模式识别报告纹理特征提取贝叶斯决策线性判别资料.doc

目录 实验一 纹理特征提取 2 一、 实验目的 2 二、 实验软件 2 三、 算法原理 2 3.1 灰度共生矩阵 2 四、 实验结果 4 4.1 实验代码 4 4.2 结果分析 6 实验二 贝叶斯决策理论 7 一、实验目的 7 二、 实验软件 7 三、 算法原理 7 实验三 线性判别函数 7 一、 实验目的 7 二、 实验软件 7 三、算法原理 7 实验一 纹理特征提取 实验目的 通过编程计算灰度共生矩阵来实现纹理特征的提取方法。 实验软件 Matlab 算法原理 1.3.1 灰度共生矩阵 灰度共生矩阵是像素距离和角度的矩阵函数，它通过计算图像中一定距离和一定方向的两点灰度之间的相关性，来反映图像在方向、间隔、变化幅度及快慢上的综合信息。 取图像(N×N)中任意一点 （x，y）及偏离它的另一点 （x+a，y+b），设该点对的灰度值为 （g1，g2）。令点（x，y） 在整个画面上移动，则会得到各种 （g1，g2）值，设灰度值的级数为 k，则（g1，g2） 的组合共有 k 的平方种。对于整个画面，统计出每一种 （g1，g2）值出现的次数，然后排列成一个方阵，再用（g1，g2） 出现的总次数将它们归一化为出现的概率P（g1，g2） ，这样的方阵称为灰度共生矩阵。距离差分值（a，b） 取不同的数值组合，可以得到不同情况下的联合概率矩阵。（a，b） 取值要根据纹理周期分布的特性来选择，对于较细的纹理，选取（1，0）、（1，1）、（2，0）等小的差分值。当 a=1，b=0时，像素对是水平的，即0度扫描；当a=0，b=1 时，像素对是垂直的，即90度扫描；当 a=1，b=1时，像素对是右对角线的，即45度扫描；当 a=-1，b=1时，像素对是左对角线，即135度扫描。这样，两个象素灰度级同时发生的概率，就将 （x，y）的空间坐标转化为“灰度对” （g1，g2）的描述，形成了灰度共生矩阵。 实验中对灰度共生矩阵进行了如下的归一化： 基于灰度共生矩阵的纹理特征 （1）能量：是灰度共生矩阵元素值的平方和，所以也称能量，反映了图像灰度分布均匀程度和纹理粗细度。如果共生矩阵的所有值均相等，则ASM值小；相反， 如果其中一些值大而其它值小，则ASM值大。当共生矩阵中元素集中分布时，此时ASM值大。ASM值大表明一种较均一和规则变化的纹理模式。 （2）对比度：反映了图像的清晰度和纹理沟纹深浅的程度。纹理沟纹越深，其对比度越大，视觉效果越清晰；反之，对比度小，则沟纹浅，效果模糊。灰度差即对比度大的象素对越多，这个值越大。灰度公生矩阵中远离对角线的元素值越大，CON越大。 （3）相关：它度量空间灰度共生矩阵元素在行或列方向上的相似程度，因此，相关值大小反映了图像中局部灰度相关性。当矩阵元素值均匀相等时，相关值就大； 相反，如果矩阵像元值相差很大则相关值小。如果图像中有水平方向纹理，则水平方向矩阵的COR大于其余矩阵的COR值。 （4）熵：是图像所具有的信息量的度量，纹理信息也属于图像的信息，是一个随机性的度量，当共生矩阵中所有元素有最大的随机性、空间共生矩阵中所有值几乎相等时，共生矩阵中元素分散分布时，熵较大。它表示了图像中纹理的非均匀程度或复杂程度。 （5）角二阶矩(Second order angular moment )：主对角方向元素值。 （6）方差： 实验结果 1.4.1 实验代码 for i=1:GrayLayers for j=1:GrayLayers %角二阶矩 SeAngH=SeAngH+(pMatrixH(i,j))^2; SeAngRD=SeAngRD+(pMatrixRD(i,j))^2; SeAngV=SeAngV+(pMatrixV(i,j))^2; SeAngLD=SeAngLD+(pMatrixLD(i,j))^2; %对比度 ContrastH=ContrastH+(i-j)^2*pMatrixH(i,j); ContrastRD=ContrastRD+(i-j)^2*pMatrixRD(i,j); ContrastV=ContrastV+(i-j)^2*pMatrixV(i,j); ContrastLD=ContrastLD+(i-j)^2*pMatrixLD(i,j); %反差分矩 InDifH=InDifH+pMatrixH(i,j)/(1+(i-j)^2); InDifRD=InDifRD+pMatrixRD(i,j)/(1+(i-j)^2); InDifV=InDifV+pMatrix