图像处理和识别中的纹理特征和模型Word下载.doc
《图像处理和识别中的纹理特征和模型Word下载.doc》由会员分享,可在线阅读,更多相关《图像处理和识别中的纹理特征和模型Word下载.doc(15页珍藏版)》请在冰点文库上搜索。
![图像处理和识别中的纹理特征和模型Word下载.doc](https://file1.bingdoc.com/fileroot1/2023-5/11/c3a36a12-b6d4-4f93-8fd7-c4a6be95e95c/c3a36a12-b6d4-4f93-8fd7-c4a6be95e95c1.gif)
originalreferencecalculatebymyself
(1)、黑白对称性
反映频谱的对称性,不随纹理单元中起始计数位置的不同而不同。
(2)、几何对称性
反映图像旋转180度后,纹理谱的相似性;
(3)、方向度
反映线性结构的角度。
大的DD说明纹理谱对图像的方向模式较为敏感;
即图像中有线性机构纹理单元存在。
以上三个特征都是图像的几何特征,可描述原始图像的宏观纹理;
下面介绍几个描述图像微观纹理的特征。
(4)、方向特征
微观水平结构特征:
同样,我们可以得到其它方向的方向纹理特征MVS,MDS1,MDS2
(5)中心对称性
2.常用统计特征:
把图像看成是一个二维随机过程的一次实现,可得到图像的直方图、均值、方差、偏度、峰度、能量、墒、自相关、协方差、惯性矩、绝对值、反差分等特征量。
常用来描述纹理的统计特征的技术有子相关函数、功率谱、正交变换、灰度级同时事件、灰度级行程长、灰度级差分、滤波模板、相对极值密度、离散马尔可夫随机场模型、自回归模型、同时自回归模型等。
原图:
1、2、3、4阶矩
1、一维统计特征
1.1、一维直方图为:
l=1,2,…L-1
M为象素总数,N(l)为灰度值为l的象素数,l=1,2,…L-1为图像的灰度级。
1.2、均值
1.3、方差
直方图相对于均值的分布,是灰度对比度的度量,可用来描述直方图的相对平滑程度。
1.4、偏度
直方图相对于均值的对称性。
1.5、峰度
直方图的相对平坦性。
1.6、能量
1.7、墒
直接基于图像像素:
对比度:
描述图像灰度分布,可检测图像中局部的灰度变化,与图像中局部灰度动态范围,边缘的尖锐程度相关。
为图像标准差,为四阶中心矩。
粗糙度:
测量纹理尺寸
方向性:
描绘纹理的方向性。
相位一致性特征:
下面是对于纹理较为简单的灰度图像,应用相位一致性方法提取边缘的结果。
相位一致性最大点可等效为局部能量函数中的峰值,其最大的优点在于提取的特征受光照条件的影响较小,能较为细腻地描述有灰度跃便的图像边缘。
定义:
对一维信号I(x)的傅立叶展开为:
是n次分量的相位偏移量或初始相位(相位偏移量还可使得该级数用正弦项表示)。
函数表示x点的傅立叶分量的局部相位(Localphase)。
相位一致性可定义为:
分数维特征:
在自然界中,很多现象都是粗略、不规则、和多尺度的;
用分数维可被用来描述这些模型;
纹理图像的分数维可被认为是纹理在不同的空间尺寸上相对现象的一个索引表示。
图像的熵特征:
直接根据图像邻域像素的分布计算图像熵,窗口尺寸:
7×
7
Gabor小波模型
gabor滤波系数提取:
提取特征值,均值和方差:
各个特征组合得到特征向量:
滤波器尺寸:
16×
16,空间频率:
4~6,方向:
6个:
输出数据的5×
5窗口熵;
entropy:
standardvariance:
average:
goboroutput:
瑞利分布概率密度函数:
只存在一个参数,减小了特征维数。
Gabor滤波输出的ICA特征处理:
Loggabor滤波器的传递函数:
Loggabor滤波器与gabor滤波器的传递函数比较:
基于栅格元的特征描述:
栅格元模型运算(如图1)包括2个阶段,第一阶段,在接收场的一定范围内,将若干个简单元在相应方向、频率和位置的输出响应作为栅格子单元的输入,计算栅格子单元的响应;
第二阶段,栅格元在给定的方向和频率参数下,接收来自某一范围内的栅格子单元输出响应,经过加权累加后作为栅格元的输入,通过栅格元运算产生的响应,即可提取图像在不同方向和周期参数下的纹理特征。
栅格元模型这种对不同方向和周期输入产生不同响应的特性,类似于Gabor滤波器,但栅格元模型对方向和周期的变化更敏感。
将纹理图像作为栅格元模型中简单元的输入,经过栅格元模型运算后,相应方向和周期下的输出响应即可作为描述图像纹理的特征向量,提取的特征向量经过降维和分类,实现纹理图像的区域分割。
NormalizedCuts
根据像素间的相似性连接图像,连接的边为相似性强度,是一种基于图像全局考虑的分割模式:
Wij
i
j
分割公式:
分割结果:
均值漂移模型(meanshift):
均值漂移算法的主要思想是:
假设数据是按某种模式分布(一般假设为高斯分布),根据这种模式拟合出数据分布的概率密度函数,迭代求出最大密度点作为聚类中心。
算法的过程中使用分布密度的梯度值来确定作为窗口移动步长,在低密度区域梯度值大,移动步长大,
在高密度区步长小,在最大值处梯度为零。
特征概率密度分布以及得到的局部极大值点:
窗口尺寸为13时分割结果
此外常见的图像描述模型还有:
马尔可夫随机场模型;
小波模型;
期望最大(EM)模型;
最近几年有ICA模型;