新型的无监督纹理分割方法

《新型的无监督纹理分割方法》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第39卷第1期电子科技大学学报Vol.39No.12010年1月JournalofUniversityofElectronicScienceandTechnologyofChinaJan.2010新型的无监督纹理分割方法1,211王敏琴，韩国强，涂泳秋(1.华南理工大学计算机科学与工程学院广州510642;2.肇庆学院计算机科学与软件学院广东肇庆526061)【摘要】提出了一种利用Gabor滤波器组对图像进行纹理特征提取，然后将这些特征向量作为外部刺激输入给PCNN对图像进行分割的新方法。该方法既保持了精确的

2、分割结果，同时又解决了Gabor滤波器运算数据量大处理速度慢的问题。从实验结果可以看出，该方法与传统采用Gabor的纹理分割方法相比速度有很大的提高，而其分割精度与传统分割方法相似。关键词特征提取;滤波器;脉冲耦合神经网络;纹理分割中图分类号TP751.1文献标识码Adoi:10.3969/j.issn.1001-0548.2010.01.003NewUnsupervisedTextureImageSegmentationMethod1,211WANGMin-qin,HANGuo-qiang,andTUYong

3、-qiu(1.SchoolofComputerScienceandEngineering,SouthChinaUniversityofTechnologyGuangzhou510642;2.SchoolofComputerScienceandSoftwareEngineering,ZhaoqingUniversityZhaoqingGuangdong526061)AbstractAnalgorithmbasedonGaborfiltersispresentedtoextractimagetexturechara

4、cter.TheextractedfeaturesareinputtedintothePCNNtosegmenttheimage.Thismethodcanachievegoodsegmentationresultandimprovethealgorithm’sprocessingspeed.TheexperimentresultsshowthattheproposedmethodprocessfasterthanthetraditionalmethodusingGaborfilters,meanwhile,b

5、othofthemhavethesimilarsegmentationaccuracy.Keywordsfeatureextraction;filters;pulsecoupledneuralnetwork;texturesegmentation纹理分割就是按照一定的纹理特征和一致性准来提取傅里叶变换的局部信息，其中参数b用于平移则，找出图像中不同纹理之间边缘的过程。纹理分动窗以便覆盖整个时域。Gabor函数是唯一能够达到[2]割的方法一般有两种：基于区域的方法(region-based时频测不准关系下界的函数

6、，它能够最好地兼顾approaches)和基于边界的方法(boundary-based信号在时域和频域中的分辨能力。文献[3-4]研究发approaches)。前者的主要思想是将具有一致纹理的现，视觉神经细胞成对分布，工作时调谐到同一方o区域标记在一起，后者则是检测相邻的不同纹理区向，但相位相差90。Gabor函数的特性可以较好地[5]域之间的差异。根据实际应用也可将二者联合使用，抽象视觉神经细胞的工作机理。用Gabor函数形成最终形成有意义的分割区域。特征提取是纹理分割的2DGabor滤波器有着优良的滤波器性

7、能及与生物[6]的关键。纹理特征提取的主要目的是将随机纹理或视觉系统相近的特点，它具有易于调谐的方向和者几何纹理的空间结构的差异转换为特征灰度值的径向频率带宽以及易于调谐的中心频率，在空间和差异。其基本内容是根据某种能够描述纹理空间分频率域同时达到了最佳分辨率，因而，近年来被广[7-9]布的模型，给出纹理特征的定量估计。特征提取的泛用于纹理分割中，是目前应用于纹理分割中获方法多种多样，在各类方法中，基于特征值的方法得分割效果最好的一种方法。分割精度差，抗噪声能力也差；基于结构的方法一但是，由于这种方法造成的数据

8、量很大从而制般只适用于规则性较强的人工纹理，因此应用上受约了其发展。本文采用多通道Gabor滤波器组对图像到很大的限制；分形模型使用范围较小，只在个别进行滤波。在每一个像素上获得一组滤波结果，这分辨率下有分割纹理的能力，分维数门限值确定困组结果就可以作为提取的描述纹理特征的特征向难，分割精度差。量。再将每一个像素所对应的特征向量作为输入值文献[1]引入了一个时间局部化“窗函数”g(t