图像纹理特征（精选8篇）
图像纹理特征 篇1
0引言
面部图像特征检测问题是在图像分类识别的基础上发展起来的,由于人脸特征识别已经发展了到自动识别阶段,目前在特征检测方面已有许多成功的技术。早期的面部特征检测对面部图像具有很强的限制性和约束性,随着高清成像技术的飞速发展和人脸分类识别技术应用范围的日益广泛,面部高清图像特征检测算法急需要进一步开发与应用［２］。
当前,国外在人脸分类识别与特征检测领域投入较大,相关研究机构很多。其中比较有名的如卡内基梅隆大学(CMU)的机器人智能研究所、美国麻省理工大学(MIT)的媒体实验室和人工智能实验室等;国内主要研究机构有清华大学、西安交通大学、上海交通大学、中国科学自动化研究所、北京大学等［１］。面部图像特征检测是人脸识别系统中的重要组成部分,因此合理选择面部彩色图像特征,不仅能够检测到越来越完整的面部细节信息,而且能极大地提高疲劳检测系统的准确率和稳定性。现有文献主要基于灰度图像和二值图像,通过动眼频率及视频动态监测来判定疲劳,运算量较大,而且灰度图丢失了很多重要的面部生理信息,对面部图像特征检测有很大的局限性［３］。
1纹理特征
图像纹理特征是图像矩阵经过计算量化而来的图像特征。图像纹理用来描述图像或者其中较小区域的空间颜色和光强分布。图像纹理特征的提取有两种方法:基于结构和基于统计数据的方法。基于结构的纹理特征检测方法是将所要处理的图像进行建模,从而在面部图像中搜索重复的模式。该算法对人工合成的纹理特征识别效果较优。但基于面部图像中的纹理识别,基于统计数据的方法效果更好［４］。
2灰度共生矩阵法
共生矩阵是用两个位置的像素联合概率密度来描述, 它不仅反映了亮度的分布特征,也反映出具有相同亮度或接近该亮度的像素之间的位置分布特征,是有关图像亮度变化的二阶统计特性。共生矩阵是定义一组纹理特征的基础［５］。纹理是由于在空间位置上反复出现灰度分布而形成的,从而在图像空间中相间特定距离的两像素之间存在一定的灰度联系,即图像中灰度空间具有相关性。通过研究灰度的空间相关特征来描述纹理的常用方法就是灰度共生矩阵法。灰度直方图是用来对图像上单个像素具有的灰度级进行统计的分布图,而灰度共生矩阵是对图像上保持特定距离的两个像素分别所具有某灰度进行统计得到的。
取所选图像(N×N)中任一点(x,y)以及偏离它位置的另一点(x+a,y+b),设该点灰度值为(g１,g２)。令该点(x,y)在整个图像上移动,则会得到很多(g１,g２)值。对于整个图像,统计得到每一个(g１,g２)值出现的次数,然后排列成一个矩阵,再将它们归一化为该值出现的概率P(g１, g２),将这样的矩阵称为灰度共生矩阵。其中,差分值(a, b)取不同的值组合,可得到各种情况的联合概率方阵。 (a,b)的取值要根据纹理特征周期分布的特征来选择,对于相对很细的纹理,选取(1,0)、(1,1)、(2,0)等较小的差分值。当a=1,b=0时,像素对呈水平排列,即为0°角扫描;当a=0,b=1时,像素对呈垂直排列,即为90°扫描;当a=1,b=1时,像素对呈右对角线分布,即为45°角扫描; 当a=-1,b=-1时,像素对呈左对角线分布,即为135° 角扫描。
如两个像素灰度级发生的概率相同,就将(x,y)的坐标转化为“灰度级”对(g１,g２)的描述,就形成了灰度共生矩阵。图象的灰度共生矩阵能够反映出灰度图像关于其方向、相邻间隔、变化幅度的相关信息的组合,灰度共生矩阵是解释图像局部模式和它们组合排列规则的基础。
设f(x,y)为一幅二维数字图像,矩阵大小为M×N, 灰度级别为Ng,那么满足一定空间关系的灰度共生矩阵为:
式(1)中#(x)表示集合x中的元素总个数,其中P为Ng×Ng的排列矩阵,如果(x１,y１)与(x２,y２)间距离间隔为d,它们与坐标横轴的夹角为θ,那么可得到各个像素的间距及对应角度的共生矩阵P(i,j,d,θ)。
纹理特征提取的常用方法是以图像灰度共生矩阵为基础,因为图像像素点相距(Δx,Δy)的两个灰度像素同时出现的联合概率分布利用灰度共生矩阵来表述。对粗纹理的图像区域,其灰度共生矩阵的mhk值较集中于主对角线附近。因为对于粗纹理,像素对趋于具有相同的灰度。而对于细纹理的区域,其灰度共生矩阵中的mhk值则散布在各处。
为了能更直观地对共生矩阵的纹理状况进行描述,从共生矩阵中计算出反映共生矩阵状况的参数,有以下5个特征量:
(1)能量。为灰度共生矩阵每个元素值的平方和,也称为能量,反映了图像灰度的分布均匀程度和纹理粗细程度。若共生矩阵的所有元素值均相等,那么ASM值小; 相反,如果其中存在一些值大而有些值小,则ASM值大。 当灰度共生矩阵中元素集合分布时,此时ASM值为大。 ASM值大表示一种较均一和规则变化的纹理模式。
(2)对比度。反映了图像的清晰程度和纹理沟纹深浅。纹理沟纹越深,则其对比度越大,视觉特效越清晰;相反,对比度越小,则沟纹越浅,视觉效果模糊。灰度共生矩阵中离对角线远的元素值越大,CON越大。
(3)熵。对图像所拥有信息量的度量,纹理特征也属于图像信息,它是一个随机的度量,当共生矩阵中元素有最大的随机特性、灰度共生矩阵中每个值大体相等时,共生矩阵中的元素分散分布时,其熵较大,用来表示图像纹理的非均匀程度或复杂程度。
(4)相关性。它用来度量灰度共生矩阵的元素在行或者列方向上的相似程度,所以相关值大小反映了图像中局部的灰度相关性。当矩阵元素数值均匀相等时,其相关值就大;反之,如果矩阵元素数值相差很大则相关值较小。 若是图像有水平方向的纹理,则水平方向方阵的COR值大于其它方向矩阵的COR值。
(5)惯性矩。它是图像中局部区域灰度变化程度的度量。所谓变化包括数量和幅度两方面,其值的大小反映了皮肤纹理特征的深度和密度,在实际应用中哪一个占优要看具体情况。也可将其理解为图像的清晰程度,纹理的沟纹越深,则f２越大,效果越清晰:反之相反。当图像的光强范围变小时,其对比度值也变小。
3纹理特征提取及分析
3.1共生矩阵求解纹理特征流程
利用共生矩阵算法求解纹理特征的流程如下:读入面部RGB图像→颜色分量转换为灰度→压缩原始图像量化成16级→共生矩阵角度选取及归一化→对共生矩阵计算4个方向上的纹理参数→ 计算特征的均值和标准差作为最终8维特征。
3.2纹理特征检测与分析
通过采集不同测试者早(健康状态)、晚(疲劳状态)大量面部彩色图像,据此建立面部图像数据库,划分数据库为P(疲劳图)、Z(正常图)、R(结果)3类,根据建立的面部彩色图像数据库,获得纹理特征。图1中1、2、3、4号实验者分别选取额头、脸颊、眼部、鼻子等4个不同区域。
判定:将差异百分比(D=abs(P-Z)/max(P,Z))之和sum=作为纹理标准,测试时随机选取面部图片,计算其纹理特征向量及与该用户正常特征向量的差异百分比之和testsum,与sum比较得到疲劳程度。根据HSI空间掩膜处理算法及利用批处理程序对Z(健康)和P(疲劳)数据库进行8维纹理特征计算,选取3个纹理特征量:能量、 熵、惯性矩,得到结果绘制曲线如图2所示。
4结语
对提取的纹理特征进行对比统计分析,可以发现能量、熵、惯性矩等特征对正常状态与疲劳状态的面部彩色图像可分性比较高,在后续分类识别系统构建中,可以利用这3个特征区分不同状态的面部图像,但是这需要大量样本的验证,纹理描述的意义是用来对一个特定纹理进行分类。从该实验可以得出,纹理特征对目标细节信息的辨识具有重要意义。
摘要：传统面部图像的特征检测主要针对于灰度图像和二值图像,目前国内对于面部彩色图像(尤其是高清面部彩色图像)纹理特征的研究还处于起步阶段。针对于面部区域彩色图像特征,通过采集不同测试者早(健康状态)、晚(疲劳状态)大量面部彩色图像,据此建立面部图像数据库,划分数据库为P(疲劳图)、Z(正常图)、R(结果)三类。利用共生矩阵算法求得最大特征区域的纹理特征向量,用对比统计得到的数据测定正常与疲劳面部图像特征值的差别。实验结果表明,面部彩色图像的纹理特征反映了图像本身的属性,进一步描述了图像的细节信息,具有计算量小的特点。
关键词：面部图像数据库,纹理特征,共生矩阵
图像纹理特征 篇2
关键词：玉米；杂草；识别；纹理特征；灰度矩阵；统计矩
中图分类号： TP391.41 文献标志码： A 文章编号：1002-1302（2014）07-0143-03
收稿日期：2013-11-03
基金项目：河北省保定市科技基金（编号：13ZN021）；保定学院科研基金（编号：2013Z04）。
作者简介：王怀宇（1975—），男，河北保定人，硕士，讲师，从事图像处理、数据挖掘研究。E-mail：why_bdxy@163.com。玉米苗期常见杂草包括刺儿菜、藜、马唐、田旋花等。传统除草方法是喷洒除草剂，但田间杂草生长分布呈不均匀、无规律的随机分布，因此大规模药物喷洒不仅造成浪费，也对环境带来不容忽视的污染。随着精准农业的发展和图像处理技术应用的深入，在机器视觉的协助下实现农田中除草剂的变量喷洒成为当今研究热点。如何识别杂草图像是其中最为关键的步骤。当前已经开发出不少识别杂草的有效方法，这些方法往往结合杂草各类特征对其进行识别，包括颜色特征[1-4]、形状特征[5-6]、光谱特征[7-9]等，也有研究结合以上组合特征进行识别，取得了较高的效率与精度。但单独针对杂草纹理特征进行智能识别的研究尚不多见。
纹理特征能够体现出图像灰度或颜色分布的可描述规律，尤其是在被识别目标的形状、颜色等属性均与周边环境相似时，能够以兼顾宏观性质与细部结构的方式取得较好的识别效果[10]。不同作物种类或同种作物的健康苗株与病害植株间在图像纹理特征上有较为明显的区别，因此纹理特征在农作物病虫草害识别研究中能取得较好的识别效果[10]。对于杂草识别来讲，怎样快速提取纹理特征以及如何实现准确的识别率是最关键的问题。本研究以玉米常见杂草图像识别为例，在图像预处理后，对样品的多个纹理特征进行筛选，以支持向量机进行分类，分别进行基于灰度矩阵、统计矩的识别以及结合二者的识别，以期为杂草的快速检测及定向施药提供基础。
1材料与方法
1.1图像采集
北方地区玉米苗期杂草非常常见，一般在播种后便可观察到杂草。据统计，华北地区玉米播种后的8～10 d是杂草出土最集中的时期，12～15 d杂草出土占总量的80%，25 d后达到95%。杂草的出土、生长时间规律与北方地区夏玉米苗期生长节律基本吻合。因此，只有及时除去杂草才能保证玉米产量。研究证实，当玉米生长至3～5叶、田间杂草生长至2～3叶时，是去除杂草的关键时期。本研究在玉米生长至3～5叶时采集田间各类杂草图像，包括刺儿菜、藜、马唐、田旋花。在目标物正上方以640×480像素进行拍摄，杂草图像实例见图1。
1.2图像预处理
1.2.1图像增强为了突出图像特征，削弱某些不重要甚至干扰的信息，首先对原始图像进行增强处理，以提升图像中有价值区域的对比度。图像增强方法分为频率增强法和空间增强法两大类。考虑到图像识别对于实时性的要求，本研究选取效率更高的空间增强法[11]，该方法对每个像素的灰度值进行变换，最终实现整体对比度的提升，达到图像增强的目的。
3结论
针对玉米田间杂草的识别问题，提出了根据纹理特征进行智能识别的方法，具有创新性。以灰度共生矩阵和统计矩来描述识别目标的纹理特征，通过支持向量机进行分类识别。结果表明，综合了灰度矩阵与统计矩的纹理特征识别精度超过90%，能满足识别要求。本研究成果有利于减少除草剂喷洒量，有助于实现除草系统的自动化和智能化。
参考文献：
[1]Woebbecke D M，Meyer G E，Von Bargen K，et al. Color indices for weed identification under various soil，residual，and lighting conditions[J]. Transactions of the ASAE，1995，38（1）：259-269.
[2]El-Faki M S，Zhang N，Peterson D E. Factors affecting color-based weed detection[J]. Transactions of the ASAE，2000，43（4）：1001-1009.
[3]Tang L，Tian L，Steward B L. Color image segmentation with genetic algorithm for in-field weed sensing[J]. Transactions of the ASAE，2000，43（4）：1019-1027.
[4]El-Faki M S. Zhang N，Peterson D E. Weed detection using color machine vision[J]. Transactions of the ASAE，2000，43（6）：1969-1978.
[5]Guyer D E，Miles G E，Schreiber M M，et al. Machine vision and image processing for plant identification[J]. Transactions of the ASAE，1986，29（6）：1500-1507.
[6]Franz E，Gebhardt M R，Unklesbay K B. Shape description of completely visible and partially occluded leaves for identifying plants in digital images[J]. Transactions of the ASAE，1991，34（2）：673-681.
nlc202309012230
[7]Franz E，Gebhardt M R，Unklesbay K B. The use of local spectral properties of leaves as an aid for identifying weed seedlings in digital images[J]. Transactions of the ASAE，1991，34（2）：682-687.
[8]Lu R，Peng Y K. Hyperspectral scattering for assessing peach fruit firmness[J]. Biosystems Engineering，2006，93（2）：161-171.
[9]Goel P K，Prasher S O，Patel R M，et al. Use of airborne multispectral imagery for weed detection in field crops[J]. Transactions of the ASAE，2002，45（2）：443-449.
[10]周平，汪亚明，赵匀. 基于颜色分量运算与色域压缩的杂草实时检测方法[J]. 农业机械学报，2007，38（1）：116-119.
[11]何东健. 数字图像处理[M]. 西安：西安电子科技大学出版社，2004.
[12]刘立宏，胡可刚，刘立欣. 目标检测中的快速中值滤波法[J]. 吉林大学学报：信息科学版，2004，22（3）：232-235.
[13]Haralick R M，Shanmugam K. Texture features for image classification[J]. IEEE Systems Man and Cyberbetucs，1973，3（6）：610-621.
[14]Ulaby F T，Kouyate F，Brisco B，et al. Textural infornation in SAR images[J]. IEEE Transactions on Geoscience and Remote Sensing，1986，GE-24（2）：235-245.
[15]鄧乃扬，田英杰 .数据挖掘中的新方法：支持向量机[M]. 北京：科学出版社，2004.
[16]Valentini G，Dietterich T G. Bias-variance analysis of support vector machines for the development of SVM-based ensemble methods[J]. Journal of Machine Learning Research，2004，5（7）：725-775.
图像纹理特征 篇3
一、颜色特征
将图像由RGB颜色空间转换到HSV (色调H、饱和度S、亮度V) 颜色空间, 并对HSV颜色空间进行非均匀量化处理, 然后对图像进行分块, 提取不同分块的主色, 通过加权处理, 得到图像的加权主色颜色特征。
1. 颜色空间的选择与量化。
数字图像的颜色特征通常采用RGB三色表示, 但RGB颜色空间模型的可分辨色差是非线性的, 不符合人们对颜色的直观理解, 其空间的相似并不代表实际颜色的相似。HSV颜色空间是一种更加符合人眼感知的颜色空间, 可以由RGB颜色空间经简单快速的非线性变换得到。因此, 本文, 笔者采用HSV颜色空间对图像进行描述。
一幅图像颜色直方图的维数通常会因为图像的颜色较多而较大, 为减少计算量, 提高检索效率, 需对HSV空间的各个分量进行量化。由于相对于饱和度和亮度而言, 人眼对色调的感知更加敏感, 本文, 笔者对HSV空间的三个分量采用非均匀量化, 将色调H、饱和度S、亮度V分别分成11份、4份、4份。
按上式将3个颜色分量合成一维的特征矢量L, 即
式 (1) 中, Qs和Qv分别为S和V的量化级数。此处, Qs=4, QV=4, 则有
L的取值范围为[0, 1, …, 175], 共176种颜色。由此可见, 量化后减轻了图像亮度和饱和度对检索结果的影响。
2. 提取图像的颜色特征。
为获得颜色的空间分配信息, 对图像采用8×8分块处理, 假设共得到m个分块。对于第k (1≤k≤m) 个分块, 可以得到有64个一维颜色分量的颜色向量Lk= (Lk1, Lk2, …, Lk64) 。统计各颜色的像素点数目, 将含有像素点数目最多的颜色作为该分块的主色, 记为Lk, main。则该图像的综合主颜色特征向量L= (L1, main, L2, main, …, Lm, main) 。
3. 基于图像的中心加权特征分析。
通常, 图像的中间部分为图像的主体, 更容易引起人们的关注。在对图像提取特征时, 采用中心加权的方法, 为图像不同的分块分配不同的权值, 中心附近区域的权值略大, 边缘区域的权值略小。权值的选择符合标准正态分布函数, 第k个分块的权值为
式 (2) 中, Xk为第k个分块的中心与原图像中心所在的分块的中心间的距离。则第k个分块的加权主色特征为
图像的综合加权主色颜色特征向量为LL= (L1, main, L2, main, …, Lm, main) 。
二、纹理特征
对于图像的纹理特征, 通过研究纹理的空间灰度级相关性, 构造一个基于像素间方向和距离的共生矩阵, 然后从灰度共生矩阵中提取有意义的统计特征作为纹理特征的表达。
设f (x, y) 为一幅二维数字图像, 其大小为M×N, 灰度级别为Ng, 给定距离d和方向θ, 通过计算共生灰度i和j的像元对数来表示共生矩阵元素p (i, j|d, θ) , 计算公式如下.
式 (4) 、 (5) 中, #{x}表示大括号中成立的像元对数, (k, l) 和 (m, n) 表示图像中相距为d且连线与坐标横轴成θ角的像素点坐标。显然, 共生矩阵的大小为Ng×Ng。
由公式 (4) 得到共生矩阵后, 从中提取四种描述性较强的统计特征, 具体如下。
式 (6) , (7) 和 (8) 中, μx, μy, σx, σy分别是px, py的均值和标准差, 是共生矩阵中每列元素之和; 是共生矩阵中每行元素之和。
取d=1, 分别构造θ=0°, θ=45°, θ=90°, θ=135°共4个方向上的共生矩阵, 并计算能量、熵、相关性和对比度这4个纹理参数在每个共生矩阵上的值, 取平均, 将其作为灰度共生矩阵所提取的四个参数, 构成图像的纹理特征, 记为V= (Vasm, Vent, Vcor, Vcon) 。
三、相似性度量
假设对于查询图像q, 其颜色特征LLq= (Lq1, main, Lq2, main, …, Lqm, main) , 纹理特征为Vq= (Vqasm, Vqent, Vqcor, Vqcon) 。
对于图像库中的图像p, 其颜色特征LLp= (Lp1, main, Lp2, main, …, Lpm, main) , 纹理特征Vp= (Vpasm, Vpent, Vpcor, Vpcom) 。基于综合特征检索的图像相似度计算方法如下。
1. 计算图像q与图像p之间的颜色特征相似度Discol (q, p) 。计算公式为
2. 计算图像q与图像p之间的纹理特征相似度Distex (q, p) 。计算公式为
3. 由于颜色和纹理属于不同类型的特征向量, 取值范围不一样, 因此分别对颜色特征相似度Discol (q, p) 和纹理特征相似度Distex (q, p) 进行归一化处理。然后进行加权求和, 得到两幅图像的综合特征相似度Dis (q, p) 。计算公式如下
式 (12) 中, ω1和ω2分别是对颜色特征距离和纹理特征距离的加权值, ω1+ω2=1, 且ω1, ω2∈[0, 1]。
四、实验及结论
从Corel图像库中选取5个类别共500幅图像组成测试图像库, 它们包括海边风景、建筑物、公共汽车、花朵、马, 每个类别有100幅图像。由于当颜色特征和纹理特征在特征融合所占比重不一样时, 图像的检索结果准确率不同。实验中, 在每个类别中随机选取10张图片, 改变颜色特征的权值ω1和纹理特征的权值ω2 (ω1=0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 且ω1+ω2=1) 进行检索, 每次选取前20幅最相似的图像作为检索结果进行统计, 然后选取检索效果最佳的ω1和ω2, 分别作为颜色特征和纹理特征的权值。综合考虑每个类别检索结果的平均准确率, 取ω1和ω2的值分别为0.7和0.3。
在每个类别中随机挑选20张图片作为查询样例, 并分别采用基于颜色特征的图像检索方法、基于纹理特征的图像检索方法和基于颜色和纹理综合特征的图像检索方法对图像库中的图像进行检索, 每次检索选取前20幅最相似的图像作为检索结果返回。将3种方法的检索结果进行对比, 得到的图像检索的平均查准率见表1。
由表1可知, 综合颜色和纹理特征的图像检索方法比利用单一特征检索的图像检索方法平均查准率要高。
五、结论
图像纹理特征 篇4
20世纪90年代初,随着多媒体技术的发展,大规模数字图像库开始出现,基于文本的图像检索技术已无法满足多媒体信息中对图像内容的检索,为克服这些问题,基于内容的图像检索技术CBIR(Content-Based Image Retrieval)应运而生。区别于原有系统中对图像进行人工标注的做法,基于内容的图像检索就是根据对图像内容的描述,在目标图像集合中找到具有指定特征或包含指定内容的图像。目前基于内容的图像检索技术主要集中在颜色、纹理、形状以及语义特征等视觉特征提取的基础上,但是由于图像特征描述、提取及相似性度量的复杂性,其理论和技术仍然相当不成熟不完善,理论上有许多问题亟待解决,技术上也有许多难关需要攻克。文章旨在研究一种综合颜色特征和纹理特征的图像检索算法,该算法采用了HSV空间的颜色直方图作为颜色特征向量;采用灰度共生矩阵的四个特征:能量,熵,惯性矩,相关性作为分量构成纹理特征向量。除了单独的颜色和纹理检索,本算法统还将颜色检索和纹理检索的效果结合起来,得到更为合理的检索结果。
1 颜色特征提取算法设计
颜色直方图是最常用的颜色特征表示方法,而HSV空间是相对比较符合人类视觉感知特性的颜色空间。故本系统采用基于HSV空间的颜色直方图进行颜色特征的提取,主要包括RGB空间到HSV空间的转换和HSV空间的量化两个部分。
1.1 RGB空间到HSV空间的转换
通过非线性变换可将RGB颜色空间的r,g,b值转换到HSV空间的h,s,v值。设v’=max(r,g,b),定义r’,g’,b’为
上式中,r,g,b∈[0,255],h∈[0,360],s∈[0,1],v∈[0,1]。
1.2 HSV空间的量化
经过上述进行的RGB颜色空间到HSV颜色空间的转换,图像的每一个像素的颜色信息可以用H、S、V三个分量来表示。通过对颜色模型进行大量的分析,将H、S、V三个分量按照人的颜色感知进行非等间隔的量化。根据H、S、V的量化级数和其频带宽度可取组合后的一维向量L:
其中QS和QV分别是S和V的量化级数,L的取值范围为[0,255],计算L获得256 bin的一维直方图。这样H,S,V三个分量就在一维向量上分布开来。
2 纹理特征提取算法设计
灰度共生矩阵是当前人们公认的重要的纹理分析方法。本系统采用基于灰度共生矩阵的纹理特征提取,主要包括图像灰度化、计算灰度共生矩阵及其特征以及特征向量归一化三个部分。
2.1 图像灰度化
由于基于灰度共生矩阵的提取图像纹理特征的方法是建立在图像灰度值基础上的,因此首先需要把彩色RGB空间转换到YUV空间,所得到的Y值就是图像的灰度值。计算彩色图像各像素灰度值的公式为:
2.2 计算灰度共生矩阵及其特征
定义方向为θ,间隔为d的灰度共生矩阵为[p(i,j,d,θ)],p(i,j,d,θ)为共生矩阵的第i行第j列元素,其意义表示所有θ方向上,相邻间隔为d的一对像素分别具有灰度级i和j的出现概率(频数)。显然灰度共生矩阵是对称矩阵,其阶数由图像中像素的灰度级数决定。对不同的θ,共生矩阵的元素是不同的。可以由下式计算出共生矩阵各个元素的概率作为灰度共生矩阵的值:
共生矩阵p(i,j,d,θ)反映了图像灰度分布关于方向、局部邻域和变化幅度的综合信息。但它并不能直接提供区别纹理的特性,需要从矩阵中进一步提取纹理特征。灰度共生矩阵目前已总结的纹理特征有14个,Gotlieb和Kreyszig通过实验得出,能量、熵、惯性矩和相关性是最有效的特征。
2.3 特征向量归一化
特征向量归一化的目的是使特征向量的各分量具有相同的权重。本文采用高斯归一化方法。设特征向量为V,分量为vi,则高斯归一化公式为:
其中,ν和σ是特征向量各分量vi的期望和方差。经过上式对特征向量进行归一化后,向量中的某个分量落在区间[0,1]范围中的概率约为99%,对于大于1的数值可以简单地对应到1上。
3 相似性度量算法设计
欧氏距离是最简单的距离公式,也是在基于内容的图像检索系统中应用较广泛的距离公式,故本系统采用欧氏距离进行颜色和纹理特征的相似性度量。其公式如下:
其中Ai和Bi分别是关键图和检索图的颜色或纹理特征向量的第i个分量。
4 颜色纹理综合检索算法设计
本系统的颜色纹理综合检索,是根据用户设置的颜色权重和纹理权重(颜色权重和纹理权重之和为1),将颜色特征检索得到的颜色相似性距离和纹理特征检索得到的纹理相似性距离,线性组合成为一个综合相似性距离,该距离计算方法如下:
综合相似性距离=颜色相似性距离*颜色权重+纹理相似性距离*纹理权重(8)
5 图像检索过程
首先用户选择一幅关键图,作为待检索的图像。(本系统支持24位的bmp图像)。系统将自动计算关键图的颜色特征(HSV直方图)和纹理特征,并显示出来。其次用户选择本地电脑上的图像文件夹,作为待检索的图像库。接下来,在选择好关键图和图像库之后,用户可以选择基于颜色检索、基于纹理检索或颜色纹理综合检索。最后,检索完成后,在列表中显示每一幅检索过的图像与关键图的相似性距离以及图像文件的路径,并按相似性距离由小到大排列。
6 算法有效性验证
本文提出的算法采用Visual C++6.0作为开发环境,并使用了MFC类库验证其有效性,系统测试时选取两组测试图像,一组是自然风景图像,一组是卡通娃娃图像。测试结果分别如图。
实验结果分析:
首先,本算法能准确无误地检索出关键图是否在图像库中。其次,从大量的测试中可以看出,单独的颜色检索相比于纹理检索,在色彩上更符合人的视觉和心理特性,这表明基于HSV空间的颜色直方图与欧氏距离的配合,通常能得出比较理想的检索结果。对于纹理结构特征较明显的图像,纹理检索的结果基本令人满意;而对于纹理结构特征不太明显的图像,单独的纹理检索效果一般,且与颜色检索的结果有一定差异,表明灰度共生矩阵的纹理特征不是很符合人的视觉特性,需要与颜色特征或其他特征结合起来才能得到比较理想的检索结果。
此外,对于不同的颜色和纹理权重,颜色纹理综合检索的结果有不同的效果。如果对于单独的颜色或纹理检索结果不满意,用户可以根据具体情况设置不同的颜色和纹理权重。比如对于颜色比较鲜明而纹理不太明显的图像,可以设置较大的颜色权重和较小的纹理权重;对于纹理比较明显而颜色不太鲜明的图像,可以设置较大的纹理权重和较小的颜色权重。总之,在逐步地对颜色和纹理权重进行合理调整的过程中,颜色纹理综合检索一般能获得比单独的颜色或纹理检索更好的检索效果。
参考文献
[1]张宏林.Visual C++数字图像模式识别技术及工程实践[M].北京:人民邮电出版社,2003.
[2]唐立军.基于内容的图像检索系统研究和设计[D].北京:中科院计算技术研究所,2001.
[3]王芳,董军宇,唐瑞春.基于内容的图像检索的关键技术[J].现代计算机,2006,(227):60-62.
[4]俞基标,孙君顶,张芳.基于内容的图像检索的视觉特征[J].福建电脑,2007,(4):36-38.
[5]李丙春.基于共生矩阵的图像纹理特征提取及应用[J].喀什师范学院学报,2006,27(6):35-37.
图像纹理特征 篇5
1 图像目标区域选择
1.1 分段线性灰度增强
分段线性灰度增强将需要的图像细节灰度级扩展, 增强对比度, 将不需要的图像细节灰度级压缩。
基本原理:假设输入图像f (x, y) 的灰度为0～M级, 增强后图像g (x, y) 的灰度为0～N级, 区间[a, b], [c, d]分别为原图形与增强图像的某一灰度区间, 分段线性变换函数为:
文中取a=30, b=80, c=100, c=220, 灰度等级N=225, M=190, 原始图像与灰度增强后图像如图1、图2。
1.2 自适应阈值方法进行图像分割
在实际应用情况下, 当照明不均与, 有突发噪声或者背景灰度变化较大时, 整幅图像分割时将没有合适的单一阈值, 因此采用自适应阈值方法进行图像分割。
自适应阈值方法是对每个像素确定以其自身为中心的一个邻域窗口, 寻找窗口内像素的最大值和最小值, 并取二者的平均值作为阈值。如图三所示以C为当前像素, 选取C的8邻域窗口, 该窗口的最大灰度值为max_value, 最小灰度值为min_value, 则阈值T设置为。实际上, 在选择邻域窗口时, 不一定要选择8个窗口, 但是窗口越大, 需要处理的数据就越多, 时间复杂度就越大。
为了采用八方向邻接技术, 文中采用八窗口作为邻域窗口 (如表1) 。
1.3采取“八方向邻接技术”计算子块与周围相邻子块的颜色对表, 采用阈值法消除颜色噪声
1.4将最后得到的颜色对对应的图像区域设为目标区域, 将待比较的N幅图像与目标图像的每一子块的颜色对表, 匹配时不能使用精确匹配, 因此颜色对误差小于2%也属于该匹配值
2 纹理特征提取
图像的纹理是反映图像的局部结构化特征, 具体表现为图像像素点某邻域内像素点灰度级颜色的某种变化, 并且往往是从共生矩阵中抽取适当的统计量作为纹理表示, 但是共生矩阵提取纹理性质缺少视觉相似性。文中利用Gabor小波变换来提取图像的纹理特征, 然后和颜色特征想结合进行图像检索。
纹理特征的提取是相似匹配的基础文中采用基小波为Gabor函数的小波变换来提取纹理特征过程如下。
对一幅图像I (x, y) , 其Gabor小波变换可定义为:
式中, m是吃度数, n是方向数, gmn对二维Gabor函数进行尺度扩张和旋转变化后得到的滤波器, *共轭复数。相应的变换系数均值µmn和方差σmn为:
为了消除不同特征范围的特征值影响, 本文采用了规范化的L2距离测度来描述图像p和图像q之间的距离。
公式 (7) 就是两图像之间的纹理距离公式。
3 实验结果分析
图像纹理特征 篇6
SAR图像利用雷达发射并接收地物散射电磁回波成像。SAR图像全天时全天候的工作特点使得它在军事和民用上得到广泛的应用。随着SAR图像数据获取能力快速增强,数据量快速增大,依靠人工解译已经不能满足应用需要。因此,计算机辅助解译成为当前的研究热点。特征作为图像的抽象描述,是SAR图像自动解译中的分类、识别、检索的基础。SAR依赖地物的回波信号成像,而回波信号强度和相位随不同地物及其位置和空间结构差异而有显著差别,这些差别引起图像灰度空间分布随地物信息差异而不同,因此SAR图像具有丰富的纹理信息。例如,图1所示的三类不同类型区域具有明显的纹理差异。基于灰度共生矩阵(GLCM)的纹理特征[1]是一种广泛使用且效果良好的SAR图像描述方式[2,3,4]。文献[5]使用GLCM对海冰进行描述和表征,在多类海冰纹理分类实验上取得了良好效果,此外,作者还对GLCM各个参数对其性能的影响进行了研究。U. Kandaswamy等人[6]研究SAR图像纹理分析效率问题 , 提出纹理 特征估计 分析方法 (approximatetextural features),提高了SAR图像纹理分析效率,文献[7]提取SAR图像纹理特征,并使用PCA方法对特征降维,提高了SAR图像分类的正确率。国内也有学者研究基于纹理特征和边缘特征融合改善SAR图像分割效果的问题[8,9]。文献[10]在城市地物分类中使用纹理特征,并探讨纹理特征对分类效果的影响。纹理特征已成为SAR图像分析的一种重要的方法。
目前基于纹理特征的SAR图像特征提取普遍面临如何处理相干斑的影响问题。当前普遍采用的方法是在提取特征前对SAR图像先进行滤波处理[9],以抑制相干斑。但这个方式会在一定程度上对原图像的边缘和纹理造成损失[11],这是因为滤波操作大都采用滑动窗口的方式,在一个窗口区域内,基于均值和方差,使用不同准则来调整中心像素值,为某种程度上的平均,从而造成边缘以及细小的纹理结构损失。同时随着研究深入和技术发展,相干斑涉及图像统计分布且和具体场景相关[12]而可能包含有用信息。采用滤波方式抑制相干斑可能会导致一些信息损失。因此本文提出先直接从SAR图像中提取纹理特征,然后采用RPCA(Robust PrincipleComponent Analysis)[13]方法对特征进行处理以达到特征去噪的目的,然后再进行聚类分析。实验结果表明,使用RPCA处理后的纹理特征进行聚类分析,聚类的准确率从82%提升到84%。
图1 从Terra SAR-X[14]中截取的三类地物切片。它们的灰度分布、排列方式、粗糙程度上均有差异,反应不同类别的地物SAR图像具有纹理差异
1 Robust PCA(RPCA)
RPCA是一种基于压缩感知[15]和稀疏表达[16]理论的信号处理方法。它克服传统PCA只能恢复受到较小较稠密的高斯噪声干扰的矩阵,而能够较准确的恢复出受到幅度较大的非高斯噪音干扰的矩阵。现在已经广泛应用在可见光图像和视频的去噪及恢复领域[17]。RPCA的核心思想是将受噪声干扰的矩阵在满足低秩和稀疏的优化准则下,分解成低秩矩阵A和稀疏矩阵E。用数学可以表达为:
其中D是观测图像,受到噪声的干扰;A是接近真实图像的低秩矩阵;E是稀疏矩阵,代表噪声。是矩阵的0阶范数,表示非零元个数。优化式(1)是一个NP难问题,因此通常采用式(3)作为目标函数。
其中表示核范数,即矩阵奇异值之和;表示一阶范数,即矩阵所有元素绝对值之和。
由于相近的或者相同的图像具有很强的相关性,从而构成低秩矩阵;而这些图像上的噪声因为具有随机性,因而相关度比较低,往往构成稀疏矩阵。那么经过RPCA处理后,受到噪声影响的图像能够正确恢复为低秩矩阵,从而达到原图像去噪的目的。文献[13]提出一种利用RPCA在多幅相同背景图像中提取前景目标的方法。将具有相同背景的图像,以像素为单位,按行拉直成一个向量,多幅图像拉成的向量构成D矩阵。通过优化目标函数(3),便能将D分解。
同一类SAR目标图像往往并没有完全相同的纹理分布背景,因背景缺乏一致性导致切片不能对齐,从而不能构成低秩矩阵。同一场景的切片图像虽然纹理有相似的灰度分布,但在切割时,切片包含的具体场景可能差异较大,因此很难满足构成低秩矩阵的条件。但是从同一类物体提取的特征,理论上能够表达同一类场景或物体,因而这些特征相似或相同的结构,因而具有较强的相关性,从而可以构成低秩矩阵;而特征中的噪声,因为具有一定的随机性而相关性较低,从而构成稀疏矩阵。通过RPCA处理,同类特征之间的结构将更相近。本文按照文献[13]的方法,将从原图像中提取的纹理特征按列排成一个矩阵D,并对它进行RPCA分解。分解得到低秩矩阵A和稀疏矩阵E。其中的低秩矩阵A部分是经过去噪后的特征部分。稀疏矩阵E部分则是特征的噪声部分。
2 实验与分析
2.1纹理特征
为了说明RPCA处理后图像的纹理表达能力有所增强,本文提取切片图像的GLCM纹理特征,并(1)对处理前后的特征向量均值、方差进行对比分析,(2)使用Kmeans的聚类方法检查纹理特征聚类效果,以说明RPCA对纹理特征去噪效果。
灰度共生矩阵(GLCM)利用统计特定空间分布的灰度点对方式来提取图像的纹理特征。矩阵中每一个单元的取值按照(4)式确定。
其中,i,j表示灰度级,d,θ分别表示灰度级距离和方向。
由该矩阵可以计算出多个特征量。Haralick[1]等人提出了14个特征量,但是根据研究[8,9,10,18]5个特征量可以表达纹理特征。这5个特征量分别是:对比度,相关,能量,均匀度,熵。它们的定义依次如下式(5)—(9):
实际应用中,常统计0°,45°,90°,135°四个方向的灰度共生矩阵,每个矩阵提取这5个特征量。实验数据采用一幅Terra SAR-X分辨率为1米的智利铜矿区SAR图像[14]。从图像中分别截取三类不同区域地物的切片,然后将每一类地物切片分别切割成大小为200x200[19]的实验用切片图像。每一类随机挑选出200幅,共600幅图像作数据集,部分数据如下图3所示。
并提取基于灰度共生矩阵的4个方向上的5个纹理特征量:对比度,相关,能量,均匀度,熵。并按以下顺序排列:
将每个纹理特征作为D矩阵的一列,执行RPCA算法[20]对D进行分解。取出低秩矩阵部分A,该部分即为去噪后的特征。经归一化后,每一幅切片图像被一个20维向量所描述。图4、图5分别给出了三类地物切片的纹理特征经RPCA处理前后均值图。由图可见,经RPCA处理前后,三类切片的纹理特征均值变化不大。图6、图7分别为RPCA处理前后,三类切片特征向量方差对比。经RPCA处理后,三类切片特征向量的方差均变小。这表明,经过RPCA处理后,不同类别的纹理特征均值基本保持不变而同一类别的纹理特征的每一维方差都变小,从而说明优化之后再提取的纹理特征区分性有所提升。
2.2 Kmeans聚类
为了进一步检验RPCA处理后图像纹理特征的区分能力,我们对样本图像的纹理特征经RPCA处理前后的聚类情况进行了实验比较。我们采用Kmeans方式对所有样本进行聚类。Kmeans是一种常用的聚类方法,它的算法流程图如图8所示。实验衡量指标采用了聚类中常用的指标对聚类效果进行衡量,定义如式(10)-(13)。经过RPCA处理后的特征进行聚类,各个指标都有所提升,如表一所示。说明经过图像的纹理特征区分能力有所增强。这一结果进一步说明对纹理特征采用RPCA进行去噪是有利于特征表达的。
其中ai是出现在第i个类簇(执行算法得到的) ,TP同一类样本被聚到同一簇,TN表示不同类样本被聚到不同的簇,FP表示不同类样本被聚到同一簇,FN表示同一类样本被聚到不同簇,N为总样本个数。
3 结语
基于灰度共生矩阵的纹理特征是表征SAR图像的一种重要方法,在SAR图像分割、分类中有着重要的应用。本文提出在提取GLCM纹理特征后,利用RPCA对纹理特征进行去噪,进而提高GLCM特征的表征能力。并在Terra SAR-X数据上的实验结果验证了本文方法的有效性。同时也注意到,实验还有改进的地方,可以尝试多特征结合方式以改善聚类效果。
摘要：合成孔径雷达(SAR)图像具有丰富的纹理信息,这些纹理信息能反映地物空间结构关系。当前纹理特征被广泛应用于SAR图像分类和SAR图像分割中。受成像因素影响,直接采用从SAR图像中提取的纹理特征效果不够好。为避免传统先滤波再提取纹理特征的方法对纹理、边缘信息造成损失,提出了一种先提取SAR图像纹理特征,再利用Robust PCA方法对纹理特征去噪的新方法,最后采用Kmeans聚类方法检验RPCA处理后的纹理特征表达效果。实验结果表明该方法能将聚类正确率从82%提高到84%。
图像纹理特征 篇7
关键词：纹理特征,网格细分,二叉树,三维地形
(一) 引言
地形三维可视化计算近年来一直是相关领域的热点研究问题, 在三维仿真和虚拟地形环境中占有十分重要的地位。关于虚拟环境中三维地形的生成大多数是采用简化算法, 在保留地形细部特征的同时来提高其显示效率, 在简化过程中, 需要对消除裂缝、T型连接和简化模型误差度量等进行计算。本文给出了一种无需考虑消除裂缝和连接计算的三维地形生成方法, 依据地形纹理特征曲线从低精度网格地形向高精度网格细化, 使得平坦的地形区域用少量的三角形网格绘制, 起伏较大的地形区域用较多的三角形网格显示, 也形成一种多分辨地形模型结构, 以提高显示质量和效率。
(二) 方法依据和思路
在三维地形场景中, 虽然地形表现为三维模型, 但表示地形的DEM数据可以等价于由高度场生成的二维灰度纹理图像, 亮度变化小的地方, 表明此区域较为平坦, 亮度变化大的地方, 此地形可能山脉、谷等区域, 而“灰度图像边缘”正可以用来描述纹理图像局部区域亮度变化显著的部分。若能在三维空间中细化“边缘特征曲线”周围的网格正是本方法的关键思路所在, 使得边缘特征曲线周围网格密集, 增强其几何特征。
方法实现基本步骤及思路:
(1) 采用图像处理技术, 对地形高程灰度图像进行边缘检测, 从中提取图像的边缘曲线, 作为下一步网格细分的依据。
(2) 将含有地形特征曲线的图像作为纹理, 映射到一个低精度平面网格上。
(3) 根据三角边与它的纹理特征曲线相交情况来细分网格, 细分后的地形网格存储在二叉树数据层次结构中。
(4) 根据高程图像灰度值为地形网格的每个顶点赋予高度值, 最后绘制二叉树结构中所有叶子数据就是地形最终显示结果。
(三) 方法实现过程
1. 网格模型的定义
三角网格除了是由三维空间中的三角片通过边和顶点连接而成的分片线性曲面外, 我们将纹理图像信息作为曲面描述数据定义在网格模型中, 便于细分网格时作为参考对象, 以及增强显示效果, 所以, 这里网格M可以定义为一个三元组, M= (K, V, U) 。
其中, U={u1, …, um}, uiЄR2表示像素点在二维纹理图像中的坐标。
V={v1, …, vm}, viЄR3表示网格M的顶点在三维空间中的位置。
K为表征网格拓扑结构的单纯复形, 一个单纯复形包含一组单形, 其中{i, j}称为边, 记为L;{i, j, k}称为三角形面, 记为T, 三角形每条边最多只能包含在两个三角片中, 并且一个顶点和一个纹理坐标相对应。
2. 网格三角面拆分过程
网格细分的主要目的是为了增加网格细节层次;在地形网格模型中, 这种细节层次主要表现在地形的起伏特征, 根据地形起伏特征自动调整三角网格绘制数量, 在起伏大的区域, 三角网格数量多, 平坦区域, 三角网格数量少;首先预生成一个规则初始地形网格M0, 将含有地形纹理特征的图像映射到网格M0中, 经过网格n次细分, 生成M=M0→M1→M2…→Mn序列, 设T是M0经第i次细分的网格模型Mi中一个三角形, 对T细分过程如图1所示。
因为每个三角形网格顶点都有一个纹理坐标 (ui, uj) 相对应, 首先沿着三角形的绘制方向判断边和特征曲线是否相交, 那么新的交点与该边对应的顶点连线, 将三角形拆分成两个;在图1中的虚线表示地形纹理图像特征曲线, 图1 (a) 中的v1、v2和v3是三角形与特征曲线交点, 首先边{1, k}将三角形T拆分成T1、T2两个三角形, 然后边{2, 1}将T2拆分成T3、T4, 边{3, 1}将T1拆分成T5、T6。将新的顶点v1、v2和v3映射回三维空间, 依据地形高度场赋予新的高度值。一个三角形可能被拆分成4个、3个、2个三角形或不被拆分4种情况, 这样完成一个三角形的细分, 其它三角形网格采用同样的方法, 最终完成整个地形网格模型的细分, 即Mi→Mi+1。
由上述三角面拆分过程, 可以得到图2所示的二叉树细分层次结构。图中的某一层Mx的叶子或没有子树的根是该层网格模型最终绘制结果, 层次越深, 细化程度越高, 树型分支和叶子数量增多, 导致绘制的三角形网格数量的增多。
网格地形的简化过程, 是细化过程的逆过程, 而且无需判断三角形边的拆分情况, 只需将某一层Mx的三角形网格的子树和叶子删除, 就可以达到简化的目的。
3. 细分规则
由于存在提取的边缘线可能与三角形边有多个交点且细分后的三角形法线方向确定等问题, 约束了细分网格效果, 所以, 为了得到较为理想的生成结果, 需要对网格按照一定的规则细分和绘制。
(1) 为了使细分前和后三角面法线方向一致, 避免绘制三角面空洞现象, 将细分后的三角面绘制方向与上一级的三角面绘制方向应该保持一致, 如:三角面T的绘制方向为vivjvk, 那么拆分后的三角面T1、T2的一种绘制方向分别为viv1vk和v1vjvk。
(2) 在三角面细分过程中, 当新增加的拆分顶点v′与该边的端点很接近时, 造成细分后的某一三角形与细分前的三角形很接近, 分裂前后几乎没有发生变化, 即图3中的T2≌T, 所以应给出ωЄ (0, 0.5) , 当|v'-vi|<ω|vj-vi|或|v'-vj|<ω|vj-vi|时, 则新增加的顶点v′为无效点, 此时三角面T的边{i, j}不被拆分。
(3) 三角面的边可能与边缘线存在多个相交点, 为了保证三角面尽可能地均匀地被拆分, 取三角形边中点最近的交点作为该边的拆分点, 即:拆分点P要满足up={|up-0.5× (ui+uj) |}min。
(4) 按照三角形绘制方向来拆分三角形, 如图1中三角形T的绘制方向为vivjvk, 那它的拆分顺序是边vivj, vjvk, vkvi。
(5) 拆分顶点应与最近被拆分的三角形顶点连线来拆分该三角形, 如图1中 (b) 的拆分顶点v2与最近被拆分的三角形T2顶点v1连线来拆分T2, 而不是与三角形T的顶点vi的连线。
4. 数据结构描述和实现过程
根据上述细分过程, 地形网格细分数据可以采用结构规范、搜索较快的二叉树存储, 将每个网格三角形拆分为两个三角形, 拆分前的三角形作为二叉树的根节点, 拆分后的两个三角形作为根节点的子节点, 若子节点不能够再拆分, 则这两个三角形称之为叶子;这些三角形逻辑上就像一组相连的邻居 (左右邻居) , 在细分完地形后, 就建立了三角网格二叉树型结构, 树的叶节点保存了图形绘制缓冲区中的三角形, 针对二叉树描述地形网格特点, 本文如下描述网格二叉树结构:
随着细分层次的增加, 三角形顶点的数量也不断增加且不固定, 因此顶点可以采用链表结构进行存储, 而变量m_vertexIndices就存储了链表队列中的位置;levelNUM代表了三角形拆分过程中所在的层次, 相当于图2中的M层次位置, 便于细化和简化的判定;canDivide是为了提高细分速度, 用来存储该三角形是否能再次细分, 若不能再细分, 就不用再判断二维纹理中三角形各边与特征曲线相交状态。
首先提取由地形的高度场得到灰度图的特征曲线图形, 将基本网格坐标映射到特征曲线的二维平面中, 那么在二维平面中也构成了网格, 判断网格与特征曲线相交情况, 产生新的顶点和三角形网格, 特征曲线密集的地方, 网格细分程度越高, 从而得到的三维地形中, 在地形平坦的地方以最少的存储空间, 起伏变化大的地方用较多的存储空间;如图3所示。
(四) 方法测试
测试目的:采用基于图像纹理特征网格细分的三维地形生成方法对显示效率、质量的影响和关系。
测试手段:
使用C++语言, 以OpenGL作为底层的图形接口, 在C++Builder6.0编译环境中进行测试。建立了CLand (地形生成类) 、CPicture (图像处理类) 、BST (二叉树类) 、CMath (数学计算类) 、CView (窗口显示类) 等主要类。在PⅣ1.8GHz, 256MB内存, Geforce3 64MB显卡机器上, 在800×600窗口, 水平视角450, 误差限2个像素情况下, 定义初始的规则网格数据M0为30×30×2=1800个三角片;原始网格定义为511×511×2=522242个三角片 (数目是根据高程灰度纹理分辨率定义) , 并赋予高度值;细分程度定义为细分后的三角形数目与原始网格三角形数目的百分比;误差定义为原始网格和细分网格的双边Hausdorff距离与原始网格的包围盒对角线长度的百分比, 其测试数据如表1所示, 绘制效果图4所示。
测试结果:在显示效率不低于30帧/秒时, 其中M3能清楚地描述地形几何特征, 误差较小, 显示效率可以达到32帧/秒, 且地形特征变化明显 (图4的 (a) , (b) 比较) , 从M0~M3误差变化较大, 表明能够迅速收敛于地形细节特征;当显示效率低于30帧/秒时, 地形特征变化并不明显 (图5的 (b) , (c) 比较) , M4~M6误差变化小, 而且显示效率并不理想。所以, 在方法应用中, 通常需要给出x={fFS (Mx) ≥FS}max测试程序, 即在满足显示效率的同时, 最大限度地提高其显示质量, 目的是兼顾3D模型显示效率和显示质量, 其中fFS () 用来测试网格Mx显示效率, FS是预先给定的显示效率常数, 如本文以30帧/秒显示效率作为分界线, x是多层次模型最大细分网格深度, 如本文x=3。在实际程序运行过程中, x会根据给定的FS值, 通过网格细化和简化自动调整其网格绘制深度。
(五) 结论
本文给出了一种基于纹理图像特征网格细分的三维地形生成方法, 方法思路简单且容易实现, 通过提取地形高程特征值作为网格细分依据, 形成多分辨率地形模型结构, 使得显示效率和保留地形细节特征尽可能兼顾。从第3节可知, 由于采用三角边拆分方式, 共享该边的一个三角面被拆分, 另外三角面一定被拆分, 因此, 不存在消除裂缝和连接计算, 在一定程度上减少程序设计的复杂过程。
另外, 该方法还可以结合“视点相关”三维地形显示技术, 在显示效率方面还会进一步提高, 这是今后的主要工作。
参考文献
[1]李偈, 张松海, 刘强.一种基于四叉树结构的动态多分辨率地形模型[J].计算机工程与应用, 2006, 42 (7) :202-204.
[2]杜剑侠, 李凤霞, 战守义.LOD算法研究及其在地形实时显示中的应用.计算机工程与应用, 2005, 41 (13) :211-231.
[3]韩敏, 汤松涛, 李洋.大规模地形实时可视化算法[J].计算机工程, 2008, 34 (13) :270-272.
[4]张立强, 杨崇俊.多进制小波和二叉树实现大规模地形的实时漫游[J].计算机辅助设计与图形学学报, 2005, 17 (1) :467-472.
图像纹理特征 篇8
关键词：图像检索,颜色特征,纹理特征,LBP算子,布料色卡
0 引言
目前布料制品加工行业还存在以下影响生产与加工效率的问题:(1)找料难;(2)检料难;(3)分类难;(4)排版切割难。通过将布料色卡扫描成数字图像,利用基于内容的图像识别检索技术对布料色卡进行查找和分类,可以有效解决上述问题,而且可以使企业提高生产效率和产品质量,从而更具有市场竞争力。
国外在基于计算机进行布料图像检索领域的发展较早,所形成的布料检索方法也较为成熟,如美国研究人员Choonjong Kwak、Jose A Ventura提出采用神经网络进行布料纹理分类识别的方法等。我国科研工作人员在该领域也有一些相关研究工作,如韩立群建立了基于自组织神经网络的布料纹理分类器,刘健勤提出了布料纹理分类的神经元网络算法等。虽然国内外在布料纹理识别与检索领域的研究取得了很多进展,但依然存在许多问题。因此,近年来许多新的研究方法也不断出现,如冉友廷[1]提出织物色彩管理系统的设计方案和一种新的织物花型提取方法;徐琪[2]提出一种新的纹理描述方法———多尺度斑块特征(Multiscale Blob Features,MBF);赵杨[3]提出一系列局部纹理描述子来研究在局部纹理信息中起关键作用的判别信息。
虽然提出的方法和理论很多,但目前还没有一种方法可以适合各领域的图像检索或分类,或者处理时间过长,不能在实际生产中广泛应用。因此,为满足布料生产和销售领域对布料色卡图像识别技术的需求,针对该领域研究合适的基于内容的图像检索方法具有实际应用价值。
1 图像颜色与纹理特征及其表示
1.1 图像颜色空间和图像特征表示
对于图像颜色的特征描述必须是在一个特定的颜色空间中,常用的颜色空间有RGB空间和HSV空间[4,5,6]。
1.1.1 颜色空间
(1)RGB颜色空间。RGB颜色空间是由红色(R)、绿色(G)、蓝色(B)3种基色混合编码形成的。在三维坐标中,红(Red)、绿(Green)、蓝(Blue)为3个颜色通道,数值大小分别代表在各自通道上的强度值。
(2)HSV颜色空间。HSV颜色空间模型把颜色空间分为3种属性:色调H(Hue)、饱和度S(Saturation)和亮度V(Value)。色调H表示光的颜色,饱和度S指颜色深浅程度,亮度V指颜色明暗程度。HSV颜色空间模型应用非常广泛,与人眼的视觉特性非常接近。各通道之间相互独立,可以独立感知各颜色通道的变化。
RGB空间转换为HSV空间的计算公式如下:
1.1.2 颜色特征表示———颜色直方图
图像的颜色直方图是一种概率分布图,它描述了不同亮度值在图像中出现的频率。一副图像I的灰度值范围为[0,K-1],它的直方图h正好包含K个条目,每一个单独的条目被定义为:
h(i)=I中灰度值为i的像素点总数/图像总像素数
其中,0≤i<K。
颜色直方图定义了图像或图像中区域的颜色分布,如果在图像旋转和缩放过程不丢失图像信息,颜色直方图具有与生俱来的旋转不变性和缩放不变性。
1.1.3 HSV空间上的颜色量化
一个颜色空间包含的颜色种类非常多,如果每一种颜色都需要考虑,计算机的计算量和所需存储空间都比较大,所以可以把一些颜色合并在一起,以提高图像识别检索效率。因此,将HSV颜色空间分割成许多个颜色块,并且每个颜色块都有一个特定的块标号。
HSV由RGB转换而来,其中0≤H≤360,0≤S≤1,0≤V≤1。此时需要对各个分量进行划分,得到各个分量的区间号。根据人眼的分辨能力,色调H分为8份,饱和度S分为3份,亮度V分为3份,即可达到要求。不同颜色对人眼的刺激强度不一样,在这里各个分量并不是平均划分,具体划分方式如下所示:
而分割后的HSV中每个块的块标号应该由各个分量的区间号决定,设块标号为M,H划分为Nh份,S划分为Ns份,V划分为Nv份,则:
图像颜色直方图的计算可统计每个颜色块中的像素点个数,最后得到一个Nh*Ns*Nv维的特征向量。
1.2 图像纹理特征
目前,对于图像纹理的描述分析方法主要有统计类分析方法和结构类分析方法。而局部二值模式(Local Binary Patterns,LBP)是结合了统计类分析方法和结构类分析方法的纹理描述方法,其虽然简单,但功能强大,能较好地体现局部纹理特征。
1.2.1 传统的LBP算子
芬兰奥卢(Oulu)大学的Ojala等学者在1996年提出局部二值模式算法[7,8],该算法中的局部最初是定义为一个3×3的窗口,实现过程为:先将该窗口中心像素点的亮度值作为阈值,其余8个邻近像素点的亮度值与阈值进行比较,如果大于或等于阈值,该像素点标记为1,否则标记为0;然后,将邻近像素点的二值编码衔接起来构成一个8位的二进制编码,也称为LBP编码,LBP编码值的计算公式如下:
其中,gp表示邻近像素点的亮度值,gc表示中心像素点的亮度值,P表示领域中邻近像素点的总数。最后,计算出图像中所有局部领域的LBP编码,统计整张图像的LBP编码值直方图,该直方图即可作为图像的纹理特征。
1.2.2 旋转不变的LBP
Maenpaa等[7]引入一种旋转不变的LBP编码方式,该方式的思想是将传统LBP编码进行循环右移一周,得到P个不同的二进制编码,取最小编码值作为当前领域的LBP值,计算公式如下:
ROR(x,i)表示将x循环右移i位。
LBPriP,R虽然消除了旋转带来的影响,但是它将不同的LBP模式变成为一类LBP模式,减少了LBP模式数量,丢失了很多纹理微结构。
1.2.3 均匀模式的LBP
不同编码值的LBP模式在识别判断过程中起到的作用是有差别的,有些模式的编码值出现频率很高,这一类模式编码值能描述绝大多数的纹理模式,其编码值的共同点是:二进制编码各个位,从1变为0或从0变为1的情况至多出现两次,比如,00000000中0、1的变化次数为0,11 100 000中0、1的变化次数为2(要将编码串看成首尾相连)。0、1变化次数可以由以下公式计算:
将U≤2的LBP模式称为均匀模式的LBP。均匀模式的LBP舍弃了很多模式类型,N的大小由2P变为P(P-1)+2。
结合LBP的旋转不变性,将均匀模式的LBP进行循环右移,可以得到循环右移的旋转不变均匀模式的LBP,用LBPriu2P,R表示,编码值的计算公式如下:
1.3 相似度计算与实验评价标准
本文采用常用的直方图测度:卡方统计。卡方统计是计算两个直方图在对应位置上区别度的累加和,计算公式如下:
的值越小,表示以H和I为特征直方图的两张图片越相似。实验中以识别率和平均排序值作为评价标准。识别率表示算法正确识别图片的能力,越大则能力越强。平均排序值表示检索正确的图片在结果集中的排名位置,越小说明效果越好。
2 融合颜色特征与LBP纹理特征的图像检索算法
由于颜色和纹理特征的识别能力可能有差别,在结合过程中,纹理颜色的先后匹配顺序可能会影响结果,所以进行了以下匹配识别:(1)仅颜色:仅依靠颜色特征对图像进行筛选排序得出结果;(2)先颜色,后纹理:先经过颜色筛选排序,取前15张进行纹理排序,显示结果;(3)先纹理,后颜色:先经过纹理筛选排序,取前15张进行颜色排序,显示结果;(4)颜色优先:先经过颜色筛选排序得到图片I的排名为C,取前N张进行纹理排序,得到图片I的排名T,取(C+T)/2为图片新的排名,再排序一次,显示结果;(5)纹理优先:先经过纹理筛选排序得到图片I的排名为T,取前N张进行颜色排序,得到图片I的排名C,取(C+T)/2为图片新的排名,再排序一次,显示结果。
算法1:先颜色(纹理),后纹理(颜色)的检索算法,具体实现描述如下:
一般而言,N1的值可以大一些,以免第一遍筛选就把正确的图像淘汰了,但也不宜过大,否则会集中图片过多,影响第二遍筛选的性能。
算法2:颜色(纹理)优先的匹配识别算法,具体实现描述如下:
3 对比实验与结果分析
3.1 实验环境
系统的开发平台与测试环境信息如表1所示。
3.2 数据集———布料色卡图片集
布料色卡图片集是从实际企业收集得到的真实布料色卡数据集,通过EPSON PERFETION V10全彩扫描器对每张布料色卡进行扫描得到的,共有近1 500张。
3.3 实验结果与分析
针对实际采集到的布料色卡图片集,基于图像和纹理特征相结合的图像检索方法,分别按照6种不同的测试方案进行实验。通过10次实验取平均值,实验结果如表2所示,表中增加了最大排序值这一评价标准。
从整体而言,对于色彩鲜明、颜色丰富的布料色卡图片集,加入颜色特征显然有效,实验数据也可以证明这一点。仅采用LBP纹理测试识别率为96.28%,仅采用颜色测试识别率为96.50%,而结合LBP纹理和HSV颜色特征,图像识别率都超过这两个值,最高可达99.63%。HSV颜色特征和LBP纹理不同的筛选顺序和相似度排序,对结果也有影响。颜色(纹理)优先比先颜色(纹理)后纹理(颜色)在最大排序上略有改善,先经过颜色筛选比先经过纹理筛选效果要好,主要是仅颜色识别的最大排序值7比LBP纹理识别的最大排序要小。因此,采用颜色特征作初筛选显然更精确、稳定。
结合颜色和纹理特征的布料色卡图像检索效果十分理想,虽未达到百分之百,但对于绝大多数图片都能识别正确,少数一些图片的正确结果也能在前几张显示,该效果对使用者来说可以接受,具有较强的实用性。
4 结语
虽然LBP算子具有强大的纹理描述能力,运用图像的LBP纹理特征进行图像识别检索可以得到较好的效果,并且LBP拥有多种不同的模式,适用于不同图像,但仅依靠纹理这一单一特征,对于颜色丰富的布料色卡,识别能力仍然有限。而结合图像纹理和颜色特征的图像识别方法在布料色卡图像上的识别率能达99%以上,符合实际应用要求。下一步将在完善所做工作的基础上,研发一套实用性强、识别率高,且操作更简单的融合图像LBP纹理和颜色的布料色卡图像识别系统。
参考文献
[1]冉友廷.织物表面颜色纹理特征的检测与应用[D].武汉:武汉纺织大学,2013.
[2]徐琪.一种新的纹理描述方法及其应用——多尺度斑块特征法[D].上海:复旦大学,2011.
[3]赵洋.基于局部描述算子的纹理识别方法及其在叶片识别方面的应用[D].合肥:中国科学技术大学,2013.
[4]张长江.数字图像处理及其应用[M].北京:清华大学出版社,2013:277-280.
[5]张虹.基于MVC框架的色卡图像检索系统设计与实现[D].南昌:南昌大学,2013.
[6]黄海泉.基于多粒度的CBIR在布料图像领域的研究与应用[D].南昌:南昌大学,2013.
[7]T OJALA,M PIETIKAINEN,T MAENPAA.Multiresolution gray-scale and rotation invariant texture classification with local binary patterns[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2002,24(7):971-987.