图像处理特征分为纹理_数字图像处理提取图像纹理特征程序设计tamura--粗糙度 - CSDN
  • 图像纹理特征总体简述

    万次阅读 多人点赞 2017-05-09 17:33:49
    图像纹理特征总体简述

    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”。


    参考地址:
    《图像特征提取(纹理特征)》
    《纹理特征简介》


    一. 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;

    二. 纹理特征分类

    1. 基本说明

    纹理特征分类图如下所示:

    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。

    后文介绍纹理特征描述方法时,会从下面四个角度,分别对各方法进行比较:

    • 计算复杂度
    • 是否与人类视觉感受一致
    • 是否利用全局信息
    • 是否具有多分辨特性

    2. 纹理特征描述方法

    按照纹理特征描述方法,可以分为以下几类:

    (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等。
    统计方法的典型代表,是一种被称为灰度共生矩阵(GLCM)的纹理分析方法。它是建立在估计图像的二阶组合条件概率密度基础上的一种方法。这种方法通过实验,研究了共生矩阵中各种统计特性,最后得出灰度共生矩阵中的四个关键特征:能量、惯量、熵和相关性
    尽管GLCM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具有局限性。并且,GLCM的计算较为耗时,好在不断有研究人员对其提出改进。
    其他的统计方法,还包括图像的自相关函数半方差图等。

    • 优点:
      • 方法简单,易于实现。尤其是灰度共生矩阵(GLCM)方法是公认有效方法,有较强的适应性与鲁棒性;
    • 缺点:
      • 与人类视觉模型脱节,缺少全局信息的利用,难以在研究纹理尺度之间像素的遗传或依赖关系;
      • 缺乏理论支撑;
      • 计算复杂度较高,制约了实际应用。

    (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。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按照一定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
    但几何法应用和发展极其受限,且后继研究很少。

    (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。
    由于模型法从纹理图像的实现来估计计算模型参数,同时以参数为特征,或采用某种分类策略进行图像分割,所以模型参数的估计是模型法的核心问题。
    模型型纹理特征提取方法以随机场模型方法和分形模型方法为主。

    • 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,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。
    • 分形模型方法: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。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。

    随机场模型法的典型方法,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。

    • 优点:
      • 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,它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)。
    • 缺点:
      • 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;
      • 计算量很大。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),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。

    (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。这种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。

    • 优点:
      • 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;
      • 能够空间/频域结合分析纹理特征。
    • 缺点:
      • 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,导致正交小波变换往往效果不佳;
      • 计算量较大。

    (5) 结构分析法

    结构分析法认为,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

    综上所述,在提取纹理特征的有效性方面,统计方法、模型法和信号处理法相较于几何法与结构分析法,可以说相差无几,都获得了认可。

    展开全文
  • 图像纹理特征

    万次阅读 2018-06-19 08:51:38
    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. ...

    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

    展开全文
  • 数字图像处理 纹理分析

    千次阅读 2017-02-23 18:18:01
    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...

    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

    展开全文
  • 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...

    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。

     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

     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)统计方法统计方法的典型代表是一种称为灰度共生矩阵的纹理特征分析方法Gotlieb  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

    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两种:Voronio 棋盘格特征法和结构法。

    3)模型法

    模型法以图像的构造模型为基础,采用模型的参数作为纹理特征。典型的方法是随机场模型法,如马尔可夫(Markov)随机场(MRF)模型法和 Gibbs 随机场模型法

    4)信号处理法

    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。

    灰度共生矩阵特征提取与匹配主要依赖于能量、惯量、熵和相关性四个参数。Tamura 纹理特征基于人类对纹理的视觉感知心理学研究,提出6种属性,即:粗糙度、对比度、方向度、线像度、规整度和粗略度。自回归纹理模型(simultaneous auto-regressive, SAR)是马尔可夫随机场(MRF)模型的一种应用实例。

     形状特征

    (一)特点:各种基于形状特征的检索方法都可以比较有效地利用图像中感兴趣的目标来进行检索,但它们也有一些共同的问题,包括:①目前基于形状的检索方法还缺乏比较完善的数学模型;②如果目标有变形时检索结果往往不太可靠;③许多形状特征仅描述了目标局部的性质,要全面描述目标常对计算时间和存储量有较高的要求;④许多形状特征所反映的目标形状信息与人的直观感觉不完全一致,或者说,特征空间的相似性与人视觉系统感受到的相似性有差别。另外,从 2-D 图像中表现的 3-D 物体实际上只是物体在空间某一平面的投影,从 2-D 图像中反映出来的形状常不是 3-D 物体真实的形状,由于视点的变化,可能会产生各种失真。

    (二)常用的特征提取与匹配方法

    Ⅰ几种典型的形状特征描述方法

    通常情况下,形状特征有两类表示方法,一类是轮廓特征,另一类是区域特征。图像的轮廓特征主要针对物体的外边界,而图像的区域特征则关系到整个形状区域。

    几种典型的形状特征描述方法:

    1)边界特征法该方法通过对边界特征的描述来获取图像的形状参数。其中Hough 变换检测平行直线方法和边界方向直方图方法是经典方法。Hough 变换是利用图像全局特性而将边缘像素连接起来组成区域封闭边界的一种方法,其基本思想是点—线的对偶性;边界方向直方图法首先微分图像求得图像边缘,然后,做出关于边缘大小和方向的直方图,通常的方法是构造图像灰度梯度方向矩阵。

    2)傅里叶形状描述符法

    傅里叶形状描述符(Fourier shape descriptors)基本思想是用物体边界的傅里叶变换作为形状描述,利用区域边界的封闭性和周期性,将二维问题转化为一维问题。

    由边界点导出三种形状表达,分别是曲率函数、质心距离、复坐标函数。

    3)几何参数法

    形状的表达和匹配采用更为简单的区域特征描述方法,例如采用有关形状定量测度(如矩、面积、周长等)的形状参数法(shape factor)。在 QBIC 系统中,便是利用圆度、偏心率、主轴方向和代数不变矩等几何参数,进行基于形状特征的图像检索。

    需要说明的是,形状参数的提取,必须以图像处理及图像分割为前提,参数的准确性必然受到分割效果的影响,对分割效果很差的图像,形状参数甚至无法提取。

    4)形状不变矩法

    利用目标所占区域的矩作为形状描述参数。

    5)其它方法

    近年来,在形状的表示和匹配方面的工作还包括有限元法(Finite Element Method  FEM)、旋转函数(Turning Function)和小波描述符(Wavelet Descriptor)等方法。

     基于小波和相对矩的形状特征提取与匹配

       该方法先用小波变换模极大值得到多尺度边缘图像,然后计算每一尺度的 7个不变矩,再转化为 10 个相对矩,将所有尺度上的相对矩作为图像特征向量,从而统一了区域和封闭、不封闭结构。

     空间关系特征

    (一)特点:所谓空间关系,是指图像中分割出来的多个目标之间的相互的空间位置或相对方向关系,这些关系也可分为连接/邻接关系、交叠/重叠关系和包含/包容关系等。通常空间位置信息可以分为两类:相对空间位置信息和绝对空间位置信息。前一种关系强调的是目标之间的相对情况,如上下左右关系等,后一种关系强调的是目标之间的距离大小以及方位。显而易见,由绝对空间位置可推出相对空间位置,但表达相对空间位置信息常比较简单。

    空间关系特征的使用可加强对图像内容的描述区分能力,但空间关系特征常对图像或目标的旋转、反转、尺度变化等比较敏感。另外,实际应用中,仅仅利用空间信息往往是不够的,不能有效准确地表达场景信息。为了检索,除使用空间关系特征外,还需要其它特征来配合。

    (二)常用的特征提取与匹配方法

    提取图像空间关系特征可以有两种方法:一种方法是首先对图像进行自动分割,划分出图像中所包含的对象或颜色区域,然后根据这些区域提取图像特征,并建立索引;另一种方法则简单地将图像均匀地划分为若干规则子块,然后对每个图像子块提取特征,并建立索引。

    展开全文
  • 图像处理特征提取

    千次阅读 2014-10-26 18:42:22
    图像特征的分类有多种标准,根据特征自身的特点可以分为两类:描述物体外形的形状特征和描述物体灰度变换的纹理特征。根据特征提取所采用的方法的不同又可以分为统计特征和结构(句法)特征。特征选取的标准是,1)...
  • 纹理特征简介

    万次阅读 多人点赞 2015-03-27 14:26:51
    纹理的定义: 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...纹理特征可以分为四种类型:
  • 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...
  • 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...
  • 纹理特征提取

    万次阅读 多人点赞 2012-04-04 14:08:34
    纹理特征的提取分为基于结构的方法和基于统计数据的方法。一个基于结构的纹理特征提取方法是将所要检测的纹理进行建模,在图像中搜索重复的模式。该方法对人工合成的纹理识别效果较好。但对于交通图像中的纹理识别,...
  • python实现LBP方法提取图像纹理特征实现分类

    万次阅读 热门讨论 2017-04-06 22:37:39
    题目描述这篇博文是数字图像处理的大作业. 题目描述:给定40张不同风格的纹理图片,大小为512*512,要求将每张图片分为大小相同的9块,利用其中的5块作为训练集,剩余的4块作为测试集,构建适当的模型实现图片的分类. ...
  • 图像基本特征-颜色 纹理 形状

    千次阅读 2019-04-02 21:22:13
    转载 1 颜色特征 计算机视觉的特征提取算法研究至关重要。在一些算法中,一个高复杂度特征的提取可能能够解决问题...在图像处理中,我们可以将一个具体的像素点所呈现的颜色进行多种方法分析,并提取出其颜色特征...
  • 纹理特征的提取分为基于结构的方法和基于统计数据的方法。一个基于结构的纹理特征提取方法是将所要检测的纹理进行建模,在图像中搜索重复的模式。该方法对人工合成的纹理识别效果较好。但对于交通图像中的纹理识别,...
  • 纹理特征3.形状特征4.空间关系特征 一、特征提取概念 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...
  • 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。
  • 数字图像处理:第十七章 纹理分析

    千次阅读 2015-12-02 19:49:39
    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...
  • 图像处理中常用的特征

    千次阅读 2018-11-22 10:16:28
    图像处理中常用的特征有哪些? 在物体识别、计数的过程中,通常要将人为观察到的特征用于分割目标图像,常用的图像特征可归结为: 颜色特征 纹理特征 形状特征 *空间关系特征 颜色特征 颜色...
  • 纹理特征

    千次阅读 2018-10-11 19:59:29
    1.纹理的定义  纹理是一种反映图像中的同质的一种视觉特征,它体现了物体表面的结构组织排列属性。纹理特征具有三大标志:某种局部序列性不断重复、非随机... 纹理特征体现全局性质时,描述了图像图像区域所对...
1 2 3 4 5 ... 20
收藏数 13,022
精华内容 5,208
关键字:

图像处理特征分为纹理