【文章內(nèi)容簡介】 紋理研究者提出了各種各樣的紋理定義，這些定義都具有兩個(gè)方面:一是紋理可以理解為由基元組成:二是紋理基元具有一定的排列關(guān)系。例如，Cross和Jain也認(rèn)為:“紋理是由基元所組成。這些基元的形狀可以是變化的，也可以是確定的，諸如圓和方形等。宏紋理具有大的基元而微紋理有小的基元”。非常容易理解，同樣的基元由于排列方式的不同，有可能構(gòu)成不同的紋理。從一定程度上看，基元以及基元的空間排列關(guān)系產(chǎn)生不同的均勻性、光滑度、規(guī)則度以及方向性等，因此呈現(xiàn)出不同的紋理特征。 紋理分析的研究內(nèi)容特征提取是紋理分析的基礎(chǔ)，好的紋理特征具有四個(gè)主要用途:紋理分類(Texture Classification)、紋理分割(Texture Segmentation) 、紋理檢索(Texture Retrieval) 以及紋理形狀抽取(Shape from Texture)。紋理分類是從一個(gè)給定紋理類別中識別出給定紋理區(qū)域(紋理圖像)。例如，一幅衛(wèi)星圖像中的一個(gè)特定區(qū)域可能屬于農(nóng)田、森林或城區(qū)。每一個(gè)這樣的區(qū)域都有不同的紋理特征，紋理分析算法從每個(gè)區(qū)域中抽取紋理特征來對這些模式進(jìn)行分類。相對于紋理分類中一個(gè)均一紋理區(qū)域的類別可以通過從該區(qū)域中計(jì)算出的紋理特征所確定，紋理分割關(guān)注自動確定一幅紋理圖像中不同紋理區(qū)域的邊界。紋理分類和紋理分割是紋理分析研究領(lǐng)域的重要研究方向，受到了眾多學(xué)者的廣泛關(guān)注。紋理檢索是研究關(guān)于利用紋理相似度進(jìn)行圖像檢索，是基于內(nèi)容的圖像檢索(Contentbased Image Retrieval,CBIR)的一個(gè)很重要的研究內(nèi)容。本文我們重點(diǎn)關(guān)注紋理圖像分類問題。 獲取圖像的紋理特征：灰度共生矩陣紋理分析的一個(gè)核心問題是紋理描述(Texture Description)，在模式識別領(lǐng)域即為紋理特征提取(Texture Feature Extraction)。目前己經(jīng)有許多紋理特征提取方法，將這些方法大致歸為四大類:統(tǒng)計(jì)分析方法（也就是灰度共生矩陣方法），幾何特征方法，信號處理方法及關(guān)鍵點(diǎn)方法。其中統(tǒng)計(jì)分析方法、幾何特征方法和信號處理方法在紋理分析中因?yàn)樘岢鲚^早，所以影響很大。關(guān)鍵點(diǎn)方法產(chǎn)生較晚，但是由于紋理特征的魯棒性，無疑具有很大的發(fā)展空間。本文主要分析灰度共生矩陣方法?；叶裙采仃嚪椒ǎ夯叶戎狈綀D是對圖像上單個(gè)象素具有某個(gè)灰度進(jìn)行統(tǒng)計(jì)的結(jié)果，而灰度共生矩陣是對圖像上保持某距離的兩象素分別具有某灰度的狀況進(jìn)行統(tǒng)計(jì)得到的。取圖像(NN)中任意一點(diǎn)（x，y）及偏離它的另一點(diǎn) （x+a，y+b），設(shè)該點(diǎn)對的灰度值為（g1，g2）。令點(diǎn)（x，y）在整個(gè)畫面上移動，則會得到各種（g1，g2）值，設(shè)灰度值的級數(shù)為 k，則（g1，g2）的組合共有 k 的平方種。對于整個(gè)畫面，統(tǒng)計(jì)出每一種 （g1，g2）值出現(xiàn)的次數(shù)，然后排列成一個(gè)方陣，再用（g1，g2）出現(xiàn)的總次數(shù)將它們歸一化為出現(xiàn)的概率P（g1，g2），這樣的方陣稱為灰度共生矩陣。距離差分值（a，b）取不同的數(shù)值組合，可以得到不同情況下的聯(lián)合概率矩陣。（a，b）取值要根據(jù)紋理周期分布的特性來選擇，對于較細(xì)的紋理，選取（1，0）、（1，1）、（2，0）等小的差分值。當(dāng) a=1，b=0時(shí)，像素對是水平的，即0度掃描；當(dāng)a=0，b=1 時(shí)，像素對是垂直的，即90度掃描；當(dāng) a=1，b=1時(shí)，像素對是右對角線的，即45度掃描；當(dāng) a=1，b=1時(shí)，像素對是左對角線，即135度掃描。這樣，兩個(gè)象素灰度級同時(shí)發(fā)生的概率，就將 （x，y）的空間坐標(biāo)轉(zhuǎn)化為“灰度對” （g1，g2）的描述，形成了灰度共生矩陣。實(shí)驗(yàn)中對灰度共生矩陣進(jìn)行了如下的歸一化如式（6）： (6) 由灰度共生矩陣得到的各類紋理特征直覺上來說，如果圖像的是由具有相似灰度值的像素塊構(gòu)成，則灰度共生矩陣的對角元素會有比較大的值；如果圖像像素灰度值在局部有變化，那么偏離對角線的元素會有比較大的值。通常可以用一些標(biāo)量來表征灰度共生矩陣的特征，令G表示灰度共生矩陣常用的特征有: ASM能量（angular second moment）計(jì)算公式如式（7） (7)也即每個(gè)矩陣元素的平方和。如果灰度共生矩陣中的值集中在某一塊（比如對連續(xù)灰度值圖像，值集中在對角線；對結(jié)構(gòu)化的圖像，值集中在偏離對角線的位置），則ASM有較大值，若G中的值分布較均勻（如噪聲嚴(yán)重的圖像），則ASM有較小的值。能量是灰度共生矩陣元素值的平方和，所以也稱能量，反映了圖像灰度分布均勻程度和紋理粗細(xì)度。如果共生矩陣的所有值均相等，則ASM值小；相反，如果其中一些值大而其它值小，則ASM值大。當(dāng)共生矩陣中元素集中分布時(shí)，此時(shí)ASM值大。ASM值大表明一種較均一和規(guī)則變化的紋理模式。對比度（contrast）計(jì)算公式如式（8） (8)如果偏離對角線的元素有較大值，即圖像亮度值變化很快，則CON會有較大取值，這也符合對比度的定義。其中 。反映了圖像的清晰度和紋理溝紋深淺的程度。紋理溝紋越深，其對比度越大，視覺效果越清晰；反之，對比度小，則溝紋淺，效果模糊。灰度差即對比度大的象素對越多，這個(gè)值越大。灰度公生矩陣中遠(yuǎn)離對角線的元素值越大，CON越大。IDM相關(guān)度（inverse different moment）計(jì)算公式如式（9） (9)如果灰度共生矩陣對角元素有較大值，IDM就會取較大的值。因此連續(xù)灰度的圖像會有較大IDM值。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(dāng)矩陣元素值均勻相等時(shí)，相關(guān)值就大。相反，如果矩陣像元值相差很大則相關(guān)值小。熵（entropy）計(jì)算公式如式（10） (10)若灰度共生矩陣值分布均勻，也即圖像近于隨機(jī)或噪聲很大，熵會有較大值。熵是圖像所具有的信息量的度量，紋理信息也屬于圖像的信息，是一個(gè)隨機(jī)性的度量，當(dāng)共生矩陣中所有元素有最大的隨機(jī)性、空間共生矩陣中所有值幾乎相等時(shí)，共生矩陣中元素分散分布時(shí)，熵較大。它表示了圖像中紋理的非均勻程度或復(fù)雜程度。自相關(guān)（correlation）計(jì)算公式如式（11）和（12）所示 (11)其中 (12)自相關(guān)反應(yīng)了圖像紋理的一致性。如果圖像中有水平方向紋理，則水平方向矩陣的COR大于其余矩陣的COR值。逆差矩（cooccurrence matrix）計(jì)算公式如式（13） (13)反映圖像紋理的同質(zhì)性，度量圖像紋理局部變化的多少。其值大則說明圖像紋理的不同區(qū)域間缺少變化，局部非常均勻。均值（average）計(jì)算公式如式（14） (14) 反映圖像像素點(diǎn)的平均灰度值。方差（variance）計(jì)算公式如式（15） (15)反映圖像各個(gè)像素點(diǎn)的離散程度，方差越大，說明圖像像素點(diǎn)之間的灰度值差距就越大。 小麥腥黑穗病菌的直觀特征小麥網(wǎng)腥黑穗病的冬孢子多數(shù)為球形或近球形，，黑色至淡褐色。孢子堆為黑色。冬孢子表面有網(wǎng)狀紋，網(wǎng)眼寬24微米。小麥矮腥黑穗病的冬孢子球形至扁球形，淡黃色至淺黃色；成堆時(shí)則成深黃褐色。網(wǎng)眼外有一層透明的膠質(zhì)鞘，（指網(wǎng)脊頂部以外的厚度）（劉惕若，1984）。由以上描述看出，小麥網(wǎng)腥和小麥矮腥兩種種黑穗病菌的冬孢子在顏色、形狀和紋理特征方面都有區(qū)別，但是特征值間也存在重疊，因此，我們還需要通過詳細(xì)的特征分析來確定能用于病菌分類的有效特征。4 基于SVM的矮腥與網(wǎng)腥圖像分類實(shí)驗(yàn) SVM分類器的實(shí)現(xiàn)方法 支持向量機(jī)實(shí)現(xiàn)分類的方法在MATLAB中早已有人做出來了，而且臺灣大學(xué)的林智仁教授所帶領(lǐng)的實(shí)驗(yàn)室小組團(tuán)隊(duì)對支持向量機(jī)的研究相當(dāng)?shù)某墒?，只不過他們原本使用C語言編寫的，后來有人把他改寫成MATLAB的m文件了。因此，MATLAB實(shí)現(xiàn)svm也不是一件難事。但是，作為研究，我們要有創(chuàng)新，突出新意。所以，本文運(yùn)用LabWindows／CVI和MATLAB兩種開發(fā)平臺來共同實(shí)現(xiàn)支持向量機(jī)這一種分類算法的實(shí)現(xiàn)。下面是關(guān)于對兩種開發(fā)平臺的兩種開發(fā)方法的闡述與比較。 LabWindows／CVI紋理特征提取及腥黑穗病紋理特征提取實(shí)驗(yàn)LabWindows／CVI開發(fā)平臺運(yùn)行速度快，界面功能強(qiáng)大；而MATLAB開發(fā)平臺內(nèi)部可運(yùn)用資源豐富。由LabWindows／CVI獨(dú)立處理圖片信息，提取出圖片的紋理特征，再把這些特征輸入到MATLAB中進(jìn)行訓(xùn)練和分類，這樣就可實(shí)現(xiàn)圖像的分類。本文運(yùn)用LabWindows／CVI和MATLAB獨(dú)立開來進(jìn)行樹皮紋理和石紋的分類。紋理特征提取主要是對圖像進(jìn)行操作，生成灰度共生矩陣，由灰度共生矩陣的特征而得到可量化的圖像紋理特征。本次設(shè)計(jì)提取了圖像的紋理特征有：均值、方差、逆差矩、相似度、一致性、對比度、相關(guān)性和熵。提取出來這8個(gè)特征后，把對應(yīng)的數(shù)據(jù)保存到exl空間里，然后由exl文檔輸出這8個(gè)紋理特征。cvi的界面如下面圖2所示：圖2 紋理特征提取工作界面由cvi輸出的exl文檔如圖3所示：圖3 cvi獲得的腥黑穗病紋理特征數(shù)據(jù)由于cvi軟件一次性只能處理15張圖片，故而實(shí)驗(yàn)中只是輸入了12張圖片，并提取出了這12張圖片相對應(yīng)的紋理特征值。 MATLAB中使用支持向量機(jī)方法進(jìn)行分類Matlab是一個(gè)強(qiáng)大的編程軟件，它里面囊括了許許多多的圖形圖像處理函數(shù)。對于本次設(shè)計(jì)中的svm分類，只需要在matlab中調(diào)用svmtrain和svmclassify這兩個(gè)函數(shù)就能將cvi得到的紋理特征數(shù)據(jù)進(jìn)行分類。本文先易后難，先是選取容易區(qū)分的石紋和樹皮這兩種紋理圖像進(jìn)行預(yù)分類，待成功后再對小麥的矮腥黑穗病和網(wǎng)腥黑穗病這兩種近親植物病菌進(jìn)行分類。svm分類器的工作界面如下圖4所示：圖4 svm分類器工作界面對圖像紋理進(jìn)行分類的主要代碼如下：%讀取紋理特征數(shù)據(jù)；load matlab%提取原始數(shù)據(jù)meas的第一和第二列數(shù)據(jù)，放到data中；data=[meas(:,1),meas(:,2)]。%對樣本進(jìn)行標(biāo)記；groups= ismember(species,’setoas’)。%把百分之八十的樣本用于訓(xùn)練，剩余的用于分類；[train, test] = crossvalind(39。holdOut39。,groups，20/100)。cp = classperf(groups)。%樣本訓(xùn)練；svmStruct = svmtrain(data(train,:),groups(train),39。showplot39。,true)。%形成一個(gè)二分類器如下圖5所示：圖5 svm得到的二分類器%樣本分類；classes = svmclassify(svmStruct,data(test,:),39。showplot39。,true)。%對石紋和樹皮的分類結(jié)果如下圖6所示：圖6 分類結(jié)果%分類準(zhǔn)確率的估算；classperf(cp,classes,test)。%得到估算值ans = 由分類結(jié)果可以看出，此次的石紋和樹皮紋理分類相當(dāng)成功，召回率達(dá)到95%以上，這主要?dú)w功于svm這一算法的分類精確度和兩種紋理圖片處理得比較好。然而，兩種開發(fā)平臺獨(dú)立分開也帶來了不少麻煩，比如樣本圖片數(shù)量大的時(shí)候，輸入圖片的時(shí)間和精力就會加大，使我們的研究不太方便，其次就是得到紋理特征后將數(shù)據(jù)輸入MATLAB的時(shí)候會容易出錯(cuò)?；谶@些不便，本文又設(shè)計(jì)了下面的LabWindows／CVI直接調(diào)用MATLAB的方法，通過改善算法以及由上面成功的分類實(shí)驗(yàn)，下一步就是對小麥的矮腥黑穗病和網(wǎng)腥黑穗病進(jìn)行分類。