模式识别应用举例(2010).ppt

* 主要介绍随机纹理图像中用于分类的特征提取。 随机特征的统计度量： (一)、一阶统计量的特征提取 以直方图为基础 N(i)：第i个灰度级的象素总数， M：整幅图的像素总和 P(i)：灰度i出现的概率，即一阶直方图灰度 图像灰度值的一阶概率分布 一阶统计量是最基本灰值特性度量，可提供许多信息，例如：若显现较窄的峰时，说明图像灰值反差小，当出现双峰时，说明图中有两个不同亮度的区域 若取p(i)作为直方图特征，当图像灰度量化太大时，可能太多（例如256时，就有256个特征），没有必要。 若采用某些统计量作为特征，不仅数目少，且描述更明确。这些统计量都是以直方图统计分布为基础。 1．灰度分布关于原点的r阶矩 显然，r＝1，即M1为灰度均值，反映图像不同物体的平均反射强度 2．灰度分布的r阶中心矩 显然r＝2，即二阶中心矩就是灰度分布的方差?2 ，是对灰度值分离散性的度量，?2小，对比度差。 3．偏度（扭曲度） S是对灰度值分布偏离对称情况的一种度量。对称性越好，S越小 4．峰度 K描述灰度分布是否聚集在均值附近的倾向 5．能量 若灰度是等概率分布的，则具有最小的能量。若呈现较窄的峰，说明灰度反差小(灰度均匀)，其值较大。 6．熵（Enteony） 若灰度是等概率分布，则具有最大熵。 这些一阶统计量不能反映像素间的空间联系，不满足纹理特征量的要求（只说明了灰度大小）。 （二）二阶统计量 针对纹理特征提取，如遥感图像中物体与地貌的区别，往往不在于灰度大小而是它们的纹理差别。 纹理特征可分为空域和频域 空域有：方向差分及其统计量、灰度共生矩阵及其 统计量、灰度游程矩阵及其统计量等。 频域有：功率谱度量特征 1．方向差分 性质： (1)表示该区域纹理的稠密程度。 当r较小时，若D(r,?)较大，则纹理稠密(灰度均值变化大)，若D(r,?)较小，则纹理稀疏(灰度均值变化小) 图像中非重迭的两个邻域灰度均值的方向差分。 若用Ar(x,y)表示以像素(x,y)为中心，半径为r的区域内的灰度均值，则?方向上的两邻域的方向差分定义为： （2）若纹理有方向性，则某些方向的D(r,?)会高于 其它方向的值。 ∴D(r,?)确实能描述纹理特征量 2．方向差分常用的统计量 若用PD(i)表示D(r,?)为第i个方向差分值的概率 （D(r,?)相当于梯度） 统计量有： (i)反差（或称对原点的惯性矩）（对比度） (ii)角二阶矩（或称能量） (iii)熵 (iv)均值 （三）共生矩阵及其统计量 共生矩阵表示图像位置相距为(?x,?y)的两个灰度像素点（灰度对）同时出现的联合频率（次数）分布，即基于纹理中某一灰度级结构重复出现的情况。 ——公认的一种重要的纹理分析方法 对于灰度等级数为n的图像，则共生矩阵M(?x ,?y)为一个n×n矩阵，其元素pij表示相距(?x,?y)，且灰度分别为i级和j级的象素点对出现的次数，是距离和方向的函数。 共生矩阵的产生： 该矩阵的数值分布情况，可反映图像的纹理特征。 为了减小计算量，通常灰度级要减少至一个合理的数值，例：256级减至8级，16级减至4级等。 如何计算共生矩阵： 举例：距离为1的共生矩阵的计算 例：4级灰度的图像 ∵灰度层为4，∴共生矩阵为4×4 j i 先规定距离d和方向? ＃：表示数目 的共生矩阵为： ?x值表示列的变化， ?y值表示行的变化，则 象素点的对应坐标 即?=0?，d=1 （?x,?y） 水平方向 i j 的共生矩阵为： 即?=90?，d=1 垂直方向 即?=45?，d=1 次对角线方向 即?=135?，d=1 主对角线方向 也可统计d=2、d=3的共生矩阵。 显然，灰度共生矩阵对角线上的元素是检测区域里位置相距（?x,?y）并具有相同灰度级的象素点对出现的次数，非对角线上，则是不同灰度象素对出现的次数，离对角线越远，象素灰度差别越大。 ∴对于粗纹理，当 值较小时，对角线附近值较大（灰度值相同）； 对于细纹理，远离对角线值较大。 如果纹理有方向性，矩阵中较大数值偏离对角线的程度与(?x,?y)有关，即与d, ?的取值有关∴共生矩阵是对区域纹理性质的描述。 ∴共生矩阵可表征具有方向性的纹理，其反映了图像灰度关于方向、相邻间隔、幅度变化的综合信息。 例：对于云类的自动识别 卫星云图提供图像信息，可计算不同的共生矩阵。 常用统计量 (1) 反差（对比度，也称主对角线的惯性矩） 从共生矩阵出发，可进一步提取纹理的一系列特征 灰度分布均匀性的度量。分布越不均匀，con越大。 粗纹理：pij值集