精华内容
下载资源
问答
  • 图象压缩模型简介

    千次阅读 2005-10-16 13:38:00
    本文拟从预测模型、统计模型、字典模型、变换模型、分形模型、模型基等角度出发,大致以时间为序,让大家对图形压缩算法有个大体的了解以及对图象压缩的发展有个总体的把握!一、图象压缩的理论基础数据压缩的理论...

    数据压缩模型简介

    摘要自从香农提出信息论奠定数据压缩的理论基础以来,五十年多来,人们先后提出了很多算法以尽可能的接近压缩极限------熵。本文拟从预测模型、统计模型、字典模型、变换模型、分形模型、模型基等角度出发,大致以时间为序,让大家对图形压缩算法有个大体的了解以及对图象压缩的发展有个总体的把握!

    一、图象压缩的理论基础

    数据压缩的理论基础是C. E. Shannon提出的信息论,作为数据压缩的一个重要分支,图象压缩自然也以此理论为基础!

    信息论认为:任何信息都存在冗余,冗余大小与信息中每个符号(数字、字母或单词)的出现概率或者说不确定性有关。Shannon借鉴了热力学的概念,把信息中排除了冗余后的平均信息量称为信息熵,并给出了计算信息熵的数学表达式:

    考虑用 0 1 组成的二进制数码为含有 n 个符号的某条信息编码,假设符号 Fn 在整条信息中重复出现的概率为 Pn,则该符号的熵也即表示该符号所需的二进制位数为:

    En = - log2( Pn )整条信息的熵也即表示整条信息所需的二进制位数为:

    E = knEn

    这个信息熵就是人们一直在追求的数据压缩的理论极限!

    二、图象压缩算法

    具体到图像而言,一幅图像存在数据冗余和主观视觉冗余,我们的压缩方式就是从这两方面着手来开展的。

    1)因为有数据冗余,当我们将图像信息的描述方式改变之后,可以压缩掉这些冗余。

    2)因为有主观视觉冗余,当我们忽略一些视觉不太明显的微小差异,可以进行所谓的有损压缩。

    五十多年来,人们从不同的角度出发,不断认识上述两条数据压缩思路,先后设计了若干算法,我们按照思路的不同,把这些算法归结为以下几个模型:预测模型、统计模型、字典模型、变换模型、分形模型、模型基,下面将分别展开叙述:

    1、预测模型:

    首先我们介绍下预测模型的设计思路:

    由于图像中局部区域的象素是高度相关的,去除相邻象素之间的相关性,只对新的信息进行编码,这样能达到压缩的目的。举个简单的例子,因为象素的灰度是连续的,所以在一片区域中,相邻象素之间灰度值的差别可能很小。如果我们只记录第一个象素的灰度,其它象素的灰度都用它与前一个象素灰度之差来表示,就能起到压缩的目的。如24821013,注意这里的2是根据第一个灰度值248预计的,1又是根据我们刚预计的灰度值预计的,以后操作类似,如果我们所做的预计是正确的,即这6个象素的灰度是248250251251252255。可以看到,表示250需要8个比特,而表示2只需要两个比特,这样就实现了压缩。

    这里要说明的是这种估计或预测是有严格的理论依据的,能保证其精度要求,只是这种理论依据所用的数学公式推倒很复杂,这里就不叙述了!

    根据这个思路,人们设计了预测编码,常用的预测编码有Δ调制(Delta Modulation,简称DM);微分预测编码(Differential Pulse Code ModulationDPCM)

    2、统计模型:

    字面上来看,统计涉及概率,确实,该模型运用到了概率知识,概括来讲就是:当我们对文字信息进行编码时,如果为出现概率较高的字母赋予较短的编码,为出现概率较低的字母赋予较长的编码,总的编码长度就能缩短不少。基于这个思想,信息论之父----Shannon 在提出信息熵理论的同时,也给出了一种简单的编码方法—— Shannon 编码。以后,R. M. Fano 对此编码方法进行了改进,提出了Shannon --Fano 编码。这种编码的思路如下:按照符号出现的频度或概率排序,然后使用递归方法把这组分成两个部分,使得上部频率或概率总和尽可能接近下部频率和概率总和!这样可以构造出一个二叉树,我们按照从左到右的顺序对每个结点下的左右分支分配01,按照从上到下的顺序读各分支上的数字,可以得到相应字符的编码!

    eg:  有如下字母ABCDE,其出现次数分为167665,我们构造好的二叉树为:

    这样我们可以得到各字符的编码为:A00B01C10D110E111,由编码可以看出,出现频率高的字符分配较短字符,出现频率高的字符分配较长字符!但这种编码压缩比有限,不很实用!

    此后,在1952D. A. Huffman提出了著名的Huffman编码,这种编码的思路为:首先统计出每个符号出现的频率,从左到右把上述频率按从小到大的顺序排列,每一次选出最小的两个值,作为二叉树的两个叶子节点,将和作为它们的根节点,这两个叶子节点不再参与比较,新的根节点参与比较,即与剩下的结点按从小到大的顺序排列,然后在这个新序列中选出最小的两个值作为二叉树的两个叶子子结点,将和作为它们的根节点……如此直到最后得到和为1的根节点。将形成的二叉树的左节点标0,右节点标1。把从最上面的根节点到最下面的叶子节点途中遇到的0,1序列串起来,就得到了各个符号的编码。

    eg: 8个字符S0,S1,S2,S3,S4,S5,S6,S7,其出现的概率如下:4/14,3/14,2/14,1/14,1/14,1/14,1/14,1/14,由其构成的huffman树如下:

    这种huffman编码,由于要统计各字符的概率和建立huffman树进行编码,数据压缩和还原速度都较慢,压缩比还不够,但简单有效,因而得到广泛的应用。

    以后,为了挑战信息熵的极限,通过对现有的Shannon –Fano和创新,1976 年, J. Rissanen 提出了一种可以成功地逼近信息熵极限的编码方法——算术编码!这种算法比较复杂,这里就不介绍了!我要说的是,算术编码虽然可以获得最短的编码长度,但其本身的复杂性也使得算术编码的任何具体实现在运行时都慢如蜗牛,即使在摩尔定律大行其道, CPU 速度日新月异的今天,算术编码程序的运行速度也很难满足日常应用的需求。

    3、字典模型

    前面提到的算术编码,已经能很接近信息熵的极限!似乎,压缩技术的发展可以到此为止了。好在J. Ziv A. Lempel 独辟蹊径,完全脱离 Huffman 及算术编码的设计思路,创造出了一种比 Huffman 编码更有效,比算术编码更快捷的压缩算法,即 LZ算法。

    这种算法有很多变体,如LZ77 LZ78 LZW等等,其都遵行的是字典模型的思路。我们先来看我们平常查字典过程:先通过偏旁部首检索所需字所在的页码,然后在对应的页码就可找到所需的汉字!字典模型的设计思路和我们查字典的思想类似!它并不直接计算字符出现的概率,而是使用一本字典,随着输入信息的读入,模型找出输入信息在字典中匹配的最长的字符串,然后输出该字符串在字典中的索引信息。匹配越长,压缩效果越好。

    我们可以看看LZW编码算法的建库过程!

    eg:试对一个最简单的三字符XYZ组成的字符串XYXYZYXYXYXXXXXX进行LZW编码。

    首先初始化串表,将XYZ单字符存入串表中,并分别赋予三个码字值123,然后从输入字符串中的第一个字符X开始,从左到右逐个输入字符串进行编码器分析,由于串表中没有比X更长的字符串,将X作为新字符串的前缀,此时输入下一个字符Y,形成新字符串XY,由于串表中没有这个字符串XY,将之加入串表,并赋予XY串的码字值为4,由于Y是字符串XY的扩展字符,X是其前缀,将前缀X的码值1输出;同时,用XY字符串的扩展符Y起始下一个字符串,下一个输入字符为X,因为YX不在串表中,将之加入串表,并赋予YX串的码字值为5,同时输出字符串YX的前缀串Y对应的码值2,再以X起始下一个字符串,接着输入Y,又形成XY,由于X字符串已经在串表中,此时以XY为下一个新字符串的前缀,接着输入下一个字符Z,形成新的XYZ,因为XYZ不在串表中,将之加入串表,并赋予XYZ串的码字值为6,同时输出字符串XYZ的前缀XY对应的4,以Z作为前缀字符串……最终我们得到所要的“字典”如下:

    同时我们得到的输出序列为:1,2,4,3,5,8,1,10,11,我们来看解玛过程,只要将对应的数字从左到右的顺序按照此对应表替换为相应字符,我们可以得到:XYXYZYXYXYXXXXXX

    我们看看这个过程,是不是和我们查字典的方式类似!

     4、变换模型

    由统计模型到字典模型,基于的是编码思想的改变!变换模型的提出也是有别于传统!

    它的思想是将原来在空间域上描述的图像等信号,通过一种数学变换到可变域(如频率域、正交矢量空间)中进行描述,经过这样的变换,人们发现在新的变换系数之间的相关性明显下降,并且能量常常集中于低频或低序系数区域中,于是通过对低频成分分配较多的比特数,对高频成分分配较少的比特数,即可实现图像数据压缩。变换编码经常与量化一起使用,进行有损数据压缩,并且由于正交矩阵具有的良好特性,转换一般采用正交矩阵进行。

    一个很早的例子是彩色电视机。由于人眼对亮度的敏感性远远大于对色度的敏感性,所以将最初的基于RGB颜色空间的色彩转换到YCbCr空间,并利用较低的分辨率来表示色差(CbCr)信号(也属于某种量化)。这使得彩色电视机可以使用与黑白电视机相同的约6M的带宽来传送,而人眼感觉不到太大差别。实际上一般的彩色电视机的亮度分辨率约为350扫描线,而Cb信号约为50线(等效值)Cr信号约为150线(等效值)。复杂的人眼系统能够在这样的基础上重建完整的彩色图像。

    总的来看,这个模型涉及到的知识很复杂,不好理解!我也没太明白。常见的傅立叶变换编码、沃尔什·哈达玛变换(WHT)和离散K-L变换、小波变换等编码方法都是这一模型的应用!其中小波变换是当前的热门!

    5、分形模型

    让我们先看看下面这些美丽的图片

     

    A                         B                                 C

    大家看上面所罗列的图片,我想第一感觉是很漂亮,细细看后,可能会觉得组成该图像的部分很相似。事实上,自然界有很多这样的图案,比如海岸线,你看它10公里的图像(曲线),和一寸的景象(曲线)是相似的;又如雪花,它的各瓣都差不多!还有蜂窝外形与蜂窝中孔穴、自然界的蕨类植物等,我们还可以找到很多这样的例子。说了这些,我想说的是,自然界有很多图形具有自相似性!利用这种相似性来对图形进行处理,可以达到压缩的目的。这就是分形模型的思想。

    那么分形压缩图像怎样实现呢?基于分形几何建立“图形库”,这个“图形库”存放的不是分形图案本身,而是存放的相对紧凑的称之为迭代函数系统代码的数字集合,这些代码将重构相应的分形图形!我们可以看看用分形技术重建海岸线的过程!1904年瑞典数家科赫(HVon Koch)首次提出了Koch曲线,它的生成是把一条直线等分成三段,将中间一段用夹角为60°的两条等长折线代替,形成一个生成元如图1(1)

    然后把每条直线段用生成元代替,经无穷次迭代后,便呈现出一条有无穷多弯曲的Koch曲线。用它来作为自然界中海岸线的模型相当理想。

    这里值得提一下的是,分形压缩技术是当前研究的热点。

    6、模型基

    近年来出现的模型基,它能压缩图像的思路又不同!它所基于的是人们已经有的先验知识!先验知识,说的明白点就是大家都了解的、熟悉的场景。既然这部分知识是大家所熟悉的,在传输时可以不传输,而在接收到只要相应的进行的生成即可!这可以说是模型基的设计思想。

    根据对先验知识的使用程度,模型基编码可分为物体基模型和语义基模型!物体基编码较少用到先验知识,因而可以处理更一般的对象,已知的或未知的,这种编码正处于研究阶段,前景很好;语义基编码有效地利用了景物中的已知物体的知识,可以实现非常高的压缩比,目前已经有比较成型的成果问世!让我们看看语义基的一个电视电话的应用,借此加深对此的认识!

    在电视电话这一特定场景中,运动的只是人的面部表情!肩部以下大体不动!在开始通信的时候,先把通信双方的基本特征(如三维模型、年部的表面纹理、衣服的颜色等)传输到对方。接着头部开始运动并伴随不同的表情,这时,在发送端需要抽取头部的运动参数和脸部的表情参数,将这些参数编码后再传送到对方,在接收断根据已知的三维模型和接收到的各种参数,用图象综合技术获得重建图像!

    相信看了我上面的介绍,你一定会这种模型编码很复杂,确实!它用的技术很高深,而且还用到了别的领域知识!但它所展现的高压比等性能也很吸引人,是未来研究的热点!

    三、总结

    我们前面提到的四种压缩模型所衍生出的若干编码方法可归结为图象压缩的经典方法,已经很成熟了,正广泛应用于实践;后提到的两种压缩模型所衍生的若干编码方法正处于实验阶段,有些已用于实践,可归结为图象压缩的现代方法,它们引领着图象压缩的未来!

    上述提到的六种模型都很有代表性,都是人类在对图像认识的不断深入的基础上所进行的革新创造,有些还是从别的学科引入来的,这中思路启迪我们,只有不断的创新,才会带来技术的飞速发展。

    四、参考文献

    1.数据压缩技术简史.王咏刚. http://www.contextfree.net/wangyg/b/tech_his/data_compression_history.html

    2.视频压缩与音频压缩编码技术.精英科技编著.北京:中国电力出版社.2001.6

    3.数字图象处理与压缩编码技术.黄贤武等编著.成都.电子科技大学出版社.2000.12

    4.数字图象处理与图像通信.朱秀昌,刘峰,胡栋编著.北京:北京邮电大学出版社.2002

    5.现代图象处理技术与应用.夏德深等编著.南京:东南大学出版社.2001.2

     

     

     

     

    展开全文
  • 8.7.1 查询图像文件的信息 8.7.2 图像文件的读取 8.7.3 图像文件的存储 8.7.4 图像数据类型的转换 8.7.5 图像文件格式的转换 第九章 MATLAB 图像显示与色彩 9.1 图像显示 9.1.1 imshow 函数 9.1.2 显示索引...
  • 机器人 信息与控制 欢迎访问《中国图象图形学报》编辑部网站!计算机学报 欢迎访问软件学报网站!欢迎访问计算机应用杂志小型微型计算机系统 控制与决策计算机工程与应用、计算机科学与探索 杂志社 欢迎访问《控制...
    中文核心(中文核心期刊要目总览)
    
    计算机工程与设计 期刊
    传感技术学报投稿系统
    微型机与应用
    数据采集与处理
    中文信息学报
    《遥感学报编辑部》官方网站欢迎您
    欢迎访问《计算机应用研究》网站!
    机器人
    信息与控制
    欢迎访问《中国图象图形学报》编辑部网站!
    计算机学报
    欢迎访问软件学报网站!
    欢迎访问计算机应用杂志
    小型微型计算机系统
    控制与决策
    计算机工程与应用、计算机科学与探索 杂志社
    欢迎访问《控制理论与应用》期刊网站!
    计算机工程
    计算机科学
    计算机仿真
    万方数据-微电子学与计算机(2008新)
    计算机工程与科学(2008新)

    科技核心(中国科技期刊引证报告(核心版):中国科技论文统计源期刊,即中国科技核心期刊)
    计算机与现代化
    计算机技术与发展(原名微机发展)
    现代电子技术--中国科技核心期刊
    计算机系统应用--在线投稿系统
    《计算机应用与软件》编辑部(2004中文核心)
    微计算机信息杂志社首页(2004中文核心)

    EI(包括Compendex核心版和Page One及部分SCI-E)

    JOURNAL OF COMPUTER SCIENCE AND TECHNOLOGY,计算机科学与技术,英文双月刊, SCIE+EI双索引

    计算机学报

    计算机研究与发展

    欢迎访问软件学报网站!

    自 动 化 学 报

    计算机集成制造系统

    电子学报&CHINESE JOURNAL OF ELECTRONICS编辑部

    欢迎访问通信学报编辑部网站!

    计算机辅助设计与图形学学报

    模式识别与人工智能

    系统仿真学报主页

    系统工程理论与实践

    系统工程与电子技术

     

     

    2008第五版中文核心(TP)同2011(第六版)

    TP 自动化技术,计算机技术

    1.软件学报2.计算机学报3.计算机研究与发展4.计算机辅助设计与图型学学报展5.自动化学报6.中国图象图形学报7.计算机工程与应用8.系统仿真学报9.计算机工程10.计算机集成制造系统

    11.控制与决策12.小型微型计算机系统13.控制理论与应用14.计算机应用研究15.机器人16.中文信息学报17.计算机应用18.信息与控制19.计算机科学20.计算机测量与控制

    21.模式识别与人工智能22.计算机仿真23.计算机工程与科学24.遥感技术与应用25.传感器技术(改名为:传感器与微系统)26.计算机工程与设计27.测控技术28.传感技术学报29.控制工程30.微电子学与计算机31.化工自动化及仪表

    (SCI/EI一般也是中文核心,中文核心一般也是科技核心,科技核心(统计源)可能是过期的中文核心)



    展开全文
  • 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。  一幅图象...

    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。

         一幅图象的灰度共生矩阵能反映出图象灰度关于方向、相邻间隔、变化幅度的综合信息,它是分析图象的局部模式和它们排列规则的基础。

      设f(x,y)为一幅二维数字图象,其大小为M×N,灰度级别为Ng,则满足一定空间关系的灰度共生矩阵为

    P(i,j)=#{(x1,y1),(x2,y2)∈M×N|f(x1,y1)=i,f(x2,y2)=j}

      其中#(x)表示集合x中的元素个数,显然P为Ng×Ng的矩阵,若(x1,y1)与(x2,y2)间距离为d,两者与坐标横轴的夹角为θ,则可以得到各种间距及角度的灰度共生矩阵P(i,j,d,θ)。

    纹理特征提取的一种有效方法是以灰度级的空间相关矩阵即共生矩阵为基础的[7],因为图像中相距(Δx,Δy)的两个灰度像素同时出现的联合频率分布可以用灰度共生矩阵来表示。若将图像的灰度级定为N级,那么共生矩阵为N×N矩阵,可表示为M(Δx,Δy)(h,k),其中位于(h,k)的元素mhk的值表示一个灰度为h而另一个灰度为k的两个相距为(Δx,Δy)的像素对出现的次数。
      对粗纹理的区域,其灰度共生矩阵的mhk值较集中于主对角线附近。因为对于粗纹理,像素对趋于具有相同的灰度。而对于细纹理的区域,其灰度共生矩阵中的mhk值则散布在各处。

        为了能更直观地以共生矩阵描述纹理状况,从共生矩阵导出一些反映矩阵状况的参数,典型的有以下几种:

    (1)能量: 是灰度共生矩阵元素值的平方和,所以也称能量,反映了图像灰度分布均匀程度和纹理粗细度。如果共生矩阵的所有值均相等,则ASM值小;相反,如果其中一些值大而其它值小,则ASM值大。当共生矩阵中元素集中分布时,此时ASM值大。ASM值大表明一种较均一和规则变化的纹理模式。

    (2)对比度: ,其中 。反映了图像的清晰度和纹理沟纹深浅的程度。纹理沟纹越深,其对比度越大,视觉效果越清晰;反之,对比度小,则沟纹浅,效果模糊。灰度差即对比度大的象素对越多,这个值越大。灰度公生矩阵中远离对角线的元素值越大,CON越大。

    (3)相关:它度量空间灰度共生矩阵元素在行或列方向上的相似程度,因此,相关值大小反映了图像中局部灰度相关性。当矩阵元素值均匀相等时,相关值就大;相反,如果矩阵像元值相差很大则相关值小。如果图像中有水平方向纹理,则水平方向矩阵的COR大于其余矩阵的COR值。

    (4)熵: 是图像所具有的信息量的度量,纹理信息也属于图像的信息,是一个随机性的度量,当共生矩阵中所有元素有最大的随机性、空间共生矩阵中所有值几乎相等时,共生矩阵中元素分散分布时,熵较大。它表示了图像中纹理的非均匀程度或复杂程度。

    (5)逆差距: 反映图像纹理的同质性,度量图像纹理局部变化的多少。其值大则说明图像纹理的不同区域间缺少变化,局部非常均匀。

    其它参数:

    中值<Mean>

    协方差<Variance>

    同质性/逆差距<Homogeneity>

    反差<Contrast>

    差异性<Dissimilarity>

    熵<Entropy>

    二阶距<Angular Second Moment>

    自相关<Correlation>

    当图像的局部有较小的方差时,则灰度值占有支配地位,当图像的局部有较大的方差时,则纹理占有支配地位。纹理是和局部灰度及其空间组织相联系的,纹理在识别感兴趣的目标和地区中有着非常重要的作用。

    灰度共生矩阵表示了灰度的空间依赖性,它表示了在一种纹理模式下的像素灰度的空间关系。它的弱点是没有完全抓住局部灰度的图形特点,因此对于较大的局部,此方法的效果不太理想。灰度共生矩阵为方阵,维数等于图像的灰度级。灰度共生矩阵中的元素(i,j)的值表示了在图像中其中一个像素的灰度值为i,另一个像素的灰度值为j,并且相邻距离为d,方向为A的这样两个像素出现的次数。在实际应用中A一般选择为0°、45°、90°、135°。一般来说灰度图像的灰度级为256,在计算由灰度共生矩阵推导出的纹理特征时,要求图像的灰度级远小于256,主要是因为矩阵维数较大而窗口的尺寸较小则灰度共生矩阵不能很好表示纹理,如要能够很好表示纹理则要求窗口尺寸较大,这样使计算量大大增加,而且当窗口尺寸较大时对于每类的边界区域误识率较大。所以在计算灰度共生矩阵之前需要对图像进行直方图规定化,以减小图像的灰度级,一般规定化后的图像的灰度级为8或16。由灰度共生矩阵能够导出许多纹理特征,本文计算了14种灰度共生矩阵特征,分别为纹理二阶距、纹理熵、纹理对比度、纹理均匀性、纹理相关、逆差分矩、最大概率、纹理方差、共生和均值、共生和方差、共生和熵、共生差均值、共生差方差、共生差熵。

    由灰度共生矩阵能够导出许多纹理特征,计算了14种灰度共生矩阵特征,分别为纹理二阶距、纹理熵、纹理对比度、纹理均匀性、纹理相关、逆差分矩、最大概率、纹理方差、共生和均值、共生和方差、共生和熵、共生差均值、共生差方差、共生差熵。

    目前,人们对遥感影像上的纹理特征的含义理解不尽相同,纹理有时被称为结构、影纹和纹形等。Pickett认为纹理为保持一定的特征重复性并且间隔规律可以任意安排的空间结构。HawKins认为[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内大致为均匀的统一体。LiWang和D. C. He认为[7],纹理是纹理基元组成的,纹理基元被认为是表现纹理特征的最小单元,是一个像元在

    其周围8个方向上的特征反应。纹理特征有时是明显的,以某种基本图形在某一地区有规律的周期性出现,例如:大面积森林覆盖地区的影像构成的纹理为斑点状,沙漠地区的影像构成的纹理为链状、新月状等;而有时纹理特征是不明显的、隐晦的,具有不稳定性。一般来说,前者纹理比较均一,后者纹理比较复杂[9]

    纹理作为一种区域特征,是对于图像各像元之间空间分布的一种描述。由于纹理能充分利用图像信息,无论从理论上或常识出发它都可以成为描述与识别图像的重要依据,与其他图像特征相比,它能更好地兼顾图像宏观性质与细微结构两个方面,因此纹理成为目标识别需要提取的重要特征。提取纹理特征的方法很多,如基于局部统计特性的特征、基于随机场模型的特征、基于空间频率的特征、分形特征等,其中,应用最广泛的是基于灰值共生矩阵的特征[10]

    % matlab
    
    
    %**************************************************************************
    % 图像检索——纹理特征
    %基于共生矩阵纹理特征提取,d=1,θ=0°,45°,90°,135°共四个矩阵
    %所用图像灰度级均为256
    %参考《基于颜色空间和纹理特征的图像检索》
    %function : T=Texture(Image)
    %Image : 输入图像数据
    %T : 返回八维纹理特征行向量
    %**************************************************************************
    function T = Texture(path)
    Image = imread(path);
    
    % [M,N,O] = size(Image);
    M = 256;
    N = 256;
    if isrgb(Image)%判断是否是RGB
    Gray=rgb2gray(Image);
    end
    %--------------------------------------------------------------------------
    %1.将各颜色分量转化为灰度
    %--------------------------------------------------------------------------
    %Gray = double(0.3*Image(:,:,1)+0.59*Image(:,:,2)+0.11*Image(:,:,3))
    %--------------------------------------------------------------------------
    %2.为了减少计算量,对原始图像灰度级压缩,将Gray量化成16级
    %--------------------------------------------------------------------------
    for i = 1:M
    for j = 1:N
    for n = 1:256/16
    if (n-1)*16<=Gray(i,j)&Gray(i,j)<=(n-1)*16+15 Gray(i,j) = n-1; 
    end end endend
    %--------------------------------------------------------------------------%
    3.计算四个共生矩阵P,取距离为1,角度分别为0,45,90,135
    %--------------------------------------------------------------------------
    P = zeros(16,16,4);for m = 1:16 for n = 1:16 for i = 1:M for j = 1:N if j

    出处:http://www.zhizhihu.com/html/y2010/1130.html

    展开全文
  • 灰度共生矩阵--纹理

    2014-04-09 19:53:00
    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。 一幅图象的...

          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。

    一幅图象的灰度共生矩阵能反映出图象灰度关于方向、相邻间隔、变化幅度的综合信息,它是分析图象的局部模式和它们排列规则的基础。

      设f(x,y)为一幅二维数字图象,其大小为M×N,灰度级别为Ng,则满足一定空间关系的灰度共生矩阵为

    P(i,j)=#{(x1,y1),(x2,y2)∈M×N|f(x1,y1)=i,f(x2,y2)=j}

      其中#(x)表示集合x中的元素个数,显然P为Ng×Ng的矩阵,若(x1,y1)与(x2,y2)间距离为d,两者与坐标横轴的夹角为θ,则可以得到各种间距及角度的灰度共生矩阵P(i,j,d,θ)。

     

          纹理特征提取的一种有效方法是以灰度级的空间相关矩阵即共生矩阵为基础,因为图像中相距(Δx,Δy)的两个灰度像素同时出现的联合频率分布可以用灰度共生矩阵来表示。若将图像的灰度级定为N级,那么共生矩阵为N×N矩阵,可表示为M(Δx,Δy)(h,k),其中位于(h,k)的元素mhk的值表示一个灰度为h而另一个灰度为k的两个相距为(Δx,Δy)的像素对出现的次数。
      对粗纹理的区域,其灰度共生矩阵的mhk值较集中于主对角线附近。因为对于粗纹理,像素对趋于具有相同的灰度。而对于细纹理的区域,其灰度共生矩阵中的mhk值则散布在各处。

    为了能更直观地以共生矩阵描述纹理状况,从共生矩阵导出一些反映矩阵状况的参数,典型的有以下几种:

     

    (1)能量:是灰度共生矩阵元素值的平方和,所以也称能量,反映了图像灰度分布均匀程度和纹理粗细度。如果共生矩阵的所有值均相等,则ASM值小;相反,如果其中一些值大而其它值小,则ASM值大。当共生矩阵中元素集中分布时,此时ASM值大。ASM值大表明一种较均一和规则变化的纹理模式。

     

    (2)对比度: 反映了图像的清晰度和纹理沟纹深浅的程度。纹理沟纹越深,其对比度越大,视觉效果越清晰;反之,对比度小,则沟纹浅,效果模糊。灰度差即对比度大的象素对越多,这个值越大。灰度公生矩阵中远离对角线的元素值越大,CON越大。

     

    (3)相关:它度量空间灰度共生矩阵元素在行或列方向上的相似程度,因此,相关值大小反映了图像中局部灰度相关性。当矩阵元素值均匀相等时,相关值就大;相反,如果矩阵像元值相差很大则相关值小。如果图像中有水平方向纹理,则水平方向矩阵的COR大于其余矩阵的COR值。

     

    (4)熵:是图像所具有的信息量的度量,纹理信息也属于图像的信息,是一个随机性的度量,当共生矩阵中所有元素有最大的随机性、空间共生矩阵中所有值几乎相等时,共生矩阵中元素分散分布时,熵较大。它表示了图像中纹理的非均匀程度或复杂程度。

     

    (5)逆差距:反映图像纹理的同质性,度量图像纹理局部变化的多少。其值大则说明图像纹理的不同区域间缺少变化,局部非常均匀。

     

    其它参数:

    中值,协方差,同质性/逆差距,反差,差异性,熵,二阶距,自相关

     

         当图像的局部有较小的方差时,则灰度值占有支配地位,当图像的局部有较大的方差时,则纹理占有支配地位。纹理是和局部灰度及其空间组织相联系的,纹理在识别感兴趣的目标和地区中有着非常重要的作用。

         灰度共生矩阵表示了灰度的空间依赖性,它表示了在一种纹理模式下的像素灰度的空间关系。它的弱点是没有完全抓住局部灰度的图形特点,因此对于较大的局部,此方法的效果不太理想。灰度共生矩阵为方阵,维数等于图像的灰度级。灰度共生矩阵中的元素(i,j)的值表示了在图像中其中一个像素的灰度值为i,另一个像素的灰度值为j,并且相邻距离为d,方向为A的这样两个像素出现的次数。在实际应用中A一般选择为0°、45°、90°、135°。一般来说灰度图像的灰度级为256,在计算由灰度共生矩阵推导出的纹理特征时,要求图像的灰度级远小于256,主要是因为矩阵维数较大而窗口的尺寸较小则灰度共生矩阵不能很好表示纹理,如要能够很好表示纹理则要求窗口尺寸较大,这样使计算量大大增加,而且当窗口尺寸较大时对于每类的边界区域误识率较大。所以在计算灰度共生矩阵之前需要对图像进行直方图规定化,以减小图像的灰度级,一般规定化后的图像的灰度级为8或16。由灰度共生矩阵能够导出许多纹理特征,本文计算了14种灰度共生矩阵特征,分别为纹理二阶距、纹理熵、纹理对比度、纹理均匀性、纹理相关、逆差分矩、最大概率、纹理方差、共生和均值、共生和方差、共生和熵、共生差均值、共生差方差、共生差熵。

          由灰度共生矩阵能够导出许多纹理特征,计算了14种灰度共生矩阵特征,分别为纹理二阶距、纹理熵、纹理对比度、纹理均匀性、纹理相关、逆差分矩、最大概率、纹理方差、共生和均值、共生和方差、共生和熵、共生差均值、共生差方差、共生差熵。

          目前,人们对遥感影像上的纹理特征的含义理解不尽相同,纹理有时被称为结构、影纹和纹形等。Pickett认为纹理为保持一定的特征重复性并且间隔规律可以任意安排的空间结构。HawKins认为[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内大致为均匀的统一体。LiWang和D. C. He认为[7],纹理是纹理基元组成的,纹理基元被认为是表现纹理特征的最小单元,是一个像元在其周围8个方向上的特征反应。纹理特征有时是明显的,以某种基本图形在某一地区有规律的周期性出现,例如:大面积森林覆盖地区的影像构成的纹理为斑点状,沙漠地区的影像构成的纹理为链状、新月状等;而有时纹理特征是不明显的、隐晦的,具有不稳定性。一般来说,前者纹理比较均一,后者纹理比较复杂[9]

          纹理作为一种区域特征,是对于图像各像元之间空间分布的一种描述。由于纹理能充分利用图像信息,无论从理论上或常识出发它都可以成为描述与识别图像的重要依据,与其他图像特征相比,它能更好地兼顾图像宏观性质与细微结构两个方面,因此纹理成为目标识别需要提取的重要特征。提取纹理特征的方法很多,如基于局部统计特性的特征、基于随机场模型的特征、基于空间频率的特征、分形特征等,其中,应用最广泛的是基于灰值共生矩阵的特征[10]


    %**************************************************************************
    % 图像检索——纹理特征
    %基于共生矩阵纹理特征提取,d=1,θ=0°,45°,90°,135°共四个矩阵
    %所用图像灰度级均为256
    %参考《基于颜色空间和纹理特征的图像检索》
    %function : T=Texture(Image)
    %Image : 输入图像数据
    %T : 返回八维纹理特征行向量
    %**************************************************************************
    function T = Texture(path)
    Image = imread(path);

    % [M,N,O] = size(Image);
    M = 256;
    N = 256;
    if isrgb(Image)%判断是否是RGB
    Gray=rgb2gray(Image);
    end
    %--------------------------------------------------------------------------
    %1.将各颜色分量转化为灰度
    %--------------------------------------------------------------------------
    %Gray = double(0.3*Image(:,:,1)+0.59*Image(:,:,2)+0.11*Image(:,:,3))

    %--------------------------------------------------------------------------
    %2.为了减少计算量,对原始图像灰度级压缩,将Gray量化成16级
    %--------------------------------------------------------------------------
    for i = 1:M
    for j = 1:N
    for n = 1:256/16
    if (n-1)*16<=Gray(i,j)&Gray(i,j)<=(n-1)*16+15
    Gray(i,j) = n-1;
    end
    end
    end
    end

    %--------------------------------------------------------------------------
    %3.计算四个共生矩阵P,取距离为1,角度分别为0,45,90,135
    %--------------------------------------------------------------------------
    P = zeros(16,16,4);
    for m = 1:16
    for n = 1:16
    for i = 1:M
    for j = 1:N
    if j
    P(m,n,1) = P(m,n,1)+1;
    P(n,m,1) = P(m,n,1);
    end
    if i>1&j
    P(m,n,2) = P(m,n,2)+1;
    P(n,m,2) = P(m,n,2);
    end
    if i
    P(m,n,3) = P(m,n,3)+1;
    P(n,m,3) = P(m,n,3);
    end
    if i
    P(m,n,4) = P(m,n,4)+1;
    P(n,m,4) = P(m,n,4);
    end
    end
    end
    if m==n
    P(m,n,:) = P(m,n,:)*2;
    end
    end
    end

    %%---------------------------------------------------------
    % 对共生矩阵归一化
    %%---------------------------------------------------------
    for n = 1:4
    P(:,:,n) = P(:,:,n)/sum(sum(P(:,:,n)));
    end

    %--------------------------------------------------------------------------
    %4.对共生矩阵计算能量、熵、惯性矩、相关4个纹理参数
    %--------------------------------------------------------------------------
    H = zeros(1,4);
    I = H;
    Ux = H; Uy = H;
    deltaX= H; deltaY = H;
    C =H;
    for n = 1:4
    E(n) = sum(sum(P(:,:,n).^2)); %%能量
    for i = 1:16
    for j = 1:16
    if P(i,j,n)~=0
    H(n) = -P(i,j,n)*log(P(i,j,n))+H(n); %%熵
    end
    I(n) = (i-j)^2*P(i,j,n)+I(n); %%惯性矩

    Ux(n) = i*P(i,j,n)+Ux(n); %相关性中μx
    Uy(n) = j*P(i,j,n)+Uy(n); %相关性中μy
    end
    end
    end
    for n = 1:4
    for i = 1:16
    for j = 1:16
    deltaX(n) = (i-Ux(n))^2*P(i,j,n)+deltaX(n); %相关性中σx
    deltaY(n) = (j-Uy(n))^2*P(i,j,n)+deltaY(n); %相关性中σy
    C(n) = i*j*P(i,j,n)+C(n);
    end
    end
    C(n) = (C(n)-Ux(n)*Uy(n))/deltaX(n)/deltaY(n); %相关性
    end

    %--------------------------------------------------------------------------
    %求能量、熵、惯性矩、相关的均值和标准差作为最终8维纹理特征
    %--------------------------------------------------------------------------
    T(1) = mean(E); T(2) = sqrt(cov(E));
    T(3) = mean(H); T(4) = sqrt(cov(H));
    T(5) = mean(I); T(6) = sqrt(cov(I));
    T(7) = mean(C); T(8) = sqrt(cov(C));

    转载于:https://www.cnblogs.com/dmlove/p/3654969.html

    展开全文
  • glcm灰度共生矩阵即特征值的提取

    千次阅读 2013-12-03 15:53:47
    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。 一幅图象...
  • 灰度共生矩阵

    2011-06-21 09:36:00
    灰度共生矩阵 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...
  • 计算GLCM

    千次阅读 2011-11-29 12:18:49
    转自cxf7394373 介绍 ...一幅图象的灰度共生矩阵能反映出图象灰度关于方向、相邻间隔、变化幅度的综合信息,它是分析图象的局部模式和它们排列规则的基础。 设f(x,y)为一幅二维数字图象,其大小为M×
  • 背并衰着~!

    2007-11-14 15:40:49
    两周内主题是三件事,上网填个学生信息,发院奖学金证书和毕业生图象信息采集。结果是,学生信息,名字被搞错了,又要跑去行政楼找老师;发证书,那么多人,惟独我的漏发,还要找辅导员去查认填写资料了没;毕业生...
  • 这些题型主要是关注统计图表和函数图象信息,此类题型对学生的综合能力有更高的要求,有利于培养学生的识图看表能力、处理信息的能力以及创新能力。我们根据图表信息型试题的特点,可将其大致分为五类:1、图形信息....
  • 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。   一幅...
  • 本软件用于各种医学影像图文报告的书写、打印、统计、查询、DICOM图象 浏览等功能。适用于CR,MR,CT,超声等检查项目。内附有大量典型模板,写报告 非常简单。 本软件可以独立使用,也可以与Efilm连接使用,经过...
  • Hadoop大数据解决方案进阶应用 Hadoop 讲师迪伦北风网版权所有 Mahout数据挖掘工具 (1) Mahout...数据挖掘涉及多学科技术的集成包括数据库技术统计机器学习高性能计算模式识别神经网络数据可视化信息提取图象与信号处理
  • 灰度共生矩阵(GLCM)

    2013-05-30 22:05:26
    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...一幅图象的灰度共生矩阵能反映出图象灰度关于方向、相邻间隔、变化幅度的综合信息,它是分
  • 计算灰度共生矩阵GLCM

    千次阅读 2011-11-23 15:32:50
    介绍 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...一幅图象的灰度共生矩阵能反映出图象灰度关于方向、相邻间隔、变化幅度的综合信息,它是
  • 本软件用于各种医学影像图文报告的书写、打印、统计、查询、DICOM图象 浏览等功能。适用于CR,MR,CT,超声等检查项目。内附有大量典型模板,写报告 非常简单。 本软件可以独立使用,也可以与Efilm连接使用,经过...
  • GRAY HISTOGRAM OF MATLAB

    2017-03-27 15:02:13
    灰度直方图的横坐标是灰度级,纵坐标是该灰度级出现的频率,是图象的最基本的统计特征。 灰度直方图的基本性质 1.表征了图像的一维信息。只反映图像中像素不同灰度值出现的次数(或频数)而未反映像素所在...
  • 提取共生矩阵特征

    2010-12-09 14:07:00
    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。   灰度...
  • 该课题识别原理为:从一副生活照中寻找到人脸,并且分割人脸图象,利用PCA算法进行降维,和库里图片进行对比,输出目标人脸以及相关个人信息。该课题还可以继续二次开发,做成库内外人脸的识别,如果是库外人脸则...
  • 该课题识别原理为:从一副生活照中寻找到人脸,并且分割人脸图象,利用PCA算法进行降维,和库里图片进行对比,输出目标人脸以及相关个人信息。该课题还可以继续二次开发,做成库内外人脸的识别,如果是库外人脸则...
  • 图像的一维熵和二维熵

    千次阅读 2018-09-29 11:04:03
    图像的熵是一种特征的统计形式,它反映了图像中平均信息量的多少。图像的一维熵表示图像中灰度分布的聚集特征所包含的信息量,令Pi表示图像中灰度值为i的像素所占的比例,则定义灰度图象的一元灰度熵为: 图象的一...

空空如也

空空如也

1 2 3 4
收藏数 62
精华内容 24
关键字:

统计图象信息