纹理分析课件 数字图像处理.ppt

第九章 纹理分析 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。 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 三.灰度共生矩阵分析法 灰度共生矩阵的定义 灰度共生矩阵特征的提取 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δ=(Δx2+Δy2 )1/2、灰度为j的像素同时出现的概率P。 概率P(i,j,δ,θ)的数学式表示为?: 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} 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0度、45度、90度和135度。很明显，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θ= 1350 。 δ的取值与图像有关，一般根据试验确定。 下图(a)所示的图像，取相邻间隔δ=1，各方向的灰度共生矩阵如下图(b)所示。 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。 基于灰度共生矩阵的特征 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 若希望提取具有旋转不变性的特征，简单的方法是对θ取0度、45度、90度和135度的同一特征求平均值和均方差就可得到。 灰度共生矩阵特征的实际应用 Haralick 利用ERTS1002–18134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ERTS1002–18134四波段卫片，将其中的某波段图像，取大小为64*64象素的非重迭窗口，间隔δ=1，Ng=16(将0–255压缩成16级)。 灰度共生矩阵特征的实际应用（续） 将纹理特征和多光谱灰度特征组合成16*1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个光谱特征向量对七类地域分类，分类精度只有74~77%，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。 纹理分割示例 GOES Cumulus Cloud Classification Cumulus cloud fields have a very characteristic texture signature in the GOES visible imagery 第十一章 模板匹配与图像识别 图像识别的流程 基于二维匹配的目标检测 图像目标分类 图像识别的流程 基于二维匹配的目标检测 应用领域： 立体图像对的同名点提取 不同时期和角度拍摄的图像配准 运动目标跟踪 目标位置检测 图像匹配的基本原理 图像匹配的相关函数 相关函数是对目标图像和待测图像相似性的一种描述。 相关函数的定义 差平方和法 取两影像窗口相应位置灰度差的平方和为相关函数值。定义如下(越小越相似) 差平方和法举例 相关函数的定义 相关系数法 取两