【正文】 參數(shù)同已知紋理類型的參數(shù)進行比較，可以比較好地進行紋理分析。相互作用的強度由所謂的吉布斯勢給出，吉布斯勢控制了所有信號組合在這些子集中的概率分布。Koch曲線從一單位等邊三角形的三條邊開始，截去中間的三分之一，代之以兩個三分之一長且相交60o角的線段，然后對每個三分之一長的線段重復上面的過程，這樣無窮進行下去，就構(gòu)成了koch曲線。每個分形集合對應一個以某種方式定義的分數(shù)維。當紋理模式在不同尺度下具有自相似性時，用分形理論也可以較好的解決問題。變換的改進。常常與紋理的一、二類統(tǒng)計特征，即與直方圖、共生矩陣等特征結(jié)合，得到穩(wěn)定可靠的紋理特征?；叶裙采仃囀綀D像灰度變化的二階統(tǒng)計度量，它是表述紋理圖像結(jié)構(gòu)特征的基本函數(shù)。空間灰度共生矩陣定義為方向θ和間隔距離d的函數(shù)，記為： （）表示矩陣第i行第j列元素，其中（i，j）∈GG,θ=0O,45O,90O,135O,對不同的θ，矩陣元素定義如下：P(i,j,d,0o)={((k,l),(m,n))∈(LXLY)(LXLY)│km=0,│ln│=d。ln=d)Or(km=d,ln=d),f(k,l)=i,f(m,n)=j} ()上述式中k、m和l、n分別在所選計算窗口中變動，記號{X}表示集合X的元素數(shù)。作為紋理分析的特征量，往往不是直接應用計算機的灰度共生矩陣，而是在灰度共生矩陣的基礎上再提取紋理的特征量，稱為二次計量。進行特征提取前，首先對式（）表示的共生矩陣作正規(guī)化處理：P（i，j）/R=P（i，j） （）這里R是正規(guī)化參數(shù)。記：Haralick等人由灰度共生矩陣提取了以下14個圖像的紋理特征：（1）角二階矩： ()（2）對比度： ()（3）相關(guān)： ()式中μx，Sx分別是{Px（i）；i=1,2，…，Ng}的均值和均方差，μy，Sy分別是{Py（j）；j=1,2，…，Ng}的均值和均方差。一副有著一致灰度圖像的灰度共生矩陣只有一個值，他等于圖像總像素數(shù)，它的ASM值最大。（3）相關(guān)：其中：它度量空間灰度共生矩陣元素在行或列方向上的相似程度，因此，相關(guān)值大小反映了圖像中局部灰度相關(guān)性。當空間共生矩陣中所有值均相等時，它取得最大值；相反，如果共生矩陣中的值非常不均勻時，其值較小。對于特征紋理參數(shù)，如何選擇距離d和方向θ使所得的參數(shù)較好一直是研究的重點，通常情況下，小的d值可以提供比較好的結(jié)果。、MFC類庫、編輯器以及聯(lián)機幫助系統(tǒng)等方面都比以前的版本做了較大改進。程序員可以在不離開該環(huán)境的情況下編輯、編譯、調(diào)試和運行一個應用程序。MFC（Microsoft Fundamental Casses）是Visual C++開發(fā)環(huán)境所帶的類庫，在該類庫中提供了大量的類，可以幫助開發(fā)人員快速建立應用程序。一個用C++開發(fā)的項目的通用開發(fā)過程可以用左圖表示。此后，連接程序?qū)⑺械哪繕舜a和用到的靜態(tài)連接庫的代碼連接起來，為所有的外部變量和函數(shù)找到其提供地點，最后產(chǎn)生一個可執(zhí)行文件。一般我們采用Debug版本，這樣便于調(diào)試。C++解決了C語言中存在的一些局限，例如：（1） C語言的類型檢查機制相對較弱，這使得程序中的一些錯誤不能再編譯階段由編譯器檢查出來。本文選用灰度共生矩陣方法對肝臟超聲圖像進行紋理分析。 (2)超聲圖像的紋理是一種隨機紋理，顯然不適合選擇結(jié)構(gòu)分析方法。小波雖然是現(xiàn)在紋理分析的熱點，但在小波分解空間中對紋理進行建模相對仍比較簡單，技術(shù)改進也主要都集中在數(shù)據(jù)變換的形式方面而對圖像紋理特性有針對地建模探討比較少。 。 } 將圖像打開后我們將看到界面上的計算紋理特征值的按鈕，它將會調(diào)用OnBtnComputeTexture()這個函數(shù)，進行特征值的計算，我們首先將各個參數(shù)特征值設置為0，然后將超聲圖像按照FilterWindowWidth的值將圖像平均分成各個子窗口，調(diào)用CGrayShow::ComputeFeature分別計算各參數(shù)值。 。 i rolltimeH。 p。 } } (arLocalImage, )。 dInertiaQuadrature += dInertiaQuadrature1。 dEntropy /= (rolltimeH*rolltimeW)。 m_dEnergy = dEnergy。 m_dLocalCalm = dLocalCalm。這就要求必須對圖像進行二次量化，即將256個灰度級的圖像量化到16級甚至更低，這樣做在很多情況下是有效的，不但大大減小了計算代價，而且并沒有引起紋理類間的混淆。（2）在生成灰度共生矩陣時，紋理的采樣間隔的確定是我們必須考慮的，為了能較好的反應出紋理的特性距離大小就尤為重要的。對于紋理較細的圖像，如本文所研究的肝臟紋理等，d的值盡量取小是十分必要的。進行特征提取前，首先如下式所示對共生矩陣作正規(guī)化處理：P（i，j）/R=P（i，j） 這里R是正規(guī)化參數(shù)。 jLocalImageWidth。 。由對稱性可知，當θ=90o和135o時，同理可得。 jLocalImageWidthdistance。 PMatrixV[(unsigned int)NewImage[i+distance][j]][(unsigned int)NewImage[i][j]] += 1。 jLocalImageWidthdistance。 PMatrixRD[(unsigned int)NewImage[i][j]][(unsigned int)NewImage[newi][newj]] += 1。 計算紋理特征參數(shù)的算法能量： 能量是圖像紋理灰度變化均一的度量，他反映了圖像灰度分布均勻程度和紋理粗細度，如果共生矩陣的所有值均相等，則ASM值就??；相反，如果其中一些值大而其他值小，則ASM值大。}慣性矩：對比度是灰度共生矩陣主對角線附近的慣性矩，它度量矩陣的值是如何分布和圖像中局部變化的多少，反映了圖像的清晰度和紋理的溝紋深淺。 。 FeatureInertiaQuadrature += (double)(ij)*(double)(ij)*pdMatrix[i][j]。 。當空間共生矩陣中所有值均相等時，它取得最大值；相反，如果共生矩陣中的值非常不均勻時，其值較小。其值大則說明圖像紋理的不同區(qū)域缺少變化，局部非常均勻。其計算公式為：其中：則實現(xiàn)代碼為： FeatureCorrelation = 。 jdim。} 實驗結(jié)果分析 程序的實現(xiàn)測試本課題主要是對超聲肝臟的圖像進行紋理分析，本文分別選取了正常肝臟、肝硬化和脂肪肝的超聲圖像進行測試。而肝硬化會使肝臟變得凹凸不平，紋理增強，回聲也增強，且分布不均，所以與正常肝臟比較，其能量參數(shù)較大，慣性矩較大，熵較大。 參考文獻：1． 張宏林. 精通Visual C++數(shù)字圖像模式識別技術(shù)及工程實踐第2版. 人民郵電出版社,北京,2008.2． 徐雪. 肝臟超聲圖像的紋理分析[D]. 長春理工大學大學碩士學位論文, 2004.3． 曹桂濤, 施鵬飛, 胡兵. 紋理分析在肝臟超聲圖像組織定征中的應用[J]. 聲學技術(shù), Vol 23, 3(I),2004: 122125.4． 王勇, 呂揚. 生基于紋理特征的超聲醫(yī)學圖像檢索[J]. 天津大學學報, Vol. 38, No. 1, 2005: 5659.5． Haralick RM. Texture Features for Image Classification. IEEE Trans. Man and Cybernetic, SMC3, 1973, 610—6216． (自然科學版)，2000,40(3), 90937． ，1994, 21(l), 43448． (自然科學版)，2001, 19(4), 337—3419． ::河北工業(yè)大學物理電子學，2004 ，李萍萍，2003,第二期，6063第 32 頁 共 34 頁。根據(jù)最終測試結(jié)果與超聲圖像的特點是相符的，所以我們可以看出我們所做的程序?qū)Τ暩闻K的紋理分析是正確的。進而可以證明我們的程序運行正確，是可以順利實現(xiàn)的！ 紋理分析測試結(jié)果比對依據(jù)肝臟超聲圖像的特點可知:正常肝臟的質(zhì)地均勻、紋理清晰，超聲回聲相對均勻，因此其能量參數(shù)較小、慣性矩較大，熵較大。 } } FeatureCorrelation /= sigmax。 idim。當矩陣元素值均勻相等時，相關(guān)值就大；相反，如果矩陣象元值相差很大則相關(guān)值小。計算公式為：其實現(xiàn)代碼為：if(pdMatrix[i][j]1e12) { FeatureEntropy = pdMatrix[i][j]*log(pdMatrix[i][j])。 。 。 。其計算公式為：CON=則實現(xiàn)代碼為：{ 。 } }} 同理可知計算135度的灰度共現(xiàn)陣方法： PMatrixLD[(unsigned int)NewImage[i][j]][(unsigned int)NewImage[newi][newj]] += 1。 newi = idistance。 iLocalImageWidth。 PMatrixH[(unsigned int)NewImage[i][j+distance]][(unsigned int)NewImage[i][j]] += 1。 iLocalImageWidth。 } } 當取d=1，θ=0o時，每一行有2（NX1）個水平相鄰點，共有NY行，因此總共有2NY(NX1)個相鄰點，所以取R=2NY(NX1)。 } } 。 iLocalImageWidth。在求灰度共生矩陣之前，為了減小計算量我們常壓縮為16級。相隔d像元距離的一對像元，分別具有灰度級i和j的出現(xiàn)概率，這個d就是我們所說的采樣間隔。這樣看來對量化級的選取就是尤為重要的了。} 灰度共現(xiàn)矩陣的算法實現(xiàn) 我們選擇了灰度共生拒陣作為本次畢業(yè)