精华内容
下载资源
问答
  • 基于Gabor小波变换的医学图像纹理特征分类,基于Gabor小波变换的医学图像纹理特征分类
  • Gabor 小波变换技术对医学 CT 图像进行纹理特征分类时,由于图像拍摄角度的变化会造成分类的误差。针对以上问题,在 Gabor小波变换的基础上提出一种用于分析旋转不变医学图像的方法。该方法采用旋转规范化,即特征...
  • 为提高特征描述的鲁棒性,提出了一种基于高斯局部二值模式的纹理特征提取方法。首先,采用加强预处理使高斯滤波获得不同尺度的图像,从而构建多尺度的图像金字塔;其次,为提升旋转不变性和抗噪声能力,提出具有主...
  • 在已有的瓷砖图像分类系统...采用基于径向基核函数和[K]交叉验证法所得到的最优参数构造支持向量机,解决瓷砖纹理特征具有非线性的分类问题。用瓷砖生产线上采集的大量图像进行实验表明,该方法准确率高,分类效果好。
  • 有关sar分类纹理特征,特征向量的相关代码
  • 提取纹理特征然后用svm进行分类,希望对大家有帮助
  • :通过对传统小波多方向性缺失和...到纹理图像特征向量的方法进行纹理分类,在充分利用图像各尺度方向信息的基础上,有效提取了图像纹理特征。实验结 果表明,该方法分类效果显著,Contourlet变换比传统小波分解更
  • 一种图像纹理特征的提取分类装置.pdf
  • 本文着重阐述了图像的纹理特征、灰度共生矩阵及其特点,进行了基于灰度共生矩阵的纹理特征提取实验, 并采用最小距离判别函数,对图像的特征值进行分类识别。实验表明,对于具有显著纹理特征的图像,基于纹理特征的...
  • 在分析焦炭显微图像各向异性光学组织中片状与纤维状显微图像特征的基础上,通过对纹理特征的差异性的研究,提出了一种基于行程长度纹理特征和支持向量机(Support Vector Ma-chine)的焦炭显微图像分类方法。该方法首先...
  • 分别利用多通道Gabor滤波器和马尔可夫随机场模型对纹理图像进行分析,得到两组特征影像。将上述两组特征影像进行融合,最后利用融合后的...实验证明,基于上述方法的纹理特征融合分类算法大大提高了图像的分类精度。
  • 基于形态特征和纹理特征相结合的阿尔茨海默病分类
  • 本文采用LBP的方法提取图像的纹理信息,然后转化成直方图作为图像的特征,然后使用多分类的方法进行分类. 环境 python2.7,jupyter notebook,anaconda 数据集的地址 实现 读取数据 Numpy包数组操作API格式化数据
  • _图像纹理特征提取及分类方法研究.caj
  • 融合光谱和分形纹理特征的遥感影像分类研究,武栋,吴伶,针对传统方法提取出的纹理特征与光谱特征融合后的分类效果比较差的问题,该文提出利用分形理论中的毯模型提取遥感影像的纹理特征
  • 基于纹理特征和颜色特征的基于分割的PolSAR图像分类方法
  • 基于纹理特征的遥感影像神经网络分类,郭艳,赵银娣,遥感影像分类技术是遥感影像分析与解译的重要环节之一,具有广泛的应用前景。本文主要研究了利用融合影像和纹理特征相结合的分类
  • pdf格式 pdf格式 基于纹理特征的图像分类与检索研究 博士论文
  • 根据2010年的一篇文献《automatic cloud classification of whole sky images》中的特征提取方法,提取了12维特征,分别有som聚类分类器和svm分类器进行分类
  • 纹理特征

    万次阅读 2016-05-18 08:31:01
    一、什么是纹理  纹理是一种反映图像中同质现象...纹理不同于灰度、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。 二、纹理

    一、什么是纹理     


        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。纹理不同于灰度、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。

    二、纹理提取的方法


    1.LBP纹理

    2.灰度共生矩阵

    3.灰度-梯度共生矩

    4.Gabor小波纹理


    1LBPlocalbinary pattern,局部二值模式)


             LBP是一种用来描述图像局部纹理特征的算子,它的作用是进行特征提取,提取图像的局部纹理特征。

    原始的LBP算子定义在3*3的窗口内,以窗口中心像素为阈值,将相邻的8个像素的灰度值与其进行比较,若周围像素值大于中心像素值,则该像素点的位置被标记为1,否则为0.3*3领域内的8个点可以产生8Bit的无符号数,即得到该窗口的LBP值,并用这个值来反映该区域的纹理信息。


    LBP纹理特征向量,一般以图像的分块LBP直方图表示,具体计算步骤如下:

    1、将图像划分为N*N的图像子块,计算每个块每个像素的LBP

    2、对每个子块进行直方图统计,得N*N图像子块的直方图

    3、利用N*N个子块的直方图,描述该图像的纹理特征。




    2、灰度共生矩阵


          灰度共生矩阵是另一种纹理特征提取方法,首先对于一幅图像定义一个方向(orientation)和一个以pixel为单位的步长(step),灰度共生矩阵TN×N),则定义M(i,j)为灰度级为ij的像素同时出现在一个点和沿所定义的方向跨度步长的点上的频率。


    (1)将图像库中的所有图像进行灰度量化,由原来的256级变化到16级;

    (2)构造四个方向上的灰度共生矩阵,这四个方向分别是水平、垂直、对角线、反对角线,用数学式表示为0 °, 45 °, 90 °, 135°

    (3)构造出特征向量。将特征向量存在特征矩阵中,特征矩阵的每一列为一幅图像的特征向量,表示的是一幅图像。特征向量是由每幅图像的四个共生矩阵的四个特征参数的均值和方差所构成的;


    参数:

    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。


    3、灰度梯度共生矩阵


       灰度梯度共生矩阵模型集中反映了图像中两种最基本的要素,即像点的灰度和梯度(或边缘)的相互关系。各像点的灰度是构成一副图像的基础,而梯度是构成图像边缘轮廓的要素,图像的主要信息是由图像的边缘轮廓提供的。
       灰度梯度共生矩阵的分类结果比用灰度共生矩阵好,因为灰度共生矩阵仅用的灰度的信息,而灰度梯度共生矩阵把图像的灰度与梯度
    参数:
       小梯度优势 T1 、大梯度优势 T2 、灰度分布的不均匀性 T3 、梯度分布的不均匀性 T4 、能量 T5 、灰度平均 T6 、梯度平均 T7 、灰度均方差 T8 、梯度均方差 T9 、相关 T10 、灰度熵 T11 、梯度熵 T12 、混合熵 T13 、惯性 T14 、逆差矩 T15

    4gabor小波纹理


        通过将图像与Gabor滤波器卷积可以得到一系列的滤波图像,每幅图像都描述了一定尺度和一定方向度上面的图像信息。所以通过以基小波为Gabor函数的小波变换来提取每幅滤波图像的纹理特征来对图像进行检索。

    展开全文
  • 提出了猪眼肌B超图像的纹理特征提取与分类方法,可以应用于猪眼肌肌内脂肪含量的计算机辅助检测判断。对猪眼肌B超图像特征区域采用基于纹理共生矩阵的算法提取了5种纹理特征量。使用相关性分析的方法对提取的5种特征...
  • 提出了对稀疏纹理表面特征的新描述方法,并进行了纹理分类的研究。以往对纹理的研究大多是对2D纹理的研究,...实验表明该算法可以较准确和快速地进行纹理特征提取和分类,使得纹理分类工作变得有较强的可行性和实用性。
  • python实现LBP方法提取图像纹理特征实现分类

    万次阅读 多人点赞 2017-04-06 21:58:45
    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. 图片如下图所示:分析:由于数据集太小,所以神经...

    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.
    图片如下图所示:

    这里写图片描述

    分析:由于数据集太小,所以神经网络模型并不适合此类的图像处理.就需要寻找方法提取图像的纹理信息.本文采用LBP的方法提取图像的纹理信息,然后转化成直方图作为图像的特征,然后使用多分类的方法进行分类.

    环境

    python2.7,jupyter notebook,anaconda
    数据集的地址:https://pan.baidu.com/s/1bpjC7Vp

    实现

    读取数据

    Numpy包数组操作API格式化数据

    def loadPicture():
        train_index = 0;
        test_index = 0;
        train_data = np.zeros( (200,171,171) );
        test_data = np.zeros( (160,171,171) );
        train_label = np.zeros( (200) );
        test_label = np.zeros( (160) );
        for i in np.arange(40):
            image = mpimg.imread('picture/'+str(i)+'.tiff');
            data = np.zeros( (513,513) );
            data[0:image.shape[0],0:image.shape[1]] = image;
            #切割后的图像位于数据的位置
            index = 0;
            #将图片分割成九块
            for row in np.arange(3):
                for col in np.arange(3):
                    if index<5:
                        train_data[train_index,:,:] = data[171*row:171*(row+1),171*col:171*(col+1)];
                        train_label[train_index] = i;
                        train_index+=1;
                    else:
                        test_data[test_index,:,:] = data[171*row:171*(row+1),171*col:171*(col+1)];
                        test_label[test_index] = i;
                        test_index+=1;
                    index+=1;
        return train_data,test_data,train_label,test_label;

    特征提取

    LBP特征提取方法

    radius = 1;
    n_point = radius * 8;
    
    def texture_detect():
        train_hist = np.zeros( (200,256) );
        test_hist = np.zeros( (160,256) );
        for i in np.arange(200):
            #使用LBP方法提取图像的纹理特征.
            lbp=skft.local_binary_pattern(train_data[i],n_point,radius,'default');
            #统计图像的直方图
            max_bins = int(lbp.max() + 1);
            #hist size:256
            train_hist[i], _ = np.histogram(lbp, normed=True, bins=max_bins, range=(0, max_bins));
    
        for i in np.arange(160):
            lbp = skft.local_binary_pattern(test_data[i],n_point,radius,'default');
            #统计图像的直方图
            max_bins = int(lbp.max() + 1);
            #hist size:256
            test_hist[i], _ = np.histogram(lbp, normed=True, bins=max_bins, range=(0, max_bins));
    
    
        return train_hist,test_hist;

    训练分类器

    SVM支持向量机分类.

    import matplotlib.image as mpimg
    import matplotlib.pyplot as plt
    import numpy as np
    from sklearn.multiclass import OneVsRestClassifier
    from sklearn.svm import SVR
    from skimage import feature as skft
    train_data,test_data,train_label,test_label= loadPicture();
    train_hist,test_hist = texture_detect();
    svr_rbf = SVR(kernel='rbf', C=1e3, gamma=0.1);
    OneVsRestClassifier(svr_rbf,-1).fit(train_hist, train_label).score(test_hist,test_label)

    实验测试集结果的正确率为:90.6%
    这里写图片描述

    第一次使用python的numpy包,对其中的api是真的不熟悉,代码还可以优化.其中和matlab里的矩阵操作也有不少不同,但是关于机器学习的scikitlearn包确实很好用.

    总结:结果的正确率不是很高,所以还是可以在分类器上优化,或者寻找更好的特征提取的方式.

    —————–2017.4.6

    展开全文
  • 图像特征——纹理特征

    千次阅读 2020-04-21 14:45:22
    纹理特征总述纹理特征简介引言纹理的有关定义纹理特征的特点优点缺点纹理特征分类统计方法 纹理特征简介 参考文献: [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,2009,14(04):622-635. [2]李...

    1、纹理特征简介

    由于刚接触纹理方面的知识,首先从知网上找了两篇纹理特征研究的综述进行参考,参考文献附上。

    参考文献:
    [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,2009,14(04):622-635.
    [2]李秀怡.图像纹理检测与特征提取技术研究综述[J].中国管理信息化,2017,20(23):175-178.

    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。

    图像总体分类

    2、纹理的有关定义

    代表性的定义:
    定义1、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额内在属性,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关系。

    定义2、如果图像内区域的局域统计特征或其他图像的局域属性变化缓慢或近似周期性变化,则可称之为纹理。

    定义3、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、纹理被定义为一个区域属性,区域内的成分不能进行枚举,且成分之间的关系不十分明确。

    定义5、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、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大致为均匀的统一体。

    对于上述定义都是基于特定应用背景,其中的共识是:(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,即全局纹理特征。

    3、纹理特征的特点

    优点

    (1)包含多个像素点的区域中进行统计计算;
    (2)常具有旋转不变性;
    (3)对噪声具有较强的抵抗能力;

    缺点

    (1)受分辨率的影响严重;
    (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;

    4、纹理特征提取方法的分类

    纹理特征提取方法分类:
    纹理特征分类

    4.1 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。

    4.1.1 GLCM方法(空间灰度共生矩阵)

    该方法建立在估计图像的二阶组合条件概率密度基础上,计算图像上某个方向上相隔一定距离的一对像元灰度出现的统计规律。

    GLCM是一个对称矩阵,是距离d和方向 θ \theta θ的函数,其阶数由图像中的灰度级Ng决定,由GLCM能够导出14种纹理特征。但在应用上受限。

    因此,不断有研究者尝试改进。一般情况下,取距离d等于1时,0°、45°、90°、130°的灰度共生矩阵,再由矩阵导出纹理参数,常用的5个参数,即能量、熵、惯性矩、相关、局部平稳等。(对比度、逆差矩、相关性、能量、熵)。

    还有研究者提出自适应多尺度的GLCM算法;基于遗传算法的GLCM 方法;通过相似度评估,采用近似纹理特征提高图像纹理分析的效率。

    优点:具有较强的适应性与鲁棒性。

    4.1.2 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,因而能很好的表达图像纹理的特征。

    对人造纹理和大多数自然纹理的分割效果是十分有效的。

    4.1.3 纹理谱方法(如LBP)

    LBP,局部二值模式。是一种用来描述图像局部纹理特征的算子,具有旋转不变性和灰度不变性等优点。

    常用的特征描述子有:HOG、Harris、LBP等。

    4.2 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。

    有影响的算法有:Vonorio棋盘格特征法

    但几何法应用和发展受限,后续研究较少。

    4.3 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。

    该方法对纹理图像进行建模后,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和估计是研究的主要内容。

    模型纹理特征提取方法主要有:随机场模型方法分型模型方法

    4.3.1 随机场模型方法

    该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。

    1 马尔科夫随机场模型法(MRF)

    2 Gibbs随机场模型法

    4.3.2 分型模型法

    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。

    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。

    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。

    分维数常用的算法有Keller提出的盒维数以及Chaudhuri提出的差分计盒法等。

    最重要的分形模型之一是由Mandelbro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(random walk)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。

    自然纹理可以在大范围的尺度内呈现出相似的粗糙度,由于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(FBM)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Hurst参数提供了表达不同尺度上纹理粗糙度的一种特征。多尺度Hurst参数特征可被用来发展比单个Hurst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等人提出了有效估计广义Hurst参数的方法,并对多尺度Hurst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Hurst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Hurs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。

    4.4 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。

    该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。

    4.5 结构分析法

    该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

    5、小结

    图像纹理方法各有优缺点,在实际应用中,要结合实际情况进行选择。

    展开全文
  • 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,基于统计数据的方法效果更好。 1.1.1 LBP纹理特征 ...

    一幅图像的纹理是在图像计算中经过量化的图像特征。图像纹理描述图像或其中小块区域的空间颜色分布和光强分布。

    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,基于统计数据的方法效果更好。

    1.1.1   LBP纹理特征

    LBP方法(Local binary patterns)是一个计算机视觉中用于图像特征分类的一个方法。LBP方法在1994年首先由T. Ojala, M.Pietikäinen, 和 D. Harwood 提出[43][44],用于纹理特征提取。后来LBP方法与HOG特征分类器联合使用,改善了一些数据集[45]上的检测效果。

    对LBP特征向量进行提取的步骤如下:

    首先将检测窗口划分为16×16的小区域(cell),对于每个cell中的一个像素,将其环形邻域内的8个点(也可以是环形邻域多个点,如图 3‑4. 应用LBP算法的三个邻域示例所示)进行顺时针或逆时针的比较,如果中心像素值比该邻点大,则将邻点赋值为1,否则赋值为0,这样每个点都会获得一个8位二进制数(通常转换为十进制数)。然后计算每个cell的直方图,即每个数字(假定是十进制数)出现的频率(也就是一个关于每一个像素点是否比邻域内点大的一个二进制序列进行统计),然后对该直方图进行归一化处理。最后将得到的每个cell的统计直方图进行连接,就得到了整幅图的LBP纹理特征,然后便可利用SVM或者其他机器学习算法进行分类了。

    2.

    灰度共生矩阵是另一种纹理特征提取方法,首先对于一幅图像定义一个方向(orientation)和一个以pixel为单位的步长(step),灰度共生矩阵T(N×N),则定义M(i,j)为灰度级为i和j的像素同时出现在一个点和沿所定义的方向跨度步长的点上的频率。其中N是灰度级划分数目。由于共生矩阵有方向和步长的组合定义,而决定频率的一个因素是对矩阵有贡献的像素数目,而这个数目要比总共数目少,且随着步长的增加而减少。因此所得到的共生矩阵是一个稀疏矩阵,所以灰度级划分N常常减少到8级。如在水平方向上计算左右方向上像素的共生矩阵,则为对称共生矩阵。类似的,如果仅考虑当前像素单方向(左或右)上的像素,则称为非对称共生矩阵。


    [43] T. Ojala, M. Pietikäinen, and D. Harwood (1994), "Performance evaluation of texture measures with classification based on Kullback discrimination of distributions", Proceedings of the 12th IAPR International Conference on Pattern Recognition (ICPR 1994), vol. 1, pp. 582 - 585.
    [44] T. Ojala, M. Pietikäinen, and D. Harwood (1996), "A Comparative Study of Texture Measures with Classification Based on Feature Distributions", Pattern Recognition, vol. 29, pp. 51-59.
    [45] Xiaoyu Wang, Tony X. Han, Shuicheng Yan,"An HOG-LBP Human Detector with Partial Occlusion Handling", ICCV 2009

     

    另外:LBP纹理特征提取matlab实现代码:http://www.cse.oulu.fi/CMV/Downloads/LBPMatlab

    展开全文

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 18,770
精华内容 7,508
关键字:

纹理特征分类