几种纹理分析算法讲解ppt课件.pptVIP

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。? 下面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，简明总结了图像中的统计信息。为了研究灰度直方图的相似性，可以提取诸如均值、方差、能量以及熵等特征来描述纹理。如果用p(i),i=1,2,…,G,来表示图像的一阶直方图，则相关的纹理特征有：;? ;? 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。 ;? 以下是提取不同纹理测度特征值所获得的纹理影像： 原图： 方差：;? 能量： 熵：;二.自相关函数分析法 ;? 自相关函数具有如下规律： 1.不同的纹理图像，ρ（x,y）随d变化的规律是不同的。 1）当纹理较粗时， ρ（d）随d的增加下降速度较慢； 2）当纹理较细时， ρ（d）随d的增加下降速度较快。 2.随着d继续增加， ρ（d）则会呈现某种周期性的变化，其周期大小可描述纹理基元分布的疏密程度。;? 以下是不同图像的自相关函数曲线示例：;? 自相关系数的变化趋势反映了纹理的粗细程度，然而，对于同样粗糙（细致）但完全不同的两种纹理，它们的自相关系数很可能比较相近，很难将这两种纹理区分开来。;? 以下是取x=3,y=0时计算特征值所获得的纹理影像： 原图： x=3,y=0 ：;三.边界频率分析法 ;? 以下是不同图像的边界频率曲线示例：;? 由于边界频率分析法只反映了纹理的粗细，因此其缺点和自相关函数法是一样的，即：对于同样粗糙（细致）但完全不同的两种纹理，它们的边界频率很可能比较相近，很难将这两种纹理区分开来。;? 以下是d取1、2时计算特征值(E(2)-E(1))所获得的纹理影像： 原图： d=1,2：;四.小波分析法 ;? 对于信号f，其连续小波变换Wf(a,b)定义为：;? 下图给出了不同分别率下的离散逼近信号（低通滤波器）：;? 由上面两图可见：信号的小波分解包含了原信号和逼近分解之间的信息差。;? 将小波变换从一维推广到图像处理的二维情况，则一幅图像可以分解成3J+1幅子图，J代表小波分解的次数，每幅子图代表不同的频段，如下图：;? 小波变换过程：;? 小波分解实例：;? 实际应用：由于不同地物具有不同的频谱曲线；纹理细致密集的在高频段具有较高能量，纹理粗糙稀疏的在低频段具有较高能量。因此，可以取图像上大小为w*w的小块，对其进行小波分解（实验中对每个小块进行2层小波变换），计算分解后每一子图的信息熵，作为小块的特征度量指标，共有7组特征指标。;? 以下是取第一次小波变换垂直分量的特征值形成的纹理影像： 原图： 信息熵：;? 由图可见，小波变换的纹理分类效果甚至不如最简单的灰度直方图方法。对此，有研究者分析认为：传统的基于小波变换的纹理分类方法常常采用纹理特征来达到分类目的，但对于自然图像，由于在一个纹理区域内的像素并不是处处相似的，因而影响纹理分类效果。;五.灰度共生矩阵分析法 ; 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＝0度； Δx＝1，Δy＝-1，则θ＝ 45度； Δx＝0，Δy＝-1，则θ= 90度； Δx=-1，Δy=-1，则θ= 135度。 δ的取值与图像有关，一般根据试验确定P。 ;; 下图(a)所示的图像，取相邻间