工业机器视觉课程10纹理.pptVIP

8.1 纹理 1.概述 什么是纹理？什么是纹理尺度？纹理分析涉及到的问题是什么？常用的纹理分析算法包括哪些？ 2.纹理的结构分析方法 3.纹理的统计分析方法 灰度级同现矩阵方法，自相关法以及用于纹理测量的Law能量法。 4.纹理分割 5.从纹理恢复形状 1 概 述 包含多个纹理区域的图象 1.1 纹理定义 1.2 纹理尺度 对机器视觉来说，纹理是为了分割和识别场景或物体表面类型而产生的一种视觉标记。纹理分析包含有三个主要问题： 纹理分类 从给定的一组纹理集中识别特定的纹理区域。 纹理分割 自动确定图像中各种纹理区域之间的边界。 从纹理恢复形状 通过透视投影产生的纹理模式来确定物体的三维形状。 (1) 统计分析 纹理基元小/微纹理 为了强化分类，可以从灰度图像计算灰度同现 (co-occurrence) 矩阵、对比度(contrast)、熵(entropy)以及均匀度(homogeneity)等纹理特性．当纹理基元很小并成为微纹理时，统计方法特别有用； (2) 结构分析 大纹理基元 当纹理基元很大时，应使用结构化方法，即首先确定基元的形状和性质，然后，再确定控制这些基元位置的规则，这样就形成了宏纹理． 2 纹理的结构分析 纹理的结构分析法分为三步：图像增强；基元提取；计算纹理基元的特征参数及构成纹理的结构参数． 3 纹理分析统计方法 3.1 灰度级同现矩阵(gray-level co-occurrence matrix) 灰度级同现矩阵P[i,j]是一个二维相关矩阵，规定一个位移矢量d=(dx,dy),计算被d分开且具有灰度级i和j的所有象素对的个数。 左边为棋格图像，中间为位移矢量为d=(1,1)的灰度级同现矩阵，右边为位移矢量为d=(1,0)的灰度级同现矩阵。 如果黑色像素随机地分布在整幅图像上，没有一个固定的模式，则灰度级同现矩阵不具有任何灰度级对的优先集合，预计此时的矩阵是均匀分布的． 用于测量灰度级分布随机性的一种特征参数叫做熵，定义为： 用灰度级同现矩阵还可以定义能量特征、对比度特征和均匀度特征： 一幅图像的自相关（Auto-correlation）函数定义为： 分形图形 自相似性(self-similarity) : 如果一个集合能被分解为n个非重叠子集的并集，其中每一个子集是原集合的拷贝，但尺度缩小r倍，则该集合具有自相似性. 由n和r所确定的分形维定义如下： 象素上的表示纹理的向量或者数值都描述了该象素邻域中的纹理特征，可以用来将图象分割为不同的纹理区域。 * 纹理 Chapter 8 Texture 第 8 章 一些典型的纹理图象 beeren flower food water 彩色纹理图像 纹理是一种普遍存在的视觉现象，目前对于纹理的精确定义还未形成统一认识，多根据应用需要做出不同定义． 两种较常采用的定义： 定义1 按一定规则对元素（elements）或基元（primitives）进行排列所形成的重复模式. 定义2 如果图像函数的一组局部属性是恒定的，或者是缓变的，或者是近似周期性的，则图象中的对应区域具有恒定的纹理． 由地板砖构成的地板纹理示意图 (a)远距离观察时的纹理图像；(b)近距离观察时的纹理图像 纹理的基本特征: 纹理是区域属性，并且与图像分辨率（或称尺度，resolution or scale）密切相关. 1.3 纹理分析涉及到的问题 1.4 纹理分析算法 由等间距排列的圆点形成的纹理图 (a)原始纹理图 (b)图像受到噪音的污染导致的随机线条 灰度同现矩阵示意图， 左边为一幅5×5的图象，具有三个灰度级，右边为同现矩阵，位移矢量d=(1,1) 注意：当矩阵的所有项皆为零时，其熵值最高．这样的矩阵对应的图像不存在任何规定位移向量的优先灰度级． 3.2 自相关法 测量不同粗细纹理示意图 对于含有重复纹理模式的图象，自相关函数表现出一定的周期性，其周期等于相邻纹理基元的距离。当纹理粗糙时，自相关函数缓慢下降，而细纹理则下降迅速。自相关函数可以描述纹理的周期以及纹理基元的大小。 4 用分型理论分析纹理 当纹理模式在不同尺度下具有自相似性质时，可以使用分形理论来分析．1975年，美国数学家Mandelbort首次提出了分形(Fractal)的概念。 我们知道，自然界中大多数物体的形状是及其复杂的，如云、海岸线等．将这些形体的局部细节取出并放大时，会发现放大后的形体与原形体十分相似．一个典型的例子是Koch曲线。 图 8．6 Koch曲线 分形维