一数字图象处理的发展和现状.doc

第十章 纹理分析 纹理是图像中重要而又难以描述的特性，看起来很显然，但至今还没有为人们所公认的定义。 观察图像，设法对纹理进行定义。 例子图像：局部不规则性，整体上有规律性。 习惯上把图像中的这种局部不规则而宏观有规律的特性称之为纹理。 同我们研究目的更有关的定义是：一种反映一个区域内像素灰度级的空间分布的属性。 人工纹理与自然纹理。 确定性纹理与随机纹理。 研究图像的粗糙性、光滑性、规则性等的度量。 以纹理特征为主导特性的图像称为纹理图像；以纹理特性为主导特性的区域称为纹理区域。如果区域内部灰度值没有变化，该区域没有纹理。 各种观测系统取得的图像很多是纹理型的，通过纹理分析可以提取许多有价值的宏观信息。如遥感图像，在海洋波浪方面，波浪的波长越长，图像纹理越粗，波长与浪高有密切关系，从纹理分析可以得到浪高信息；在土地利用方面，森林、湿地、沼泽等都有性质不同的纹理。 结构单元按一定规律形成宏纹理，该结构单元称为纹理基元。 人们创建了多种方法，基本可分为统计分析和结构分析法。 前者研究图像有关属性的统计规律，基于区域直方图，概率分布，变换域特征等； 后者着力找出纹理基元，和相应的基元排列组合规则。 无论从历史发展还是当前进展来看，统计方法研究与应用仍占主导地位。 §10.1统计纹理描述 §10.1.1自相关函数法 可以用来检测纹理的粗细程度。 定义图像的自相关函数： 在图像范围以外的图像值为0。 显然，，是最大值。取距离 粗纹理的自相关函数随着距离d增加的下降速度慢，细纹理的下降速度快。 周期大的纹理粗，周期小的纹理细。 随着d的进一步增加，相关函数会呈现某种周期性变化，其周期的大小可作为描述纹理的重要特征，它可以反映局部模式排列规则的稀疏、稠密程度。 §10.1.2傅立叶变换纹理分析 对于给定的图像，二维傅立叶变换显然能包括其全部的纹理信息。因此，从频谱也能导出纹理特征。 环形或楔形内傅立叶谱能量的均值可作为特征。 半径小的环形，反映低频分量的能量，因此，粗纹理能量更集中与原点附近。 楔形反映纹理的方向特性，如果实际纹理不表现方向性，则功率谱也不呈现方向性。 §10.1.3 共生矩阵 共生矩阵用两个位置的像素的联合概率密度来定义，它不仅反映亮度的分布特性，也反映具有同样亮度或接近亮度的像素之间的位置分布特性，是有关图像亮度变化的二阶统计特征。它是定义一组纹理特征的基础。，不同的d,θ对应不同的矩阵，当d,θ选定的时候，也简记为。 表示一对图像点的灰度分别是i和j的出现概率，形式上是图像中所有满足距离和方向约束的灰度分别是i、j的像素对的数量的总和。 因此，矩阵地阶数由图像的灰度级数决定，为N×N，N是图像灰度级。 例如，0度方向共生矩阵的公式： 90度方向的公式： 其中，D是图像的范围，＃表示使大括号成立的像素对数量。 例子：计算4×4大小，灰度级为4的图像 图像： 计算d=1，θ为0度与90度的共生矩阵。 ， 对矩阵有贡献的像素对总数比物体内部的像素个数少，而且随着距离的增加逐渐减少。小物体的矩阵相当稀疏，稀疏的矩阵无法充分反映统计特性。因此，为了控制矩阵的规模，防止矩阵稀疏，灰度级划分常常被减少，如从256级到8级。 灰度共生矩阵能够得到许多有用的纹理信息： 如果纹理比较粗，矩阵系数集中主要在对角线附近，反映近处相关性大。 如果纹理细，则分布比较随机。 与纹理方向一致的共生矩阵，系数集中在对角线附近。 选择不同的d,θ可以考察不同尺度和方向的特性。 有共生矩阵可以计算出一组参数，用来定量描述纹理特性。比较常用的参数有： 能量： 熵： 惯性矩： 相关： 局部平稳： 其中： 如何选择d, θ以及如何用共生矩阵参数作纹理分析，长期以来一直是学者关心的课题。 §10.1.4 其它统计描述方法 基元长度 纹理能量 Markov随机场 数学形态学 分形 小波变换 等等 §10.2结构纹理描述 结构方法不如统计方法使用得广泛。 结构方法假定纹理由基元和其空间排列组成。 纹理分析就变成确定这些基元并定量分析它们的空间排列。 识别基元，本身有很大难度。 根据基元的特性分布，如大小、方向、参数变化等可以做一些分析。 基元间的位置关系，也可以做一些简单分析，如间距、相位等。复杂的位置关系可以有模型和文法描述。 由基元的空间位置关系推出某种类似语言的描述，我们课上称为文法表示，也就是把基元作为底端的符号，基元间的关系用一些变换规则来描述。 纯结构的纹理模型，认为所有的基元在空间上基本上规则地组织。 文法是严格的公式，而实际的纹理是经常是不规则的，这会引起问题。 文法描述的纹理经常用在纹理的人工生成上，用于计算机自动生成有真实感的物体，如计算机动画、设计效果图、游戏等。 §10.2.1形状链文法 链文法是描述纹理最简单的文法。 关键：初始形状，变换规