【文章內(nèi)容簡(jiǎn)介】 互聯(lián)系的一個(gè)整體，其定義必須包括空間領(lǐng)域的灰度分布，領(lǐng)域的大小取決于紋理的類型和紋理的基元大小。 紋理的描述方法 由于人對(duì)紋理的視覺(jué)認(rèn)識(shí)存在主觀性，很難用文字或語(yǔ)言來(lái)進(jìn)行描述，所以，需要從圖像中提取可以表征紋理的信息。通過(guò)某種圖像處理手段提取紋理特性，主要有兩方面的目的：一是檢測(cè)出圖像中含有的紋理基元；二是獲得這些紋理基元排列分布的特點(diǎn)信息。對(duì)圖像紋理的描述通常借助紋理的結(jié)構(gòu)特性或者統(tǒng)計(jì)特性，對(duì)紋理基于空域的性質(zhì)也可以通過(guò)轉(zhuǎn)換到頻域進(jìn)行分析，因此常用的紋理描述方法有三種：統(tǒng)計(jì)法、結(jié)構(gòu)法、頻譜發(fā)。另外，利用一些成熟的圖像模型也可以描述紋理特征，稱為模型法。由于紋理特征的復(fù)雜性，這些方法也常常結(jié)合使用。 統(tǒng)計(jì)法 大多數(shù)紋理，尤其是自然紋理，被描述為一個(gè)隨機(jī)變量，從局部分析只能發(fā)現(xiàn)很大的隨機(jī)性，但是，從統(tǒng)計(jì)和整體分析出發(fā)，可以發(fā)現(xiàn)紋理存在某種規(guī)律性?；诮y(tǒng)計(jì)的紋理分析方法就是從統(tǒng)計(jì)的角度來(lái)分析紋理圖像的方法。統(tǒng)計(jì)方法是最早的紋理描述方法之一，主要思想就是在紋理基元未知的情況下，通過(guò)圖像中灰度級(jí)分布的隨機(jī)屬性來(lái)描述紋理特征?；诮y(tǒng)計(jì)的方法主要有：灰度共生矩陣算法、直方圖統(tǒng)計(jì)法、灰度梯度共生矩陣分析法、自相關(guān)函數(shù)、邊緣頻率、自相關(guān)函數(shù)分析法等。 基于灰度共生矩陣提取紋理特征的方法是一個(gè)經(jīng)典的統(tǒng)計(jì)分析方法，對(duì)它的研究也已經(jīng)有了很久的歷史，是目前公認(rèn)的一種紋理分析方法。Haralick于1973首先提出灰度共生矩陣（GLCM），其由于灰度游程長(zhǎng)度法和光譜方法，是一種得以廣泛應(yīng)用的常用的紋理統(tǒng)計(jì)分析方法和紋理測(cè)量技術(shù)。該方法是建立在估計(jì)圖像的二階組合條件概率密度基礎(chǔ)上的。GLCM是描述在θ方向上，相隔d像元距離的一對(duì)像元分別具有灰度層i和j的出現(xiàn)概率。GLCM是一個(gè)對(duì)稱矩陣，是距離和方向的函數(shù)，其階數(shù)由圖像中的灰度級(jí)決定，由GLCM能夠?qū)С?4種紋理特征。盡管由GLCM提取的紋理特征具有較好的鑒別能力，但是這個(gè)方法在計(jì)算上是昂貴的，尤其是對(duì)于像素級(jí)的紋理分類更是應(yīng)用受限。首先計(jì)算GLCM很耗時(shí)，再者需要提取14個(gè)紋理特征，其所需時(shí)間可想而知。 灰度梯度共生矩陣法是改進(jìn)灰度共生矩陣方法后的一種紋理特征提取技術(shù)。首先利用公式（21）計(jì)算各像素點(diǎn)的梯度值： （21） 其中i=1,2,..., ；j=1,2,…, ；，為圖像的行列數(shù)，為第個(gè)像素點(diǎn)的梯度值。 在計(jì)算灰度梯度共生矩陣之前，為了減少計(jì)算量，先對(duì)灰度陣和梯度陣進(jìn)行歸一化處理，得到歸一化的灰度圖像和梯度圖像。 利用，計(jì)算灰度梯度共生矩陣H。統(tǒng)計(jì)同時(shí)使和梯度圖像的像素點(diǎn)對(duì)數(shù)，此值即共生矩陣H的第(m,n)個(gè)元素的值。 模型法模型法將紋理基元的分布與某種數(shù)學(xué)模型相匹配，運(yùn)用統(tǒng)計(jì)、信號(hào)分析等理論中相應(yīng)的方法對(duì)紋理模型進(jìn)行分析，從而獲得紋理特征。首先應(yīng)用成熟的圖像模型來(lái)確定紋理圖像的解析模型，然后將每種紋理的解析模型用一個(gè)紋理特征參數(shù)來(lái)表示，這組紋理特征參數(shù)確定該紋理模型的紋理特征。因此，準(zhǔn)確估計(jì)出模型的特征參數(shù)集是基于模型的紋理分析的關(guān)鍵。常用的模型有：小波分析、隨機(jī)場(chǎng)模型、自回歸模型、分型等。其中，隨機(jī)場(chǎng)模型對(duì)規(guī)律非均勻的紋理描述能力較低。分形法也屬于隨機(jī)場(chǎng)模型法，它是用分形的維數(shù)和孔數(shù)來(lái)描述紋理特征的?；谀Ｐ偷姆椒ú粌H可以用于表示紋理，而且可以用于合成紋理。 頻譜法心里物理學(xué)研究得到證實(shí)，人們?cè)谟^察圖像時(shí)，大腦對(duì)圖像進(jìn)行了頻率分析，因此，對(duì)圖像紋理進(jìn)行頻率分析也是合適的。頻譜法是建立在時(shí)、頻技術(shù)與多尺度技術(shù)基礎(chǔ)之上的紋理分析方法，利用信號(hào)處理的方法，主要借助傅里葉變化將空間域的紋理圖像變換到頻率域中，通過(guò)計(jì)算峰值處的面積、峰值與遠(yuǎn)點(diǎn)的距離平方、峰值處的相位、兩個(gè)峰值間的相角差等來(lái)獲得在空間域不易獲得的紋理特征，如周期、功率譜信息等。通常，傅里葉頻譜中突起的峰值對(duì)應(yīng)紋理的主方向信息，峰值在頻域平面的位置對(duì)應(yīng)紋理的周期信息，粗紋理的頻率分量集中在低頻部分，細(xì)紋里對(duì)應(yīng)的頻率分量集中在高頻部分。常用的頻譜法主要包括傅里葉功率譜法、Gabor變換、樹(shù)式小波變換等。 結(jié)構(gòu)法 從結(jié)構(gòu)角度分析圖像的紋理基元的形狀和排列分布特點(diǎn)的方法稱為結(jié)構(gòu)分析方法。結(jié)構(gòu)分析方法首先根據(jù)偏心度、面積、方向、矩、延伸度、歐拉數(shù)、幅度、周長(zhǎng)等特征確定紋理基元，然后給予句法模式識(shí)別理論，使用形式語(yǔ)言對(duì)紋理的排列規(guī)則進(jìn)行描述。結(jié)構(gòu)方法主要應(yīng)用于已知基元的情況，采用形態(tài)學(xué)、拓?fù)浞?、圖論等方法描述紋理基元的空間幾何特征和排列規(guī)則。 采用結(jié)構(gòu)法分析圖像紋理必須實(shí)現(xiàn)對(duì)紋理基元的形態(tài)以及空間排列規(guī)則的描述。因此，結(jié)構(gòu)分析法通常適用于規(guī)則性較強(qiáng)的人工紋理。結(jié)構(gòu)分析方法的優(yōu)點(diǎn)是利于理解紋理構(gòu)成和利于進(jìn)行高層的檢索。但是，對(duì)于自然紋理，由于提取基元比較困難，同時(shí)基元之間的排列規(guī)則不易用確定的數(shù)學(xué)模型描述，因此在隨機(jī)紋理的分析中，結(jié)構(gòu)分析法應(yīng)用不多或者常被用作輔助分析手段。 支持向量機(jī)(SVM)方法綜述支持向量機(jī)(SVM)的主要思想是針對(duì)兩類問(wèn)題，在高維空間中尋找一個(gè)超平面作為兩類的分割，以保證最小的分類錯(cuò)誤率，SVM一個(gè)重要的優(yōu)點(diǎn)就是可以處理線性不可分的情況。用SVM實(shí)現(xiàn)分類，首先要從原始空間中抽取特征，將原始空間中的樣本映射為高維特征空間中的一個(gè)向量，以解決原始空間中線性不可分的問(wèn)題。對(duì)于線性可分二分類問(wèn)題，SVM的基本思想是在兩個(gè)類別的樣本集之間尋找一個(gè)最優(yōu)分界面，將兩類分開(kāi)，并使兩類的分隔距離最大，以二維空間為例，如圖23所示。圖中，用是新店和空心圈分別表示第一類和第二類訓(xùn)練樣本，H是將兩類分開(kāi)的最優(yōu)分界面，H1與H2與H平行。H1上的樣本是第一類樣本到H最近距離的點(diǎn)，H2的點(diǎn)則是第二類樣本距H的最近點(diǎn)。H1與H2上的樣本處在隔離帶的邊緣上(附加一個(gè)差號(hào)表示)，這些點(diǎn)稱為支持向量，由它們決定了分類的隔離帶。分類判斷函數(shù)為： (22)圖23在非線性可分的條件下，可以采用特征映射方法，將非線性可分的特征向量空間映射到線性可分的新的特征向量空間(特征向量的維數(shù)通常會(huì)增加很多)中，然后再利用線性可分的支持向量機(jī)進(jìn)行分類。利用特征映射方法的原理示意圖如圖24所示，其中(a)圖表示在原特征空間中非線性可分的兩類樣本，圖(b)表示經(jīng)特征映射后在新特征空間中非線性可分的兩類樣本變成線性可分的情況。目前，常用的核函數(shù)有以下三種：多項(xiàng)式型核函數(shù)： (23)徑向基型核函數(shù)： (24)S型核函數(shù)： (25) 本章小結(jié) 本章主要對(duì)紋理的定義以及特征進(jìn)行簡(jiǎn)單的介紹。介紹了紋理描述方法的分類，包括統(tǒng)計(jì)法、頻譜法、結(jié)構(gòu)法和模型法。介紹了常用的紋理描述方法的原理，如灰度共生矩陣算法、灰度梯度共生矩陣法、自相關(guān)函數(shù)分析法。第三章 基于空域的紋理特征提取方法 灰度共生矩陣算法 算法描述 灰度共生矩陣算法（Grey Level Cooccurrence Matrix， GLCM）是基于圖像中某一灰度級(jí)結(jié)構(gòu)重復(fù)出現(xiàn)的概率來(lái)描述圖像紋理信息的方法，主要以條件概率提取紋理的特征，獲取像素級(jí)灰度紋理在空間上的相互關(guān)系。一般首先根據(jù)圖像像素間的方向和距離構(gòu)造矩陣，然后從該矩陣提取有意義的統(tǒng)計(jì)特征來(lái)描述紋理。因?yàn)榧y理是相鄰像素或相鄰區(qū)域灰度上幾何位置等相互關(guān)系的表征，因此統(tǒng)計(jì)處于同樣位置關(guān)系的一對(duì)像素的灰度相關(guān)性，就可以用這一對(duì)像素的某種條件概率來(lái)表示其紋理特征。算法描述如下：設(shè)x軸方向像素總數(shù)為，y方向像素總數(shù)為，為了避免分析眾多灰度級(jí)帶來(lái)的龐大計(jì)算量，將圖像灰度作歸并，G表示歸并后灰度級(jí)數(shù)量，其最高灰度級(jí)是第級(jí)，記為： （31）把圖像f理解為從到G的一個(gè)變換，即對(duì)中的每一點(diǎn)，對(duì)應(yīng)一個(gè)屬于G的灰度。定義方向?yàn)棣龋g隔為d的灰度共生矩陣為： （32）表示矩陣中第i行j列的元素，其中，i，j的距離為d，θ=0186。，45186。，90186。，135186。當(dāng)d值較小時(shí)，對(duì)應(yīng)于變化緩慢的紋理圖像（粗紋理），其灰度聯(lián)合概率矩陣對(duì)角線上的數(shù)值較大，傾向于坐對(duì)角線分布；如果紋理的變化越快（細(xì)紋理），則對(duì)角線上的數(shù)值越小，而對(duì)角線兩側(cè)上的元素值增大，傾向于均勻分布。以軸為起始，逆時(shí)針?lè)较蛴?jì)算，對(duì)不同的θ，矩陣元素的定義為： （33