《数字图像处理第九章.ppt》由会员分享，可在线阅读，更多相关《数字图像处理第九章.ppt（23页珍藏版）》请在三一文库上搜索。
1、1,第九章 纹理分析,讲解内容 1. 图像纹理的基本概念 2.图像纹理的直方图分析法、 laws能量分析法、自相关分析法和灰度共生矩阵分析法； 目的 1. 熟悉图像纹理的基本概念和分析方法； 2. 掌握灰度共生矩阵的概念和常用特征提取方 法,2,第九章,提到纹理，人们自然会立刻想到木制家俱上的木纹、花布上的花纹等。木纹为天然纹理，花纹为人工纹理，它们反映了物体表面颜色和灰度的某种变化。这些变化与物体本身的属性相关。,3,有些图像在局部区域内呈现不规则性，而在整体上表现出某种规律性。习惯上，把这种局部不规则而宏观有规律的特性称之为纹理；以纹理特性为主导的图像，常称为纹理图像；以纹理特性为主导特性
2、的区域，常称为纹理区域。纹理作为一种区域特性，在图像的一定区域上才能反映或测量出来。 为了定量描述纹理，多年来人们建立了许多纹理算法以测量纹理特性。这些方法大体可以分为两大类：统计分析法和结构分析法。前者从图像有关属性的统计分析出发；后者则着力找出纹理基元，然后从结构组成上探索纹理的规律。也有直接去探求纹理构成的结构规律的。 本章将主要论述纹理特征提取与分析的几种方法。,4,9.2影像纹理的直方图分析法 纹理区域的灰度直方图作为纹理特征,为了研究灰度直方图的相似性，可以比较累积灰度直方图分布，计算灰度级的最大偏差或总偏差。如果限定对象，则采用这样简单的方法也能够识别纹理。但是灰度直方图不能得到
3、纹理的二维灰度变化，即使作为一般性的纹理识别法，其能力是很低的。例如图9.2.1两种纹理具有相同的直方图，只靠直方图就不能区别这两种纹理。,5,9.3 Laws纹理能量测量法,Laws的纹理能量测量法是一种典型的一阶分析方法，在纹理分析领域中有一定影响。 Laws纹理测量的基本思想是设置两个窗口： 一个是微窗口，可为33、55或77，常取55用来测量以像元为中心的小区域的灰度的不规则性，以形成属性，称为微窗口滤波； 另一个为宏窗口，为1515或3232，用来在更大的窗口上求属性的一阶统计量（常为均值和标准偏差），他称之为能量变换。 整个纹理分析过程为 f(x,y)微窗口滤波F(x,y)能量转换
4、E(x,y)分量旋转C(x,y)分类M(x,y),6,Laws 深入研究了滤波模板的选定。首先定义了一维滤波模板，然后通过卷积形成系列一维、二维滤波模板，用于检测和度量纹理的结构信息。 他选定的三组一维滤波模板是： L3=1 2 1 灰度（Level） E3=-1 0 1 边缘（Edge） S3=-1 2 -1 点（Spot） L5= 1 4 6 4 1 E5=-1 2 0 2 1 S5=-1 0 2 0 1 W5=-1 2 0 2 1 波（Wave） R5=1 4 6 4 1 涟漪(Ripple）,7,L7=1 6 15 20 15 6 1E7=-1 4 5 0 5 4 1S7=-1 -2
5、1 4 1 2 1W7=-1 0 3 0 3 0 1 R7=1 -2 1 4 1 2 1O7=-1 6 15 20 15 6 1 振荡Oscillation） 13的矢量集是构成更大矢量的基础.每一个15的矢量可以由两个13矢量的卷积产生。17的矢量可以由13与15矢量卷积产生。垂直矢量和水平矢量可生成二维滤波模板。由滤波模板与图像卷积可以检测不同的纹理能量信息。所以，Laws 一般选用1215个55的模板。,8,以15矢量为基础，卷积同样维数的矢量，可获得25个55模板。其中最有用的是55的零和模板，即 (9.3-1)其中aij是模板中的元素（i,j=1,2,3,4,5）。 其中四个有最强性
6、能的模板是：,E5S5 L5S5,E5L5 R5R5,9,它们分别可以滤出水平边缘、高频点、V形状和垂直边缘。Laws将Brodatz的8种纹理图像拼在一起，对该图像作纹理能量测量，将每个像元指定为八个可能类中的一个，正确率达87。 可见这种纹理分析方法简单、有效。但所提供的模板较少，尚未更多地给出其变化性质，因此，应用受到一定的限制。,10,9.4 纹理分析的自相关函数法,若有一幅图像f(i，j)，i，j=0，1，N-1，则该图像的自相关函数定义为,11,自相关函数(x，y)随x，y大小而变化，其变化与图像中纹理粗细的变化有着对应的关系，因而可描述图像纹理特征。 定义d=（x2+y2）1/2
7、，d为位移矢量，r(x,y)可记为r(d)。在x0，y0时，从自相关函数定义可以得出，(d)1为最大值。 不同的纹理图像，(x,y)随d变化的规律是不同的。 当纹理较粗时，(d)随d的增加下降速度较慢； 当纹理较细时，(d)随着d的增加下降速度较快。 随着d 的继续增加，(d)则会呈现某种周期性的变化，其周期大小可描述纹理基元分布的疏密程度。 若对应r(d)变化最慢的方向为dmax，那么纹理局部模式形状向dmax方向延伸,12,Kaizer从北极航空照片中取出七类不同地面覆盖物的图像，采用自相关函数进行分析。对每一类地面覆盖物作出它们的自相关函数随d的变化曲线。当r(d)=1/e时，七条曲线对
8、应的d值分别为d1，d2， , d7，如图9.4.1。根据di 的大小，把7类地物从细到粗进行了排序。 将七类地物对应的七张图像请二十位观测者按纹理粗细目视判别，也按由细到粗的次序将图片排队。 将目视判别结果与自相关函数分析的排列结果作比较，发现用自相关函数自动分析可达99%的正确率。,13,9.5灰度共生矩阵分析法,9.5.1灰度共生矩阵的定义 在三维空间中,相隔某一距离的两个像素，它们具有相同的灰度级，或者具有不同的灰度级，若能找出这样两个像素的联合分布的统计形式，对于图像的纹理分析将是很有意义的。灰度共生矩阵就是从图像 (x,y)灰度为i的像素出发，统计与距离为=(x2+y2)1/2、灰
9、度为j的像素同时出现的概率P(i,j,)。如图9.5.1。用数学式表示则为,P(i,j,) (x,y),(x+x，y+y) |f(x,y)=i,f(x+x,y+y)=j；x, y=0,1 ,N-1,14,根据上述定义，所构成的灰度共生矩阵的第 i 行、第 j 列元素，表示图像上所有在方向、相隔为，一个为灰度 i 值,另一个为灰度 j 值的像素点对出现的频率。这里取值一般为00、450、900和1350。很明显，若x1，y0，则00；x1，y-1，则450；x0，y-1，则=900；x=-1，y=-1，则=1350。的取值与图像有关，一般根据试验确定。,例如，图9.5.2(a)所示的图像，取相邻
10、间隔=1，各方向的灰度共生矩阵如图9.5.1(b)所示。,15,9.5.2灰度共生矩阵特征的提取 灰度共生矩阵反映了图像灰度关于方向、相邻间隔、变化幅度的综合信息，它可作为分析图像基元和排列结构的信息。作为纹理分析的特征量，往往不是直接应用计算的灰度共生矩阵，而是在灰度共生矩阵的基础上再提取纹理特征量，称为二次统计量。一幅图像的灰度级数一般是256，这样计算的灰度共生矩阵太大。为了解决这一问题，在求灰度共生矩阵之前，常压缩为16级。 用灰度共生矩阵提取特征之前，要作正规化处理。令 这里R是正规化常数。,16,当取=1，q=0时，每一行有2(Nx1)个水平相邻像素对，因此总共有2Ny(Nx1)水
11、平相邻像素对，这时R=2Ny(Nx1)。 当取=1, q=45时，共有2(Ny1)(Nx1)相邻像素对，R=2(Ny 1)(Nx 1) 。由对称性可知，当q=90和135时，其相邻像素对数是显然的。 Haralick等人由灰度共生矩阵提取了14种特征。最常用的5个特征是：1）角二阶矩（能量）2)对比度（惯性矩）3）相关 4）熵 5）逆差矩,17,若希望提取具有旋转不变性的特征，简单的方法是对取00、450、900和1350的同一特征求平均值和均方差就可得到。 Haralick 利用ERTS100218134卫星多光谱图像对美国加利福尼亚海岸带的土地利用问题，用灰度共生矩阵的方法作纹理分析。 海
12、岸带主要有沿岸森林、树林、草地、城区、小片灌溉区、大片灌溉区和水域七类。对ERTS100218134四波段卫片，将其中的某波段图像，取大小为6464象素的非重迭窗口，间隔=1，Ng=16(将0255压缩成16级)。 取特征f1, f2, f3, f4关于的四个方向的平均和均方差，得到8个旋转不变的纹理特征。,18,为了充分利用多光谱信息，将各波段图像，取纹理分析同一位置的6464象素窗口灰度平均和均方差。 将纹理特征和多光谱灰度特征组合成161特征向量，对七类地域分别取训练样本314个，检验样本310个，提取特征，用分段线性分类器分类，获得了平均83.5%的分类精度。 若仅仅用多光谱信息，用8
13、个光谱特征向量对七类地域分类，分类精度只有7477%，由此可见，纹理分类改善了典型模式识别的结果，这是因为图像的纹理分析充分利用了图像灰度分布的结构信息。,19,第十章 模板匹配,模板匹配： 当对象物以图像的形式表现时，计算其与一幅图像各部分的相似度，判断其是否存在，并求得对象物在图像中位置的操作叫做模板匹配。它是图像处理中的最基本、最常用的匹配方法。,20,匹配的用途：,(1)在几何变换中，检测图像和地图之间的对应点；(2)不同的光谱或不同的摄影时间所得的图像之间位置的配准图像配准)；(3)在立体影像分析中提取左右影像间的对应关系；(4)运动物体的跟踪；(5)图像中对象物位置的检测等。,21,非相似度,相似度,22,Thank you!,部分资料从网络收集整理而来，供大家参考，感谢您的关注！,