紋理特徵簡介

紋理的定義：

紋理是一種反映影象中同質現象的視覺特徵，它體現了物體表面的具有緩慢變化或者週期性變化的表面結構組織排列屬性。紋理具有三大標誌：某種區域性序列性不斷重複、非隨機排列、紋理區域內大致為均勻的統一體。紋理不同於灰度、顏色等影象特徵，它通過畫素及其周圍空間鄰域的灰度分布來表現，即：區域性紋理資訊。區域性紋理資訊不同程度的重複性，即全域性紋理資訊。

紋理的分類：

紋理特徵可以分為四種型別：

（1）統計型紋理特徵：

基於像元及其鄰域內的灰度屬性，研究紋理區域中的統計特徵，或者像元及其鄰域內灰度的一階、二階或者高階統計特徵。

統計型紋理特徵中以glcm（灰度共生矩陣）為主，它是建立在估計影象的二階組合條件概率密度基礎上的一種方法。glcm主要描述在theta方向上，相隔d個像元距離的一對像元分別具有灰度值i和j的出現的概率。儘管glcm提取的紋理特徵具有較好的鑑別能力，但是這個方法在計算上是昂貴的，尤其是對於畫素級的紋理分類更具有侷限性。並且，glcm的計算較為耗時，好在不斷有研究人員對其提出改進。

（2）模型型紋理特徵：

假設紋理是以某種引數控制的分布模型方式形成的，從紋理影象的實現來估計計算模型引數，以引數為特徵或採用某種策略進行影象分割，因此，模型引數的估計是這種方法的核心問題。

模型型紋理特徵提取方法以隨機場方法和分形方法為主。

隨機場模型方法：試圖以概率模型來描述紋理的隨機過程，它們對隨機資料或隨機特徵進行統計運算，進而估計紋理模型的引數，然後對一系列的模型引數進行聚類，形成和紋理型別數一致的模型引數。由估計的模型引數來對灰度影象進行逐點的最大後驗概率估計，確定畫素及其鄰域情況下該畫素點最可能歸屬的概率。隨機場模型實際上描述了影象中畫素對鄰域畫素的統計依賴關係。

分形模型方法：分數維作為分形的重要特徵和度量，把影象的空間資訊和灰度資訊簡單而又有機的結合起來，因而在影象處理中備受人們的關注。分數維在影象處理中的應用時以兩點為基礎：（a）自然界中不同種類的形態物質一般具有不同的分形維；（b）由於研究人員的假設，自然界中的分形與影象的灰度表示之間存在著一定的對應關係。研究表明，人類視覺系統對於粗糙度和凹凸性的感受與分形維數之間有著非常密切的聯絡。因此，可以用影象區域的分形維數來描述影象區域的紋理特徵。分形維描述紋理的核心問題是如何準確地估計分形維。

（3）訊號處理型紋理特徵：

建立在時域、頻域分析與多尺度分析基礎之上，對紋理影象中某個區域內實行某種變換之後，再提取保持相對平穩的特徵值，以此特徵值作為特徵表示區域內的一致性以及區域間的相異性。

訊號處理類的紋理特徵主要是利用某種線性變換、濾波器或者濾波器組將紋理轉換到變換域，然後應用某種能量準則提取紋理特徵。因此，基於訊號處理的方法也稱之為濾波方法。大多數訊號處理方法的提出，都基於這樣乙個假設：頻域的能量分布能夠鑑別紋理。

（4）結構型紋理特徵：

基於「紋理基元」分析紋理特徵，著力找到紋理基元，認為紋理由許多紋理基元構成，不同型別的紋理基元、不同的方向及數目，決定了紋理的表現形式。

以上四種紋理特徵提取方法中，訊號處理型紋理特徵主要從變換域提取紋理特徵，其餘三種紋理提取方法則直接從影象域提取紋理特徵。各種型別的紋理特徵提取方法之間既有區別又有聯絡。

紋理特徵簡介

紋理特徵簡介

紋理特徵簡介

紋理特徵小結

相關推薦