基于特征提取的纹理图像分割-地图学与地理信息系统专业论文.docxVIP

万方数据 万方数据 摘要 纹理图像分割是图像处理技术的研究难点之一，在计算机视觉、模式识别等诸多领 域内都是一个重要的研究内容。其基本原理是根据纹理图像中同类纹理的区域内一致性 与不同纹理间的差异性，将纹理图像分割成具有均质性的不同区域。而体现同类纹理区 域内一致性及不同纹理间差异性的方法之一，则是通过特征值来描述纹理，利用特征值 间的一致性及差异性区分纹理。所以，纹理图像的分割的关键问题就集中在提取纹理的 特征值及对特征值所构成的特征空间的聚类分析上。本文主要研究的内容就是这两点， 并将其用于实际的纹理图像分割中。具体工作如下： 第一，详细分析了灰度共生矩阵(Gray Level Co-occurrence Matrix, GLCM)这一经典 的纹理特征提取算法，从其基本原理上出发，分析了构建过程中所涉及到的各个参数的 作用，通过实验分析各个参数取值变化对纹理特征提取的影响，分析实验结果，确定各 参数的最佳取值范围并注明了算法中的不足之处； 第二，引入局部二值模式(Local Binary Pattern, LBP)，分析了 LBP 算子各种变型的 基本原理，利用 LBP 算子的均匀模式融合灰度共生矩阵来提取纹理特征，设计实验， 通过对 Brodatz 纹理库中的纹理图像进行分类，证明了该纹理特征提取方法的有效性， 确定了其中的参数取值，并克服了单纯的应用灰度共生矩阵提取纹理特征中，因参数取 值问题导致的相关问题； 第三，详细分析了模糊 C 均值聚类算法的基本原理，该算法的作用是对特征空间进 行聚类分析； 第四，结合排列组合熵、灰度共生矩阵、局部二值模式组成了一种新的纹理图像分 割算法。采用融合 LBP 算子及灰度共生阵的算法来提取纹理特征，取角二阶矩、对比 度、熵及逆差距作为特征值，结合不同方向上排列组合熵构建一个多维特征向量，构成 特征空间。利用模糊 C 均值聚类算法及分开-合并算法下对特征空间进行聚类分析，在 纹理内部采用较大的分割单元分析，将分析结果通过一定策略传递到较小的分割单元上 并确定不同纹理的交界处，采用较小的分割单元在不同纹理交界处分析纹理特征并与初 分割结果相结合，最终得到纹理图像分割结果。本文通过实验，证明了该算法的有效性， 并给出了相对应的精度评价。 关键字：纹理分割；分开-合并；排列组合熵；局部二进制模式；灰度共生矩阵 i PAGE iii PAGE iii 万方数据 Abstract Texture image segmentation is one of research emphasis in the field of image processing; it has a very important position in many fields such as computer vision, pattern recognition. It segment texture image by the consistency of same texture and the differences between different textures. Texture can be described by features; using features can show the consistency of same texture and the differences between different textures. Therefore, the key to texture image segmentation is two problems: how to extract texture features and how to analyze texture features. This paper is researching how to solve these problems and doing texture segmentation. The specific research work are as follows: First, this paper analyses the Gray Level Co-occurrence Matrix(GLCM) which is one of classic texture feature extraction algorithm, start from the basic principle, analyses the role of each parameter which can build GLCM, do experiments to sure the result of extracting fea