图像纹理特征提取方法.docx

图像纹理特征提取方法.docx

《图像纹理特征提取方法.docx》由会员分享，可在线阅读，更多相关《图像纹理特征提取方法.docx（21页珍藏版）》请在冰点文库上搜索。

图像纹理特征提取方法

安徽大学

本科毕业论文（设计、创作）

题　　目：

　　　图像纹理特征提取方法研究　　　　

学生姓名：

　朱邵成　　　学号：

Z01114175

院（系）：

电气工程与自动化学院专业：

　自动化　

入学时间：

　2011　　　　年　　　9　　　月

导师姓名：

　寻丽娜　职称/学位：

　讲师/博士　

导师所在单位：

　安徽大学电气工程与自动化学院　

完成时间：

　2015　　　　年　　　5　　　　月

图像纹理特征提取方法研究

摘要

近年来，随着信息多媒体时代的到来，以及网络在世界范围内的日益流行、云计算的风行，人们在日常生活工作接触的信息量越来越大。

图像作为信息的一种载体，具有直观、信息量大、便于不同国家间交流的特点，是网络多媒体的重要组成部分。

基于文本的图像检索是基于内容图像检索的基础，用人工方式解释图像信息，其工作量我们难以想象，可行性也值得商榷。

因此CBIR方法有效解决了这一个难题。

基于内容的图像检索（CBIR）包括四个阶段，分别是：

获取图像、提取特征、分类图像、检索图像。

图像检索主要是一个核心问题：

选取何种算法提取哪一种图像特征，快速有效的进行图像的区分与检测。

纹理特征的提取是CBIR的关键问题之一，本论文也是基于图像纹理特征的提取为基础。

首先，本文使用基于纹理基元的共生矩阵分析方法，用来提取纹理特征向量。

此方法中，采用局部二进制模式（LocalBinaryPattern，LBP）来进行图像的基本纹理基元的提取，并用灰度共生矩阵（GrayLevelCo．occurrenceMatrix，GLCM）中共生矩阵的分析方法来对纹理基元图像进行分析。

其次文中深入研究了基于灰度共生矩阵（GLCM）的纹理特征提取方法，给出了基于Matlab的简便实现代码，分析了共生矩阵各个构造参数对构造共生矩阵的影响。

分析结果对优化灰度共生矩阵的构造、实现基于灰度共生矩阵（GLCM）的特定图像的纹理特征提取等都具有重要参考意义。

关键词：

纹理特征；灰度共生矩阵；基于内容的图像检索；Matlab

Studyontheextractionmethodof imagetexturefeature

Abstract

Inrecentyears,alongwithinformationmultimediatimearrival,aswellasnetworkinworldwidescaledaybydaypopular,cloudcomputationbeinginfashion,thepeoplearemoreandmorebiggerinthedailylifeworkcontactinformationcontent.Theimagetooktheinformationonekindofcarrier,has,theinformationcontentintuitivelybig,isadvantageousforthecharacteristicwhichbetweenthedifferentcountryexchanges,isthenetworkmultimediaimportantconstituent.Basedonthetextimageretrievalisbasedonthecontentimageretrievalfoundation,withtheartificialwayexplanationpictorialinformation,itsworkloadweimagineswithdifficulty,thefeasibilityisalsoworthdiscussing.ThereforeCBIRmethodeffectiveaddressingthisdifficultproblem.Basedoncontentimageretrieval（CBIR）includingfourstages,respectivelyis:

Gainimage,extractioncharacteristic,classifiedimage,retrievalimage.Theimageretrievalmainlyisacorequestion:

Whichonekindofimagecharacteristicselectswhatalgorithmtowithdraw,fasteffectivecarriesontheimagethediscriminationandtheexamination.ThetexturecharacteristicextractionisoneofCBIRkeyquestion,thepresentpaperalsoisbasedontheimagetexturecharacteristicextractionisafoundation.First,thispaperusedtheco-occurrencematrixbasedontextureprimitivetoextracttexturefeatureofimage．Inthismethod，itextractedbasictextureprimitiveofimagebyLocalBinaryPattem（LBP）,andusedco-ccurrencematrixofgraylevelco-occurrencematrix（GLCM）toanalyzethetextureprimitiveimage.Themethodoftexturefeatureextractionbasedongraylevelco-occurrencematrix（GLCM）wasstudied.Analyzedtheeffectofeachparameteronconstructingtheco-occurrencematrixandimplementedthefeatureextractionusingMatlab.TheanalyticalresultsprovidevaluablereferenceforcreatingGLCMbetterandextractingtexturefeaturesofspecifickindsofimages．

Keywords:

texturefeature；graylevelco－occurrencematrix；basedoncontentimageretrieval；Matlab

目　　录

第1章绪论

1.1前言

随着多媒体技术和互联网的迅速发展，数字图像的容量正以惊人的速度增长，无论是军用还是民用，无论是静态还是动态的，每天都会产生海量的图像信息。

近年来大规模图像库的出现，管理、组织和利用图像成为一项亟待解决的技术难题，于是图像检索技术这种能够快速而且准确查找访问图像的技术应运而生。

基于内容的图像检索（CBIR）是20世纪90年代兴起的新技术，其实质是图像特征相似性匹配检索。

因其直观、高效、通用等特点，近年来在国际国内均是一个热门研究课题。

1.2研究背景和意义

随着信息多媒体时代的到来，以及网络在世界范围内的日益流行，云计算的风行，人们在日常生活工作接触的信息量越来越大。

图像作为信息的一种载体，具有直观、信息量大、便于不同年国家间交流的特点，是网路多媒体的重要组成部分。

基于文本的图像检索是基于内容图像检索的基础，用人工方式解释图像信息，它通过对图像进行手工注解，利用文本检索技术对图像进行关键字检索。

然而其文本注解的主观性和不精确性会直接影响检索的可靠性。

其工作量我们难以想象，可行性也值得商榷。

因此基于内容的图像检索有效解决了这一难题。

CBIR技术一般包括图像获取，特征提取，图像分类，图像检索四个阶段。

基于内容的图像检索有两个核心问题：

如何能够实现快速有效的图像分类与检索，其关键在于选用哪一种算法提取何种特征；如何建立有效的图像分类识别系统，其关键在于分类算法的选取。

纹理特征作为显著的视觉特征，不仅不依赖于颜色或亮度，并且包含事物表面结构的排列与组织次序，表现出上下文内容的联系，反映图像中同质现象重复出现的视觉特征，因此纹理是基于内容的图像检索方法中非常重要的一种用于图像描述和分类的特征。

目前其在许多重要工作重要领域都有其研究成果，如天气预报，其卫星云图与红外线图提取的纹理特征有很大差异，所以纹理特征可以应用在模式识别领域，作为模式识别的一个重要特征。

在地球卫星上拍摄到的地球表面遥感图像大部分纹理特征非常明显，其表面的山川、陆地、沙漠、海洋以及大的城市建筑群都有不同的纹理特点，因此我们可以通过图像的纹理特征对国家的不同区域识别、土地整治、土地沙漠化、城市建筑群分布等宏观进行研究。

CBIR依照其系统所应用的范围，人为的把它分为：

商用系统、网络应用系统和研究应用系统三个类别。

而基于内容的图像检索系统也有着非常广阔的应用领域，主要应用于知识产权的保护、犯罪与图片过滤、网上图像检索和数字图书馆以及新式视频服务和图像编辑等领域。

1.3国内外研究现状

图像内容中的纹理特征是当今研究的热点之一。

通过几十年的研究，纹理分析取得了很大进步，并产生了许多纹理研究方法，如小波变换、共生矩阵等。

这些方法大体可以分为统计分析方法、模型法、频域分析法、结构分析法。

其中统计分析法应用最为广泛。

上个世纪70年代以前，常用的纹理提取方法主要是功率谱、自相关函数等一些与灰度出现频率相关的方法，这些方法主要利用一些数字变换对图像进行c操作，而梅雨具体描述或者定义纹理，这对于描述纹理以及区分不同纹理具有很大的局限性。

20世纪70年代，最有代表性的是Haralick对纹理的分析和理解以及提出的纹理特征提取方法，为后续的纹理研究提供了理论支持和技术积累。

1973年他提出了一个具有重要意义的灰度共生矩阵，他在利用陆地卫星图像研究美国加利福尼亚海岸带的土地利用问题，将图像像素的灰度值转化为纹理信息，对纹理进行了较为系统的分析和理解。

这也是早期出现的基于统计的纹理特征提取方法。

20世纪80年代以来，马尔可夫随机场理论为纹理特征提取找到了一个新方向，也是基于模型的纹理特征提取方法的开端，而后相继出现了马尔可夫随机场模型（GMRF）、Gibbs模型、高斯马尔可夫随机场模型、同步自回归模型（SAR）、隐马尔可夫随机场模型（HMRF）、广义马尔可夫随机场模型等。

1989年，Mallat首先将小波分析引入纹理分析中，为时频尺度分析纹理提供了一种更为精确而统一的框架。

随后，小波理论发展了许多分支，如多进制小波、小波包以及小波框架等等，它们均在图像纹理分析中发挥了积极的作用。

近年来，较引人瞩目的是Ojala等人于2002年提出的局部二进制模式（LBJ）,其特点在于计算复杂度小，具有多尺度特性和旋转不变形，在纹理检索领域得到应用。

随着纹理特征提取方法的研究越来越深入，其应用也越来越广泛，一方面，国内外研究人员对已有的纹理特征提取方法不断进行深入研究，并拓宽其在实际工程领域的应用；另一方面，研究人员致力于对现有纹理提取方法进行融合并对特征指数进行有效筛选，如GLCM与MRF的融合，小波方法与MRF的融合等等；除此之外，研究人员也在不断尝试研究并开拓新的纹理特征提取方法，主要是纹理多尺度特征和旋转不变特征的提取；但是纹理的微观异构性，复杂性以及其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。

迄今为止，已经有一些比较成功的检索系统问世，在一定范围之内，这些系统可以得到一个比较令人满意的效果。

现简单介绍几种纹理特征提取方式。

（1）VisualSEEK/WebSEEK：

是由哥伦比亚大学所开发，在图像特征方面，采用基于小波变换方法提取纹理特征。

（2）QBIC：

IBM公司的QBIC系统的结构包括、：

图像入库、特征向量提取和查询。

采用Tamura进行纹理特征的描述，特征向量是由其中的粗糙度、对比度和方向性的结合所构成。

（3）NETRA：

有加利福利亚大学亚历山大数字图书馆开发。

采用基于Gabor滤波器的纹理分析方法对图像进行处理，从而得到纹理特征向量。

1.4研究方法

1文献研究法

文献研究法主要指收集、鉴别、整理文献，并通过对文献的研究，形成对事实科学认识的方法。

该方法主要用于前期工作。

首先，阅读大量的相关特征提取方法，总结各种方法的优势与不足，对该课题的可行性得以确定。

2实验测试法

对于纹理特征，代表的分析方法是共生矩阵法，Tammra方法等。

利用灰度共生矩阵可得到描述纹理特征的统计量，常用的有对比度、能量、熵等七个特征。

Tammra提出了与人的视觉感受相关的六个纹理特征，分别是粗糙度、对比度、方向性、线性相似性、规则性和粗略度。

第2章纹理的概念和表达方式

在图像的三大底层特征中，纹理特征作为显著的视觉特征，不仅不依赖于颜色或亮度，并且包含事物表面结构的排列与组织次序，表现出上下文内容的联系，反映图像中同质现象重复出现的视觉特征，因此纹理是基于内容的图像检索方法中非常重要的一种用于图像描述和分类的特征。

本章首先对纹理的定义及特性做简要介绍，然后对纹理的三类描述方法进行概括，对常用的纹理描述方法做一个

综述。

2.1纹理的概念和特征

纹理的概念最初起源于人类对物体表面的触感。

在此基础上，将触感与人类视觉关联起来，从而成为了一个重要的视觉信息——纹理。

具体的可以从以下四个方面进行描述。

1在邻近的像素点之间存在着亮度层次上的有意义的变化，正是由于这些变化图像中才展现出各种各样的纹理。

2纹理是图像区域的一个属性，一个像素点的纹理是没有意义的.因此，纹理涉及到上下文，与一个空间邻居关系内的像素的灰度值有关，换句话说，纹理跟图像像素灰度值的空间分布有关.这个空间关系的大小取决于纹理的类型，或者定义纹理的基元的大小。

3纹理是一个在某种空间尺度大于图像分辨率下的同质（homogeneous）属性，一些研究人员以人的视觉系统来描述纹理：

纹理没有始终如一的亮度，但仍然可以被人像同质区域那样所观察到。

4图像纹理在不同尺度和不同分辨率下都能被感知。

例如，考虑一幅砖墙所表示的纹理.在一个粗糙的分辨率下，所观察到的纹理是由墙上个体的砖块所形成，而砖块内部的细节会丢失；在一个高的分辨率下，仅有少量的砖块在视野范围以内，观察到的纹理会显示出砖块的细节。

在不同的距离和不同的视觉注意程度下，纹理区域都会给出不同的解释。

在一个正常注意力和标准距离下，它给出了用来表征特定纹理的宏观规则性的概念。

当近距离非常仔细地观察时，可以注意到一些同质区域和边，它们有时候会构成纹理素（texels）最后，纹理是依赖于尺度的.当一个区域内基元对象的数目足够大时才会被感知为纹理。

如果仅有少量的基元数目，那么会被观察为一组可数的对象而不是一幅纹理图像。

对于纹理的特征，纹理特征也是一种全局特征，它也描述了图像或图像区域所对应景物的表面性质。

但由于纹理只是一种物体表面的特性，并不能完全反映出物体的本质属性，所以仅仅利用纹理特征是无法获得高层次图像内容的。

与颜色特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进行统计计算。

在模式匹配中，这种区域性的特征具有较大的优越性，不会由于局部的偏差而无法匹配成功。

作为一种统计特征，纹理特征常具有旋转不变性，并且对于噪声有较强的抵抗能力。

但是，纹理特征也有其缺点，一个很明显的缺点是当图像的分辨率变化的时候，所计算出来的纹理可能会有较大偏差。

另外，由于有可能受到光照、反射情况的影响，从2-D图像中反映出来的纹理不一定是3-D物体表面真实的纹理。

例如，水中的倒影，光滑的金属面互相反射造成的影响等都会导致纹理的变化。

由于这些不是物体本身的特性，因而将纹理信息应用于检索时，有时这些虚假的纹理会对检索造成“误导”。

在检索具有粗细、疏密等方面较大差别的纹理图像时，利用纹理特征是一种有效的方法。

但当纹理之间的粗细、疏密等易于分辨的信息之间相差不大的时候，通常的纹理特征很难准确地反映出人的视觉感觉不同的纹理之间的差别。

总的来说，纹理有粗糙性、强度、密度、周期性、方向性等描述特性。

其中，纹理的粗糙性、周期性、方向性三个特征是人感受最为强烈的视觉特征。

同时要注意的是，由于纹理是区域属性，观察的区域大小会影响纹理分析。

因此对纹理的研究需要事先确定一定的观察尺度。

2.2纹理特征的描述方法

图像纹理一直到现在都没有一个一致的、公认的定义，它在图像中是一个重要但是又不太容易描述出来的特征，并且人们在对纹理的认识中存在主观性，为了定量描述图像纹理，所我们需要提取出能代表图像纹理的特征信息。

通常情况下，检测图像中的纹理基元，以及纹理基元与周围像素点灰度的惯性是我们进行图像处理提取纹理特征的两个最主要的目的。

图像纹理的描述既可以借助于空域性质有可以通过频域性质进行分析，主要是通过研究图像像素灰度的统计特性和空间结构特性来描述图像纹理。

我们常用的纹理的表达方法有三种：

频谱法、统计法、结构法。

但是由于图像纹理特征不是想象中的那么简单，我们在研究过程中可以综合这三种方法，分析比较出更适合的方法，此外图像模型法在一些相对成熟的图像模型中也有应用。

2.2.1统计分析法

统计分析纹理描述方法是常用的纹理分析方法，也是纹理研究最多最早的一类方法.统计分析方法通过统计图像的空间频率、边界频率以及空间灰度依赖关系等来分析纹理一般来讲，纹理的细致和粗糙程度与空间频率有关.细致的纹理具有高的空间频率，例如布匹的纹理是非常细致的纹理，其基元较小，因而空间频率较高；低的空间频率常常与粗糙的纹理相关，比如大理石纹理一般是粗糙的纹理，其基元较大，具有低的空间频率。

因此，我们可以通过度量空间频率来描述纹理.除了空间频率以，每单位面积边界数也是度量纹理的细致和粗糙程度的另外一种统计方法.边界频率越高说明纹理越精细，相反，低的边界频率与粗糙的纹理息息相关。

此外，统计分析方法还从描述空间灰度依赖关系的角度出发来分析和描述图像纹理.常用的统计纹理分析方法有，自相关函数（AutocorrelationFeatures）边界频率（EdgeFrequency），空间灰度依赖矩阵（theSpatialGreyLevelDependenceMatrix,SGLDM）等。

相对于结构分析方法，统计分析方法并不刻意去精确描述纹理的结构。

从统计学的角度来看，纹理图像是一些复杂的模式，可以通过获得的统计特征集来描述这些模式。

2.2.1.1自相关函数

自相关函数（AutocorrelationFeatures}ACF）就是一种常用的空间频率纹理描述方法。

在这个方法中，纹理的空间组织用评价基元间线性空间关系的相关系数来描述。

自相关函数是用来度量在给定一个位移下的纹理与原来位置的纹理的相似程度.如果在给定方向下，自相关值下降的越快，那么移动后的纹理与原来的纹理就越不相关，也就是移动后的纹理与原来的纹理越不相似，这说明纹理的基元就很小；反之，如果自相关值下降的越慢，那么移动后的纹理与原来的纹理就越相关，也就是移动后的纹理与原来的纹理越相似，纹理的基元就越大。

如果纹理基元较大，当距离增加时，自相关函数的值就会缓慢的减小，然而如果纹理由小基元构成，它就会很快的减小。

如果纹理的基元具有周期性，那么自相关函数就会随着距离而周期地变化。

自相关函数纹理分析方法通过计算图像纹理的自相关系数来描述纹理，纹理的自相关系数的变化趋势反映了纹理的粗细程度，然而，对于同样粗糙（细致）但完全不同的两种纹理，它们的自相关系数很可能比较相近，很难将这两种纹理区分开来。

2.2.1.2边界频率

与自相关函数方法中用空间频率来区分纹理的粗细不同，边界频率认为纹理可以用每单位面积内边界来区分纹理。

粗糙的纹理由于局部领域内的灰度相似，并没有太大的变化，因而每单位面积内的边界数会较小；细致的纹理由于局部邻域内的灰度变化较快，所以每单位面积内的边界数会较大。

图像区域的边界频率在一定程度上反映了该区域内纹理的粗细程度，边界频率函数就是从这种思路出发来描述纹理的，这种纹理分析方法的缺点是虽然边界频率能部分反映纹理的微结构信息，但这种描述是粗略的，缺乏微结构形状方面的信息描述。

另外，边界频率函数对图像的大小非常敏感，一个改进的办法是用图像的大小去归一化该边界频率函数。

2.2.1.3灰度共生矩阵法

共生矩阵用两个位置的象素的联合概率密度来定义，它不仅反映亮度的分布特性，也反映具有同样亮度或接近亮度的象素之间的位置分布特性，是有关图象亮度变化的二阶统计特征。

它是定义一组纹理特征的基础。

一幅图象的灰度共生矩阵能反映出图象灰度关于方向、相邻间隔、变化幅度的综合信息，它是分析图象的局部模式和它们排列规则的基础。

设f（x,y）为一幅二维数字图象，其大小为M×N，灰度级别为Ng,则满足一定空间关系的灰度共生矩阵为：

P（i,j）=#｛（x1,y1）,（x2,y2）∈M×N｜f（x1,y1）=i,f（x2,y2）=j｝

（1）

　　其中#（x）表示集合x中的元素个数，显然P为Ng×Ng的矩阵，若（x1,y1）与（x2,y2）间距离为d,两者与坐标横轴的夹角为θ，则可以得到各种间距及角度的灰度共生矩阵P（i,j,d,θ）。

纹理特征提取的一种有效方法是以灰度级的空间相关矩阵即共生矩阵为基础的，因为图像中相距（Δx，Δy）的两个灰度像素同时出现的联合频率分布可以用灰度共生矩阵来表示。

若将图像的灰度级定为N级，那么共生矩阵为N×N矩阵，可表示为M（Δx，Δy）（h,k），其中位于（h,k）的元素mhk的值表示一个灰度为h而另一个灰度为k的两个相距为（Δx，Δy）的像素对出现的次数。

对粗纹理的区域，其灰度共生矩阵的mhk值较集中于主对角线附近。

因为对于粗纹理，像素对趋于具有相同的灰度。

而对于细纹理的区域，其灰度共生矩阵中的mhk值则散布在各处。

2.2.2频谱法

心理物理学研究得到证实，人们在观察图像时，大脑对图像进行了频率分析，因此，对图像纹理进行频率分析也是合适的。

频谱法是建立在时、频技术与多尺度技术基础之上的纹理分析方法，利用信号处理的方法，主要借助傅里叶变换将空间域的纹理图像变换到频率域中，通过计算峰值处的面积、峰值与原点的距离平方、峰值处的相位、两个峰值间的相角差等来获得在空间域不易获得的纹理特征，如周期、功率谱信息等。

通常，傅立叶频谱中突起的峰值对应纹理的主方向信息，峰值在频域平面的位置对应纹理的周期信息，粗纹理的频率分量集中在低频部分，细纹理对应的频率分量集中在高

频部分。

常用的频谱法主要包括傅立叶功率谱法、Gabor变换、塔式小波变换、树式小波变换等。

2.2.3结构法

结构法是把复杂的纹理拆分成许多简单的纹理基元，并且这些简单基元按照某一规律重复排列组合成复杂纹理。

根据纹理基元的形状和排列特点分析图像纹理特征的方法统称为结构法，结构分析方法的基本思想是认为复杂的纹理可由一些简单的纹理基元以一定的有规律的形式重复排列组合而成。

结构分析法使用形式语言对纹理的排列规则进行描述，这需要计算出纹理基元的偏心度、面积、方向、矩