【文章內(nèi)容簡介】 互聯(lián)系的一個整體，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 由于人對紋理的視覺認(rèn)識存在主觀性，很難用文字或語言來進行描述，所以，需要從圖像中提取可以表征紋理的信息。通過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信息。對圖像紋理的描述通常借助紋理的結(jié)構(gòu)特性或者統(tǒng)計特性，對紋理基于空域的性質(zhì)也可以通過轉(zhuǎn)換到頻域進行分析，因此常用的紋理描述方法有三種：統(tǒng)計法、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)計法 大多數(shù)紋理，尤其是自然紋理，被描述為一個隨機變量，從局部分析只能發(fā)現(xiàn)很大的隨機性，但是，從統(tǒng)計和整體分析出發(fā)，可以發(fā)現(xiàn)紋理存在某種規(guī)律性?；诮y(tǒng)計的紋理分析方法就是從統(tǒng)計的角度來分析紋理圖像的方法。統(tǒng)計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，通過圖像中灰度級分布的隨機屬性來描述紋理特征?；诮y(tǒng)計的方法主要有：灰度共生矩陣算法、直方圖統(tǒng)計法、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經(jīng)典的統(tǒng)計分析方法，對它的研究也已經(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)計分析方法和紋理測量技術(shù)。該方法是建立在估計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像元距離的一對像元分別具有灰度層i和j的出現(xiàn)概率。GLCM是一個對稱矩陣，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，但是這個方法在計算上是昂貴的，尤其是對于像素級的紋理分類更是應(yīng)用受限。首先計算GLCM很耗時，再者需要提取14個紋理特征，其所需時間可想而知。 灰度梯度共生矩陣法是改進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）計算各像素點的梯度值： （21） 其中i=1,2,..., ；j=1,2,…, ；，為圖像的行列數(shù)，為第個像素點的梯度值。 在計算灰度梯度共生矩陣之前，為了減少計算量，先對灰度陣和梯度陣進行歸一化處理，得到歸一化的灰度圖像和梯度圖像。 利用，計算灰度梯度共生矩陣H。統(tǒng)計同時使和梯度圖像的像素點對數(shù)，此值即共生矩陣H的第(m,n)個元素的值。 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，運用統(tǒng)計、信號分析等理論中相應(yīng)的方法對紋理模型進行分析，從而獲得紋理特征。首先應(yīng)用成熟的圖像模型來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紋理特征參數(shù)來表示，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、隨機場模型、自回歸模型、分型等。其中，隨機場模型對規(guī)律非均勻的紋理描述能力較低。分形法也屬于隨機場模型法，它是用分形的維數(shù)和孔數(shù)來描述紋理特征的。基于模型的方法不僅可以用于表示紋理，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，人們在觀察圖像時，大腦對圖像進行了頻率分析，因此，對圖像紋理進行頻率分析也是合適的。頻譜法是建立在時、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，通過計算峰值處的面積、峰值與遠(yuǎn)點的距離平方、峰值處的相位、兩個峰值間的相角差等來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應(yīng)紋理的主方向信息，峰值在頻域平面的位置對應(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、周長等特征確定紋理基元，然后給予句法模式識別理論，使用形式語言對紋理的排列規(guī)則進行描述。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現(xiàn)對紋理基元的形態(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)則性較強的人工紋理。結(jié)構(gòu)分析方法的優(yōu)點是利于理解紋理構(gòu)成和利于進行高層的檢索。但是，對于自然紋理，由于提取基元比較困難，同時基元之間的排列規(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(SVM)方法綜述支持向量機(SVM)的主要思想是針對兩類問題，在高維空間中尋找一個超平面作為兩類的分割，以保證最小的分類錯誤率，SVM一個重要的優(yōu)點就是可以處理線性不可分的情況。用SVM實現(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向量，以解決原始空間中線性不可分的問題。對于線性可分二分類問題，SVM的基本思想是在兩個類別的樣本集之間尋找一個最優(yōu)分界面，將兩類分開，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，H2的點則是第二類樣本距H的最近點。H1與H2上的樣本處在隔離帶的邊緣上(附加一個差號表示)，這些點稱為支持向量，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)通常會增加很多)中，然后再利用線性可分的支持向量機進行分類。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) 本章主要對紋理的定義以及特征進行簡單的介紹。介紹了紋理描述方法的分類，包括統(tǒng)計法、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結(jié)構(gòu)重復(fù)出現(xiàn)的概率來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)計特征來描述紋理。因為紋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)計處于同樣位置關(guān)系的一對像素的灰度相關(guān)性，就可以用這一對像素的某種條件概率來表示其紋理特征。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帶來的龐大計算量，將圖像灰度作歸并，G表示歸并后灰度級數(shù)量，其最高灰度級是第級，記為： （31）把圖像f理解為從到G的一個變換，即對中的每一點，對應(yīng)一個屬于G的灰度。定義方向為θ，間隔為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，對應(yīng)于變化緩慢的紋理圖像（粗紋理），其灰度聯(lián)合概率矩陣對角線上的數(shù)值較大，傾向于坐對角線分布；如果紋理的變化越快（細(xì)紋理），則對角線上的數(shù)值越小，而對角線兩側(cè)上的元素值增大，傾向于均勻分布。以軸為起始，逆時針方向計算，對不同的θ，矩陣元素的定義為： （33