纹理特征提取方法

纹理特征提取方法发展1973年，Haralick在利用陆地卫星图像研究美国加利福尼亚海岸带的土地利用问题时，开创性地提出著名的GLCM，它在纹理分析中是一个很好的方法，广泛用于将灰度值转化为纹理信息。此外，这个阶段出现的方法主要还有灰度行程长度法、灰度差分统计法，自回归模型法等，这些方法在纹理分类中有一定效果，但是这些方法的后继研究很少，在实际应用中也较少采用从20世纪80年代以来，MRF理论在纹理分析中掀起一阵热潮..，为纹理特征提取找到了一个新的方向，尔后相继出现了MRF模型、Gibbs模型、高斯马尔可夫随机场(GMRF)模型、同步自回归模型(SAR)、隐马尔可夫随机场模型(HMRF)、广义MRF模型和多分辨率MRF等等。同时，分形理论也为提取纹理特征注入了新的活力。1984年，Pentland等人在这方面做了开创性的工作，指出分形模型非常适用于描述纹理图像。后来更多学者将分形用于纹理分类，以分数维来描述图像区域的纹理特征。其中引人瞩目的是Chaudhuri和Sarker提出了差分计盒算法，这是一种简单、快速、精度高的分形维数计算方法。也是目前用得较多的一种方法。随后，Kapan等提出了非常吸引人的扩展分形特征。90年代以后随着小波理论的发展，小波在纹理特征提取中的应用也不断发展。近年来，较引人瞩目的是ojala等于2002年提出的局部二进制模式(LBP)，该方法分析纹理的吸引人的地方在于其计算复杂度小，具有多尺度特性和旋转不变特性，在纹理检索领域得到应用。纹理是图像分析中常用的概念，指的是图像像素的灰度或者颜色的某种变化。纹理特征，这里指得是利用计算机技术从数字图像中计算出来的可以定量描述人对纹理的定性的感知的某些参数，它对区域内部灰度变化或者色彩变化的某种规律进行量化，这些纹理特征能够尽可能地缩小纹理的类内差距，同时尽可能增大纹理的类间差距方法分类1.统计家族（基于像元及其邻域的灰度属性，研究纹理区域中的统计特性，或像元及其邻域内的灰度的一阶、二阶或高阶统计特性）（1）GLCM（灰度共生矩阵）：该方法是建立在估计图像的二阶组合条件概率密度基础上（2）半方差：该方法是一种基于变差函数的方法，由于变差函数反映图像数据的随机性和结构性。因而能很好地表达纹理图像的特征（3）LBP（局部二值模式）2.模型家族（，假设纹理是以某种参数控制的分布模型方式形成的，从纹理图像的实现来估计计算模型参数，以参数为特征或采用某种分类策略进行图像分割）（1）随机场模型（随机场模型方法试图以概率模型来描述纹理的随机过程，它们对随机数据或随机特征进行统计运算估计纹理模型的参数，然后对一系列的模型参数进行聚类，形成和纹理类型数一致的数类模型参数；由估计的模型参数对灰度图像可以进行逐点的最大后验概率估计，确定像素及其邻域情况下该像素点最可能归属的概率。随机场模型实质上是描述图像中像素对其邻域像素的统计依赖关系，其中最重要的、应用最广泛的是MRF模型。）a．MRFb．自回归模型（SAR）（2）分形模型（分数维作为分形的重要特征和度量，把图像的空间信息和灰度信息简单而又有机地结合起来）a．分数布朗运动(FBM)模型b．自相似(ESS)模型3.信号处理家族（在时、频分析与多尺度分析基础之上，对纹理图像中某个区域内实行某种变换后，再提取保持相对平稳的特征值，以此特征值作为特征表示区域内的一致以及区域间的相异性。信号处理家族的方法从变换域提取纹理特征，其他3个家族直接从图像域提取纹理特征）(1)数字图像变换方法a．局部傅里叶变换b．离散余弦变换c．局部沃尔什变换d．离散K-L变换（2）小波变换方法a．Gabor滤波方法：该方法以“纹理是窄带信号”为基础的，其主要思想是：不同纹理一般具有不同的中心频率及带宽，根据这些频率和带宽可以设计一组Gabor滤波器对纹理图像进行滤波，每个Gabor滤波器只允许与其频率相对应的纹理顺利通过，而使其他纹理的能量受到抑制，从各滤波器的输出结果中分析和提取纹理特征，用于尔后的分类或分割任务。b．小波方法：首先借助正交小波对图像进行小波分解，得到不同分辨率的一系列图像。分辨率越低，具有的是原图像上越低频的信息。与此同时，每种分辨率的图像由代表不同方向信息的一系列高频子带图像组成，使用小波高频子带特征的目的在于它们可以反映图像的纹理特性。4.结构家族（基于“纹理基元”分析纹理特征，着力找出纹理基元，认为纹理由许多纹理基元构成）(1)句法(syntactic)纹理描述方法（2）数学形态学方法比较（1）统计家族的优势与不足优势：方法简单，易于实现，尤其是GLCM方法是公认的有效方法，具有较强的适应能力和鲁棒性。Ohanian等人对四种纹理特征提取方法的分类性能进行评估，分别是MRF、Gabor滤波、分形特征和GLCM，结果是GLCM表现最好，当图像较小时无疑先尝试GLCM方法，当纹理呈现某种自相似性时。建议采用分形方法。Clausi旧m引1比较了GLCM、MRF和Gabor方法在分类SAR海冰图像时的性能，发现GLCM分类正确率最高，其次是Gabor方法GLCM对纹理边界要较MRF敏感。不足：①与人类视觉模型脱节，缺少全局信息的利用，难以研究纹理尺度间像素的遗传或依赖关系；②缺乏理论支撑；③计算复杂度很高，制约了其实际应用（2）模型家族的优势与不足优势：模型家族的方法能够兼顾纹理局部的随机性和整体上的规律性，并且具有很大的灵活性；采用随机场模型法对遥感影像纹理特征进行描述并在此基础上进行分割，在很大程度上符合或反映了地学规律；MRF的主要优点是提供了一种一般而自然的用来表达空间上相关随机变量之间的相互作用的模型。它注意到纹理的多分辨率特性，结合图像的分层理论，发展了分层MRF方法、多分辨率MRF方法等，不但可以提高处理效率，而且研究纹理尺度间像素的遗传或依赖关系以取得纹理特征。不足：①由于主要是通过模型系数来标识纹理特征，模型系数的求解有难度；②由于基于MRF模型的纹理图像分割是一个迭代的优化过程，它由局部到全局的收敛速度很慢(即使条件迭代模式(ICM)能加速寻找解)，因而需要很大的计算量，通常需要迭代数百次才能收敛；③参数调节不方便，模型不宜复杂。（3）信号处理家族的优势与不足优势：对纹理进行多分辨表示，能在更精细的尺度上分析纹理；小波符合人类视觉特征，由此提取的特征也是有利于纹理图像分割的；能够空间／频域结合分析纹理特征。不足：正交小波变换的多分辨分解只是将低频部分进行进一步的分解，而对高频部分不予考虑，而真实图像的纹理信息往往也存在于高频部分，小波包分析虽然克服了这一缺点，但对非规则纹理又似乎无能为力，小波多应用于标准或规则纹理图像，而对于背景更复杂的自然图像，由于存在噪声干扰，或者某一纹理区域内的像素并非处处相似，因此往往效果不佳。另外，也存在计算量大的问题。