矩阵在纹理提取中的应用.docVIP

矩阵在纹理提取中的应用 纹理特征参数的介绍 为了能更直观地以共生矩阵描述纹理状况，从共生矩阵导出一些反映矩阵状况的参数，参数有很多，我们一般只找最典型，最具有说服力，而且最易于计算的，典型的有以下几种: 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。 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。 惯性矩（反差）对于粗纹理，由于数值较集中于主对角线附近，此时的值较小，所以相应的值也较小。相反，对于细纹理则相应的值较大 。 局部平稳（逆差距）反映图像纹理的同质性，度量图像纹理局部变化的多少。其值大则说明图像纹理的不同区域间缺少变化， 局部非常平稳。 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度。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。 讨论相关时，可以通过计算欧式距离，角度，或者是相关系数等来反应相关性。以二维变量来说明如下： 欧式距离：d= 角度： 相关系数：p= 在比较欧式距离，角度，相关系数时，最简单的是欧式距离一般用于图像的检索中，通过计算欧式距离来判断是不是同一幅图像，但是用欧式距离计算，得到的是最不精确的，我们可以不选其用。 本文中选用的是用相关系数来反应纹理的相似度，相关系数越大表明相关性大，相关系数越小，表明相关性越小。 灰度共生矩阵定义 由于纹理是由灰度分布在空间位置上反复出现而形成的，因而在图像空间中相隔某距离的两个象素之间会存在一定的灰度关系，即图像中灰度的空间相关特性。灰度共生矩阵就是一种通过研究灰度的空间相关特性来描述纹理的常用方法。灰度共生矩阵又称灰度共现矩阵，其反映了图像中相距的两个像素同时出现的联合频率分布，若将图像的灰度级定为级，那么共生矩阵为矩阵，可表示为，其中位于的元素值表示为而另一个灰度为的两个相距为的象素对出现的次数。灰度共生矩阵是对图像上保持某距离的两象素分别具有某灰度的状况进行统计得到的。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)值，设灰度值得级数为k，则（g1,g2)的组合共有k2种对整个画面，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。 四个方向灰度共生矩阵的生成 设为某一图像在x方向的像素数，y方向的像素数，且每个像素的灰度可量化为级。令 为图像的水平空间域，为图像的垂直空间域， 为量化灰度级集合可以把图像理解 到的一个变换，即图像中的每一个点对应一个属于的灰度值： ?那么定义方向间隔d的灰度共生矩阵为： 其中：, 逆时针方向为正方向，对不同的方向，相应的灰度共生矩阵定义如下： （式3-3-2） 记号表示集合的元素数。矩阵的第行，第列元素表示在方向上相邻间隔为的两个元素中，一个元素的灰度为而另一个元素的灰度为的相邻对个数如图（a）为4灰度级4x4图像（b）为灰度共生矩阵框架，（c）～（f）分别为四个方向的灰度共生矩阵。 表3-1 灰度共生矩阵框架 0 1 2 3 0 #(0,0) #(0,1) #(0,2) #(0,3) 1 #(1,0) #(1,1) #(1,2) #(1,3) 2 #(2,0) #(2,1) #(2,2) #(2,3) 3 #(3,0) #(3,1) #(3,2) #(3,3) (b)