影像纹理分析

所以，Laws 一般选用12—15个5×5的模板。
13
9.3 Laws纹理能量测量法
• 以1×5矢量为基础，卷积同样维数的矢量，可获得25个 5×5模板。其中最有用的是5×5的零和模板，即
aij 0
ij
其中aij是模板中的元素（i,j=1,2,3,4,5）。
其中四个有最强性能的模板是：
1 0 2 0 1 4 0 8 0 4 6 0 12 0 6 4 0 8 0 4 1 0 2 0 1
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。
18
9.5灰度共生矩阵分析法
• 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。
19
9.5灰度共生矩阵分析法
最大值。
不同的纹理图像，ρ(x,y)随d 变化的规律是不同的。 当纹理较粗时，ρ(d)随d 的增加下降速度较慢； 当纹理较细时，ρ(d)随着d 的增加下降速度较快。
随着d 的继续增加，ρ(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ρ (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
• 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。
• 一维滤波模板 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]
• 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。
( x, y) i0 j0 N 1 N 1 f (i, j)2 i0 j0
自相关函数ρ(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。
16
9.4 自相关函数分析法
定义d=（x2+y2）1/2，d为位移矢量，r(x,y)可记为r(d)。 在x＝0，y＝0时，从自相关函数定义可以得出，ρ(d)＝1为
数字图像处理
第九章 影像纹理分析
9.1 概述
• 纹理 (Texture)
– 最初指纤维物的外观。 – 字典中对纹理的定义是“由紧密的交织在一起的单元
组成的某种结构”。 – 习惯上，把图像中局部不规则的，而宏观有规律的特
性称之为纹理。
2
9.1 概述
• 因此，纹理是由一个具有一定的不变性的视觉基 元，通称纹理基元，在给定区域内的不同位置上 ，以不同的形变及不同的方向重复地出现的一种 图纹。
22
9.5灰度共生矩阵分析法
• 用灰度共生矩阵提取特征之前，要作正规化处理。令
pˆ（i, j) p(i, j) / R
这里R 是正规化常数。
当取δ=1，q=0时，每一行有2(Nx–1)个水平相邻像素对 ， 因 此 总 共 有 2 Ny(Nx–1) 水 平 相 邻 像 素 对 ， 这 时 R=2Ny(Nx–1)。 当取δ=1, q45时，共有2(Ny–1)(Nx–1)相邻像素对， R=2(Ny –1)(Nx –1) 。由对称性可知，当q90和135时
– 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θ方向、相隔为δ，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θ取值一般为00、450、900和1350。
20
9.5灰度共生矩阵分析法
• 若Δx＝1，Δy＝0，则θ＝00；Δx＝1，Δy＝1，则θ＝ 450；Δx＝0，Δy＝1，则θ=900；Δx=-1，Δy=1，则
• 灰度直方图特征
– 灰度均值 – 灰度方差 – 歪斜度 – 陡峭度 – 能量
8
9.2 直方图分析法
• 纹理区域的灰度直方图作为纹理特征
– 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。
• 只靠直方图不一定能区分两种纹理
9
9.3 Laws纹理能量测量法
• 纹理测量
θ=1350。δ的取值与图像有关，一般根据试验确定。
4 2 1 0
p0
2 1
4 0
0 6
0 1
0 0 1 2
6 0 2 0
p90
0 2
4 2
2 2
0 2
0 0 2 0
δ= 1
4 1 0 0
p135
1 0
2 2
2 4
0 1
0 0 1 0
2 1 3 0
p45
1 3
2 1
1 0
0 2
0 0 2 0
21
9.5灰度共生矩阵分析法
– 一个是微窗口，可为3×3、5×5或7×7，常取 5×5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15×15或32×32，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），称之为能量变换。
微窗口滤波
能量转换
归一化合并
分类
11
9.3 Laws纹理能量测量法
E5TL5
1 4 6 4 1 4 16 24 16 4 6 24 36 24 6 4 16 24 16 4 1 4 6 4 1
R5TR5
1 0 2 0 1
2 0 4 0 2
0 0 0 0 0
2
0 4 0
2
1 0 2 0 1
E5TS5
1 4 6 4 1
，其相邻像素对数是显然的。
23
9.5灰度共生矩阵分析法
24
9.5灰度共生矩阵分析法
25
9.5灰度共生矩阵分析法
26
9.5灰度共生矩阵分析法
27
9.5灰度共生矩阵分析法
5）逆差矩 反映了纹理的规则程度。 当纹理杂乱无章、 难于描述时, 逆差矩较小; 规律较强、易于描述的, 逆差矩较大。
28
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。
3
9.1 概述
• 常见纹理图像：
砖墙、布、云、动物皮毛、乱草、树叶
4
9.1 概述
• 人工纹理是某种符号的有序排列， 这些符号可以是线条 、点、字母等，是有规则的。
• 自然纹理是具有重复排列现象的自然景象，如砖墙、森林 、草地等图案，往往是无规则的。
(a)
(b)
图： 人工纹理与自然纹理 (a) 人工纹理； （b）自然纹理
5
9.1 概述
• 构成纹理的规律分：
– 确定性纹理 – 随机性纹理
• 尺度范围分
– 微纹理 • 图像中灰度（或其他量）在小范围内相当不平稳、 不规则
17
9.4 自相关函数分析法
• 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(d)=1/e 时，七条曲 线对应的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。
– 一阶统计分析法 • 依据单个像素及其邻域的灰度或某种属性分布
– 二阶统计分析法 • 根据一对像素灰度组合分布
– 一阶方法做纹理分类，正确性优于二阶方法
• Laws的纹理能量测量法是一种典的一阶分析方 法，在纹理分析领域中有一定影响
10
9.3 Laws纹理能量测量法
• Laws纹理测量的基本思想是设置两个窗口
– 宏纹理 • 有明显结构单元，整个图像的问题里有结构单元按 一定规律形成
6
9.1 概述
• 测量纹理特性的方法：
– 统计分析法 – 结构分析法
• 统计分析法
– 从图像有关属性的统计分析出发
• 结构分析法
– 着力找出纹理基元，然后从结构组成上探索纹理的规 律，或直接去探求纹理构成的结构规律的
7
9.2 直方图分析法
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）
12
9.3 Laws纹理能量测量法
L7=[1 6 15 20 15 6 1] E7=[-1 –4 –5 0 5 4 1] S7=[-1 -2 1 4 1 –2 –1] W7=[-1 0 3 0 –3 0 1] R7=[1 -2 –1 4 –1 –2 1] O7=[-1 6 –15 20 –15 6 –1] 振荡(Oscillation） • 1×3的矢量集是构成更大矢量的基础. • 每一个1×5的矢量可以由两个1×3矢量的卷积产生。 • 1×7的矢量可以由1×3与1×5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。
2 8 12 8 2
0 0 0 0 0
2
8
12
8
2
1 4 6 4 1
L5TS5
它们分别可以滤出水平边缘、高频点、V形状和垂直边缘。
14
9.4 自相关函数分析法
• 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
N 1 N 1
f (i, j) f (ix, y j)
• 灰度共生矩阵的定义
– 从图像 (x,y)灰度为i的像素出发，统计与距离为 δ=(Δx2+Δy2)1/2、灰度为j的像素同时出现的概率 P(i,j,δ,θ)。
P(i,j,δ,θ)＝ {[(x,y),(x+Δx，y+Δy)] |f(x,y)=i, f(x+Δx,y+Δy)=j；x, y=0,1 ,…,N-1}