图像纹理特征的综合介绍

《图像纹理特征的综合介绍》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、图像纹理特征提取方法简介一：纹理特征提取图像纹理是一种重要的视觉手段，是图像中普遍存在而又难以描述的特征。纹理分析技术一直是计算机视觉、图像处理、图像检索等的活跃研究领域。纹理分析作为诸如上述应用的基础性研究领域之一，其研究内容主要包括：纹理分类和分割、纹理合成、纹理检索和由纹理恢复形状。这些研究内容的一个最基本的问题是纹理特征提取，纹理的微观异构性，复杂性以及应用的广泛性和概念的不明确性给纹理研究带来很大挑战。纹理特征提取的目标是：提取的纹理特征维数不大、鉴别能力强、稳健性好，提取过程计算量小，能够指导

2、实际运用。纹理的定义一直为人们所关注，但是图像纹理定义问题至今没有得到圆满的解决，仍然不存在为众人所公认的定义。其中的共识是一：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；二：局部纹理信息不同程度的重复性，即全局纹理信息。二：发展与现状1966年，Brodatz给出了很多纹理图像的例子，即所谓的Brodatz纹理库，成为后来人们研究纹理的重要来源。1973年，Haralic对纹理的分析和理解以及提出的纹理特征提取方法，为后续的问题研究提供了理论支持和技术积累

3、。Haralic开创性的提出著名的GLCM，它在纹理分析中是一个很好的方法，广泛用于将灰度值转化为纹理信息。GLCM算法是建立在估计图像的二阶组合条件概率密度基础上的，GLCM是描述两个像元在一定角度上，距离上分别具有灰度层i和j的出现概率，显然GLCM是一个对称矩阵，是距离和角度的函数，其阶数由图像中的灰度级决定，由GLCM能够导出14种纹理特征。尽管由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是应用有限。首先计算GLCM很耗时，再者需要提取14

4、个纹理特征，其所需时间可想而知。因此，不断有研究者尝试对其改进。一是通过减少图像的灰度级，可以减少计算量，但是这种做法会损失一定的灰度的空间依赖信息。二是在角度和距离的选择，大部分研究者在应用时，距离一般取1，角度一般选择为0，45，90，135.三是GLCM的窗口选择。如Soh通过对不同尺度和方向的GLCM进行平均来降低计算量。四是研究提取的纹理特征之间的相关性，选择最有鉴别能力的纹理特征。Ulaby等人研究发现：在基于GLCM的14个纹理特征中，仅有4个特征（对比度、逆差阵，相关性、能量）是不相关的，

5、这4个特征既便于计算又能给出较高的分类精度，文献[1]详细研究了6个纹理特征，认为对比度和熵是最重要的特征；文献[2]通过分析GLCM的计算问题，得到3个不相关且分辨力最好的特征为：对比度、熵和相关性。前面这些方法可以减少计算量，但是不能解决GLCM方法存在的问题。Clausi对GLCM方法有深入的研究，从算法实现上对其做了较好的改进[3]。还有Walker等人[4]提出自适应多尺度的GLCM方法，同时，还提出基于遗传算法的GLCM方法，并减轻了特征选择的计算负担。纹理特征一些亟待解决的问题，一是缺乏统一

6、的图像纹理的概念，导致纹理的研究范畴广泛而模糊。二是大多数纹理特征提取方法属于启发式的方法，目前主要是以方法本身和实验性研究为主。大多数方法都是在视觉可区分的纹理上进行实验和验证，并且对纹理边缘相对简单的图像，而对于含有多种纹理类型和复杂边界问题的研究比较少，此外对视觉上是不可区分的纹理的研究和实验也不多见。三是缺乏对纹理特征提取方法性能估计标准的研究，导致各种方法之间的比较工作很难进行。现在都是在对提取纹理特征过程中的计算复杂度、在纹理分类和分割中的分类正确率进行的。四是很难在实际中发挥作用。参考文献[

7、1]BaradiA.ParmiggianiFAninvestigationofzhetextualcharacteristicsassociatedwithgraylevelcoocurancematrixstaticparameters1995(02)[2]薄华、马缚龙焦李成图像纹理的灰度共生矩阵计算问题的分析电子学报2006（01）[3]ClausiDA.JerniganMEAfastmethodtodetermineco-occurrencetexturefeatures1998(01)[4]Wal

8、kerRF.JackwayPT.LongstaffIDRecentdevelopmentinzheuseofco-occurrencematrixfortexturerecognition1997图像纹理特征提取方法很多有很多类，我主要写了统计方法类的GLCM方法的发展过程，其他还有结构方法、模型方法和信号处理方法，这里不一一介绍了。我想以后用改进的遗传算法和GLCM结合在不降低分类率的情况下来降低计算量。