
回顾50多年的曲折发展历程,各国研究者对纹理特征提取方法进行了广泛的研究,该领域已经发
展了许多纹理特征提取方法,如著名的灰度共生矩阵(GLC M )、灰度行程长度法(gray level r un length)、自相关函数法,同时随着应用领域的不断扩大和新理论如分形理论、马尔可夫随机场(MRF)理论、小波理论等的引入,使得对纹理特征提取的研究变得缤纷多彩,但是并不像人们期待的那样取得巨大成功。纹理的微观异构性,复杂性以及其应用的广泛性和概念的不明确性给纹理研究带来很大挑战。尽管人类区分不同纹理的能力十分突出,但许多研究者深感自动描述、鉴别纹理是非常复杂和困难的。目前,在理论和应用之间仍存在一条很难逾越的鸿沟,即缺乏实用的、稳健的纹理特征提取方法。
随着相关理论的发展以及各个应用领域的需求牵引,经过各国研究者几十年的共同努力,纹理特征提取方法层出不穷,迄今为止,对这些方法还没有一种统一的分类。为了使国内同行对纹理特征提取方法有一个较为全面的了解,在参考国内外大量文献的基础上,对纹理分类与分割中各种纹理特征提取方法进行了概括和评述,意在诠释推动纹理特征提取方法发展的驱动力,以期引起更多研究者对这一领域的关注。
2 发展与现状
2 1 发展与现状
20世纪70年代以前出现了自相关函数法
[1]
,功率谱方法,和一些与各种灰度频率相关的方法[2]
等。这些方法取得一定成功,但是没有具体的定义、描述或纹理模型,仅仅是某种数学变换。另外还有一些提取纹理特征的方法,也仅限于提取特定的图像属性,如纹理粗糙度,纹理直线性等。1966年,Brodatz 给出了很多纹理图像的例子,即所谓的Brodatz 纹理库,成为后来人们研究纹理的重要数据源。
20世纪70年代,最有代表性的是H ara lick 对纹理的分析和理解以及提出的纹理特征提取方法,为后续的纹理研究提供了理论支持和技术积累。1973年,H aralick [3]
在利用陆地卫星图像研究美国加利福尼亚海岸带的土地利用问题时,开创性地提出著名的GLC M,它在纹理分析中是一个很好的方法,广泛用于将灰度值转化为纹理信息。此外,这个阶段
出现的方法主要还有灰度行程长度法[4]
、灰度差分
统计法[5],自回归模型法[6]
等,这些方法在纹理分类中有一定效果,但是这些方法的后继研究很少,在实际应用中也较少采用。
从20世纪80年代以来,MRF 理论在纹理分析
中掀起一阵热潮[7 10]
,为纹理特征提取找到了一个新的方向,尔后相继出现了MRF 模型、G i b bs 模型、高斯马尔可夫随机场(GMRF)模型、同步自回归模型(SAR)、隐马尔可夫随机场模型(HMRF )、广义MRF 模型和多分辨率MRF 等等。同时,分形理论也为提取纹理特征注入了新的活力。1984年,Pentl a nd [11]
等人在这方面做了开创性的工作,指出分形模型非常适用于描述纹理图像。后来更多学者将分形用于纹理分类,以分数维来描述图像区域的纹理特征。其中引人瞩目的是Chaudhuri 和Sar ker [12]
提出了差分计盒算法,这是一种简单、快速、精度高的分形维数计算方法,也是目前用得较多的一种方法。随后,K apan 等人
[13]
提出了非常吸引
人的扩展分形特征。
90年代以后,人们发现传统的纹理分析方法的一个瓶颈在于不能从多尺度有效描述纹理特征。小波理论的出现为时频多尺度分析提供了一个更为精确而统一的框架。小波变换提供了一种在不同尺度上研究分析图像纹理细节的工具,为更精细地进行图像纹理分类和分析提供了新思路,在纹理分析中具有广阔的发展空间。1989年,M a llat [14]
首先将小波分析引入纹理分析中之后,随之基于小波的纹理分析方法如雨后春笋般涌现出来。随着小波理论的
发展,小波在纹理特征提取中的应用也不断发展。
623
第4期刘 丽等:图像纹理特征提取方法综述
小波理论发展的许多分支,如多进制小波、小波包以及小波框架等等,它们均在图像纹理分析中发挥了积极的作用。如Chang等人[15]提出的基于树结构小波的纹理分类方法,Unser[16]研究的基于小波框架的纹理分类方法。
近年来,较引人瞩目的是O ja la等人[17]于2002年提出的局部二进制模式(LBP),该方法分析纹理的吸引人的地方在于其计算复杂度小,具有多尺度特性和旋转不变特性,在纹理检索领域得到应用。总的来讲,纹理特征提取在国际范围内呈现更加灿烂的局面,一方面,人们对已有经典的纹理特征提取方法进行深入研究与扩展;另一方面,新的纹理特征提取方法以及纹理特征提取方法的融合亦在蓬勃发展,主要集中在纹理多尺度特征、旋转不变特征的提取以及纹理特征的选择与融合,如GLC M与MRF的融合,小波方法与MRF的融合等等。
2 2 纹理的有关定义
纹理的定义一直为人们所关注,但是,图像纹理定义问题至今没有得到圆满的解决,仍然不存在为众人所公认的定义,这正是由于图像纹理形式上的广泛性和多样性所造成的,从而也使得研究者针对不同的应用提出了自己的概念与定义。下面是几个具有代表性的定义:
定义1[3,18] 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的内在属性,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联系。
定义2[1] 如果图像内区域的局域统计特征或其他一些图像的局域属性变化缓慢或呈近似周期性变化,则可称为纹理。
定义3[19] 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[20] 纹理被定义为一个区域属性,区域内的成分不能进行枚举,且成分之间的相互关系不十分明确。
定义5[21] 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[22] 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内大致为均匀的统一体。
定义1从物质的组成及人类对物体的视觉感知的角度审视纹理。定义2中,局部属性的集合可以理解为一些基元类型和它们的空间关系,这个定义的一个重要部分是属性必须在恒定的纹理区域内重复出现。定义3通过纹理基元的局部模式的数目和类型以及它们的空间关系来描述纹理。其余定义都强调了随机性、重复性、规律性等特征并存于纹理。总之,上述诸定义都是基于特定应用背景的,其中的共识是: 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;局部纹理信息不同程度的重复性,即全局纹理信息。
对纹理的认识或定义决定了纹理特征提取采用的方法,由于难以对纹理给出一个精确和统一的定义,不能对纹理做出完整的表达,一方面使纹理分析中的问题更为错综复杂、更具有挑战性;另一方面,图像的研究者们不断引入各种模型从不同侧面来描述纹理的多种属性,使得对纹理的研究缤纷多彩。
3 纹理特征提取方法分类
许多学者对纹理特征提取方法展开研究并试图对其进行分类。堪称经典的分类方法之一的是: 1979年,H aralick[18]对纹理特征提取方法进行综述,将其分为两类:统计方法和结构方法。当时一些重要方法如马尔可夫模型的方法初见端倪,小波方法尚未出现。1991年,Reed[23]总结了自1980年以来的纹理特征提取方法,将其分为3类:基于特征的,基于模型的和基于结构的。1993年,此时各种理论或方法在纹理特征提取中的应用已经基本成形, Tuceryan和Ja i n[19]将纹理特征提取方法归为5类,即统计方法、几何方法、结构方法、模型方法和信号处理方法,这种分类方法广为流传。其中几何方法是利用统计几何特征描述纹理,此类方法的应用和发展极其受限,且后继研究很少。本文按照纹理特征提取方法所基于的基础理论和研究思路的不同,并借鉴非常流行的Tuceryan和Ja i n的分类方法,将纹理特征提取方法分为四大家族:统计家族、模型家族、信号处理家族和结构家族,如图2所示。
统计家族的方法是基于像元及其邻域的灰度属性,研究纹理区域中的统计特性,或像元及其邻域内的灰度的一阶、二阶或高阶统计特性;在模型家族中,假设纹理是以某种参数控制的分布模型方式形成的,从纹理图像的实现来估计计算模型参数,以参数为特征或采用某种分类策略进行图像分割,因此
624中国图象图形学报 第14卷
模型参数的估计是该家族方法的核心问题;信号处理的方法是建立在时、频分析与多尺度分析基础之上,对纹理图像中某个区域内实行某种变换后,再提取保持相对平稳的特征值,以此特征值作为特征表示区域内的一致性以及区域间的相异性;结构家族的方法基于!纹理基元?分析纹理特征,着力找出纹理基元,认为纹理由许多纹理基元构成,不同类型的纹理基元、不同的方向及数目等,决定了纹理的表现形式。信号处理家族的方法从变换域提取纹理特征,其他3个家族直接从图像域提取纹理特征。各个家族的方法既有区别,又有联系。正如许多分类方法一样,只能认为某一种方法更大程度地属于某一家族,较小程度地属于其他家族。下面分别对各大家族的方法予以阐述。
图2 纹理特征提取方法分类
F i g 2 C lass ificati on of textura l fea t ure ex tracti on me t hods
3 1 统计家族
统计家族发展至今已经40多年,其方法思想简单,易于实现。实践证明,GLC M在该家族中一支独秀,具有旺盛的生命力;其次是半方差图方法。以下主要阐述前两种方法。此外,纹理谱方法[17,24],比如LBP[17],因其计算复杂度小,并且具有旋转不变性和多尺度特性,也备受关注。但是像灰度行程长度法、灰度差分统计、交叉对角矩阵[25]等方法由于提取的纹理特征鉴别能力一般,有些甚至很差,加上计算量大,故其应用极为有限,后续研究很少。
3 1 1 GLC M
该方法是建立在估计图像的二阶组合条件概率密度基础上的。GLC M是描述在 方向上,相隔d 像元距离的一对像元分别具有灰度层i和j的出现概率。显然GLC M是一个对称矩阵,是距离和方向的函数,其阶数由图像中的灰度级N g决定,由GLC M能够导出14种纹理特征[3]。尽管由GLC M 提取的纹理特征具有较好的鉴别能力,但是这个方法在计算上是昂贵的,尤其是对于像素级的纹理分类更是应用受限。首先计算GLC M很耗时,再者需要提取14个纹理特征,其所需时间可想而知。
因此,不断有研究者尝试对其改进。 通过减少图像的灰度级,可以减少计算量,但是这种做法会
625
第4期刘 丽等:图像纹理特征提取方法综述
损失一定的灰度的空间依赖信息。方向 和距离d的选择。大部分研究者在应用时,d一般取1, 一般选择为0#、45#、90#、135#。?计算GLC M的窗口选择。如Soh和Tsatsou lis[26]通过对不同尺度和方向的GLC M进行平均来降低计算量。%研究提取的纹理特征之间的相关性,选择最有鉴别能力的纹理特征。U laby等人研究发现:在基于GLC M的14个纹理特征中,仅有4个特征(对比度、逆差矩,相关性、能量)是不相关的,这4个特征既便于计算又能给出较高的分类精度[27];文献[28]详细研究了6个纹理特征,认为对比度和熵是最重要的两个特征;文献[29]通过分析GLC M的计算问题,得到3个不相关且分辨力最好的特征为:对比度、熵和相关性。前三种改进方式可以减少计算量,但是并不能解决GLC M方法存在的问题。C lausi对GLC M方法有深入的研究,从算法实现上对其做了较好的改进[30]。
此外,较引人注意的还有W a l k er等人[31]提出自适应多尺度的GLC M方法,同时,还提出基于遗传算法的GLC M方法,其通过实验得出两种分类错误率明显低于传统的GLC M方法,并减轻了特征选择的计算负担。最后值得一提的是,2005年, K andas w a m y[32]分析了GLC M的计算复杂度,受统计占有模型的启发,提出一种提高纹理分析效率的方法,通过相似度评估,采用近似纹理特征分析雷达图像纹理特征,描述了如何提取近似纹理特征,其结论为:近似纹理特征可以提高图像纹理分析的效率,并没有引起分类正确率的下降。
3 1 2 半方差图(se m ivariog ra m)
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,因而能很好地表达纹理图像的特征。M iranda等人[33]对该方法用于图像纹理分类做了较为深入的研究,他们认为该方法较适用于分析雷达图像纹理。吴刚等人[34]根据变差函数的这种性质将单步长变差函数值作为图像纹理特征进行分割,其实验结果表明它对人造纹理以及大多数自然纹理的分割效果是十分有效的,对结果做进一步的后处理工作以精确定位纹理边缘有待进一步研究。
3 2 模型家族
该家族的方法对纹理图像建模后,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估计是模型家族研究的主要内容。该家族的主要方法见图2,本文将主要介绍随机场方法和分形方法。
3 2 1 随机场模型
随机场模型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数类模型参数;由估计的模型参数对灰度图像可以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。随机场模型实质上是描述图像中像素对其邻域像素的统计依赖关系,其中最重要的、应用最广泛的是MRF模型。
(1)MRF模型。MRF建模纹理的基本思想是通过任意像素关于其邻域像素的条件概率分布来描述纹理的统计特性。该模型的主要优点是提供了一种一般而自然的用来表达空间上相关随机变量之间的相互作用的模型。用MRF模型来描述纹理,首先起源于纹理合成领域[35],也可用于纹理分类与分割。由H a mm ersley C liff o r d理论[36],MRF和G i b bs 随机场之间具有对等特性,因此便于描述图像的空间约束关系,可以通过条件概率函数或者联合分布。对于MRF来说,由于大多数应用场合需要联合分布,而由条件分布推导联合分布通常比较困难, MRF GRF对等理论为此找到出路。
基于以上理由,加上有优化算法的支撑,如模拟退火、递归优化、贪婪优化、多尺度优化、条件迭代模式等等,使MRF得以广泛应用,通过选取恰当的基团势函数,可以给期望的空间特征结构指定一个较高的概率。与统计决策理论与估计理论结合,MRF 为各种各样的纹理图像建模问题提供了一个基本的理论框架。
传统形式的G ibbs模型多以空间灰度信息的线性干涉关系为描述基础,由于实际图像中空间灰度信息的非线性关系,这类模型在诸如多纹理分割这样的应用中,有较大的局限性。Deri n和E lli o t[37]讨论了纹理分割中的另一种G i b bs模型(MM L),他们设定了G ibbs模型的能量函数的参数形式,然后以最小二乘法估计相应的参数。这种方法同样难以应用于多灰度自然纹理图像的非监督分割中。Chen 和Kundu[38]的工作涉及了纹理特征分布概率的估计问题,试图将1维HM RF引入图像分割,遗憾的忽略了G ibbs分布及其2维形式。文献[39]摆脱了传统G i b bs模型中包含的线性干涉、高斯、参数对称相等假设等的束缚,提出利用G abor滤波和矢量量
626中国图象图形学报 第14卷
化技术完成模型参数的估计。
早期的MRF将纹理图像中像素的空间交互建模为基于平面网格上的MRF,通过迭代的算法将纹理的局部信息逐步传递到整个图像,但算法的计算量相当大,且还会随着图像尺寸的增大或噪声的增多而增加。Cohen[40]、Chellappa等人[41 42]对MRF 做了很好的研究,使得基于线性空间干涉模型的G MRF得到了成功应用,GMRF受到后续研究者的关注,他们认为在降低MRF的计算量方面,有两种思路: 采用非最优的、确定性的方法,收敛于局部最优点;采用多分辨技术。多分辨方法的几种解决方案是: 分而治之;长程作用;?分层MRF; %引入小波的MRF。
(2)自回归模型。自回归模型用于纹理分析最先由M cCor m ick等人[6]提出。像素灰度级从它们的邻域中的灰度级来估计,其中使用了线性估计参数,参数的估计采用最小均方误差准则或最大似然估计方法。模型的参数在细微纹理中变化显著,但是对于粗糙纹理则基本不变。
对图像纹理模型的研究很多采用具有自回归形式,由独立的噪声驱动的模型,即图像中的一个像素值表示为其邻域像素值的线性组合再加上一个噪声变量,不同像素的噪声变量是相互独立的。一般来讲,自回归并不需要随机变量的状态是递归的定义,随机变量所有的状态由噪声场的值同时指定,这就是SAR模型,SAR在纹理特征提取中应用最多,其值得研究主要由于: SAR模型参数少;对SAR 模型的研究可以延伸到S MA(si m u ltaneous m ov i n g average)、SARMA(si m ultaneous autoreg ressive m ov i n g average)模型。但也存在问题: 是一种旋转变化模型;由于计算量的原因,不宜取大的核邻域;?反映的纹理图像信息不全面,使用范围小;%邻域中核元素的选择问题。针对这些问题,毛建昌[43]等人引入高斯金字塔图像模型,提出多分辨率自回归模型;M ao和Ja i n[44]用多分辨旋转不变SAR模型提取纹理特征。
3 2 2 分形模型
1975年,美国数学家M andelbro t首次提出了分形。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地结合起来,因而在图像处理中备受人们的关注。分数维在图像处理中的应用是以两点为基础的:一是自然界中不同种类的形态物质一般具有不同的分数维;二是由于Pentl a nd[11]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有着非常密切的联系,因此可以利用图像区域的分形维数来描述图像区域的纹理特性。分数维描述纹理的核心问题是如何准确地估计分数维,目前人们已经提出了一些分数维的估计方法,但在估计精度和计算复杂度之间还没有一个很好的折中方法,这也是人们在分数维方面所一直探讨的问题。分数维最常用的算法有Ke ller[45]的盒维数以及Sar kar和Chaudhuri[12]提出差分计盒法等。
最重要的分形模型之一是由M andelbr o t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(rando m w alk)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。尽管自然纹理可以在大范围的尺度内呈现出相似的粗糙度,但是在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(FB M)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H urst参数提供了表达不同尺度上纹理粗糙度的一种特征[13]。多尺度H urst参数特征可被用来发展比单个H urst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[46]提出了有效估计广义H urst参数的方法,并对多尺度H urst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H urst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H urst 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。
3 3 信号处理家族
信号处理家族方法的共同之处在于用某种线性变换、滤波器或滤波器组将纹理转到变换域,然后应用某种能量准则提取纹理特征[47]。信号处理方法也称滤波方法。大多数信号处理方法的提出,基本基于这样一个假设:频域的能量分布能够鉴别纹理。基于该家族方法的常规的纹理分类流程如图3。
首先对图像进行滤波,各滤波通道的输出即为
627
第4期刘 丽等:图像纹理特征提取方法综述
图3 滤波方法纹理分类流程
F i g 3 T ex t ure c l assifi cation flow by filteri ng m ethods
初始特征,初始特征的方差差异载有纹理信息的差异;接下来的局部能量估计目的是估计局部区域中滤波器输出的能量。然而,精确的边缘保持和精确的能量估计是矛盾的。对边缘定位而言,需要高的空间分辨率,而能量估计要求高的频率分辨率,两者之间需要通过平滑滤波器进行折衷。局部能量估计包括非线性处理和平滑处理。恰当的非线性操作可以优化纹理鉴别的性能,非线性处理方法的选择不是很明确,大多数情况下都是根据经验。关于非线
性处理方法作用的详细分析参见文献[48]。常用
的平滑滤波器是矩形的[16,49 52]和高斯的[53 58]
,经验表明高斯滤波器是较好的选择。平滑滤波器的窗口的选择也很值得考虑,通常根据图像的频谱自适应的确定。
3 3 1 数字图像变换方法
图像通常被划分为不重叠的n ?n 的方形子图
像(子图像的大小通常为3?3的纹理单元),将像
素排列成n 2
维的向量,则图像可以表示为向量的集合,再对这些向量做变换,如图4所示。离散余弦变换方法
[59]
,周烽
[60]
提出的傅里叶级数方法,
Yu 提出的局部傅里叶变换方法以及张志龙[61]
提出的基于局部沃尔什变换的方法,都属于这一类方法。其差别主要体现在: 提取纹理单元中的局部纹理信息时采用了不同的变换方法; 根据局部纹理信息统计得到全局纹理特征时采用了不
同的方法。
图4 提取纹理特征的数字图像变换方法F ig 4 Extract texture feature by dig ital i m ag e transfor m
3 3 2 小波变换方法
纹理是一种视觉直接感受到的自然特征。人类的知识、生活经验使其在头脑中建立起为数巨大的物体模型和常识供识别使用,但指望计算机能代替人类完成各种复杂工作和识别任务,就必须赋予它有近于人的视觉功能和识别能力。随着对人类视觉机理的研究,人们逐渐认识到统计方法和结构方法均与人类视觉机理相脱节,难以进行更精确的纹理描述,由于大量自然纹理图像可以看作准周期信号,加上基于多通道滤波方法与人类的视觉机理相近,激发研究者研究多分辨纹理分析方法。
(1)Gabor 滤波方法。该方法利用了G abor 滤波器的良好性质,即具有时域和频域的联合最佳分辨率,并且较好地模拟了人类视觉系统的视觉感受特性,在图像纹理特征提取中备受青睐。该方法以
!纹理是窄带信号?[53]
为基础的,其主要思想是:不同纹理一般具有不同的中心频率及带宽,根据这些
频率和带宽可以设计一组Gabor 滤波器对纹理图像进行滤波,每个Gabor 滤波器只允许与其频率相对应的纹理顺利通过,而使其他纹理的能量受到抑制,从各滤波器的输出结果中分析和提取纹理特征,用于尔后的分类或分割任务。Gabor 滤波器提取纹理特征主要包括两个过程: 设计滤波器(例如函数、数目、方向和间隔); 从滤波器的输出结果中提取有效纹理特征集。
因此,首当其冲的就是Gabor 滤波器的设计,构建一个成功的设计方案必须考虑:单个滤波器参数的设计和滤波器组的布局。参数设计经典的两种方法分别是: 有监督方法即事先通过分析纹理样本的傅里叶谱来确定滤波器参数的,Dunn 和H i g g i n s 做了令人瞩目的研究,其在文献[62]中给出了单个Gabor 滤波器的详细设计准则; 无监督方法则首先根据一些生理学假设确定一大组滤波器,然后再通过分析滤波后的图像,筛选出合适的滤波器
[63]
。
628
中国图象图形学报 第14卷
滤波器组要覆盖整个空间/频率域,尺度和位置参数的选取应该使在频域中同一半径圆周上的各G abor 滤波器的频带不重叠,在同一径向上不同半径的圆周上的Gabor滤波器的频带也不重叠。
接下来是如何从G abor滤波器的输出结果中提取纹理特征。实际纹理图像并非严格意义上周期信号,因此,需要对G abor滤波后的图像进行非线性操作和能量计算来得到特征图像,并用建立的特征矢量做分类。可以直接利用G abor滤波结果作为纹理特征,但是纹理特征向量的维数高数据量庞大,因此研究者们集中在如何减少所用的滤波器的个数和对Gabor滤波的结果进行后处理等方面。典型的后处理方法有[53,55,63 65]:基于Gabo r滤波器的输出的幅度响应、高斯平滑处理、G abor能量特征、复矩特征、栅格元特征、独立成分分析法等等。
(2)小波方法。由于图像纹理往往展现出多尺度特征,小波变换为多尺度思想提供了一个清晰的数学框架。多尺度方法应用于纹理分割的基本思想就是要在低分辨率下获得稳定的纹理特征,快速可靠地识别不同纹理区域;在高分辨率下精确定位,以得到纹理边缘的真实位置;再由粗到细进行跟踪,获得图像的实际纹理区域。利用小波变换提取图像的多尺度纹理信息的思想步骤可简述如下:首先借助正交小波,对图像进行小波分解,得到不同分辨率的一系列图像。分辨率越低,具有的是原图像上越低频的信息。与此同时,每种分辨率的图像由代表不同方向信息的一系列高频子带图像组成,使用小波高频子带特征的目的在于它们可以反映图像的纹理特性。
二进制小波是最容易实现也是目前最普遍的方法,但是二进制小波变换不具备多频段特征,不适合用于分析窄带高频信号。多进制小波的最大优点是将一个信号的高频分量缩小到窄的带宽,并能分出更多的频段,同时有比二进制小波变换更好的能量紧凑性。正因为纹理重要的信息也大都集中在中、高频子带,所以多进制小波变换多频段特征正好适合于纹理分析,这也激发了研究者尝试采用多进制小波变换进行纹理分类和分割的研究。较有代表性的有:Ch itre和Dha w an[58]用多进制小波进行纹理分类,A charyya等人[66]也做出了一系列很有成效的工作,李峰[67]给出了一种采用四进制小波变换计算局部纹理特征测度的方法,得到了较好的分类效果。由于多进制小波的构造目前主要是通过共轭滤波器的方法实现的,这种方法随着多进制小波阶数的增加,计算复杂度将迅速增长,这对多进制小波的应用是一个很重要的限制。
传统的金字塔小波分解变换,仅对低频部分进行分解,随着分解层数的增加而逐渐向低频方向聚焦,仅利用了纹理图像低频子带的信息,已有的研究结果告诉人们,纹理图像的中、高频子带仍含有有关纹理的重要特征信息,因此这种情况对于纹理分类往往效果欠佳。树结构的小波变换和小波包分析则克服了这一缺点,它们可以同时对高频信息进行分解,为纹理分析提供了一种更加精细的分析方法。但是并非所有的子带图像信息都是有用的,对具体纹理图像进行分解时,可选择一个判据以确定哪些子带图像是需要进行分解的[15,68 70],从而避免不必要的使计算复杂化的图像全分解。树结构小波又分为完全树结构小波变换和不完全树结构小波变换两种。前者虽然能较全面地反映纹理特征,但是随着分解级数的增加,完全分解树的节点树呈指数增长,特征空间维数很大,对后续的特征分类带来困难。后者具有更大的选择灵活性,可以根据需要决定对各节点小波分解与否,这样得到的特征维数大大减少。小波包的分解方法不但可以对纹理图像信息集中的高频区域进行分析,而且得到的分解子图也保持了原始图像的大小,如Unser[16]的纹理分类方法采用一种不对分解输出进行子抽样的小波分解方法&&&离散小波框架,采用树结构和离散小波框架则会使小波分解的计算量和所提取的特征矢量的维数增加,可采用主成分分析等方法进行一定的优化处理。
尽管基于小波理论的纹理描述方法得到了很好的研究,但是滤波器组的选择问题仍然有待解决。小波基的构造会直接影响到图像纹理分析的效果,但有关这方面的研究报道并不多见,Unser指出滤波器的选择可能会影响图像纹理描述的质量, M o jsilovic[71]讨论了用于纹理描述的最优小波基的选择问题,建立了基于小波纹理描述算法的滤波器选择的相关准则;Rajpoot[72]讨论了纹理分析中自适应小波基选择问题,采用通过动态规划方法从正交小波基库中寻找鉴别能力最好的基。
前面两节的方法可以严格认为是信号处理家族的方法,并且应用广泛,研究也较为深入。此外如La w s纹理测量[49]、正交镜像滤波器[73]等,其思想简单易懂,但是后继研究较少,在各种参考文献和期刊
629
第4期刘 丽等:图像纹理特征提取方法综述
杂志中也很少找得到对此方面的研究著作,应用非常有限。
3 4 结构家族
结构分析方法认为纹理是由纹理基元的类型和数目以及基元之间的!重复性?的空间组织结构和排列规则来描述,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分离出来,以基元特征和排列规则进行纹理分割。显然确定与抽取基本的纹理基元以及研究存在于纹理基元之间的!重复性?结构关系是结构方法要解决的问题。由于结构方法强调纹理的规律性,较适用于分析人造纹理,而真实世界的大量自然纹理通常是不规则的,且结构的变化是频繁的,因此对该类方法的应用受到很大程度的限制,相应的研究没有其他三个家族的方法那么广泛和深入。下面简单介绍几种具有代表性的结构方法。
(1)句法(syntactic)纹理描述方法。基于纹理基元的空间关系与形式语言结构之间的类比,来自一个类别的纹理描述形成了一个可以由它的语法表示的语言,语法可以从一个语言词汇的训练集中推导,纹理识别过程则为纹理描述词汇的句法分析,对描述词汇做句法分析的语法就确定了纹理类别。纯句法的纹理描述模型是基于纹理由在位置上具有几乎是规范关系的基元所组成的想法。句法分析方法主要有形状链语法和图语法[74]。句法方法的价值在于其在若干层次上描述纹理的能力,但是纯句法方法应用起来很困难,通常与统计家族的方法结合。
(2)数学形态学方法。数学形态学方法在二值图像中使用结构基元寻找形状的空间重复性。当二值纹理图像由结构元素所腐蚀时,纹理属性就会表现在腐蚀后的图像中[75]。强调纹理基元的形状属性,但是由于二值纹理图像的假设,使其应用受限。
4 纹理特征提取方法比较
前文对目前已有的各类纹理特征提取方法已经做了较为全面的阐述。在此主要是对已有的纹理特征提取方法的比较工作进行总结,由于纹理特征提取方法种类很多,但是比较工作做得不够,尤其是在国内,从目前搜集的资料来看,极为有限。由于结构家族的发展和应用很受限制,本文主要关注前三大家族。便于总结,称家族内部方法的比较为纵向比较,称家族之间方法的比较为横向比较。4 1 纵向比较
(1)统计家族。1976年,W eszka[5]等人比较了GLC M、灰度差分统计和灰度行程长度统计法,采用Landsat图像进行地物分类,认为GLC M性能最优; 1980年,Conners和H arlo w[76]同样比较了这四种方法,得出的结论与W eszka一致。1998年,Carr和M iranda[77]比较了半方差图方法和GLC M方法用于遥感图像分类,得出GLC M方法对于光学图像分类效果较好,而半方差图较适用于雷达图像的结论。可见GLC M方法在统计家族中占主导地位,其次是半方差图方法。而灰度行程长度法是一种高阶统计方法,这种方法还没有被证明是一种提取纹理特征的有效方法;灰度差分统计提取的对比度特征与GLC M是一样的;交叉对角矩阵将GLC M方法和纹理谱方法巧妙的结合起来,其实验结果表明CDT M 方法的性能要好于GLC M方法和纹理谱方法,但是这种方法的最大缺点是计算量太大。
(2)模型家族。勿庸置疑,MRF在该家族中占统治地位。然而,从本人搜集的资料来看,该家族内部的比较工作很少。Bennett等人[78]在分析比较MRF模型和SAR模型的基础上,提出一种广义长相关模型(GLC),描述了该模型与SAR模型和MRF 模型之间的关系,作者称SAR模型和MRF模型是GLC模型的两种特殊形式,该模型可以对低频纹理图像即具有长相关性质的纹理图像很好的建模。作者将其成功用于纹理合成,但是对于纹理分类与分割问题,该模型有待进一步验证。
(3)信号处理家族。1999年,Randen[47]撰文详细总结了提取纹理特征的滤波方法,其结论为:!No sing le approach did perfor m best o r very close to the best for a ll i m ages,thus no si n g le approac h m ay be se lected as the clear(w i n ner)??。2002年, G ri g orescu[64]等人对3种基于Gabor滤波器组的纹理特征进行了比较研究,分别是:G abor能量特征, Gabor复数矩特征,栅格算子特征,针对各种自然纹理图像,主要结论是:栅格算子特征具有相对最好的纹理鉴别性能。利用Gabor滤波器分析纹理也是一个研究热点,尽管Gabor能量谱能捕获纹理中大量有用信息,但变换窗口的大小固定,很难获得纹理在频率和方向上微小的变化信息,难以满足实际应用的需求。另外,由于纹理特征提取时通常借助由多个Gabor滤波器组成的滤波器组,加上需要很多参数的确定,并且Gabor滤波在实现上还没有行之有
630中国图象图形学报 第14卷
效的快速算法,所以它们都需要大量的计算。与Gabor滤波器相比,小波变换继承和发展了Gabor变换,不仅时频窗口可以移动,而且窗口形状也随窗口中心频率的变化而自动调整。主要表现为在高频处时间分辨率高,在低频处频率分辨率高,有!聚焦?特性,所以又叫!数字显微镜?,并且存在快速算法。
4 2 横向比较
纹理特征提取一般都是通过设定一定大小的窗口取得纹理特征,窗口的选择,存在着相互矛盾的要求:一方面,纹理是一个区域概念,它必须通过空间上的一致性来体现,观察窗口取的越大,能检测出同一性的能力愈强,反之,能力愈弱;另一方面,由于不同纹理的边界对应于区域纹理同一性的跃变,因此,为了准确地定位边界,要求将观察窗口取得小一些。窗口太小会在同一种纹理内部出现误分割,而分析窗太大则会在纹理边界区域出现许多误分割。这也是各大家族共同的难点。下面从4个角度: 计算复杂度,是否与人类视觉感受相一致,?是否利用了全局信息,%是否具有多分辨特性,本文试图给出各大家族的一些优势与不足。
(1)统计家族的优势与不足
优势:方法简单,易于实现,尤其是GLC M方法是公认的有效方法,具有较强的适应能力和鲁棒性。Ohan i a n等人[79]对四种纹理特征提取方法的分类性能进行评估,分别是MRF、Gabor滤波、分形特征和GLC M,结果是GLC M表现最好,当图像较小时无疑先尝试GLC M方法,当纹理呈现某种自相似性时,建议采用分形方法。C l a usi[80 81]比较了GLC M、MRF 和Gabor方法在分类SAR海冰图像时的性能,发现GLC M分类正确率最高,其次是G abor方法,GLC M 对纹理边界要较MRF敏感。
不足: 与人类视觉模型脱节,缺少全局信息的利用,难以研究纹理尺度间像素的遗传或依赖关系;缺乏理论支撑;?计算复杂度很高,制约了其实际应用。
(2)模型家族的优势与不足
优势:模型家族的方法能够兼顾纹理局部的随机性和整体上的规律性,并且具有很大的灵活性;采用随机场模型法对遥感影像纹理特征进行描述并在此基础上进行分割,在很大程度上符合或反映了地学规律;MRF的主要优点是提供了一种一般而自然的用来表达空间上相关随机变量之间的相互作用的模型。它注意到纹理的多分辨率特性,结合图像的分层理论,发展了分层MRF方法、多分辨率MRF方法等,不但可以提高处理效率,而且研究纹理尺度间像素的遗传或依赖关系以取得纹理特征。
不足: 由于主要是通过模型系数来标识纹理特征,模型系数的求解有难度;由于基于MRF模型的纹理图像分割是一个迭代的优化过程,它由局部到全局的收敛速度很慢(即使条件迭代模式(I C M)能加速寻找解),因而需要很大的计算量,通常需要迭代数百次才能收敛;?参数调节不方便,模型不宜复杂。
(3)信号处理家族的优势与不足
优势:对纹理进行多分辨表示,能在更精细的尺度上分析纹理;小波符合人类视觉特征,由此提取的特征也是有利于纹理图像分割的;能够空间/频域结合分析纹理特征。
不足:正交小波变换的多分辨分解只是将低频部分进行进一步的分解,而对高频部分不予考虑,而真实图像的纹理信息往往也存在于高频部分,小波包分析虽然克服了这一缺点,但对非规则纹理又似乎无能为力,小波多应用于标准或规则纹理图像,而对于背景更复杂的自然图像,由于存在噪声干扰,或者某一纹理区域内的像素并非处处相似,因此往往效果不佳。另外,也存在计算量大的问题。
综上所述,在提取纹理特征的有效性方面,统计家族、模型家族和信号处理家族可以说相差无几,都获得了人们的认可,未来哪一个家族占上风,目前尚难预料。此时研究者们[82 85]开始注意到纹理特征提取方法的融合。由于G abor滤波器能精确捕获低频和中频纹理信息,加上GLC M对高频纹理信息的获取能力,2005年,C lausi等人[86]设计了一种融合Gabor滤波器和GLC M的纹理特征提取方法,以改进纹理识别。该融合方法产生较高的特征空间分离,并且分类正确率较单独的特征集有了提高。文献[87]融合了多尺度GLC M方法和半方差图方法,用于雷达图像纹理分类。GLC M是像素距离和角度的函数,因此完整的GLC M的计算,其参数的选取范围很广,计算量很大,为了解决这个问题,文献[29]应用马尔可夫链的性质,从理论上证明了当像素距离足够大的时候,GLC M的计算结果趋于一致性,由此纹理计算中参数的简化选择有了一定的依据。
为了能够准确地描述小波系数间的相关性,要解决的问题是分析并建立适当的数学模型。研究者
631
第4期刘 丽等:图像纹理特征提取方法综述
们把小波和马尔可夫模型结合在一起。K rishna m achar等人[42]在高斯金字塔结构上引入M RF模型,并利用最大后验概率进行纹理分割。实验表明,这种算法确实优于直接建立在原始图像本身上的MRF模型的分割算法。Noda等人[88]认为小波系数在尺度间、尺度内均有相关性,建立了保留所有频带的多元GMRF模型,并用E M算法进行参数求解、分割图像。尽管该算法的分割结果优于高斯金字塔马尔可夫随机场的结果,但它没有充分考虑纹理在小波不同频带中的性质,而且参数求解过程过于复杂,算法很难实现。
5 结 语
纹理分析作为图像处理领域经久不衰的热点研究领域,学术界在该领域已取得一定的成功,纹理特征提取方法也各种各样,但若要有效地指导实际应用,纹理特征提取的研究还有若干问题有待解决。虽然纹理研究目前存在很多困难,并且在实际中的应用也不尽如人意,但是这丝毫也不能掩盖纹理研究的重要意义。总结对纹理特征提取方法的研究,本文认为存在如下一些亟待解决的问题:
(1)有关纹理定义
缺乏统一的图像纹理的概念,导致纹理的研究范畴广泛而模糊。
(2)纹理特征提取方法存在的问题
大多数纹理特征提取方法属于启发式的方法,目前主要是以方法本身和实验性研究为主。大多数方法都是在视觉可区分的纹理上进行实验和验证,并且针对纹理边缘相对简单的图像,而对于含有多种纹理类型的复杂的边界问题的研究较少,此外对视觉上是不可区分的纹理的研究和实验也不多见。
纹理分析是一个非常耗时的过程,对于算法本身的优化问题也研究不够。少数方法能同时从局部和全局分析纹理特征;对纹理特征融合方法的研究文献很少,而恰当地对不同纹理特征提取方法进行融合无疑可以得到描述纹理更完善的特征集;对现有的纹理特征提取方法的比较工作做得不够,已有文献的比较工作往往针对纹理分类问题本身,采用特定尺寸的单一纹理样本进行训练和算法测试,说服力不强。
许多算法应用于测试图像还可以取得较好的效果,但是应用到实际的、大尺寸的图像,却还存在一定问题。
(3)纹理特征提取方法性能的评估问题
缺乏对纹理特征提取方法性能评估标准的研究,导致各种方法之间的比较工作很难进行,鲜有说服力。现有的比较主要从提取纹理特征过程的计算复杂度、提取的纹理特征的特征分离度、在纹理分类与分割中的分类正确率几方面进行。
(4)纹理特征提取方法的实际应用问题
人们已经广泛地意识到,纹理领域的大量研究,增加了人们对纹理的理解,但是也不得不承认:尽管这项研究已经取得很大进展,但是很难在实际中发挥作用。
针对上述问题,图像纹理特征提取存在以下几个主要发展趋势:
(1)继续引入新的理论或者数学工具分析纹理,正如分形理论、小波理论等的引入,但是要注意到R anden[47]所建议的!A very usefu l d irection for future research is there fore the developm en t of po w erf u l tex ture m easures tha t can be extracted and classified w ith a l o w co m putational co m plex ity?。
(2)纹理常常被划分为两种极端的情形:规则纹理和随机纹理,但大多数自然纹理则是这两种情形的复杂组合,单纯用某种单一的数学模型来表征纹理可能非常困难,因此,研究和应用各种特征提取方法的融合方法应是纹理分析研究的一个方向;在提取纹理特征以及设计图像纹理分类与分割算法时,一定要考虑到计算速度和所需的存储量,如何得到实时、可靠、稳定、实用的融合纹理特征是目前研究的热点。在纹理分类方面,特征选择是一个关键环节,基于小波变换的特征和基于分形模型的特征都有很好的分类表现,两者有共同之处,都是多尺度的分析方法,由于分形与小波本质上研究的均是非线性问题,内容涉及对象的细节,从某方面而言,与对象自相似性有关,因此分形与小波的融合,在纹理分析中是今后的重要发展方向。由于多尺度分析方法发展的目的和动力是要致力于发展纹理描述的最优表示方法,MRF与小波的融合仍将继续受到关注。
(3)如何利用纹理知识。纹理无处不在,几乎人人都可以为纹理研究人员提供研究材料。从纹理感知的角度出发,未来可以通过对大规模的纹理图像集合或纹理图像库进行研究,提取出视觉元素。对这些元素进行语义描述,并建立一个关于纹理知
632中国图象图形学报 第14卷
识的数据库,对这些知识进行描述、分类、管理和共享。不难预见,纹理知识与纹理特征提取方法的综合应用,是解决实际问题所必须的。
(4)纹理视觉感知的研究。单一的纹理特征提取方法很难达到满意的效果,如果模拟人类的这些视觉特性提取纹理特征,并在此基础上进行纹理分割是比较有效的。因此对生理学和心理学结合是很有帮助的。可以预见,加入人类视觉和融合不同纹理特征提取方法的研究成果将有助于找到抽取和描述纹理特征的最终解决方案。
参考文献(R eferences)
1 Sk lansk y J.I m age seg m en tation an d featu re extracti on[J].
IEE E Transactions on Sys t e m s,M an,and C ybernetics,1978, 8(5):237 247
2 Darli ng E M,Joseph R D.Pattern recogn ition from satellite altit udes
[J].I EEE Transacti ons Syste m,Science,C ybernetics,1968, 4(1):38 47
3 H aralick RM,Shanm uga m K,D i nstei n I.Textural f eat ures f or i m age
class i fi cati on[J].IEEE Transactions on Syste m s,M an,and
C ybernetics,1973,3(6):610 621
4 G all o w ay M.Tex t ure anal ysis us i ng gray l evel run lengt h s[J].
C o m pu ter G raph ics I mage Processi ng,1975,4:172 199
5 W eszka J S,Dyer C R,Rosenfel d A.A co m parati ve study of texture
m eas ures for terrai n class ificati on[J].IEEE Transacti ons on Syst e m s,M an,and C ybernetics,1976,6(4):269 285
6 M cCor m i ck B H,Jayara mamu rthy S N.T i m e seri es m odel f or texture
syn t hesis[J].I n ternati onal J ou rnal ofC o mpu ter In f or m ati on Science, 1974,3(4):329 343
7 Chell appa R,C hatterjee S.C l assifi cati on of t ex t ure usi ng gau s s i an
M arkov rando m fiel ds[J].I EEE T ran s acti ons on Acousti cs,Sp eec h, and S i gnal Processi ng,1985,33(4):959 963
8 C hen C C,H uang C L.M arkov rando m fi el ds for texture class i fi cati on
[J].Pattern Recogn ition Letters,1993,14(11):907 914
9 H assnerM,Sk l an s ky J.Th e use ofm arkov rando m fi elds as m odels of
texture[J].Compu t er Graph i cs and I m age Processi ng,1980, 12(3):357 370
10 K an eko H,Y od oga w a E.A m arkov random fi eld app licati on to
texture class i fi cati on[A].In:P roceed i ngs of IEEE In t ernational
C on f eren ce on Pattern Recogn iti on and I m age Proces s i ng on PRIP
[C],1982:221 225
11 Pentl and A P.Fract al based descri p tion of natura l scenes[J].IEEE
T ransacti on s on Pattern Anal ysis and M ach i ne Intelli gen ce,1984, 6(6):661 674
12 Sarkar N,Chaudhu ri B B.An effi ci en t d ifferenti al box counti ng
app roach to co m pute fractal d i m en si on of i m age[J].IEEE T ransacti on s on Syste m s,M an,and Cyb erneti cs,1994,24(1): 115 120
13 K ap an L M,Ku o C C.E x tend i ng self s i m ilarity for fracti ona l
b ro w n i an m oti on[J].I EEE T ransacti on s on S i gnal Process i ng,
1994,42(12):3526 3530
14 M all at S G.A t h eory for m u ltires oluti on s i gnal deco m position:the
w avelet represen t ati on[J].I EEE T ransacti on s on Pattern Analys i s and M ach i ne Intelligen ce,1989,11(7):674 693
15 Chang T,Ku o C C.Texture anal ys i s and cl assifi cati on w it h tree
struct u red w avel et trans f or m[J].I EEE T ransacti on s on I m age Processi ng,1993,2(4):429 441
16 U nserM.T ext u re cl assification and seg m en t ati on u si ng w avel et fra m es
[J].I EEE T ransacti on s on I m age P rocess i ng,1995,4(11): 1549 1560
17 O j ala T,Pieti k inen M,M enp T.M u ltiresol uti on gray scal e and
rotati on i nvarian t texture cl assifi cati on w i th local b i nary pattern s[J].
I EEE Transactions on Pattern Anal ys i s and M ach i n e Intelli gen ce,
2002,24(7):971 987
18 H aralick R M.S tati stical and struct u ral app roaches to texture[J].
Proceed i ngs of t he I EEE,1979,67(5):786 804
19 Tuceryan M,Jai n A K.Texture Analys i s,H andbook Patt ern
Recogn iti on and Co m puter V i s i on[M].S i ngapore:W orl d S ci en tific, 1993,235 276
20 R ic h ard s W,Po lit A.Text u re M atch i ng[J].Kybern eti c,1974,
16(3):155 162
21 W ang Run s h eng.I m age Understand i ng[M].C hangs ha:N ati on al
Un ivers i ty of Defense Technol ogy Press,1994:145 146 [王润生.
图像理解[M].长沙:国防科学技术大学出版社,1994: 145 146 ]
22 H a w k i ns J K.Text u ral p roperti es f or pattern recogn ition[A].In:
L i pk i n B,Ros en fel d A.P i ct u re Processing and Psychopict orics[C], N e w Yor k,U SA:Acad e m ic Press,1970:347 370
23 Reed T R,du Buf J M H.A revie w of recent text u re seg m entation
and f eature extracti on t echn iques[J].CVGIP:I m ageUnderstanding, 1993,57(3):359 372
24 W ang L,H e D C.T ext u re class i fi cati on us i ng text u re spectrum[J].
Pattern Recogn i ti on,1990,23(8):905 910
25 A l Jan ob iA bdu lrahm an.Perfor m an ce eval u ation o f cross d i agona l
text u re m atri x m et hod of text u re analysis[J].Patt ern Recogn iti on, 2001,34(1):171 180
26 S oh K S,Tsatsou li s C.Texture analys is ofSAR sea ice i m agery using
gray level co ocuurren ce m atri ces[J].I EEE T ran s acti ons on
G eosci ence and Re m ot e S ensing,1999,37(2):780 795
27 U laby F T,K ouyate F,Brisco B,et a l.T ext u ral i n f or m ation i n SAR
I m ages[J].I EEE T ransacti on s on Geosci en ce and Re m ote S ens i ng,
1986,24(2):235 245
28 B arald i A,Pa r m iggian i F.A n i n vestigati on of th e textu al
characteristi cs associ ated w it h gray level coocurrencem atri x s t ati sti cal para m eters[J].I EEE Transactions on Geosci en ce and Re m ote S ensi ng,1995,33(2):293 304
29 Bo H ua,M a Fu l ong,J i ao li c h eng.Res earch on co m putati on of
GLCM of i m age text u re[J].A cta E lectron ica S i n i ca,2006,34(1): 155 158 [薄华,马缚龙,焦李成.图像纹理的灰度共生矩阵计算问题的分析[J].电子学报,2006,34(1):155 158 ]
633
第4期刘 丽等:图像纹理特征提取方法综述
30 C l au siD A,Jern i gan M E.A f astm et hod to deter m i ne co occu rrence
texture feat u res[J].I EEE T ransacti on s on Geosci en ce and Re m ote Sens i ng,1998,36(1):298 300
31 W al ker R F,J ackw ay P T,Longstaff I D.R ecen t devel opm en ts i n
the use of co occurrence m atri x for text u re recogn ition[A].I n: P roceed i ngs of I EEE C onferen ce on D i gital S i gn al Processi ng[C], San t ori n,i G reece,1997,1:63 65
32 K andas w a my U,Ad j eroh D A,LeeM C.E ffici en t texture an al ysis of
SAR i m agery[J].IEEE T ransacti on s on G eoscience and Re m ote Sens i ng,2005,43(9):2075 2083
33 M iranda F P,M acDonal d J A,Carr J R.App li cati on of t he
se m i vari ogra m text u ral class i fi er(STC)f or vegetati on d i scri m i n ati on Us i ng SI R B data of bor n eo[J].Inter n ati on al J ou rnal of Re m ote Sens i ng,1992,13(12):2349 2354
34 W u G an g,Yang J i ng an,W ang H on g yan,A n algo rithm for
seg m en tati on of text u re i m age bas ed on i m age vari ogra m f unction[J].
Acta E lectron ica S i n ica,2001,29(1):44 47 [吴刚,杨敬安,王洪燕.一种基于变差函数的纹理图像分割方法[J].电子学报, 2001,29(1):44 47 ]
35 C ross G R,Jai n A K.M arkov rando m field t ex t urem odels[J].IEEE
T ransacti on s on Pattern Anal ysis and M ach i ne Intelli gen ce,1983, 5(1):25 39
36 Ger m an S,G er m an D.Stochas tic rel axation,g i bbs d i stri bu tion and
bayes i an restoration of i m ages[J].I EEE Transactions on Pattern Anal ys i s and M ach i n e Intelli gence,1984,6(6):721 741
37 Deri n H.E lli ottH.M od eli ng and seg m en tati on of no i sy and textured
i m ages us i ng G i bb s Rando m F i el d s[J].IEEE T ransacti ons on
Pattern An al ysis and M ach i ne I n telli gence,1987,9(1):39 55
38 Chen J L,Kundu A.Auto m atic un s upervised text u re seg m en tati on
us i ng h i dden m arkov m od el[A].In:Proceed i ngs of IEEE In ternati onal Con ference on Acousti cs,Speech,and S ignal P rocess i ng[C],M i n eapoli s,USA,1993,5:21 24
39 M a X iao chuan,H ou Zhao hu an,Zhao Rong chun.Ne w fsrf G i bbs
model f or texture i m age[J].Ch i n ese Journal of Co m puters,1998, 21(1):303 307 [马晓川,侯朝焕,赵荣椿.一种新的纹理图像的G i bbs模型[J].计算机学报,1998,21(1):303 307 ]
40 C ohen F S,Fan Z,PatelM A.C l assifcation of rotated and scal ed
textured i m ages us i ng gau ssi an m arkov rando m fiel d m odels[J] IEEE T ransacti on s on Patt ern An al ysis and M ach i ne In t elli gence, 1991,13(2):192 202
41 Chellappa R,C hatterjee S.C lass ificati on of texture us i ng Gau s s i an
M arkov Rando m Fiel ds[J].IEEE T ran s acti ons on A coustics, Speech,and S i gnal Process i ng,1985,33(4):959 963
42 K r i shn a m ach ari S,Ch ellap pa R.M u ltiresolu tion G au ss m arkov
rando m fiel d models f or texture seg m entati on[J].I EEE T ran s acti ons on I m age Process i ng,1997,6(2):251 267
43 M ao Jian chang,W ang Ch eng dao,W an Ji a ruo.A mu ltiresol uti on
s i m u ltaneous au t o regres s i ve m odel[J].A cta E lectron ica S inica, 1988,16(6):63 68 [毛建昌,王成道,万嘉若.多分辨率自回归纹理模型[J].电子学报,1988,16(6):63 68 ]
44 M ao J,Jai n A K.Texture cl assification and segm entati on us i ng
M u lti resol uti on S i m u lt aneou s Autoregressi ve M odels[J].Patt ern Recogn iti on,1992,25(2):173 188
45 Chen S S,Keller J M,C ro w nover R M.On t h e calcu l ation of fractal
feat u res fro m i m ages[J].I EEE Transactions on Pattern Recogn ition and M ach i ne Intelligen ce,1993,15(10):1087 1090
46 Kap lan L M.Extend fract a l analys is f or text u re clas s ification and
seg m entati on[J].I EEE T ransacti ons on I mage Processi ng,1999, 8(11):1572 1585
47 Randen T,H u s oy J H.F iltering for tex t u re c l ass ifi cati on:A
co m parati ve study[J].IEEE Transactions on Pattern Analys i s and M ach i ne Intelligen ce,1999,21(4):291 310
48 Un ser M,E d en M.N on lin ear operators f o r i m p rov i ng textu re
seg m entati on based on f eatures ex tracted by s pati al filteri ng[J].
I EEE T ran s acti ons on Syste m s,M an,and C ybernetics,1990,
20(4):804 815
49 L a w s K I.Rap i d text u re i den tificati on[A].In:Proceedings of the
SPI E C on f eren ce on I m age Processing for M i ss il e Gu i dan ce[C], Belli ngha m,USA,1980:376 380
50 S trand J,T axt T.Local frequen cy features for text u re cl assification
[J].Pattern R ecogn i ti on,1994,27(10):1397 1406
51 Coggins J M,Jai n A K.A spati al filteri ng approac h t o t ex t ure
anal ysis[J].Pattern Recogn ition,1985,3(3):195 203
52 Ad e F.C h ara cterization o f textu re b y e i gen filter[J].S i gn al
Processi ng,1983,5(5):451 457
53 Bovi k A C,C l ark M,G ei s l er W S.M u ltichannel t ex t ure analys i s
u si ng loca li zed spatial filt ers[J].I EEE T ransacti on s on Patt ern An al ysis and M ach i ne I n telli gence,1990,12(1):55 73
54 Randen T,H usoy J H.Texture seg m entation us i ng filters w i th
opti m ized energy separation[J].IEEE T ran s acti on s on I m age Processi ng,1999,8(4):571 582
55 Ch en Y ang,W ang Run sheng.A m ethod for t ex t ure cl assifi cati on by
i n tegrati ng Gabor filters and I CA[J].Act a E lectron ica S i n ica,
2007,35(2):299 303 [陈洋,王润生.结合Gabor滤波器和
I CA技术的纹理分类方法[J].电子学报,2007,35(2):299
303 ]
56 W u Gao hong,Zhang Yu ji n,L i n X i ng gang.O pti m al Gabor fil ter
d es i gn for b i text u red i m ag
e seg m en tati on[J].A cta E lectron ica
S i n ica,2001,29(1):48 50 [吴高洪,章毓晋,林行刚.分割双纹理图像的最佳Gabor滤波器设计方法[J].电子学报,2001, 29(1):48 50 ]
57 C laus iD A,Jer n igan M E.Des i gn i ng Gab or filters for op ti m al t ex t ure
separab ilit y[J].Pattern Recogn ition,2000,33(11):1835 1849 58 Ch itre Y,Dhawan A P.M band w avelet d i scri m i n ati on of n atural
text u res[J].Pattern R ecogn i ti on,1999,32(5):773 789
59 Ng I,Tan T,K ittler J.On l ocal li n ear tran sfor m and Gabor fil ter
rep resen tati on of texture[A].I n:P roceed i ng of t h e11th I APR Con ference on I m age,Speech and S i gnal Anal ys i s[C],H ague, N etherl and s,1992:627 631
60 Zhou F,Feng J,Sh i Q I m age seg m en t ati on b ased on l ocal f ou ri er
tran sf or m[A] In:Proceedings of Internati on al Con ference on I m age Processi ng[C],W uh an,Ch i na,2001:610 613
634中国图象图形学报 第14卷
61 Zhang Zh i l ong,Lu X i n p i ng,Sh en Zhen kang,e t a l.On texture
f eature ex tracti on based on l ocal W als h transfor m[J].S ignal
P rocess i ng,2005,21(6):589 596 [张志龙,鲁新平,沈振康等.
基于局部沃尔什变换的纹理特征提取方法研究[J].信号处理, 2005,21(6):589 596 ]
62 Dunn D,H i ggi ns W E,W ak el ey J.Texture seg m en tati on u si ng2 D
Gabor el e m en tary f un cti on s[J].IEEE T ran s acti on s on Pattern Anal ys i s and M ach i n e Intelli gence,1994,16(2):130 149
63 J ai n A K,Farrokhn i a F.Unsup erv i sed texture seg m en t ati on us i ng
Gabor filters[J].Pattern Recogn iti on,1991,24(12):1137 1186
64 Gri gorescu S E,Pet kov N,K ru i z i nga P.C o m parison of texture
f eatures b ased on Gabor filters[J].IEEE T ransacti on s on I mage
P rocess i ng,2002,11(10):1160 1167
65 K ru i z i nga P,Pet kov N.Grati ng cell operator f eatures for ori en t ed
texture seg m en t ati on[A].In:Proceed i ngs of t h e14th In t ernational
C on f eren ce on Pattern Recogn ition[C],B ri sbane,Au stralia,1998,
2:16 20
66 A c h aryya M,Kundu M K.An adap tive app roach to unsupervis ed
texture seg m en t ati on u si ng M band w avel et trans f or m[J].E lsevier, S i gnal Processi ng,2001,81(7):1337 1356
67 L i Feng.W avelet Theory and It s App licati on i n Texture Anal ysis
[D].Guangzhou:Zhongs h an Un i versity,2003 [李峰.小波理论
及其在纹理分析中的应用[D].中山大学,2003 ]
68 P ichler O,Teuner A,H osticka B J.A co m pari son of texture feature
extracti on u si ng adapti ve Gabor filt eri ng,pyra m i dal and tree stru ctured w avelet transfor m s[J].Pattern Recogn i ti on,1996, 29(5):733 742
69 L ai ne A,Fan J.Text u re cl assifi cati on by w avelet packet s i gnatures
[J].I EEE T ransacti on s on Pattern Anal ys i s and M ach i ne In telli gence,1993,15(11):1186 1191
70 H ati pogl u S,M itra S K,K i ngs bu ry N.Texture class ificati on us i ng
dual tree co m plex w avelet trans f or m[A].In:Proceedings of the7t h In ternati onal Conference on I m age Proces s i ng and its app licati ons
[C],M an chester,UK,1999,1:344 347
71 M o j s il ov i c A,Popovi c M V,Rackov D M.On t h e sel ecti on of an
op ti m al w avelet b as i s for text u re characteri zati on[J].IEEE T ransacti on s on I m age Process i ng,2000,19(12):2043 2050
72 Ra j poot N.Local d iscri m i nant w avelet p acket basis for textu re
class i fi cati on[A].In:Proceed i ngs of t he SPIE W avelets X[C],San
D i ego,Ca lif orn i a,USA,2003,5207:774 783
73 R and en T,H usoy J H.M u ltich ann el filter i ng f o r i m age texture
seg m en tati on[J].Opti m alE ngi neeri ng,1994,33:2617 2625
74 Pavli d is T.S tructu ral D escri p ti ons and G raph G ra mm ars[M].
B erli n,Ger m any:Sp ri nger Pres s,1980:86 103
75 Soille P.M orphological I m age Anal ys i s:P ri nci p l es and App licati ons
[M].B erlin,Ger many:Spri nger Press,2003:289 317
76 C onners R W,H arl ow C A.A t h eoretical co m pari son of t ex t ure
al gorit hm s[J].I EEE Transactions on Pattern An al ysis and M achine Intelli gen ce,1980,2(3):204 222
77 Carr J R,M iranda F P.The se m i variogra m i n co m pari son to t he co
occ u rrence m atri x for cl assifi cati on of i m age texture[J].I EEE Tran sactions on Geosci en ce and Re m ot e Sens i ng,1998,36(6): 1945 1952
78 B enn ett J,Kh otan zad A.M ode ling textu red i m ages u s i n g
G eneralized Long Correl ati on M odels[J].I EEE Transactions on
Pattern Anal ysis and M ach i ne I n telli gence,1998,20(12): 1365 1375
79 Oh an i an P P,Dubes R C Perfor mance eval u ati on for four cl ass es of
text u ral feat u res[J].Pattern Recogniti on,1992,25(8):819 833 80 C l aus i D A,Y ue B.C om pari ng co occu rrence probab iliti es and
m arkov rando m fiel ds f or texture analysis ofSAR sea ice i m agery[J].
I EEE T ran s acti ons on G eos cience and Re m ot e S ensi ng,2004,
42(1):215 228
81 C laus i D A.Co m pari son and fusion of co occu rrence,G abor and
M RF t exture f or class ificati on of SAR sea i ce i m agery[J].
A t m os ph ere Oceans,2001,39(4):183 194
82 Solberg A H S,Jai n A K.Tex t ure f u sion and feature s election
appli ed to SAR i m agery[J].IEEE T ransacti on s on Geoscience and Re m ote Sen si ng,1997,35(2):475 479
83 Bas h ar K M,Ohn i sh iN.Fus i ng cort ex transfor m and i nten sit y b ased
feat u res for i m age text u re cl assification[A].I n:Proceed i ngs of t h e5th Internati onal Con ference on In f or m ati on Fus i on[C],Annapo il s, USA,2002,2:1463 1469
84 Triann iG,TosiM,A cqua F D,et al.Fu si on of t ex t urem easures f or
u rban area ch aract eriz ati on[A].In:Proceedings of the7th Internati onal C on f eren ce on Infor m ati on Fu si on[C],S t ockhol m, Sw ed en,2004,991 998
85 Ann eH,Sch ist ad S,An ilK J.T ext u re f u si on and feat u re s election
appli ed to SAR i m agery[J] I EEE Transactions on Geoscience and Re m ote Sen si ng,1997,35(2):475 479
86 C l aus i D A,D eng H.D es i gn b ased textu re feat u re f u s i on us i ng
garbor filters and co occu rren ce probab ilities[J].IEEE Transacti ons on I m age Processi ng,2005,14(7):925 936
87 Acqua F D,Ga m ba P,T ri ann i G.Se m i au to m ati c cho i ce of scal e
d ependen t features for s atellit
e SAR i m age cl assifi cati on[J].Patt ern
Recogn iti on Letters,2006,27(4):244 251
88 Noda H,Sh i raz iM,Ka w aduch i E.M RF based texture seg m entation
u si ng w avel et deco m pos ed i m ages[J].Pattern Recogn iti on,2002, 35(4):771 782
635
第4期刘 丽等:图像纹理特征提取方法综述
图像颜色特征提取原理
一、颜色特征 1 颜色空间 1.1 RGB 颜色空间 是一种根据人眼对不同波长的红、绿、蓝光做出锥状体细胞的敏感度描述的基础彩色模式,R、 G、B 分别为图像红、绿、蓝的亮度值,大小限定在 0～1 或者在 0～255。 1.2 HIS 颜色空间 是指颜色的色调、亮度和饱和度,H表示色调,描述颜色的属性,如黄、红、绿,用角度 0～360度来表示;S 是饱和度,即纯色程度的量度,反映彩色的浓淡,如深红、浅红,大小限定在 0～1;I 是亮度,反映可见光对人眼刺激的程度,它表征彩色各波长的总能量,大小限定在 0～1。 1.3 HSV 颜色模型 HSV 颜色模型依据人类对于色泽、明暗和色调的直观感觉来定义颜色, 其中H (Hue)代表色度, S (Saturat i on)代表色饱和度,V (V alue)代表亮度, 该颜色系统比RGB 系统更接近于人们的经验和对彩色的感知, 因而被广泛应用于计算机视觉领域。 已知RGB 颜色模型, 令M A X = max {R , G, B },M IN =m in{R , G,B }, 分别为RGB 颜色模型中R、 G、 B 三分量的最大和最小值, RGB 颜色模型到HSV 颜色模型的转换公式为: S =(M A X - M IN)/M A X H = 60*(G- B)/(M A X - M IN) R = M A X 120+ 60*(B – R)/(M A X - M IN) G= M A X 240+ 60*(R – G)/(M A X - M IN) B = M A X V = M A X 2 颜色特征提取算法 2.1 一般直方图法 颜色直方图是最基本的颜色特征表示方法,它反映的是图像中颜色的组成分布,即出现了哪些颜色以及各种颜色出现的概率。其函数表达式如下: H(k)= n k/N (k=0,1,…,L-1) (1) 其中,k 代表图像的特征取值,L 是特征可取值的个数,n k是图像中具有特征值为 k 的象素的个数,N 是图像象素的总数。由上式可见,颜色直方图所描述的是不同色彩在整幅图像中所占的比例,无法描述图像中的对象或物体,但是由于直方图相对于图像以观察轴为轴心的旋转以及幅度不大的平移和缩放等几何变换是不敏感的,而且对于图像质量的变化也不甚敏感,所以它特别适合描述那些难以进行自动分割的图像和不需要考虑物体空间位置的图像。 由于计算机本身固有的量化缺陷,这种直方图法忽略了颜色的相似性,人们对这种算法进行改进,产生了全局累加直方图法和局部累加直方图法。 2.2 全局累加直方图法 全局累加直方图是以颜色值作为横坐标,纵坐标为颜色累加出现的频数,因此图像的累加直方空间 H 定义为:
图像特征提取综述
图像特征提取的定位是计算机视觉和图像处理里的一个概念，表征图像的特性。输入是一张图像（二维的数据矩阵），输出是一个值、一个向量、一个分布、一个函数或者是信号。提取特征的方法千差万别，下面是图像特征的一些特性： 边缘 边缘是两个区域边界的像素集合，本质上是图像像素的子集，能将区域分开。边缘形状是任意的，实践中定义为大的梯度的像素点的集合，同时为了平滑，还需要一些算法进行处理。角 顾名思义，有个突然较大的弧度。早起算法是在边缘检测的基础上，分析边缘的走向，如果突然转向则被认为是角。后来的算法不再需要边缘检测，直接计算图像梯度的高度曲率（合情合理）。但会出现没有角的地方也检测到角的存在。 区域 区域性的结构，很多区域检测用来检测角。区域检测可以看作是图像缩小后的角检测。 脊 长形的物体，例如道路、血管。脊可以看成是代表对称轴的一维曲线，每个脊像素都有脊宽度，从灰梯度图像中提取要比边缘、角和区域都难。 特征提取 检测到特征后提取出来，表示成特征描述或者特征向量。 常用的图像特征：颜色特征、 纹理特征 形状特征 空间关系特征。 1.颜色特征 1.1特点：颜色特征是全局特征，对区域的方向、大小不敏感，但是不能很好捕捉局部特征。 优点：不受旋转和平移变化的影响，如果归一化不受尺度变化的影响。 缺点：不能表达颜色空间分布的信息。 1.2特征提取与匹配方法 （1）颜色直方图 适用于难以自动分割的图像，最常用的颜色空间：RGB和HSV。 匹配方法：直方图相交法（相交即交集）、距离法、中心距法、参考颜色表法、累加颜色直方图法。 对颜色特征的表达方式有许多种，我们采用直方图进行特征描述。常见的直方图有两种：统计直方图，累积直方图。我们将分别实验两种直方图在图像聚类和检索中的性能。 统计直方图 为利用图像的特征描述图像，可借助特征的统计直方图。图像特征的统计直方图实际是一个1-D的离散函数，即： 上式中k代表图像的特征取值，L是特征可取值个数，是图像中具有特征值为k的像素的个数，N是图像像素的总数，一个示例如下图：其中有8个直方条，对应图像中的8种灰度像素在总像素中的比例。
图像特征提取总结
图像常见特征提取方法简介 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。 一、颜色特征 （一）特点：颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特征查询时，如果数据库很大，常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法，其优点是不受图像旋转和平移变化的影响，进一步借助归一化还可不受图像尺度变化的影响，基缺点是没有表达出颜色空间分布的信息。 （二）常用的特征提取与匹配方法 （1）颜色直方图 其优点在于：它能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于：它无法描述图像中颜色的局部分布及每种色彩所处的空间位置，即无法描述图像中的某一具体的对象或物体。 最常用的颜色空间：RGB颜色空间、HSV颜色空间。 颜色直方图特征匹配方法：直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。 （2）颜色集 颜色直方图法是一种全局颜色特征提取与匹配方法，无法区分局部颜色信息。颜色集是对颜色直方图的一种近似首先将图像从RGB颜色空间转化成视觉均衡的颜色空间（如HSV 空间），并将颜色空间量化成若干个柄。然后，用色彩自动分割技术将图像分为若干区域，每个区域用量化颜色空间的某个颜色分量来索引，从而将图像表达为一个二进制的颜色索引集。在图像匹配中，比较不同图像颜色集之间的距离和色彩区域的空间关系 （3）颜色矩 这种方法的数学基础在于：图像中任何的颜色分布均可以用它的矩来表示。此外，由于颜色分布信息主要集中在低阶矩中，因此，仅采用颜色的一阶矩（mean）、二阶矩（variance）和三阶矩（skewness）就足以表达图像的颜色分布。 （4）颜色聚合向量 其核心思想是：将属于直方图每一个柄的像素分成两部分，如果该柄内的某些像素所占据的连续区域的面积大于给定的阈值，则该区域内的像素作为聚合像素，否则作为非聚合像素。（5）颜色相关图 二纹理特征 （一）特点：纹理特征也是一种全局特征，它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性，并不能完全反映出物体的本质属性，所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进行统计计算。在模式匹配中，这种区域性的特征具有较大的优越性，不会由于局部的偏差而无法匹配成功。作为一种统计特征，纹理特征常具有旋转不变性，并且对于噪声有较强的抵抗能力。但是，纹理特征也有其缺点，一个很明显的缺点是当图像的分辨率变化的时候，所计算出来的纹理可能会有较大偏差。另外，由于有可能受到光照、反射情况的影响，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
图像纹理检测与特征提取技术研究综述
龙源期刊网 https://www.sodocs.net/doc/168607909.html, 图像纹理检测与特征提取技术研究综述 作者：李秀怡 来源：《中国管理信息化》2017年第23期 [摘要] 图像纹理作为图像数据的重要信息，是符合人类视觉特征的重要信息之一。纹理 检测与特征提取是纹理分类与分割的基础前提，可以应用到医疗、工业、农业、天文等多个领域，也是近几十年来一个经久不衰的热点研究。随着图像处理领域各种技术的发展，纹理特征分析提取方法也得到不断创新。文章在对相关文献进行调研的基础上，叙述了纹理特征提取方法的发展历程及研究现状，并重点对近十年纹理特征提取方法进行了论述，最后指出了该领域的发展趋势及问题。 [关键词] 图像纹理；特征提取；小波；支持向量机 doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2017. 23. 088 [中图分类号] TP311 [文献标识码] A [文章编号] 1673 - 0194（2017）23- 0175- 04 1 引言 随着大数据时代的到来，相对于一般数据，图像信息作为一种更直观更形象的数据表现形式，其应用已经深入到医学、工业、航空、农业等各行业领域中。而纹理作为图像的重要特征之一，可以充分反映图像的整体特征，因此也成为了诸多图像后处理技术所必备的研究条件。但是，纹理的复杂多样性使得研究者们对其分析和准确识别是非常困难。而解决这个困难的方法之一是对图像提取纹理，然后对提取的纹理进行分析研究。这也是模式识别、图像检索、和计算机视觉等研究的基础。在纹理研究的每个阶段内，随着国内外学者研究对图像纹理提取模型及算法的不断创新，以及纹理提取的广泛的应用价值，促使着大家对这一领域进行更深入的研究。 2 纹理的基本定义及特性 目前，人们对纹理的精确定义还没有完全统一，当前几个类别的定义基本上按不同的应用类型形成相对的定义。一般认为，纹理是图像色彩或者灰度在空间上的重复或变化形成纹理。通常，人们将组成纹理的基本单元称为纹理基元或纹元（texture element）。 尽管关于纹理的定义尚未统一，但人们对纹理信息所具有的如下特性达成共识： （1）纹理基元是纹理存在的基本元素，并一定是按照某种规律排列组合形成纹理；（2）纹理信息具有局部显著性，通常可以表现为纹理基元序列在一定的局部空间重复出现；（3）纹理有周期性、方向性、密度、强度和粗糙程度等基本特征，而与人类视觉特征相一致的周期
图像局部特征点检测算法综述
图像局部特征点检测算法综述 研究图像特征检测已经有一段时间了，图像特征检测的方法很多，又加上各种算法的变形，所以难以在短时间内全面的了解，只是对主流的特征检测算法的原理进行了学习。总体来说，图像特征可以包括颜色特征、纹理特等、形状特征以及局部特征点等。其中局部特点具有很好的稳定性，不容易受外界环境的干扰，本篇文章也是对这方面知识的一个总结。 本篇文章现在(2015/1/30)只是以初稿的形式，列出了主体的框架，后面还有许多地方需要增加与修改，例如2013年新出现的基于非线性尺度空间的KAZE特征提取方法以及它的改进AKATE等。在应用方面，后面会增一些具有实际代码的例子，尤其是基于特征点的搜索与运动目标跟踪方面。 1. 局部特征点 图像特征提取是图像分析与图像识别的前提，它是将高维的图像数据进行简化表达最有效的方式，从一幅图像的M×N×3的数据矩阵中，我们看不出任何信息，所以我们必须根据这些数据提取出图像中的关键信息，一些基本元件以及它们的关系。 局部特征点是图像特征的局部表达，它只能反正图像上具有的局部特殊性，所以它只适合于对图像进行匹配，检索等应用。对于图像理解则不太适合。而后者更关心一些全局特征，如颜色分布，纹理特征，主要物体的形状等。全局特征容易受到环境的干扰，光照，旋转，噪声等不利因素都会影响全局特征。相比而言，局部特征点，往往对应着图像中的一些线条交叉，明暗变化的结构中，受到的干扰也少。 而斑点与角点是两类局部特征点。斑点通常是指与周围有着颜色和灰度差别的区域，如草原上的一棵树或一栋房子。它是一个区域，所以它比角点的噪能力要强，稳定性要好。而角点则是图像中一边物体的拐角或者线条之间的交叉部分。 2. 斑点检测原理与举例 2.1 LoG与DoH 斑点检测的方法主要包括利用高斯拉普拉斯算子检测的方法（LOG）,以及利用像素点Hessian矩阵（二阶微分）及其行列式值的方法（DOH）。 LoG的方法已经在斑点检测这入篇文章里作了详细的描述。因为二维高斯函数的拉普拉斯核很像一个斑点，所以可以利用卷积来求出图像中的斑点状的结构。 DoH方法就是利用图像点二阶微分Hessian矩阵：
图象视觉特征的提取与表示
第1章图像视觉特征的提取和表示 1.1引言 图像视觉特征的提取和表示是将图像的视觉信息转化成计算机能够识别和处理的定量形式的过程，是基于视觉内容的图像分类与检索的关键技术，因此，图像视觉特征的提取和表示一直是图像内容分析领域中一个非常活跃的课题。 图像底层视觉特征一定程度上能够反映图像的内容，可以描述图像所表达的意义，因此，研究图像底层视觉特征是实现图像分类与检索的第一步。一般来说，随着具体应用的不同，选用的底层特征也应有所不同，在特定的具体应用中，不同底层视觉特征的选取及不同的描述方式，对图像分类与检索的性能有很大的影响。通常认为，一种良好的图像视觉特征的提取和表示应满足以下几个要求： (1)提取简单，时间和空间复杂度低。 (2)区分能力强，对图像视觉内容相似的图像其特征描述之间也应相近，反之，对于视觉内容不相似的图像其特征描述之间应有一定的差别。 (3)与人的视觉感知相近，对人的视觉感觉相近的图像其特征描述之间也相近，对人的视觉感知有差别的图像其特征描述之间也有一定的差别。 (4)抗干扰能力强，鲁棒性好，对图像大小，方向不敏感，具有几何平移，旋转不变性。 本章重点讨论当前比较成熟的特征提取方法，在此基础上选取合适的特征提取方法，用于图像分类与检索系统的特征提取模块。接下来，将依次介绍颜色，纹理，形状等特征的提取和表示方法，最后对各种特征的特点加以比较。 1.2颜色特征的提取和表示 颜色是图像视觉信息的一个重要特征，是图像分类与检索中最为广泛应用的特征之一。一般来说同一类别的图像之间颜色信息具有一定的相似性，不同类别的图像，其颜色信息具有一定的差异。相对几何特征而言，颜色特征稳定性好，有对大小、方向不敏感等特点。因此，颜色特征的提取受到极大重视并得到深入研究。本章首先介绍几种常用的颜色空间模型，然后介绍各种颜色特征提取和表示方法。 1.2.1颜色空间模型 为了正确地使用颜色这一特征，需要建立颜色空间模型，通常的颜色空间模型可用三个基本量来描述，所以建立颜色空间模型就是建立一个3-D坐标系，其中每个空间点都代表某一种颜色。通常来说，对于不同的应用，应该选取不同的颜色空间模型。常用的颜色空间模型主要有：RGB、HIS、HSV、YUV、YIQ、Munsell、Lu*v*和La*b*等。颜色空间模型的选取需要符合一定的标准，下面就这一标准和最常用的颜色空间模型作一些介绍。 文献[错误！未找到引用源。]中介绍了选择颜色空间模型的标准主要有以下几个： (1)观察角度的鲁棒性
(完整版)图像特征特点及常用的特征提取与匹配方法
图像特征特点及常用的特征提取与匹配方法 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。 一颜色特征 （一）特点：颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特征查询时，如果数据库很大，常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法，其优点是不受图像旋转和平移变化的影响，进一步借助归一化还可不受图像尺度变化的影响，基缺点是没有表达出颜色空间分布的信息。 （二）常用的特征提取与匹配方法 （1） 颜色直方图 其优点在于：它能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于：它无法描述图像中颜色的局部分布及每种色彩所处的空间位置，即无法描述图像中的某一具体的对象或物体。 最常用的颜色空间：RGB颜色空间、HSV颜色空间。 颜色直方图特征匹配方法：直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。 （2） 颜色集 颜色直方图法是一种全局颜色特征提取与匹配方法，无法区分局部颜色信息。颜色集是对颜色直方图的一种近似首先将图像从RGB颜色空间转化成视觉均衡 的颜色空间（如HSV 空间），并将颜色空间量化成若干个柄。然后，用色彩自动分割技术将图像分为若干区域，每个区域用量化颜色空间的某个颜色分量来索引，从而将图像表达为一个二进制的颜色索引集。在图像匹配中，比较不同图像颜色集之间的距离和色彩区域的空间关系 （3） 颜色矩
图像特征提取总结
图像常见xx方法简介 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。 一、颜色特征 （一）特点： 颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。 一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。 由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特征查询时，如果数据库很大，常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法，其优点是不受图像旋转和平移变化的影响，进一步借助归一化还可不受图像尺度变化的影响，基缺点是没有表达出颜色空间分布的信息。 （二）常用的xx与匹配方法 （1）颜色直方图 其优点在于： 它能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于： 它无法描述图像中颜色的局部分布及每种色彩所处的空间位置，即无法描述图像中的某一具体的对象或物体。 最常用的颜色空间： RGB颜色空间、HSV颜色空间。 颜色直方图特征匹配方法：
直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。 （2）颜色集 颜色直方图法是一种全局颜色特征提取与匹配方法，无法区分局部颜色信息。颜色集是对颜色直方图的一种近似首先将图像从RGB颜色空间转化成视觉均衡的颜色空间（如HSV空间），并将颜色空间量化成若干个柄。然后，用色彩自动分割技术将图像分为若干区域，每个区域用量化颜色空间的某个颜色分量来索引，从而将图像表达为一个二进制的颜色索引集。 在图像匹配中，比较不同图像颜色集之间的距离和色彩区域的空间关系 （3）颜色矩 这种方法的数学基础在于： 图像中任何的颜色分布均可以用它的矩来表示。此外，由于颜色分布信息主要集中在低阶矩中，因此，仅采用颜色的一阶矩（mean）、二阶矩（variance）和三阶矩（skewness）就足以表达图像的颜色分布。 （4）颜色聚合向量 其核心思想是： 将属于直方图每一个柄的像素分成两部分，如果该柄内的某些像素所占据的连续区域的面积大于给定的阈值，则该区域内的像素作为聚合像素，否则作为非聚合像素。 （5）颜色相关图 二纹理特征 （一）特点： 纹理特征也是一种全局特征，它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性，并不能完全反映出物体的本质属性，所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进行
图像识别技术综述
图像处理与识别技术综述 摘要：本文简要介绍了图像处理与识别技术的相关知识，介绍了图像识别过程中的判别函数和判别规则，特征提取和选择的方法。设计一个基于16位处理器MC9S12XS128的图像识别系统在实际中的具体硬件实现。 关键词：图像识别特征提取MC9S12XS128 数字摄像头 An Overview of Image Recognition And Identifying Technology Abstract：This paper introduces some knowledge of image recognition and identifying technology，introduces the discriminant function discriminant rule in the image identifying progress, feature extraction and selection method. Designed an image identifying system based on 16-bit controller MC9S12XS128,and it has specific hardware implementation in fact. Key words: image identifying discriminaut rule MC9S12XS128 digital cameral
1 引言 图像是与视觉相关的最贴近生活的信息，它是客观世界的物体直接或间接作用于人眼而产生视知觉的实体。传统的图像处理技术就是对图像进行保存、处理、压缩、传输和重现。随着信息时代的到来，用于计算机处理的各种信息的需求越来越多，多媒体信息处理技术已经成为日常生活各个领域的迫切需要。人们更希望利用计算机技术处理人类视觉问题，如：人脸、指纹识别技术实现处理与个人有关的一切事物，利用视觉自动监视系统监视环境中发生的非常事件，利用字符识别技术实现文档图像的自动录入与处理。因此把传统的图像处理技术与模式识别处理技术相结合是图像处理的新趋势。 2 传统的图像处理技术 图像处理技术始于20世纪50年代，1964年美国喷射推进实验室（JPL ）使用计算机对太空船送回的大批月球照片处理后得到了清晰逼真的图像，这是这门技术发展的里程碑，此后这门技术得到了广泛的发展。 传统图像处理技术包含图像的获取、变换、增强、编码、分割等方面的内容。 2.1 图像获取 图像可以根据其形式或产生方法来分类。 照片图画 光图像连续函数 离散函数 （数字图像）不可见的 物理图像 物体图像 可见的图像图片数学函数 图1 图像的分类 图像的获取[4]是指将其变为计算机可识别的信息。通常是数字化的过程，及扫描、采样、量化三个步骤。经过数字化过程后就得到了一幅图的数字表示，即数字图像。一般这个过程由摄像头等设备完成。反过来还可将数字图像进行显示。 2.2 图像变换 图像变换[6]广泛应用于图像滤波[2]、统计滤波[5]、图像数据压缩以及图像描述等。图像变换是将N ×N 维空间图像数据变换成另外一组基向量（通常是正交向量空间）的坐标参数，我们希望这些离散图像信号坐标参数更集中代表了图像中的有效信息，或者是更便于达到某种处理目的。 通常采用的方法有：傅里叶变换、相关分析、小波变换[7]、离散余弦变换（DCT ）、正弦变
图像特征特点及其常用的特征提取与匹配方法
图像特征特点及其常用的特征提取与匹配方法 [ 2006-9-22 15:53:00 | By: 天若有情 ] 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。 一颜色特征 （一）特点：颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特征查询时，如果数据库很大，常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法，其优点是不受图像旋转和平移变化的影响，进一步借助归一化还可不受图像尺度变化的影响，基缺点是没有表达出颜色空间分布的信息。 （二）常用的特征提取与匹配方法 （1）颜色直方图 其优点在于：它能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于：它无法描述图像中颜色的局部分布及每种色彩所处的空间位置，即无法描述图像中的某一具体的对象或物体。 最常用的颜色空间：RGB颜色空间、HSV颜色空间。 颜色直方图特征匹配方法：直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。 （2）颜色集 颜色直方图法是一种全局颜色特征提取与匹配方法，无法区分局部颜色信息。颜色集是对颜色直方图的一种近似首先将图像从RGB颜色空间转化成视觉均衡的颜色空间（如HSV 空间），并将颜色空间量化成若干个柄。然后，用色彩自动分割技术将图像分为若干区域，每个区域用量化颜色空间的某个颜色分量来索引，从而将图像表达为一个二进制的颜色索引集。在图像匹配中，比较不同图像颜色集之间的距离和色彩区域的空间关系 （3）颜色矩 这种方法的数学基础在于：图像中任何的颜色分布均可以用它的矩来表示。此外，由于颜色分布信息主要集中在低阶矩中，因此，仅采用颜色的一阶矩（m ean）、二阶矩（variance）和三阶矩（skewness）就足以表达图像的颜色分布。（4）颜色聚合向量 其核心思想是：将属于直方图每一个柄的像素分成两部分，如果该柄内的某些像素所占据的连续区域的面积大于给定的阈值，则该区域内的像素作为聚合像素，否则作为非聚合像素。 （5）颜色相关图 二纹理特征 （一）特点：纹理特征也是一种全局特征，它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性，并不能完全反映出物体的本质属性，所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进行统计计算。在模式匹配中，这种区域性的特征具有较大的优越性，不会由于局
图像纹理特征提取方法
安徽大学 本科毕业论文（设计、创作） 题目：图像纹理特征提取方法研究 学生姓名：朱邵成学号：Z01114175 院（系）：电气工程与自动化学院专业：自动化 入学时间：2011年9月 导师姓名：寻丽娜职称/学位：讲师/博士 导师所在单位：安徽大学电气工程与自动化学院 完成时间：2015年5月
图像纹理特征提取方法研究 摘要 近年来，随着信息多媒体时代的到来，以及网络在世界范围内的日益流行、云计算的风行，人们在日常生活工作接触的信息量越来越大。图像作为信息的一种载体，具有直观、信息量大、便于不同国家间交流的特点，是网络多媒体的重要组成部分。基于文本的图像检索是基于内容图像检索的基础，用人工方式解释图像信息，其工作量我们难以想象，可行性也值得商榷。因此CBIR方法有效解决了这一个难题。基于内容的图像检索（CBIR）包括四个阶段，分别是：获取图像、提取特征、分类图像、检索图像。图像检索主要是一个核心问题：选取何种算法提取哪一种图像特征，快速有效的进行图像的区分与检测。纹理特征的提取是 CBIR 的关键问题之一，本论文也是基于图像纹理特征的提取为基础。首先，本文使用基于纹理基元的共生矩阵分析方法，用来提取纹理特征向量。此方法中，采用局部二进制模式(Local Binary Pattern，LBP)来进行图像的基本纹理基元的提取，并用灰度共生矩阵(Gray Level Co．occurrence Matrix，GLCM)中共生矩阵的分析方法来对纹理基元图像进行分析。其次文中深入研究了基于灰度共生矩阵( GLCM) 的纹理特征提取方法，给出了基于 Matlab 的简便实现代码，分析了共生矩阵各个构造参数对构造共生矩阵的影响。分析结果对优化灰度共生矩阵的构造、实现基于灰度共生矩阵( GLCM) 的特定图像的纹理特征提取等都具有重要参考意义。 关键词：纹理特征；灰度共生矩阵；基于内容的图像检索；Matlab
图像纹理特征提取方法
图像纹理特征提取方法
安徽大学 本科毕业论文（设计、创作） 题目：图像纹理特征提取方法研究 学生姓名：朱邵成学号：Z01114175 院（系）：电气工程与自动化学院专业：自动化 入学时间：2011年9月 导师姓名：寻丽娜职称/学位：讲师/博士 导师所在单位：安徽大学电气工程与自动化学院 完成时间：2015年5月
图像纹理特征提取方法研究 摘要 近年来，随着信息多媒体时代的到来，以及网络在世界范围内的日益流行、云计算的风行，人们在日常生活工作接触的信息量越来越大。图像作为信息的一种载体，具有直观、信息量大、便于不同国家间交流的特点，是网络多媒体的重要组成部分。基于文本的图像检索是基于内容图像检索的基础，用人工方式解释图像信息，其工作量我们难以想象，可行性也值得商榷。因此CBIR方法有效解决了这一个难题。基于内容的图像检索（CBIR）包括四个阶段，分别是：获取图像、提取特征、分类图像、检索图像。图像检索主要是一个核心问题：选取何种算法提取哪一种图像特征，快速有效的进行图像的区分与检测。纹理特征的提取是 CBIR 的关键问题之一，本论文也是基于图像纹理特征的提取为基础。首先，本文使用基于纹理基元的共生矩阵分析方法，用来提取纹理特征向量。此方法中，采用局部二进制模式(Local Binary Pattern，LBP)来进行图像的基本纹理基元的提取，并用灰度共生矩阵(Gray Level Co．occurrence Matrix，GLCM)中共生矩阵的分析方法来对纹理基元图像进行分析。其次文中深入研究了基于灰度共生矩阵( GLCM) 的纹理特征提取方法，给出了基于 Matlab 的简便实现代码，分析了共生矩阵各个构造参数对构造共生矩阵的影响。分析结果对优化灰度共生矩阵的构造、实现基于灰度共生矩阵( GLCM) 的特定图像的纹理特征提取等都具有重要参考意义。 关键词：纹理特征；灰度共生矩阵；基于内容的图像检索；Matlab
图像特征提取及识别过程
摘要 纹理特征是一种重要的视觉线索,是图像中普遍存在而又难以描述的特征。纹理分类与分割是图像处理领域一个经久不衰的热点研究领域,纹理特征提取作为纹理分类与分割的首要问题,一直是人们关注的焦点,各种纹理特征提取方法层出不穷。 本文在广泛文献调研的基础上,回顾了纹理特征提取方法的发展历程,分析了其研究现状,对纹理特征提取方法进行了较为全面的综述和分类，最后重点研究了基于灰度共生矩阵的图像纹理提取方法，研究如何有效地提取图像纹理特征来对图像进行描述，通过特征值来对图像进行识别。 灰度共生矩阵是一种简单有效的图像纹理特征描述方法，该方法的优势在于：它能利用了图像中像素相对位置的空间信息更加准确地描述图像的纹理，本文就是利用图像灰度共生矩阵的这一特性，从该矩阵中提取相应的统计参量作为纹理特征来实现对图像的识别。 关键字：灰度共生矩阵，纹理特征提取，图像识别
ABSTRACT Texture is a kind of important visual clues in images , it is widespread but cannot easy to be described . Texture classification and segmentation is a enduring popular research field in image processing area. Texture feature extraction has been the focus of attention,due to its priority to texture classification and image segmentation. all sorts of texture feature extraction methods has been emerged in endlessly. On the basis of extensive literature investigation, we review the texture feature extraction methods, analyze the development of the research status of the texture feature extraction methods and make a comprehensive review of its classification . Finally ,based on gray symbiotic matrix image problem extraction methods,we research how to effectively extract image texture feature described by the image characteristic value to image recognition. Graylevel co-occurrence matrix is a simple and effective image texture description method.This method's advantage is: it can use the image pixels relative positions of the spatial information more to accurately describe the texture image.This paper use the graylevel co-occurrence matrix of the properties to extract statistics from the matrix corresponding as texture feature parameters to realize image recognition. KEY WORDS: graylevel co-occurrence matrix, texture feature extraction, image recognition
Gabor纹理特征
利用Gabor滤波器组提取图像纹理特征 本部分将包含以下四个方面：纹理特征提取方法综述、Gabor滤波器简介、Gabor滤波器组实现纹理特征提取的步骤与实现、存在的问题与改进策略。 1、纹理特征提取方法综述[1] 纹理没有准确的定义，但对纹理认识的共识是：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，即全局纹理信息。 按照纹理特征提取方法所基于的基础理论和研究思路的不同，并借鉴非常流行的Tuceryan和Jain的分类方法，将纹理特征提取方法分为四大家族：统计家族、模型家族、信号处理家族和结构家族。 统计家族的方法是基于像元及其邻域的灰度属性，研究纹理区域中的统计特性，或像元及其邻域内的灰度的一阶、二阶或高阶统计特性；在模型家族中，假设纹理是以某种参数控制的分布模型方式形成的，从纹理图像的实现来估计计算模型参数，以参数为特征或采用某种分类策略进行图像分割，因此模型参数的估计是该家族方法的核心问题；信号处理的方法是建立在时、频分析与多尺度分析基础之上，对纹理图像中某个区域内实行某种变换后，再提取保持相对平稳的特征值，以此特征值作为特征表示区域内的一致性以及区域间的相异性；结构家族的方法基于“纹理基元”分析纹理特征，着力找出纹理基元，认为纹理由许多纹理基元构成，不同类型的纹理基元、不同的方向及数目等，决定了纹理的表现形式。信号处理家族的方法从变换域提取纹理特征，其他3个家族直接从图像域提取纹理特征。各个家族的方法既有区别，又有联系。 利用Gabor滤波器组提取图像纹理特征，如图所示，可以归结为信号处理家族中小波方法的一个分支。
图像特征提取总结
图像常见xx 方法简介 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。 一、颜色特征 （一）特点： 颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。 一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。 由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特征查询时，如果数据库很大，常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法，其优点是不受图像旋转和平移变化的影响，进一步借助归一化还可不受图像尺度变化的影响，基缺点是没有表达出颜色空间分布的信息。 （二）常用的xx 与匹配方法 （1）颜色直方图 其优点在于： 它能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于： 它无法描述图像中颜色的局部分布及每种色彩所处的空间位置，即无法描述图像中的某一具体的对象或物体。 最常用的颜色空间： RGB颜色空间、HSV颜色空间。 颜色直方图特征匹配方法： 直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法
（2）颜色集 颜色直方图法是一种全局颜色特征提取与匹配方法，无法区分局部颜色信息。颜色集是对颜色直方图的一种近似首先将图像从RGB颜色空间转化成视觉均衡的颜色 空间（如HSV空间），并将颜色空间量化成若干个柄。然后，用色彩自动分割技术 将图像分为若干区域，每个区域用量化颜色空间的某个颜色分量来索引，从而将图像表达为一个二进制的颜色索引集。 在图像匹配中，比较不同图像颜色集之间的距离和色彩区域的空间关系 （3）颜色矩 这种方法的数学基础在于： 图像中任何的颜色分布均可以用它的矩来表示。此外，由于颜色分布信息主要集中在低阶矩中，因此，仅采用颜色的一阶矩（mean）、二阶矩（variance）和三阶矩（skewness）就足以表达图像的颜色分布。 （4）颜色聚合向量 其核心思想是： 将属于直方图每一个柄的像素分成两部分，如果该柄内的某些像素所占据的连续区域的面积大于给定的阈值，则该区域内的像素作为聚合像素，否则作为非聚合像素。 （5）颜色相关图 二纹理特征 （一）特点： 纹理特征也是一种全局特征，它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性，并不能完全反映出物体的本质属性，所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进行 统计计算。在模式匹配中，这种区域性的特征具有较大的优越性，不会由于局部的偏
遥感图像信息提取方法综述
遥感图像信息提取方法综述 遥感图像分析 遥感实际上是通过接收（包括主动接收和被动接收方式）探测目标物电磁辐射信息的强弱来表征的，它可以转化为图像的形式以相片或数字图像表现。多波段影像是用多波段遥感器对同一目标（或地区）一次同步摄影或扫描获得的若干幅波段不同的影像。 在遥感影像处理分析过程中，可供利用的影像特征包括：光谱特征、空间特征、极化特征和时间特性。在影像要素中，除色调/彩色与物体的波谱特征有直接的关系外，其余大多与物体的空间特征有关。像元的色调/彩色或波谱特征是最基本的影像要素，如果物体之间或物体与背景之间没有色调/彩色上的差异的话，他们的鉴别就无从说起。其次的影像要素有大小、形状和纹理，它们是构成某种物体或现象的元色调/彩色在空间（即影像）上分布的产物。物体的大小与影像比例尺密切相关；物体影像的形状是物体固有的属性；而纹理则是一组影像中的色调/彩色变化重复出现的产物，一般会给人以影像粗糙或平滑的视觉印象，在区分不同物体和现象时起重要作用。第三级影像要素包括图形、高度和阴影三者，图形往往是一些人工和自然现象所特有的影像特征。 1、遥感信息提取方法分类 常用的遥感信息提取的方法有两大类：一是目视解译，二是计算机信息提取。 1.1目视解译 目视解译是指利用图像的影像特征（色调或色彩，即波谱特征）和空间特征（形状、大小、阴影、纹理、图形、位置和布局），与多种非遥感信息资料（如地形图、各种专题图）组合，运用其相关规律，进行由此及彼、由表及里、去伪存真的综合分析和逻辑推理的思维过程。早期的目视解译多是纯人工在相片上解译，后来发展为人机交互方式，并应用一系列图像处理方法进行影像的增强，提高影像的视觉效果后在计算机屏幕上解译。 1）遥感影像目视解译原则 遥感影像目视解译的原则是先“宏观”后“微观”；先“整体”后“局部”；先“已知”后“未知”；先“易”后“难”等。一般判读顺序为，在中小比例尺像片上通常首先判读水系，确定水系的位置和流向，再根据水系确定分水岭的位置，区分流域范围，然后再判读大片农田的位置、居民点的分布和交通道路。在此基础上，再进行地质、地貌等专门要素的判读。 2）遥感影像目视解译方法 （1）总体观察 观察图像特征，分析图像对判读目的任务的可判读性和各判读目标间的内在联系。观察各种直接判读标志在图像上的反映，从而可以把图像分成大类别以及其他易于识别的地面特征。（2）对比分析 对比分析包括多波段、多时域图像、多类型图像的对比分析和各判读标志的对比分析。多波段图像对比有利于识别在某一波段图像上灰度相近但在其它波段图像上灰度差别较大的物体；多时域图像对比分析主要用于物体的变化繁衍情况监测；而多各个类型图像对比分析则包括不同成像方式、不同光源成像、不同比例尺图像等之间的对比。 各种直接判读标志之间的对比分析，可以识别标志相同（如色调、形状），而另一些标识不同（纹理、结构）的物体。对比分析可以增加不同物体在图像上的差别，以达到识别目的。（3）综合分析 综合分析主要应用间接判读标志、已有的判读资料、统计资料，对图像上表现得很不明显，或毫无表现的物体、现象进行判读。间接判读标志之间相互制约、相互依存。根据这一特点，可作更加深入细致的判读。如对已知判读为农作物的影像范围，按农作物与气候、地貌、土质的依赖关系，可以进一步区别出作物的种属；河口泥沙沉积的速度、数量与河流汇水区域
图像特征提取方法
图像特征提取方法 摘要 特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。 至今为止特征没有万能和精确的图像特征定义。特征的精确定义往往由问题或者应用类型决定。特征是一个数字图像中“有趣”的部分，它是许多计算机图像分析算法的起点。因此一个算法是否成功往往由它使用和定义的特征决定。因此特征提取最重要的一个特性是“可重复性”：同一场景的不同图像所提取的特征应该是相同的。 特征提取是图象处理中的一个初级运算，也就是说它是对一个图像进行的第一个运算处理。它检查每个像素来确定该像素是否代表一个特征。假如它是一个更大的算法的一部分，那么这个算法一般只检查图像的特征区域。作为特征提取的一个前提运算，输入图像一般通过高斯模糊核在尺度空间中被平滑。此后通过局部导数运算来计算图像的一个或多个特征。 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。当光差图像时，常 常看到的是连续的纹理与灰度级相似的区域，他们相结合形成物体。但如果物体的尺寸很小 或者对比度不高，通常要采用较高的分辨率观察：如果物体的尺寸很大或对比度很强，只需 要降低分辨率。如果物体尺寸有大有小，或对比有强有弱的情况下同事存在，这时提取图像 的特征对进行图像研究有优势。 常用的特征提取方法有：Fourier变换法、窗口Fourier变换（Gabor)、小波变换法、最 小二乘法、边界方向直方图法、基于Tamura纹理特征的纹理特征提取等。
设计内容 课程设计的内容与要求（包括原始数据、技术参数、条件、设计要求等）：一、课程设计的内容 本设计采用边界方向直方图法、基于PCA的图像数据特征提取、基于Tamura纹理特征的纹理特征提取、颜色直方图提取颜色特征等等四种方法设计。 （1）边界方向直方图法 由于单一特征不足以准确地描述图像特征,提出了一种结合颜色特征和边界方向特征的图像检索方法.针对传统颜色直方图中图像对所有像素具有相同重要性的问题进行了改进,提出了像素加权的改进颜色直方图方法;然后采用非分割图像的边界方向直方图方法提取图像的形状特征,该方法相对分割方法具有简单、有效等特点,并对图像的缩放、旋转以及视角具有不变性.为进一步提高图像检索的质量引入相关反馈机制,动态调整两幅图像相似度中颜色特征和方向特征的权值系数,并给出了相应的权值调整算法.实验结果表明,上述方法明显地优于其它方法.小波理论和几个其他课题相关。所有小波变换可以视为时域频域的形式，所以和调和分析相关。所有实际有用的离散小波变换使用包含有限脉冲响应滤波器的滤波器段(filterbank)。构成CWT的小波受海森堡的测不准原理制约，或者说，离散小波基可以在测不准原理的其他形式的上下文中考虑。 通过边缘检测，把图像分为边缘区域和非边缘区域，然后在边缘区域内进行边缘定位．根据局部区域内边缘的直线特性，求得小邻域内直线段的高精度位置；再根据边缘区域内边缘的全局直线特性，用线段的中点来拟合整个直线边缘，得到亚像素精度的图像边缘．在拟合的过程中，根据直线段转角的变化剔除了噪声点，提高了定位精度．并且，根据角度和距离区分出不同直线和它们的交点，给出了图像精确的矢量化结果 图像的边界是指其周围像素灰度有阶跃变化或屋顶变化的那些像素的集合，边界广泛的存在于物体和背 景之间、物体和物体之间，它是图像分割所依赖的重要特征．边界方向直方图具有尺度不变性，能够比较好的 描述图像的大体形状．边界直方图一般是通过边界算子提取边界，得到边界信息后，需要表征这些图像的边 界，对于每一个边界点，根据图像中该点的梯度方向计算出该边界点处法向量的方向角，将空间量化为M级， 计算每个边界点处法向量的方向角落在M级中的频率，这样便得到了边界方向直方图． 图像中像素的梯度向量可以表示为[ ( ，)，)，( ，)，)] ，其中Gx( ，)，)，G ( ，)，)可以用下面的