纹理的分析二维CT图像缺陷分割方法.pdfVIP

基于纹理分析的二维CT图像的缺陷分割方法1 1 2 3 丁飞 ，康克军 ，张丽 （小四号宋） 1 清华大学工程物理系，北京（100084 ） E-mail：ding-f@ 摘 要：本文利用模式识别的方法来处理缺陷检测问题，提出了一种基于纹理分析的缺陷分 割方法。在提取图像的纹理相关特征后，该方法在特征空间内利用fisher 线性判别准则训练 线性分类器，并将其应用于测试图像，得到了较好的检测效果。此外，本文还对纹理相关的 特征组合进行了特征选取，使特征种类数大大降低，在保证性能的前提下减少了计算量。需 要指出的是，基于纹理分析的缺陷分割算法的有效性仅仅局限于对二维图像的处理。 关键词：纹理分析；特征提取；缺陷分割；fisher 准则； 1. 引 言 图像缺陷分割的目的是在CT 图像中找出可能是缺陷的区域，它可以看作图像分割针对 实际问题的一个具体应用。近年来，主流的图像分割方法主要包括：基于区域的分割方法， 基于可变形模型的分割方法，基于模式分类的分割方法和基于图论的分割方法。基于区域的 分割方法主要包括：形态学分割、分水岭分割、区域增长等方法；基于可变形模型的分割方 法主要包括：Level Set 分割，Balloon 分割，Active Contour 分割等方法；基于模式分类的方 法主要包括阈值分割、K 均值聚类分割、Markov 随机场等方法；基于图论的分割方法主要 指 Normalized Cuts 方法。 本文对二维 CT 图像要基于模式识别的分割方法进行研究，从样本CT 图像中提取纹理 特征，选取合适的方法训练分类器，然后将得到的分类器应用于类似的 CT 图像，获得比较 好的缺陷分割结果。 纹理特征是一种在图像处理和图像分析中扮演重要角色的视觉特征，它以统计分析的方 法反映了图像像素值的空间关系和分布情况。本文介绍了三种常用的纹理特征，并基于改进 的 fisher 判别准则设计了线性分类器，以纹理特征向量为输入对 CT 图像进行缺陷识别。由 于纹理特征向量维数较高，本文还讨论了如何对纹理特征进行降维的方法。 2. 纹理特征 计算机视觉领域常用有三种方法来提取图像中的纹理特征。这三种方法包括：SGLDM （Spatial Grey Level Dependence Method，空间灰度相关法）、GLRLM （Grey Level Run Length Method ，灰度游程长度法）和 GLDM （Grey Level Difference Method，灰度差异法）。 1本课题得到教育部博士点基金（编号：20030003074 ）资助。 - 1 - 2.1 SGLDM 方法 SGLDM 是一种对灰度值的二阶联合概率密度函数f (i , j |d ,θ) 进行估计的纹理分析方 d θ 法。f (i, j | d ,θ) 定义为在给定采样间距 和采样方向 的情况下，灰度值从i 变化到i 的概 率。令该函数矩阵的形式为φ(d ,θ) [ f (i, j | d ,θ)] ，则有如下定义： t 公式 2.1.1 Sθ (d ) 1/ 2[φ(d ,θ) =+φ (d ,θ)] 利用该方法，可以提取出四项特征：E 、H 、L 和 I，