1、精選優(yōu)質(zhì)文檔-傾情為你奉上安徽大學(xué)本科畢業(yè)論文（設(shè)計、創(chuàng)作）題目：圖像紋理特征提取方法研究學(xué)生姓名： 朱邵成學(xué)號： Z 院（系）： 電氣工程與自動化學(xué)院 專業(yè)：自動化 入學(xué)時間： 2011年9月導(dǎo)師姓名： 尋麗娜 職稱/學(xué)位：講師/博士 導(dǎo)師所在單位： 安徽大學(xué)電氣工程與自動化學(xué)院 完成時間： 2015年5月圖像紋理特征提取方法研究摘 要近年來，隨著信息多媒體時代的到來，以及網(wǎng)絡(luò)在世界范圍內(nèi)的日益流行、云計算的風(fēng)行，人們在日常生活工作接觸的信息量越來越大。圖像作為信息的一種載體，具有直觀、 信息量大、便于不同國家間交流的特點，是網(wǎng)絡(luò)多媒體的重要組成部分。基于文本的圖像檢索是基于內(nèi)容圖像檢索的基

2、礎(chǔ)，用人工方式解釋圖像信息，其工作量我們難以想象，可行性也值得商榷。因此CBIR方法有效解決了這一個難題。基于內(nèi)容的圖像檢索（CBIR）包括四個階段，分別是：獲取圖像、提取特征、分類圖像、檢索圖像。圖像檢索主要是一 個核心問題：選取何種算法提取哪一種圖像特征，快速有效的進行圖像的區(qū)分與檢測。紋理特征的提取是 CBIR 的關(guān)鍵問題之一，本論文也是基于圖像紋理特征的提取為基礎(chǔ)。首先，本文使用基于紋理基元的共生矩陣分析方法，用來提取紋理特征向量。此方法中，采用局部二進制模式(Local Binary Pattern，LBP)來進行圖像的基本紋理基元的 提取，并用灰度共生矩陣(Gray Level C

3、ooccurrence Matrix，GLCM)中共生矩陣的分析方法來對紋理基元圖像進行分析。其次文中深入研究了基于灰度共 生矩陣( GLCM) 的紋理特征提取方法，給出了基于 Matlab 的簡便實現(xiàn)代碼，分析了共生矩陣各個構(gòu)造參數(shù)對構(gòu)造共生矩陣的影響。分析結(jié)果對優(yōu)化灰度共生矩陣的構(gòu)造、實現(xiàn)基于灰度共生矩陣( GLCM) 的特定圖像的紋理特征提取等都具有重 要參考意義。 關(guān)鍵詞：紋理特征；灰度共生矩陣；基于內(nèi)容的圖像檢索；MatlabStudy on the extraction method of image texture featureAbstractIn recent ye

4、ars, along with information multimedia time arrival, as well as network in worldwide scale day by day popular, cloud computation being in fashion, the people are more and more bigger in the daily life work contact information content. The image took the information one kind of carrier, has, the info

5、rmation content intuitively big, is advantageous for the characteristic which between the different country exchanges, is the network multimedia important constituent. Based on the text image retrieval is based on the content image retrieval foundation, with the artificial way explanation pictorial

6、information, its work load we imagines with difficulty, the feasibility is also worth discussing. Therefore CBIR method effective addressing this difficult problem . Based on content image retrieval (CBIR) including four stages, respectively is: Gain image, extraction characteristic, classified imag

7、e, retrieval image. The image retrieval mainly is a core question: Which one kind of image characteristic selects what algorithm to withdraw, fast effective carries on the image the discrimination and the examination. The texture characteristic extraction is one of CBIR key question, the present pap

8、er also is based on the image texture characteristic extraction is a foundation. First, this paper used the co-occurrence matrix based on texture primitive to extract texture feature of imageIn this method，it extracted basic texture primitive of image by Local Binary Pattem(LBP), and used co-ccurren

9、ce matrix of gray level co-occurrence matrix(GLCM) to analyze the texture primitive image. The method of texture feature extraction based on gray level co-occurrence matrix ( GLCM) was studied. Analyzed the effect of each parameter on constructing the co-occurrence matrix and implemented the feature

10、 extraction using Matlab. The analytical results provide valuable reference for creating GLCM better and extracting texture features of specific kinds of imagesKeywords: texture feature；gray level cooccurrence matrix；based on content image retrieval；Matlab目錄 專心-專注-專業(yè)第1章 緒論1.1 前言隨著多媒體技術(shù)和互聯(lián)網(wǎng)的迅速發(fā)展，數(shù)字圖像

11、的容量正以驚人的速度增長，無論是軍用還是民用，無論是靜態(tài)還是動態(tài)的，每天都會產(chǎn)生海量的圖像信息。近年來大規(guī)模圖像庫的出現(xiàn)，管理、組織和利用圖像成為一項亟待解決的技術(shù)難題，于是圖像檢索技術(shù)這種能夠快速而且準確查找訪問圖像的技術(shù)應(yīng)運而生。基于內(nèi)容的圖像檢索（CBIR）是20世紀90年代興起的新技術(shù)，其實質(zhì)是圖像特征相似性匹配檢索。因其直觀、高效、通用等特點，近年來在國際國內(nèi)均是一個熱門研究課題。1.2 研究背景和意義隨著信息多媒體時代的到來，以及網(wǎng)絡(luò)在世界范圍內(nèi)的日益流行，云計算的風(fēng)行，人們在日常生活工作接觸的信息量越來越大。圖像作為信息的一種載體，具有直觀、信息量大、便于不同年國家間交流的特點，

12、是網(wǎng)路多媒體的重要組成部分。基于文本的圖像檢索是基于內(nèi)容圖像檢索的基礎(chǔ)，用人工方式解釋圖像信息，它通過對圖像進行手工注解，利用文本檢索技術(shù)對圖像進行關(guān)鍵字檢索。然而其文本注解的主觀性和不精確性會直接影響檢索的可靠性。其工作量我們難以想象，可行性也值得商榷。因此基于內(nèi)容的圖像檢索有效解決了這一難題。CBIR技術(shù)一般包括圖像獲取，特征提取，圖像分類，圖像檢索四個階段。基于內(nèi)容的圖像檢索有兩個核心問題：如何能夠?qū)崿F(xiàn)快速有效的圖像分類與檢索，其關(guān)鍵在于選用哪一種算法提取何種特征；如何建立有效的圖像分類識別系統(tǒng)，其關(guān)鍵在于分類算法的選取。紋理特征作為顯著的視覺特征，不僅不依賴于顏色或亮度，并且包含事物表

13、面結(jié)構(gòu)的排列與組織次序，表現(xiàn)出上下文內(nèi)容的聯(lián)系，反映圖像中同質(zhì)現(xiàn)象重復(fù)出現(xiàn)的視覺特征，因此紋理是基于內(nèi)容的圖像檢索方法中非常重要的一種用于圖像描述和分類的特征。目前其在許多重要工作重要領(lǐng)域都有其研究成果，如天氣預(yù)報，其衛(wèi)星云圖與紅外線圖提取的紋理特征有很大差異，所以紋理特征可以應(yīng)用在模式識別領(lǐng)域，作為模式識別的一個重要特征。在地球衛(wèi)星上拍攝到的地球表面遙感圖像大部分紋理特征非常明顯，其表面的山川、陸地、沙漠、海洋以及大的城市建筑群都有不同的紋理特點，因此我們可以通過圖像的紋理特征對國家的不同區(qū)域識別、土地整治、土地沙漠化、城市建筑群分布等宏觀進行研究。CBIR依照其系統(tǒng)所應(yīng)用的范圍，人為的把它

14、分為：商用系統(tǒng)、網(wǎng)絡(luò)應(yīng)用系統(tǒng)和研究應(yīng)用系統(tǒng)三個類別。而基于內(nèi)容的圖像檢索系統(tǒng)也有著非常廣闊的應(yīng)用領(lǐng)域，主要應(yīng)用于知識產(chǎn)權(quán)的保護、犯罪與圖片過濾、網(wǎng)上圖像檢索和數(shù)字圖書館以及新式視頻服務(wù)和圖像編輯等領(lǐng)域。1.3 國內(nèi)外研究現(xiàn)狀圖像內(nèi)容中的紋理特征是當今研究的熱點之一。通過幾十年的研究，紋理分析取得了很大進步，并產(chǎn)生了許多紋理研究方法，如小波變換、共生矩陣等。這些方法大體可以分為統(tǒng)計分析方法、模型法、頻域分析法、結(jié)構(gòu)分析法。其中統(tǒng)計分析法應(yīng)用最為廣泛。上個世紀70年代以前，常用的紋理提取方法主要是功率譜、自相關(guān)函數(shù)等一些與灰度出現(xiàn)頻率相關(guān)的方法，這些方法主要利用一些數(shù)字變換對圖像進行c操作，而梅雨

15、具體描述或者定義紋理，這對于描述紋理以及區(qū)分不同紋理具有很大的局限性。20世紀70年代，最有代表性的是Haralick對紋理的分析和理解以及提出的紋理特征提取方法，為后續(xù)的紋理研究提供了理論支持和技術(shù)積累。1973年他提出了一個具有重要意義的灰度共生矩陣，他在利用陸地衛(wèi)星圖像研究美國加利福尼亞海岸帶的土地利用問題，將圖像像素的灰度值轉(zhuǎn)化為紋理信息，對紋理進行了較為系統(tǒng)的分析和理解。這也是早期出現(xiàn)的基于統(tǒng)計的紋理特征提取方法。20世紀80年代以來，馬爾可夫隨機場理論為紋理特征提取找到了一個新方向，也是基于模型的紋理特征提取方法的開端，而后相繼出現(xiàn)了馬爾可夫隨機場模型（GMRF）、Gibbs模型、

16、高斯馬爾可夫隨機場模型、同步自回歸模型（SAR）、隱馬爾可夫隨機場模型（HMRF）、廣義馬爾可夫隨機場模型等。1989年，Mallat首先將小波分析引入紋理分析中，為時頻尺度分析紋理提供了一種更為精確而統(tǒng)一的框架。隨后，小波理論發(fā)展了許多分支，如多進制小波、小波包以及小波框架等等，它們均在圖像紋理分析中發(fā)揮了積極的作用。近年來，較引人矚目的是Ojala等人于2002年提出的局部二進制模式（LBJ),其特點在于計算復(fù)雜度小，具有多尺度特性和旋轉(zhuǎn)不變形，在紋理檢索領(lǐng)域得到應(yīng)用。隨著紋理特征提取方法的研究越來越深入，其應(yīng)用也越來越廣泛，一方面，國內(nèi)外研究人員對已有的紋理特征提取方法不斷進行深入研究，

17、并拓寬其在實際工程領(lǐng)域的應(yīng)用；另一方面，研究人員致力于對現(xiàn)有紋理提取方法進行融合并對特征指數(shù)進行有效篩選，如GLCM與MRF的融合，小波方法與MRF的融合等等；除此之外，研究人員也在不斷嘗試研究并開拓新的紋理特征提取方法，主要是紋理多尺度特征和旋轉(zhuǎn)不變特征的提取；但是紋理的微觀異構(gòu)性，復(fù)雜性以及其應(yīng)用的廣泛性和概念的不明確性給紋理研究帶來很大挑戰(zhàn)。迄今為止，已經(jīng)有一些比較成功的檢索系統(tǒng)問世，在一定范圍之內(nèi)，這些系統(tǒng)可以得到一個比較令人滿意的效果。現(xiàn)簡單介紹幾種紋理特征提取方式。（1） Visual SEEK/WebSEEK：是由哥倫比亞大學(xué)所開發(fā)，在圖像特征方面，采用基于小波變換方法提取紋理特

18、征。（2） QBIC：IBM公司的QBIC系統(tǒng)的結(jié)構(gòu)包括、：圖像入庫、特征向量提取和查詢。采用Tamura進行紋理特征的描述，特征向量是由其中的粗糙度、對比度和方向性的結(jié)合所構(gòu)成。（3） NETRA：有加利福利亞大學(xué)亞歷山大數(shù)字圖書館開發(fā)。采用基于Gabor濾波器的紋理分析方法對圖像進行處理，從而得到紋理特征向量。1.4 研究方法1 文獻研究法文獻研究法主要指收集、鑒別、整理文獻，并通過對文獻的研究，形成對事實科學(xué)認識的方法。該方法主要用于前期工作。首先，閱讀大量的相關(guān)特征提取方法，總結(jié)各種方法的優(yōu)勢與不足，對該課題的可行性得以確定。2 實驗測試法對于紋理特征，代表的分析方法是共生矩陣法，Ta

19、mmra方法等。利用灰度共生矩陣可得到描述紋理特征的統(tǒng)計量，常用的有對比度、能量、熵等七個特征。Tammra提出了與人的視覺感受相關(guān)的六個紋理特征，分別是粗糙度、對比度、方向性、線性相似性、規(guī)則性和粗略度。第2章 紋理的概念和表達方式 在圖像的三大底層特征中，紋理特征作為顯著的視覺特征，不僅不依賴于顏 色或亮度，并且包含事物表面結(jié)構(gòu)的排列與組織次序，表現(xiàn)出上下文內(nèi)容的聯(lián)系， 反映圖像中同質(zhì)現(xiàn)象重復(fù)出現(xiàn)的視覺特征，因此紋理是基于內(nèi)容的圖像檢索方法 中非常重要的一種用于圖像描述和分類的特征。本章首先對紋理的定義及特性做 簡要介紹，然后對紋理的三類描述方法進行概括，對常用的紋理描述方法做一個綜述。2

20、.1 紋理的概念和特征 紋理的概念最初起源于人類對物體表面的觸感。在此基礎(chǔ)上，將觸感與人類 視覺關(guān)聯(lián)起來，從而成為了一個重要的視覺信息紋理。具體的可以從以下四個方面進行描述。1 在鄰近的像素點之間存在著亮度層次上的有意義的變化，正是由于這些變化圖像中才展現(xiàn)出各種各樣的紋理。2 紋理是圖像區(qū)域的一個屬性，一個像素點的紋理是沒有意義的.因此，紋理涉及到上下文，與一個空間鄰居關(guān)系內(nèi)的像素的灰度值有關(guān)，換句話說，紋理跟圖像像素灰度值的空間分布有關(guān).這個空間關(guān)系的大小取決于紋理的類型，或者定義紋理的基元的大小。3 紋理是一個在某種空間尺度大于圖像分辨率下的同質(zhì)(homogeneous)屬性，一些研究人員

21、以人的視覺系統(tǒng)來描述紋理：紋理沒有始終如一的亮度，但仍然可以被人像同質(zhì)區(qū)域那樣所觀察到。4 圖像紋理在不同尺度和不同分辨率下都能被感知。例如，考慮一幅磚墻所表示的紋理.在一個粗糙的分辨率下，所觀察到的紋理是由墻上個體的磚塊所形成，而磚塊內(nèi)部的細節(jié)會丟失；在一個高的分辨率下，僅有少量的磚塊在視野范圍以內(nèi)，觀察到的紋理會顯示出磚塊的細節(jié)。在不同的距離和不同的視覺注意程度下，紋理區(qū)域都會給出不同的解釋。在一個正常注意力和標準距離下，它給出了用來表征特定紋理的宏觀規(guī)則性的概念。當近距離非常仔細地觀察時，可以注意到一些同質(zhì)區(qū)域和邊，它們有時候會構(gòu)成紋理素(texels)最后，紋理是依賴于尺度的.當一個區(qū)

22、域內(nèi)基元對象的數(shù)目足夠大時才會被感知為紋理。如果僅有少量的基元數(shù)目，那么會被觀察為一組可數(shù)的對象而不是一幅紋理圖像。對于紋理的特征，紋理特征也是一種全局特征，它也描述了圖像或圖像區(qū)域所對應(yīng)景物的表面性質(zhì)。但由于紋理只是一種物體表面的特性，并不能完全反映出物體的本質(zhì)屬性，所以僅僅利用紋理特征是無法獲得高層次圖像內(nèi)容的。與顏色特征不同，紋理特征不是基于像素點的特征，它需要在包含多個像素點的區(qū)域中進行統(tǒng)計計算。在模式匹配中，這種區(qū)域性的特征具有較大的優(yōu)越性，不會由于局部的偏差而無法匹配成功。作為一種統(tǒng)計特征，紋理特征常具有旋轉(zhuǎn)不變性，并且對于噪聲有較強的抵抗能力。但是，紋理特征也有其缺點，一個很明顯

23、的缺點是當圖像的分辨率變化的時候，所計算出來的紋理可能會有較大偏差。另外，由于有可能受到光照、反射情況的影響，從2-D圖像中反映出來的紋理不一定是3-D物體表面真實的紋理。例如，水中的倒影，光滑的金屬面互相反射造成的影響等都會導(dǎo)致紋理的變化。由于這些不是物體本身的特性，因而將紋理信息應(yīng)用于檢索時，有時這些虛假的紋理會對檢索造成“誤導(dǎo)”。在檢索具有粗細、疏密等方面較大差別的紋理圖像時，利用紋理特征是一種有效的方法。但當紋理之間的粗細、疏密等易于分辨的信息之間相差不大的時候，通常的紋理特征很難準確地反映出人的視覺感覺不同的紋理之間的差別。總的來說，紋理有粗糙性、強度、密度、周期性、方向性等描述特性

24、。其中， 紋理的粗糙性、周期性、方向性三個特征是人感受最為強烈的視覺特征。同時要注意的是，由于紋理是區(qū)域?qū)傩裕^察的區(qū)域大小會影響紋理分析。因此對紋理的研究需要事先確定一定的觀察尺度。2.2 紋理特征的描述方法 圖像紋理一直到現(xiàn)在都沒有一個一致的、公認的定義，它在圖像中是一個重要但是又不太容易描述出來的特征，并且人們在對紋理的認識中存在主觀性，為了定量描述圖像紋理，所我們需要提取出能代表圖像紋理的特征信息。通常情況下，檢測圖像中的紋理基元，以及紋理基元與周圍像素點灰度的慣性是我們進行圖像處理提取紋理特征的兩個最主要的目的。圖像紋理的描述既可以借助于空域性質(zhì)有可以通過頻域性質(zhì)進行分析，主要是通過

25、研究圖像像素灰度的統(tǒng)計特性和空間結(jié)構(gòu)特性來描述圖像紋理。我們常用的紋理的表 達方法有三種：頻譜法、統(tǒng)計法、結(jié)構(gòu)法。但是由于圖像紋理特征不是想象中的那么簡單， 我們在研究過程中可以綜合這三種方法，分析比較出更適合的方法，此外圖像模型法在一 些相對成熟的圖像模型中也有應(yīng)用。2.2.1 統(tǒng)計分析法統(tǒng)計分析紋理描述方法是常用的紋理分析方法，也是紋理研究最多最早的一類方法.統(tǒng)計分析方法通過統(tǒng)計圖像的空間頻率、邊界頻率以及空間灰度依賴關(guān)系等來分析紋理一般來講，紋理的細致和粗糙程度與空間頻率有關(guān).細致的紋理具有高的空間頻率，例如布匹的紋理是非常細致的紋理，其基元較小，因而空間頻率較高；低的空間頻率常常與粗糙

26、的紋理相關(guān)，比如大理石紋理一般是粗糙的紋理，其基元較大，具有低的空間頻率。因此，我們可以通過度量空間頻率來描述紋理.除了空間頻率以，每單位面積邊界數(shù)也是度量紋理的細致和粗糙程度的另外一種統(tǒng)計方法.邊界頻率越高說明紋理越精細，相反，低的邊界頻率與粗糙的紋理息息相關(guān)。此外，統(tǒng)計分析方法還從描述空間灰度依賴關(guān)系的角度出發(fā)來分析和描述圖像紋理.常用的統(tǒng)計紋理分析方法有，自相關(guān)函數(shù)(Autocorrelation Features ) 邊界頻率(Edge Frequency)，空間灰度依賴矩陣(the Spatial Grey Level Dependence Matrix, SGLDM) 等。相對于結(jié)

27、構(gòu)分析方法，統(tǒng)計分析方法并不刻意去精確描述紋理的結(jié)構(gòu)。從統(tǒng)計學(xué)的角度來看，紋理圖像是一些復(fù)雜的模式，可以通過獲得的統(tǒng)計特征集來描述這些模式。2.2.1.1 自相關(guān)函數(shù)自相關(guān)函數(shù)(Autocorrelation Features ACF) 就是一種常用的空間頻率紋理描述方法。在這個方法中，紋理的空間組織用評價基元間線性空間關(guān)系的相關(guān)系數(shù)來描述。自相關(guān)函數(shù)是用來度量在給定一個位移下的紋理與原來位置的紋理的相似程度.如果在給定方向下，自相關(guān)值下降的越快，那么移動后的紋理與原來的紋理就越不相關(guān)，也就是移動后的紋理與原來的紋理越不相似，這說明紋理的基元就很小；反之，如果自相關(guān)值下降的越慢，那么移動后的紋

28、理與原來的紋理就越相關(guān)，也就是移動后的紋理與原來的紋理越相似，紋理的基元就越大。如果紋理基元較大，當距離增加時，自相關(guān)函數(shù)的值就會緩慢的減小，然而如果紋理由小基元構(gòu)成，它就會很快的減小。如果紋理的基元具有周期性，那么自相關(guān)函數(shù)就會隨著距離而周期地變化。 自相關(guān)函數(shù)紋理分析方法通過計算圖像紋理的自相關(guān)系數(shù)來描述紋理，紋理的自相關(guān)系數(shù)的變化趨勢反映了紋理的粗細程度，然而，對于同樣粗糙(細致)但完全不同的兩種紋理，它們的自相關(guān)系數(shù)很可能比較相近，很難將這兩種紋理區(qū)分開來。 2.2.1.2 邊界頻率 與自相關(guān)函數(shù)方法中用空間頻率來區(qū)分紋理的粗細不同，邊界頻率認為紋理可以用每單位面積內(nèi)邊界來區(qū)分紋理。粗

29、糙的紋理由于局部領(lǐng)域內(nèi)的灰度相似，并沒有太大的變化，因而每單位面積內(nèi)的邊界數(shù)會較小；細致的紋理由于局部鄰域內(nèi)的灰度變化較快，所以每單位面積內(nèi)的邊界數(shù)會較大。圖像區(qū)域的邊界頻率在一定程度上反映了該區(qū)域內(nèi)紋理的粗細程度，邊界頻率函數(shù)就是從這種思路出發(fā)來描述紋理的，這種紋理分析方法的缺點是雖然邊界頻率能部分反映紋理的微結(jié)構(gòu)信息，但這種描述是粗略的，缺乏微結(jié)構(gòu)形狀方面的信息描述。另外，邊界頻率函數(shù)對圖像的大小非常敏感，一個改進的辦法是用圖像的大小去歸一化該邊界頻率函數(shù)。2.2.1.3 灰度共生矩陣法 共生矩陣用兩個位置的象素的聯(lián)合概率密度來定義，它不僅反映亮度的分布特性，也反映具有同樣亮度或接近亮度的

30、象素之間的位置分布特性，是有關(guān)圖象亮度變化的二階統(tǒng)計特征。它是定義一組紋理特征的基礎(chǔ)。 一幅圖象的灰度共生矩陣能反映出圖象灰度關(guān)于方向、相鄰間隔、變化幅度的綜合信息，它是分析圖象的局部模式和它們排列規(guī)則的基礎(chǔ)。設(shè)f(x,y)為一幅二維數(shù)字圖象，其大小為M×N，灰度級別為Ng,則滿足一定空間關(guān)系的灰度共生矩陣為：P(i,j)=#(x1,y1),(x2,y2)M×Nf(x1,y1)=i,f(x2,y2)=j （1）其中#(x)表示集合x中的元素個數(shù)，顯然P為Ng×Ng的矩陣，若(x1,y1)與(x2,y2)間距離為d,兩者與坐標橫軸的夾角為，則可以得到各種間距及角度的

31、灰度共生矩陣P(i,j,d,)。 紋理特征提取的一種有效方法是以灰度級的空間相關(guān)矩陣即共生矩陣為基礎(chǔ)的，因為圖像中相距(x，y)的兩個灰度像素同時出現(xiàn)的聯(lián)合頻率分布可以用灰度共生矩陣來表示。若將圖像的灰度級定為N級，那么共生矩陣為N×N矩陣，可表示為M(x，y)(h,k)，其中位于(h,k)的元素mhk的值表示一個灰度為h而另一個灰度為k的兩個相距為(x，y)的像素對出現(xiàn)的次數(shù)。對粗紋理的區(qū)域，其灰度共生矩陣的mhk值較集中于主對角線附近。因為對于粗紋理，像素對趨于具有相同的灰度。而對于細紋理的區(qū)域，其灰度共生矩陣中的mhk值則散布在各處。2.2.2 頻譜法 心理物理學(xué)研究得到證實，

32、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，主要借助傅里葉變換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、峰值與原點的距離平方、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，傅立 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，細紋理對應(yīng)的頻率分量集中在高頻部分。 常用的頻譜法主要包括傅立葉功率譜法、Gabor變換、塔式小波變換、樹式小 波

33、變換等。2.2.3 結(jié)構(gòu)法結(jié)構(gòu)法是把復(fù)雜的紋理拆分成許多簡單的紋理基元，并且這些簡單基元按照某一規(guī)律重復(fù)排 列組合成復(fù)雜紋理。根據(jù)紋理基元的形狀和排列特點分析圖像紋理特征的方法統(tǒng)稱為結(jié)構(gòu) 法，結(jié)構(gòu)分析方法的基本思想是認為復(fù)雜的紋理可由一些簡單的紋理基元以一定的有規(guī)律 的形式重復(fù)排列組合而成。結(jié)構(gòu)分析法使用形式語言對紋理的排列規(guī)則進行描述，這需要 計算出紋理基元的偏心度、面積、方向、矩、延伸度等特征，并需要應(yīng)用模式識別和編譯 原理中的句法理論。結(jié)構(gòu)分析法需要形態(tài)學(xué)、離散數(shù)學(xué)等方法描述紋理基元的立體特征以 及排列的規(guī)律。結(jié)構(gòu)分析法需要對紋理基元的形態(tài)進行描述，所以這種方法在人工紋理研 究中應(yīng)用的比

34、較廣泛。結(jié)構(gòu)分析法得到的紋理特征比較清楚，易于檢索。但是在自然紋理中，紋理基元的排列沒有規(guī)律性或者規(guī)律性不強，很難對某一個具體的紋理基元進行描述， 建立數(shù)學(xué)模型，因此在自然紋理中，結(jié)構(gòu)法應(yīng)用并不廣泛，僅僅作為一個研究的輔助手段。第3章 灰度共生距陣算法的具體分析與實現(xiàn)3.1 灰度共生矩陣基本原理和特征在第2章中已經(jīng)簡單介紹了灰度共生矩陣的一些信息，現(xiàn)在來具體分析。灰度共生矩陣就是一種通過研究灰度的空間相關(guān)特性來描述紋理的常用方法。灰度直方圖是對圖像上單個象素具有某個灰度進行統(tǒng)計的結(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行統(tǒng)計得到的。 取圖像(N×N)中任

35、意一點（x，y）及偏離它的另一點（x+a，y+b），設(shè)該點對的灰度值為（g1，g2）。令點（x，y）在整個畫面上移動，則會得到各種（g1，g2）值，設(shè)灰度值的級數(shù)為，則（g1，g2）的組合共有 k2種。對于整個畫面，統(tǒng)計出每一種（g1，g2）值出現(xiàn)的次數(shù)，然后排列成一個方陣，在用（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，對于較細的紋理，選取（1，0）、（1，1）、（2，0）等小的差分值。當 a=1，b=0時，像素對是水平的

36、，即0度掃描；當a=1，b=0 時，像素對是垂直的，即90度掃描；當 a=1，b=1時，像素對是右對角線的，即45度掃描；當 a=-1，b=-1時，像素對是左對角線，即135度掃描。 這樣，兩個象素灰度級同時發(fā)生的概率，就將（x，y）的空間坐標轉(zhuǎn)化為“灰度對” （g1，g2）的描述，形成了灰度共生矩陣。實驗中對灰度共生矩陣進行了如下的歸一化： （2）灰度共生矩陣中元素值相對于主對角線的分布可用離散性來表示，它常常反映紋理的粗細程度。離開主對角線遠的元素的歸一化值高，即元素的離散性大，也就是說，一定位置關(guān)系的兩象素間灰度差的比例高。若以|x|=1或0，|y|=1或0的位置關(guān)系為例，離散性大意味著

37、相鄰象素間灰度差大的比例高，說明圖像上垂直于該方向的紋理較細；相反，則圖像上垂直于該方向上的紋理較粗。當非主對角線上的元素的歸一化值全為0時，元素值的離散性最小，即圖像上垂直于該方向上不可能出現(xiàn)紋理。灰度共生矩陣中主對角線上的元素是一定位置關(guān)系下的兩象素同灰度組合出現(xiàn)的次數(shù)。由于沿著紋理方向上相近元素的灰度基本相同，垂直紋理方向上相近象素間有較大灰度差的一般規(guī)律，因此，這些主對角線元素的大小有助于判別紋理的方向和粗細，對紋理分析起著重要的作用。3.2 灰度共生矩陣的二次統(tǒng)計特征量灰度共生矩陣不能反映出紋理特特征，它僅僅反映了圖像在變化幅度、角度、一定鄰 域的綜合信息，因此還需要計算出相關(guān)、熵值

38、、對比度、差異等值，用這項特征值來反 映整幅圖像的紋理特征。由于各個特征值的物理意義不同，需要給它們相同的權(quán)重進行歸 一化。 為了能更直觀地以共生矩陣描述紋理狀況，從共生矩陣導(dǎo)出一些反映矩陣狀況的參數(shù)，典型的有以下幾種：紋理能量： （3）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度。如果共生矩陣的所有值均相等，則其能量值小；相反，如果其中一些值大而其它值小，則能量值大。當共生矩陣中元素集中分布時，此時能量值大。其值大表明一種較均一和規(guī)則變化的紋理模式。紋理慣性： （4）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

39、，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，這個值越大。灰度公生矩陣中遠離對角線的元素值越大，則其越大。紋理相關(guān)性： （5）相關(guān)性是度量灰度共生矩陣元素在行或列方向上的相似程度。如果圖像在某一方向上的值大于其它方向，那么在這個方向上的紋理性也比其它方向強，因此其可以表示紋理的方向。其中：， （6）紋理熵： （7）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，是一個隨機性的度量，當共生矩陣中所有元素有最大的隨機性、空間共生矩陣中所有值幾乎相等時，共生矩陣中元素分散分布時，熵較大。它表示了圖像中紋理的非均勻程度或復(fù)雜程度。3.3 灰度共生矩陣的Matlab實現(xiàn)3.3.1

40、 圖像的前期處理基于灰度共生矩陣的圖像紋理特征分析，其實現(xiàn)過程需要經(jīng)過對圖像前期的簡單預(yù)處理之后才能進行其紋理分析。圖像的預(yù)處理主要包括圖像格式的轉(zhuǎn)換和圖像的直方圖均衡以及對圖像的灰度級壓縮三個方面。圖像格式的轉(zhuǎn)換由我們實際獲得的圖像來轉(zhuǎn)化為灰度級數(shù)為256級的圖片格式。直方圖均衡化是通過灰度變換將一幅圖象轉(zhuǎn)換為另一幅均衡直方圖，即在每個灰度級上都具有相同的象素點數(shù)的過程。這種方法通常用來增加許多圖像的局部對比度，尤其是當圖像的有用數(shù)據(jù)的對比度相當接近的時候。通過這種方法，亮度可以更好地砸直方圖上分布。這樣就可以擁有增強局部的對比度而不影響整體的對比度，直方圖均衡化通過有效地擴展常用的亮度來實

41、現(xiàn)這種功能。而對于灰度級壓縮，實際情況下一幅圖像的灰度級是256級。在研究圖像紋理特征的前提下我們需要將原圖像的灰度級在不影響其紋理特征的前提下壓縮到較小范圍，一邊減小共生矩陣的尺寸。本實驗將圖像壓縮為16級。3.3.2 Matlab實驗獲取二次統(tǒng)計特征量利用Matlab對進行了圖像預(yù)處理的圖像進行處理，獲得其二次統(tǒng)計量。3.4 試驗結(jié)果分析本實驗采用了四種不同類型地物的圖像，有由Matlab進行實驗。實驗數(shù)據(jù)如下：原始圖片： 圖1：沙地 圖2：地磚 圖3：草地 圖4：水面格式轉(zhuǎn)化后的灰度圖像： 圖5：沙地 圖6：地磚 圖7：草地 圖8：水面由Matlab對圖像處理可得到各個圖像的二次統(tǒng)計特征

42、量，分別包括能量、熵、慣性矩、相關(guān)性和四種二次統(tǒng)計特征量的均值，如表1、表2所示。表1：四種地物的灰度共生矩陣的紋理特征能量熵慣性矩相關(guān)性沙地：0.3.0.0. 0.3.0.0. 0.3.0.0. 0.3.1.0.地磚：0.2.0.0. 0.2.0.0. 0.2.0.0. 0.2.0.0.草地：0.3.0.0. 0. 3.1.0. 0.3.0.0. 0. 3.1.0.水面：0.1.0.1. 0.2.0.0. 0.2.0.0. 0.2.0.0.表2：二次統(tǒng)計特征量均值能量熵慣性矩相關(guān)性沙地0.3.0.0.地磚0.2.0.0.草地0.3.1.0.水面0.2.0.0. 由以上實驗數(shù)據(jù)分析可得，地磚地物的能量值較大，紋理較粗。水面的熵值和相關(guān)性較小，說明水面圖像的局部變化小，同時由于水面圖像灰度局部變化小，所以其慣性矩也偏小。草地和沙地圖像的各個特征值比較相似，所以會難以區(qū)分。第4章 結(jié)束語隨著計算機網(wǎng)絡(luò)技術(shù)、云計算、物聯(lián)網(wǎng)的迅速發(fā)展，數(shù)字圖像技術(shù)的廣泛應(yīng)用，對與 大