图像纹理的概念-YiruiWu

巫义锐图像模式识别河海大学计算机与信息学院个人网址：wuyirui.github.io电子邮箱：[e-mail]图像模式识别•模式识别定义•模式识别应用举例•模式识别发展历史•图像特征介绍模式识别定义模式识别(PatternRecognition)：确定一个样本的类别属性（模式类）的过程，即把某一样本归属于多个类型中的某个类型。样本（Sample)：一个具体的研究（客观）对象。如患者，某人写的一个汉字，一幅图片等。模式(Pattern)：对客体（研究对象）特征的描述（定量的或结构的描述），是取自客观世界的某一样本的测量值的集合（或综合）。模式识别定义x),,,(21nxxxx特征(Features)：能描述模式特性的量（测量值）。在统计模式识别方法中，通常用一个矢量表示，称之为特征矢量，记为模式类(Class)：具有某些共同特性的模式的集合。模式识别系统模式识别系统的主要环节：特征提取：符号表示，如长度、波形、。。。特征选择：选择有代表性的特征，能够正确分类学习和训练：利用已知样本建立分类和识别规则分类识别：对所获得样本按建立的分类规则进行分类识别训练集：是一个已知样本集，在监督学习方法中，用它来开发出模式分类器。测试集：在设计识别和分类系统时没有用过的独立样本集。系统评价原则：为了更好地对模式识别系统性能进行评价，必须使用一组独立于训练集的测试集对系统进行测试。模式识别系统各类空间的概念7对象空间模式空间特征空间类型空间模式采集：从客观世界（对象空间）到模式空间的过程称为模式采集。特征提取和特征选择：由模式空间到特征空间的变换和选择。类型判别：特征空间到类型空间所作的操作。模式识别三大任务图像模式识别•模式识别定义•模式识别应用举例•模式识别发展历史•图像特征介绍系统实例纸币识别器对纸币按面额进行分类面额5元10元20元50元100元系统实例长度(mm)宽度(mm)5元1366310元1417020元1467050元15170100元15677系统实例磁性金属条位置(大约)5元有54/8210元有54/8720元有57/8950元有60/91100元有63/93系统实例数据采集、特征提取：长度、宽度、磁性、磁性的位置，光反射亮度、光透射亮度等等特征选择：长度、磁性及位置、反射亮度分类识别：确定纸币的面额及真伪模式识别应用举例模式识别应用举例汽车车牌识别•从摄像头获取包含车牌的彩色图象•车牌定位和获取•字符分割和识别输入图象特征提取粗略定位分割字符确定类型精细定位识别、输出总结•训练过程(Training)信息获取预处理特征提取训练（学习分类规则）•识别过程(Testing)信息获取预处理特征提取分类（利用学到的分类规则）信息获取预处理特征提取与选择分类器设计分类决策训练图像模式识别•模式识别定义•模式识别应用举例•模式识别发展历史•图像特征介绍模式识别的发展简史1929年G.Tauschek发明阅读机，能够阅读0-9的数字。30年代Fisher提出统计分类理论，奠定了统计模式识别的基础。50年代NoamChemsky提出形式语言理论——傅京荪提出句法/结构模式识别。60年代L.A.Zadeh提出了模糊集理论，模糊模式识别方法得以发展和应用。19模式识别的发展简史80年代以Hopfield网、BP网为代表的神经网络模型导致人工神经元网络复活，并在模式识别得到较广泛的应用。90年代小样本学习理论，支持向量机也受到了很大的重视。20主要实用系统举例文字识别（CharacterRecognition）OCR（OpticalCharacterRecognition）智能交通（IntelligentTraffic）车牌、车型。语音识别（Speechrecognition）翻译机，身份识别等目标识别ATR（AutomaicTargetRecognition）图像模式识别•模式识别定义•模式识别应用举例•模式识别发展历史•图像特征介绍图像特征介绍•图像的边缘特征•图像点特征•图像纹理特征•图像形状特征图像的边缘特征图像边缘具有方向和幅度两个特征。沿边缘走向，像素的灰度值变化比较平缓，而沿垂直于边缘的走向，像素的灰度值则变化比较剧烈。这种剧烈的变化或者呈阶跃状（stepedge），或者呈屋顶状（roofedge），分别称为阶跃状边缘和屋顶状边缘。一般常用一阶和二阶导数来描述和检测边缘。图像特征介绍•图像的边缘特征•图像点特征•图像纹理特征•图像形状特征图像点特征如果图像中的一个非常小的区域的灰度幅值与其领域值相比有着明显的差异，则称这个非常小的区域称为图像点（一般意义上的孤立像素点），如下图所示。图像角点的概念关于图像角点的定义有多重不同的看法。从直观可视的角度出发，两条直线相交的顶点可看作是角点（如图10.8所示）；物体的几个平面的相交处也可以看作是角点，等等。从图像特征的角度出发，图像中周围灰度变化较为剧烈的点可看作是角点；图像边界上曲率足够高的点也可看作是角点，等等。图像的角点特征示意图图像角点的概念角点检测方法有很多种，其检测原理也多种多样，但这些方法概括起来大体可以分为三类:一是基于模板的角点检测算法；二是基于边缘的角点检测算法；三是基于图像灰度变化的角点检测算法。其中，基于图像灰度变化的角点检测算法应用最为广泛。SUSAN角点检测算法1、SUSAN算法的原理SUSAN算法通过核值相似区（UnivalueSegmentAssimilatingNucleus，USAN）实现角点特征的检测；采用的角点检测模板是一种圆形的模板，如下图所示：SUSAN算子圆形模板SUSAN角点检测算法1、SUSAN算法的原理（续）模板在目标图像上移动时，位于圆形模板（窗口）中心的像素称为核心点。核心点的邻域被划分为两个区域：一个是灰度值等于（或相似于）核心点灰度值的区域，称为核值相似区，即USAN；另一个是灰度值不相似于核心点灰度值的区域，也即与核心点像素灰度值相差比较明显的像素组成的区域。SUSAN角点检测算法1、SUSAN算法的原理（续）当某一像素点的灰度值与模板核心像素点灰度的差值小于阈值t时，就认为该点与核心点具有相近的灰度值，由满足该条件的所有像素点组成的区域称为USAN区域。SUSAN角点检测算法1、SUSAN算法的原理（续）USAN区域包含了图像的局部结构信息，其大小反映了图像局部特征的强度。当模板在图像上移动时，USAN区域大体可以分为三类：当模板完全处于图像的背景或目标中时，USAN区域最大，大小为模板大小，如位置a。模板核心点abcde圆形窗口SUSAN角点检测算法1、SUSAN算法的原理（续）当模板中心处于角点上时，USAN区域最小，如位置b；当模板中心处于边界上时，USAN区域大小为模板大小的一半，如位置c；当模板由图像中逐渐移向图像边缘时，USAN区域逐渐变小，如位置e。模板核心点abcde圆形窗口SUSAN角点检测算法2、利用SUSAN算法进行角点检测的过程（1）首先，当模板在图像上进行扫描时，利用阈值t，通过模板内某一像素点与核心像素点灰度的差值，来判别该像素点是否属于USAN区域。其数学表达式为：trIrIftrIrIfrrC|))()(|0|))()(|1),(000其中，为图像中模板核心点像素的位置，表示图像中的模板除中心以外的其它任意一点的位置；和分别表示待定像素点和中心像素点的灰度值。0rr)(rI)(0rIr0rSUSAN角点检测算法2、利用SUSAN算法进行角点检测的过程为了计算可靠，用该式来代替上式:60)6)()((0),(rIrIerrC这样，模板内所有象素点所对应的USAN区域大小就可以表示为：rrrCrn),()(0SUSAN角点检测算法2、利用SUSAN算法进行角点检测的过程（2）当所有像素点的USAN区域大小得到以后，就通过能量响应函数来判断该点是否为角点，能量响应函数定义为：)(0rR000()|()|()0TnrifnrTRrothers其中，表示点的USAN区域大小；T是预先设定的几何门限阈值，用于决定哪些像素点可以视为角点。当目标图像中的某一像素点的USAN区域小于几何门限时，该像素点就被判定为角点，否则就不是角点。)(0rnSUSAN角点检测算法2、利用SUSAN算法进行角点检测的过程（3）使用非最大抑制（NoMaxSupperssion，NMS）方法找特征点，即通过将一边缘点作为3×3模板的中心，在它的8邻域范围内的点进行比较，保留灰度值最大者，这样就可以找出特征点了。SUSAN角点检测算法3、虚假角点的剔除剔除虚假角点的判定方法（USAN的质心和连续性）：（1）真实角点的USAN区域其重心（质心）的位置远离模板的中心位置，重心公式为：rrrrcrrcrrr),(),()(000（10.28）（2）模板内从模板中心指向USAN区域重心的直线上的所有象素必须是USAN区的一部分。SUSAN角点检测算法4、SUSAN算法角点检测示例组合立体积木图中的角点检测算，图中的11个明显的角点都被检测出来了。(a)原组合立体积木图(b)SUSAN算子提取的角点结果示例SUSAN算子角点检测立体积木实验图SUSAN角点检测算法5、SUSAN的优点和不足SUSAN角点检测算法是最早出现的角点检测算法之一，典型的的角点检测算法还有Moravec、Harris和Sift等。C.Harris,M.Stephens.AcombinedVornerandEdgeDetector.Procof4thAlveyVisionConference,1988.Harris角点检测：图像特征介绍•图像的边缘特征•图像点特征•图像纹理特征•图像形状特征纹理通常被用来描述物体的表面特征，诸如地形、植被、沙滩、砖墙、岩石、纺织布料、毛质、皮质、墙纸、各种台面等。纹理是一种十分重要的图像特征，它不仅反映了图像的灰度统计信息，而且反映了图像的空间分布信息和结构信息，在模式识别、图像分割与识别、计算机视觉中具有广泛的应用前景。图像纹理的概念1、图像纹理的概念在自然景物中，类似于砖墙那种的具有重复性结构的图案可以看作是一种纹理。在图像中，由某种模式重复排列所形成的结构可看作是纹理。图像纹理反映了物体表面颜色和灰度的某种变化，而这些变化又与物体本身的属性相关。从宏观上看，纹理是物体表面拓扑逻辑的一种变化模式；从微观上看，它由具有一定的不变性的视觉基元（通称纹理基元）组成。不同物体表面的纹理可作为描述不同区域的一种明显特征。图像纹理的概念纹理的特征有三点：（1）某种局部的序列性在比该序列更大的区域内不断重复出现。（2）序列由基本的纹理基元非随机排列组成。（3）在纹理区域内各部分具有大致相同的结构和尺寸。一些纹理示例：图像纹理的概念beerenflowerfoodwater彩色纹理图像图像纹理的概念包含多个纹理区域的图象图像纹理的概念图像纹理的主要特性及描述与提取方法1、图像纹理的主要特性（1）粗糙度。纹理基元是具有局部灰度特征和结构特征的。纹理的粗糙度与纹理基元的结构及尺寸，以及纹理基元的空间重复周期有关。纹理基元的尺寸大则意味着纹理粗糙，其尺寸小则意味着纹理细致。例如在同样观察条件下毛织品要比丝织品粗糙一样。粗糙度是最基本、最重要的纹理特征。图像纹理的主要特性及描述与提取方法1、图像纹理的主要特性（2）方向性。某个像素点的方向性是指该像素点所在的邻域所具有的方向性。所以，纹理的方向是一个区域上的概念。比如，斜纹织物具有的明显的方向性，就是从一个大的邻域内的统计特性角度表现出的纹理特征的方向性。根据纹理自身的方向性，纹理可分为各向同性纹理和各向异性纹理。图像纹理的主要特性及描述与提取方法1、图像纹理的主要特性（3）规则性。纹理的规则性是指纹理基元是否按照某种规则（规律）有序的排列。如果纹理图像（或图像区域）是由某种纹理基元按某种确定的规律排列而形成，则称为规则性纹理；如果纹理