第九章 纹理分析.pptVIP

第九章 纹理分析; 提到纹理，人们自然会立刻想到木制家俱上的木纹、花布上的花纹等。木纹为天然纹理，花纹为人工纹理，它们反映了物体表面颜色和灰度的某种变化。这些变化与物体本身的属性相关。 ; 为了定量描述纹理,多年来人们建立了许多纹理算法以测量纹理特性.这些方法大体可以分为两大类：统计分析法和结构分析法。前者从图像有关属性的统计分析出发；后者则着力找出纹理基元，然后从结构组成上探索纹理的规律。也有直接去探求纹理构成的结构规律的。? 本章将主要论述纹理特征提取与分析的几种方法。;? 纹理区域的灰度直方图作为纹理特征，为了研究灰度直方图的相似性，可以比较累积灰度直方图分布，计算灰度级的最大偏差或总偏差。如果限定对象，则采用这样简单的方法也能够识别纹理。但是灰度直方图不能得到纹理的二维灰度变化，即使作为一般性的纹理识别法，其能力是很低的。例如下图两种纹理具有相同的直方图，只靠直方图就不能区别这两种纹理。 ;二. Laws纹理能量测量法 ; Laws 深入研究了滤波模板的选定。首先定义了一维滤波模板，然后通过卷积形成系列一维、二维滤波模板，用于检测和度量纹理的结构信息。?他选定的三组一维滤波模板是：? L3=[1 2 1] 灰度（Level）E3=[-1 0 1] 边缘（Edge）S3=[-1 2 -1] 点（Spot）L5=[ 1 4 6 4 1]E5=[-1 –2 0 2 1]S5=[-1 0 2 0 –1]W5=[-1 2 0 –2 1] 波（Wave）R5=[1 –4 6 –4 1] 涟漪(Ripple） L7=[1 6 15 20 15 6 1]E7=[-1 –4 –5 0 5 4 1]S7=[-1 -2 1 4 1 –2 –1]W7=[-1 0 3 0 –3 0 1] R7=[1 -2 –1 4 –1 –2 1]O7=[-1 6 –15 20 –15 6 –1] 振荡Oscillation）; 1×3的矢量集是构成更大矢量的基础.每一个1×5的矢量可以由两个1×3矢量的卷积产生。1×7的矢量可以由1×3与1×5矢量卷积产生。垂直矢量和水平矢量可生成二维滤波模板。由滤波模板与图像卷积可以检测不同的纹理能量信息。所以，Laws 一般选用12—15个5×5的模板。 ?; 以1×5矢量为基础，卷积同样维数的矢量，可获得25个5×5模板。其中最有用的是5×5的零和模板，即 ; Laws将Brodatz的8种纹理图像??在一起，对该图像作纹理能量测量，将每个像元指定为八个可能类中的一个，正确率达87％。? 可见这种纹理分析方法简单、有效。但所提供的模板较少，尚未更多地给出其变化性质，因此，应用受到一定的限制。 ;灰度共生矩阵的定义 灰度共生矩阵特征的提取 ;灰度共生矩阵的定义;概率P(i,j,δ,θ)的数学式表示为?: P( i, j,δ,θ) ＝{ [(x,y), (x+Δx，y+Δy)] | f(x,y)=i, f(x+Δx,y+Δy)=j； x, y=0,1 ,…,N-1} 根据上述定义，所构成的灰度共生矩阵的第 i 行、第 j 列元素，表示图像上所有在θ方向、相隔为δ，一个为灰度i值,另一个为灰度j值的像素点对出现的频率。这里θ取值一般为0度、45度、90度和135度。很明显，若Δx＝1，Δy＝0，则θ＝00； Δx＝1，Δy＝-1，则θ＝ 450 ； Δx＝0，Δy＝-1，则θ= 900 ； Δx=-1，Δy=-1，则θ= 1350 。 δ的取值与图像有关，一般根据试验确定。 ;; 下图(a)所示的图像，取相邻间隔δ=1，各方向的灰度共生矩阵如下图(b)所示。 ;灰度共生矩阵特征的提取 ;基于灰度共生矩阵的特征;灰度共生矩阵特征的实际应用;灰度共生矩阵特征的实际应用（续）;纹理分割示例;GOES Cumulus Cloud Classification;第十一章 模板匹配与图像识别;图像识别的流程 基于二维匹配的目标检测 图像目标分类 ;图像识别的流程;基于二维匹配的目标检测;图像匹配的基本原理;图像匹配的相关函数;相关函数的定义;差平方和法举例;相关函数的定义;x is the gray level in the template image； x is the average grey level in the template image； y is the gray level in the source im