图像处理中的纹理

2018-07-14 15:26:35 qq_28193895 阅读数 1268

参考

基于OpenCV的Gabor变换及特征提取
Gabor滤波进行目标图像纹理特征的提取
Gabor 特征总结
目标检测的图像特征提取之(二)LBP特征


灰度共生矩阵

灰度共生矩阵(GLDM)的统计方法是20世纪70年代初由R.Haralick等人提出的,它是在假定图像中各像素间的空间分布关系包含了图像纹理信息的前提下,提出的具有广泛性的纹理分析方法。


Gabor

Gabor变换是一种加窗短时Fourier变换(Window Fourier transform or Short Time Fourier Transform)。Gabor函数可以在频域不同尺度、不同方向上提取相关的特征。Gabor变换是短时Fourier变换中当窗函数取为高斯函数时的一种特殊情况。Gabor变换的本质实际上还是对二维图像求卷积。

二维Gabor函数的表达形式

g(x,y;λ,θ,ψ,σ,γ)=exp(x2+γ2y22σ2)exp(i(2πxλ+ψ))

g(x,y;λ,θ,ψ,σ,γ)=exp(x2+γ2y22σ2)cos(i(2πxλ+ψ))

g(x,y;λ,θ,ψ,σ,γ)=exp(x2+γ2y22σ2)sin(i(2πxλ+ψ))

where

x=xcosθ+ysinθ

y=xsinθ+ycosθ

公式中:
λ:正弦函数波长
θ:Gabor核函数的方向
ψ:相位偏移
σ:高斯函数的标准差
γ:空间的宽高比

MRA(Multi-resolution Analysis)多分辨率分析理论

DWT(Discrete Wavelet Transform)


局部二进制模式LBP(Local Binary Pattern)

LBP(Local Binary Pattern,局部二值模式)是一种用来描述图像局部纹理特征的算子;它具有旋转不变性和灰度不变性等显著的优点。


MRF马尔科夫随机场


不变矩

2018-06-06 18:11:06 qq_23926575 阅读数 15059

提取方法:
灰度共生矩阵-python
灰度梯度共生矩阵–python

纹理特征

纹理特征刻画了图像中重复出现的局部模式与他们的排列规则,常用于图像分类和场景识别。其只能反映物体表面的特性,无法完全反映出物体的本质属性,所以仅仅利用纹理特征无法获得图像的高层次内容。
优点
1. 具有旋转不变性
2. 具有良好的抗噪性能。
缺点
1. 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
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

常用的纹理特征提取方法一般分为四大类:
1.基于统计的方法:灰度共生矩阵、灰度行程统计、灰度差分统计、局部灰度统计、半方差图、自相关函数等
优点:方法简单,易于实现。
缺点:无法利用全局信息,与人类视觉模型不匹配;计算复杂度较高,计算耗时。

较为经典的算法为灰度共生矩阵方法,其通过统计不同灰度值对的共现频率得到灰度共生矩阵,基于矩阵可计算出14种统计量:能量、熵、对比度、均匀性、相关性、方差、和平均、和方差、和熵、差方差、差平均、差熵、相关信息测度以及最大相关系数。
灰度梯度共生矩阵将图梯度信息加入到灰度共生矩阵中,综合利用图像的灰度与梯度信息,效果更好。图像的梯度信息一般通过梯度算子(也称边缘检测算子)提取,如sobel、canny、reborts等。

2.基于模型的方法:同步自回归模型、马尔可夫模型、吉布斯模型、滑动平均模型、复杂网络模型等
3.基于结构的方法:句法纹理分析、数学形态学法、Laws纹理测量、特征滤波器等
4.基于信号处理的方法:Radon变换、离散余弦变换、局部傅里叶变化、Gabor变换、二进制小波变换、树形小波分解等

参考:
灰度共生矩阵(GLCM)附Python代码
图像纹理特征总体简述

2018-06-07 17:18:31 rainjoe9 阅读数 19699

转自:https://blog.csdn.net/h532600610/article/details/52957459?locationNum=2&fps=1

为了将图像处理中的理论知识运用到通信理论中,所以学习了图像特征提取的部分内容。

运用网络和书籍查阅了相关资料,作此总结。


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物体表面真实的纹理。

      例如,水中的倒影,光滑的金属面互相反射造成的影响等都会导致纹理的变化。由于这些不是物体本身的特性,因而将纹理信息应用于检索时,有时这些虚假的纹理会对检索造成“误导”。

      在检索具有粗细、疏密等方面较大差别的纹理图像时,利用纹理特征是一种有效的方法。但当纹理之间的粗细、疏密等易于分辨的信息之间相差不大的时候,通常的纹理特征很难准确地反映出人的视觉感觉不同的纹理之间的差别。


(二)常用的特征提取与匹配方法

纹理特征描述方法分类:

(1)统计方法

      统计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。

      统计方法的典型代表是一种称为灰度共生矩阵(GLCM)的纹理特征分析方法Gotlieb 和 Kreyszig 等人在研究共生矩阵中各种统计特征基础上,通过实验,得出灰度共生矩阵的四个关键特征:能量、惯量、熵和相关性。

      统计方法中另一种典型方法,则是从图像的自相关函数(即图像的能量谱函数)提取纹理特征,即通过对图像的能量谱函数的计算,提取纹理的粗细度及方向性等特征参数。

      还有半方差图(semivariogram)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 。

(2)几何法

      所谓几何法,是建立在纹理基元(基本的纹理元素)理论基础上的一种纹理特征分析方法。纹理基元理论认为,复杂的纹理可以由若干简单的纹理基元以一定的有规律的形式重复排列构成。在几何法中,比较有影响的算法有Voronio棋盘格特征法。几何方法的应用和发展极其受限 ,且后继研究很少。

(3)模型法

      在模型法中,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。

      典型的方法是随机场模型法,如马尔可夫随机场(MRF)模型法、Gibbs随机场模型法、分形模型和自回归模型

(4)信号处理法

      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。

      纹理特征的提取与匹配主要有:灰度共生矩阵、Tamura纹理特征、自回归纹理模型、小波变换等

(5)结构方法

      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。

      典型算法:句法纹理描述算法和数学形态学方法

 

(三)方法比较

      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:①计算复杂度,②是否与人类视觉感受相一致,③是否利用了全局信息,④是否具有多分辨特性。

(1)统计方法的优势与不足

优势:方法简单,易于实现,尤其是GLCM方法是公认的有效方法,具有较强的适应能力和鲁棒性。

不足:①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;②缺乏理论支撑;③计算复杂度很高,制约了其实际应用。

(2)模型方法的优势与不足

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:①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;②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(ICM)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;③参数调节不方便,模型不宜复杂。

(3)信号处理方法的优势与不足

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。

参考资料:
[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,2009,04:622-635.
[2]王志瑞,闫彩良.图像特征提取方法的综述[J].吉首大学学报(自然科学版),2011,05:43-47.
2017-02-23 18:17:57 u013898698 阅读数 4621

第十七章 纹理分析

目录

1.    引言

2.    纹理的统计特征

3.    基于纹理的分割

作业


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]。

   

     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(spatialgray-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:

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。

 

 
 

 

 
 

 

 
 

 

·        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。

 图片来自Extractionof 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(GaborFilters for Texture (links) ..\..\download_IPCVPR\textureanalysis\USC GaborFilters 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。

网上资源:

1.    MilanSonka Chapter 13, Texture

2.    Vision Texturehomepage

3.    TextureEnergies for 1D Rays

4.    TextureAnalysis Methods (links)

5.    Extractionof Textured Regions

6.    Whatis Texture ?

7.    GaborFilters for Texture (links)

参考文献

1.    Sing-Tze Bow, Pattern recognition and image preprocessing, M.Dekker, New York, 1992

2.    Ning Lu, Fractal imaging, Academic Press, San Diego, 1997

作业

1.    编制基于统计方法的基于共生矩阵的纹理分割程序。图片在目录:./Images/textures

致谢

    我要特别感谢清华大学计算机系的博士研究生杨波,他提供了一些素材。


返回主目录 返回本章目录

清华大学计算机系 艾海舟

最近修改时间:2001年7月19日

出处:http://media.cs.tsinghua.edu.cn/~ahz/digitalimageprocess/CourseImageProcess.html

2018-07-26 20:32:08 weixin_42805841 阅读数 12957

图像纹理特征总体简述

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

纹理具有三大标志:

  • 某种局部序列性不断重复
  • 非随机排列
  • 纹理区域内大致为均匀的统一体

    不同于灰度、颜色等图像特征,纹理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。另外,局部纹理信息不同程度上的重复性,就是全局纹理信息。

纹理特征体现全局特征的性质的同时,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。

在检索具有粗细、疏密等方面较大差别的纹理图像时,利用纹理特征是一种有效的方法。但当纹理之间的粗细、疏密等易于分辨的信息之间相差不大的时候,通常的纹理特征很难准确地反映出人的视觉感觉不同的纹理之间的差别。例如,水中的倒影,光滑的金属面互相反射造成的影响等都会导致纹理的变化。由于这些不是物体本身的特性,因而将纹理信息应用于检索时,有时这些虚假的纹理会对检索造成“误导”。

纹理特征的特点

优点:

  • 包含多个像素点的区域中进行统计计算
  • 常具有旋转不变性
  • 对于噪声有较强的抵抗能力
    缺点:

  • 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

  • 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物体表面真实的纹理

常用的特征提取与匹配方法

纹理特征的提取,一般都是通过设定一定大小的窗口,然后从中取得纹理特征。然而窗口的选择,存在着矛盾的要求:

  • 窗口设定大: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;
  • 窗口设定小: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点;
    这种情况下,会出现困难是:窗口太小,则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。

特征提取方法

  • 统计方法
  • 几何法
  • 模型法
  • 信号处理法
  • 结构方法

纹理特征提取方法

统计方法

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。

算法:

  • 灰度共生矩阵(GLCM),关键特征(能量、惯性、熵、相关性)
  • 从图像的自相关函数(即图像的能量谱函数)提取纹理特征,即通过对图像的能量谱函数的计算,提取纹理的粗细度及方向性等特征参数
  • 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 , 因而能很好地表达纹理图像的特征 。

优势:
- 方法简单
- 易于实现
- GLCM方法是公认的有效方法
- 具有较强的适应能力和鲁棒性。

缺点:
- 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

几何法(应用发展受限,后续研究少)

建立在纹理基元(基本的纹理元素)理论基础上的一种纹理特征分析方法。纹理基元理论认为,复杂的纹理可以由若干简单的纹理基元以一定的有规律的形式重复排列构成。

算法:

  • Voronio棋盘格特征法

模型法

在模型法中,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。

算法(随机场模型法):

  • 马尔可夫随机场(MRF)模型法
  • Gibbs随机场模型法
  • 分形模型和自回归模型

优势:

  • 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
  • ,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

缺点:

  • 难度大,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
  • 速度慢,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(ICM)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
  • 调参难,参数调节不方便,模型不宜复杂

信号处理法

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。

算法:
- 灰度共生矩阵
- Tamura纹理特征
- 自回归纹理模型
- 小波变换

优势:

  • 细尺度分析,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:

  • 对非规则纹理又似乎无能为力,多应用于标准或规则纹理图像,对背景复杂的自然图像效果不佳
  • 计算量大

结构方法

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。

算法:
- 句法纹理描述算法
- 数学形态学方法

图像纹理

阅读数 1697