计算机图像盒维数计算方法.docVIP

计算机图像盒维数计算方法 　　摘 要 　　分形维数是分形几何中研究的主要对象，近年来的许多研究将其用来刻画一个几何体的复杂程度，从而得到了许多丰富而有意义的结论。在应用中常采用盒维数作为分形维数，其具有定义直观，计算简便的特点。在计算机图像的处理问题中，目前有多种盒维数的计算方法。本文结合近年来的最新研究结果，对几何体的盒维数的计算问题作一综述，研究这些算法，并评价其优点和限制。本文旨在对计算机图像处理领域的盒维数计算方法作分类研究。 　　【关键词】分形几何 盒维数 图像处理 计算方法 　　1 背景介绍 　　近些年来，图像的计算机分析，在很多方面受到了分形几何的启发。总体来看，分形几何在其中的最重要的应用是分形维数的估计。本文将着重介绍两种不同的盒维数的计算方法。 　　本文中所有的讨论均针对二维欧式空间中的集合。由于盒维数具有有???稳定性，从而若计算的对象集合包含一个内点（从而包含一个开集），则这个集合的盒维数自然地应该等于2。因此不失一般性地，本文中二维黑白图像的分形维数计算问题讨论的是该图像的边界集（不包含内点）的分形维数；二维灰度图像计算的是该图像对应的三维集合的边界集的分形维数。 　　2 盒子计数方法 　　盒子计数方法（Box-Counting method， BCM）是最早被用来计算盒维数的算法，由Russel等人于1980年提出，并发展出了多种变形的算法。 　　记F为待分析的图像（信号），Nδ为覆盖F所需的最少的半径不超过δ的几何形体的个数，则定义F的上、下盒维数为： 　　（1） 　　（2） 　　若，则称该极限为F的盒维数，记为dimBF 　　BCM的计算过程如下： 　　（1）计算覆盖图像所需最少的尺度不超过δ的“盒子”的个数，记为Nδ 　　（2）作出log（Nδ）-logδ图像（下文简称为log-log图），利用最小二乘法得到回归直线的斜率k 　　（3）则该图像的盒维数即为-k 　　该方法在应用时有许多限制：首先，需要将信号进行黑白化处理，从而信号的一些细节被忽略了。其次，对同一张图像选取不同尺度的盒子进行覆盖时，达到最小覆盖数时盒子的覆盖方式不同，这对计算造成了困难（Appleby， 1996）。 　　更严重的是，Normant和Tricot举例指出BCM只对具有自相似性质的图像有效，对于一些信号（比如某些函数的时空图像）进行计算时会得到没有物理意义的结果。 　　2.1 改进盒子计数方法（Differential box-counting method， DBCM） 　　该方法是对BCM的改进，由Chaudhuri和Sarkar于1995提出，可以有效地处理灰度图像。Biswas 等人指出，DBCM在图像结构分析的问题中，是计算效率最优的算法。 　　该方法同样也将信号（图像）分为若干个尺度不超过δ的“盒子”，而根据每个区域中灰度最大值与最小值的差得到该“盒子”的计数，最后将所有计数相加得到Nδ。事实上，该方法利用图像在某个区域的灰度变化程度来反映该区域中图像的粗糙程度，对于黑白图像，该方法等价于BCM。 　　在计算中“盒子”的尺度会影响到计算的精确性，因此需要对“盒子”的尺度进行控制。实际上，由于的图像的分辨率有限，因此用于覆盖的“盒子”的尺度不可能超过单个像素的尺度；不仅如此，Bisoi和Mishra [8]指出在灰度图像中，如果“盒子”的尺度过大，那么一个“盒子”中的全部像素数将多于灰度的分阶数，即此时灰度的划分相对于网格的划分过于粗略。这会导致每个“盒子”的计数被低估，从而使得盒维数的计算数值偏小。因此采用常用的256级灰度划分时，每个“盒子”的尺度应小于16个像素。 　　2.2 等高线法（Isarithm Method， IM） 　　等高线法是最初由（Shelberg等人于1983年提出，基本思路与DBCM类似的实用算法，同样用于灰度图像盒维数的估算。以边长为L，最小像素尺度为h的正方形的二维灰度图像为例，将IM的计算流程展示如下： 　　（1）设灰度阈值为α。将图像网格化，记网格的尺度为h的N0倍，输出图像的灰度矩阵，并与α比较，灰度比α大的网格记为1，否则记为0， 得到0-1矩阵A0。初始时等高线长度为零. 　　（2）逐行比较A0，若|A0 （i，j）-A0 （i，j+1）|=1，则此处即为等高线，增加一个单位长度。逐行比较完毕后得到等高线长度L0 　　（3）记录点（log（h?N0），log（L0）） 　　（4）令Nk=Nk-1/2，重复（1）（2），记录点（log（h?Nk）-log（Lk）） 　　（5）得到log（h?Nk）-log（Lk）图像，用最小二乘法得到回归直线斜率为B 　　（6）图像的分形维数为1-B 　　此方法本质上计