基于灰度共生矩阵不变矩舌像纹理提取.pdfVIP

；i锋机在讫注口；的应用与研究沦文汇编 基于灰度共生矩阵的不变矩的舌像纹理提取 黄勃’，李乃民：，张大鹏1’3’王宽全’，林晓东：，王淑英=，张宏志 1哈尔滨工业大学计算机科学技术学院计算机生物信息中，[ 2中国人民解放军211医院 3香港理工大学计算学系生物识别研究中心 类问差别尽量大峨 l舌像纹理特点 纹理(咄nJre)一词最初指纤维物的外观，2舌像纹理的灰度共生矩阵 但通常的定义为“任何事物构成成分的分布或特 仅通过灰度直方图的矩来描述纹理无法利 征，尤其是指涉及外观或触觉的品质”。更贴近本 用像素之间相对位置的空间信息。为了利用这些 研究内容的定义是：“一种反映一个区域中像素 信息我们可以建立区域灰度共生矩阵。设S为目 灰度集的空间分布的属性”。 标区域R中具有特定空间联系的像素对的集台， 则共生矩阵P可定义为“1： 图1为几种典型的舌像纹理。可以看出，厚 烈【毛，咒)如，K)耳引溉H)-蜀＆，钙，，2)=＆) 苔的纹理很细，表面比较平滑，舌苔已将舌质部 蚝，曲 分完全覆盖，所以对比度很小；薄苔的表面比较 (1) 粗糙，不是很细腻，舌苔与舌质之间的对比度很 上式等号右边的分子是具有某种空间若系、灰 大；丽点刺的纹理比较复杂，点刺较暗，而点刺 度值分别为岛和92的像素对的个数，分母为像 的背景纹理比较细，点刺与背景之间的对比度比 较大。舌像纹理的共同特点是灰度集较小，较集 素对的总和个数(#代表数量)。 中。 l_统计量 基于共生矩阵P我们可以定义和计算几个常 用的纹理描述符，即纹理二阶矩阡_、熵，吒、 对比度矸，c和均匀性％131： ％一芝芝P2(自，g：) (2) (4) ％=∑∑Igt—g：IP(g—g) 图1几种典型的舌像纹理 ㈣ 图1中(a)和@)为厚苔纹理，(酾(d)为薄苔 ％=萋萋避罱 纹理，(e)和国为点刺纹理。 一些基于共生矩阵的纹理特征与眼睛能识别的 所谓特征提取就是从原始数据中提取与分 特性有关【‘】，对于其上述的四个统计量，本文采 类最有关的信息，这些信息应使类内差别尽量小， 舌诊研究 是越大越好。因为窗口的大小有限，所以如