【北航-2020春】数字图像处理-课件-11.pptVIP

* 第十一章 结束 统计方法 描述纹理的最简单方法之一是使用一幅图像或一个区域的灰度级直方图的统计矩。 令z是表示灰度的一个随机变量，并令p(zi)，i＝0,1,2,…,L-1为相应的直方图，其中L是不同灰度级的数量。关于其均值的z的第n阶矩为： 式中，m是z的均值（平均灰度） * 由式 可知μ0＝1和μ1＝0。二阶矩[方差?2(z)＝μ2(z)]在纹理描述中特别重要。它是灰度对比度的度量，可用于建立相对平滑度的描绘子。例如，度量 对于恒定灰度区域为0（该区域的方差为零），而对于较大的?2(z)值，其接近于1。 将方差归一化： 归一化后的R： * 三阶矩 是直方图偏斜度的度量，而四阶矩是直方图相对平坦度的度量。 五阶矩和更高阶矩不容易与直方图形状联系起来，但它们的确提供了纹理内容的进一步量化辨别。 另外一些有用的、基于直方图的纹理度量，包括由下式给出的“一致性”度量： 平均熵度量，其定义为： * 因为p在区间[0, 1]内取值，且这些值的和为1，故度量U对所有灰度级都相等的图像有最大值（极大一致性），并从最大值开始降低。 熵是可变性的度量，对恒定图像其为零。 下表总结了前述图中强调的三种纹理的度量值。 * 灰度级（或灰度）共生矩阵 在下面的讨论中，使用灰度范围[1, L]替代常用范围[0, L－1]。这样做的目的是让灰度值对应于“传统的”矩阵索引（即灰度值1对应于G的第一个行列索引）。 在描述纹理时，将像素彼此之间的相对位置的信息合并到纹理分析过程中的一种方法是不仅要考虑灰度的分布，还要考虑图像中像素的相对位置。 * 令Q是定义两个像素彼此相对位置的一个算子，并考虑一幅具有L个可能灰度级的图像f。 令G为一个矩阵，其元素gij是灰度为zi和zj的像素对出现在f中由Q所指定的位置处的次数，其中1≤i,j≤L。 按这种方法形成的矩阵称为灰度级（或灰度）共生矩阵。当含义明确时，G简单地称为一个共生矩阵。 * 共生矩阵的计算_例1 下图显示了一个如何用L＝8和由“直接面对右边的一个像素”（也就是，一个像素的相邻像素被定义为紧靠右边的像素）定义的位置算子Q构造共生矩阵的例子。 左侧的阵列是所考虑的小图像，右侧的阵列是矩阵G。我们看到，G的元素(1, 1)是1，因为在f中，值为1的像素的右侧值也为1的像素仅出现了1次。 类似地，G的元素(6, 2)是3，因为在f中，值为6的像素的右侧为值为2像素出现了3次。 * 按这种方式，可计算出G的其他元素。例如，如果我们已将Q定义为“右边一个像素和上面一个像素（右上角）”，则G中的位置(1, 1)会是0，因为在f内由Q指定的位置处不存在右边一个1和上面一个1 （右上角）的情形。 另一方面，G中的位置(1, 3)，(1, 5)和(1, 7)都会是1，因为在f内由Q定义的位置处，右上侧像素分别为3，5和7的1值像素都出现了1次。 * 生成共生矩阵的方式 * 共生矩阵的计算方法 它是具有亮度x的像素(i1，j1)和具有亮度y的像素(i2，j2)的概率估计。 假设这个概率仅依赖于亮度x的像素和亮度y的像素之间的空间关系r，那么关于关系r的信息就记录在方形的共生矩阵Cr中，它的维数对应于图像的亮度级别数。 它是定义一组纹理特征的基础。 * 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。 为了减少矩阵Cr的数目。引进一些简化的假设，首先仅考虑直接的邻居，其次假定关系是对称的（没有方向）。使用如下的算法可以计算图像f(i, j)的共生矩阵Cr。 * 算法：关系r的共生矩阵Cr(x,y) 设置Cr(x,y)=0，对于所有的x, y属于[0,L-1]，其中L是灰度级数； 对于图像中的所有像素(i1，j1)，找到与像素(i1，j1)有关系r的像素(i2，j2)，做： * 关系r的定义举例 如下图所示，定义位置算子： * C0° C270° C315° C45° 假设给定如下的仅具有3个灰度级的图像区域，分别记数符合位置算子C0°, C270°, C315°的像素空间组合的数目形成频度矩阵； 再将其归一化，即除以符合位置关系的总数就得到归一化的共生矩阵。 共生矩阵的阶数与图像的灰度级数相等。 * 共生矩阵的计算_例2 * 0 0 0 0 1 0 0 0 1 1 0 0 1 1 2 0 1 1 2 2 1 1 2 2 2 6 4 0 0 4 3 0 0 3 6 4 0 0 4 3 0 0 3 3 7 0 0 0 5 0 0 1 图像 C0°的频度矩阵和归一 化共生矩阵