图像纹理特征总体简述

图像纹理特征总体简述

纹理是一种反映图像中同质现象的视觉特征,它体现了物体表面的具有缓慢变化或者周期性变化的表面结构组织排列属性。纹理具有三大标志:

  • 某种局部序列性不断重复;
  • 非随机排列;
  • 纹理区域内大致为均匀的统一体;

不同于灰度、颜色等图像特征,纹理通过像素及其周围空间邻域的灰度分布来表现,即局部纹理信息。另外,局部纹理信息不同程度上的重复性,就是全局纹理信息。 纹理特征体现全局特征的性质的同时,它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性,并不能完全反映出物体的本质属性,所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同,纹理特征不是基于像素点的特征,它需要在包含多个像素点的区域中进行统计计算。在模式匹配中,这种区域性的特征具有较大的优越性,不会由于局部的偏差而无法匹配成功。 在检索具有粗细、疏密等方面较大差别的纹理图像时,利用纹理特征是一种有效的方法。但当纹理之间的粗细、疏密等易于分辨的信息之间相差不大的时候,通常的纹理特征很难准确地反映出人的视觉感觉不同的纹理之间的差别。例如,水中的倒影,光滑的金属面互相反射造成的影响等都会导致纹理的变化。由于这些不是物体本身的特性,因而将纹理信息应用于检索时,有时这些虚假的纹理会对检索造成“误导”。

参考地址: 《图像特征提取(纹理特征)》 《纹理特征简介》

一. 纹理特征的特点

  • 优点:
    • 包含多个像素点的区域中进行统计计算;
    • 常具有旋转不变性;
    • 对于噪声有较强的抵抗能力;
  • 缺点:
    • 当图像的分辨率变化的时候,所计算出来的纹理可能会有较大偏差;
    • 有可能受到光照、反射情况的影响;
    • 从2-D图像中反映出来的纹理不一定是3-D物体表面真实的纹理;

二. 纹理特征分类

1. 基本说明

纹理特征分类图如下所示:

纹理特征的提取,一般都是通过设定一定大小的窗口,然后从中取得纹理特征。然而窗口的选择,存在着矛盾的要求:

  • 窗口设定大:纹理是一个区域概念,它必须通过空间上的一致性来体现。观察窗口取的越大,能检测出同一性的能力愈强;反之,能力愈弱;
  • 窗口设定小:由于不同纹理的边界对应于区域纹理同一性的跃变,因此为了准确地定位边界,要求将观察窗口取得小一点;

这种情况下,会出现困难是:窗口太小,则会在同一种纹理内部出现误分割;而分析窗太大,则会在纹理边界区域出现许多误分割。

后文介绍纹理特征描述方法时,会从下面四个角度,分别对各方法进行比较:

  • 计算复杂度
  • 是否与人类视觉感受一致
  • 是否利用全局信息
  • 是否具有多分辨特性

2. 纹理特征描述方法

按照纹理特征描述方法,可以分为以下几类:

(1) 统计方法

统计方法是基于像素及其邻域的灰度属性,来研究纹理区域的统计特性。统计特性包括像素及其邻域内灰度的一阶、二阶或高阶统计特性等。 统计方法的典型代表,是一种被称为灰度共生矩阵(GLCM)的纹理分析方法。它是建立在估计图像的二阶组合条件概率密度基础上的一种方法。这种方法通过实验,研究了共生矩阵中各种统计特性,最后得出灰度共生矩阵中的四个关键特征:能量、惯量、熵和相关性。 尽管GLCM提取的纹理特征具有较好的鉴别能力,但是这个方法在计算上是昂贵的,尤其是对于像素级的纹理分类更具有局限性。并且,GLCM的计算较为耗时,好在不断有研究人员对其提出改进。 其他的统计方法,还包括图像的自相关函数半方差图等。

  • 优点:
    • 方法简单,易于实现。尤其是灰度共生矩阵(GLCM)方法是公认有效方法,有较强的适应性与鲁棒性;
  • 缺点:
    • 与人类视觉模型脱节,缺少全局信息的利用,难以在研究纹理尺度之间像素的遗传或依赖关系;
    • 缺乏理论支撑;
    • 计算复杂度较高,制约了实际应用。

(2) 几何法

几何法是建立在纹理基元理论基础上的一种纹理特征分析方法,其中的纹理基元即为基本的纹理元素。纹理基元理论认为,复杂的纹理可以由若干简单的纹理基元按照一定规律的形式重复排列构成。 在几何法中,比较有影响的算法有Voronio棋盘格特征法。 但几何法应用和发展极其受限,且后继研究很少。

(3) 模型法

模型法中存在假设:纹理是以某种参数控制的分布模型方式为基础而形成的。 由于模型法从纹理图像的实现来估计计算模型参数,同时以参数为特征,或采用某种分类策略进行图像分割,所以模型参数的估计是模型法的核心问题。 模型型纹理特征提取方法以随机场模型方法和分形模型方法为主。

  • 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,进而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模型参数。由估计的模型参数来对灰度图像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。随机场模型实际上描述了图像中像素对邻域像素的统计依赖关系。
  • 分形模型方法: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的结合起来,因而在图像处理中备受人们的关注。研究表明,人类视觉系统对于粗糙度和凹凸性的感受与分形维数之间有着非常密切的联系。因此,可以用图像区域的分形维数来描述图像区域的纹理特征。分形维描述纹理的核心问题是如何准确地估计分形维。分数维在图像处理中的应用时以两点为基础:
    • (1) 自然界中不同种类的形态物质一般具有不同的分形维;
    • (2) 由于研究人员的假设,自然界中的分形与图像的灰度表示之间存在着一定的对应关系。

随机场模型法的典型方法,如马尔可夫随机场(MRF)模型法、Gibbs随机场模型法、分形模型和自回归模型。

  • 优点:
    • 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,它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)。
  • 缺点:
    • 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;
    • 计算量很大。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),通常需要迭代数百次才能收敛;
    • 参数调节不方便,模型不宜复杂。

(4) 信号处理法

信号处理的方法是建立在时域、频域分析,以及多尺度分析的基础上。这种方法对纹理图像某个区域内实行某种变换后,再提取出能够保持相对平稳的特征值,并以该特征值作为特征,表示区域内的一致性以及区域之间的相异性。 信号处理类的纹理特征主要是利用某种线性变换、滤波器或者滤波器组将纹理转换到变换域,然后应用某种能量准则提取纹理特征。因此,基于信号处理的方法也称之为滤波方法。大多数信号处理方法的提出,都基于这样一个假设:频域的能量分布能够鉴别纹理。 信号处理法的经典算法有:灰度共生矩阵Tamura纹理特征自回归纹理模型小波变换等。

  • 优点:
    • 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;
    • 能够空间/频域结合分析纹理特征。
  • 缺点:
    • 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,导致正交小波变换往往效果不佳;
    • 计算量较大。

(5) 结构分析法

结构分析法认为,纹理是由纹理基元的类型、数目、以及基元之间的“重复性”的空间组织结构与排列规则来描述的,而且纹理基元几乎具有规范的关系。假设纹理图像的基元可以被分离出来,以基元特征和排列规则进行纹理分割,显然结构分析法要解决的问题,就是确定与抽取基本的纹理单元,以及研究存在于纹理基元之间的“重复性”结构关系。 由于结构分析法强调纹理的规律性,所以比较适用于分析人造纹理,然而真实世界大量自然纹理通常是不规则的。此外,解耦股的变化是频繁的,所以结构分析法的应用受到很大程度的限制。 结构分析法的典型算法:句法纹理描述算法数学形态学方法

综上所述,在提取纹理特征的有效性方面,统计方法、模型法和信号处理法相较于几何法与结构分析法,可以说相差无几,都获得了认可。

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏人工智能LeadAI

BAT机器学习面试1000题系列(第76~149题)

76、看你是搞视觉的,熟悉哪些CV框架,顺带聊聊CV最近五年的发展史如何?深度学习 DL应用 难 原英文:adeshpande3.github.io 作者:Ad...

6368
来自专栏机器之心

学界 | 深度学习在单图像超分辨率上的应用:SRCNN、Perceptual loss、SRResNet

4106
来自专栏新智元

【AAAI 2018】中大商汤等提出深度网络加速新方法,具有强大兼容能力

作者:陈添水 【新智元导读】中山大学、香港理工大学、商汤等机构的联合研究团队提出基于类小波自编码机的深度网络加速法,不需要改动原来网络的结构,故可以兼容现有的深...

3614
来自专栏AI研习社

开发者自述:我是怎样理解支持向量机(SVM)与神经网络的

SVM与神经网络 支持向量机并不是神经网络,这两个完全是两条不一样的路吧。不过详细来说,线性SVM的计算部分就像一个单层的神经网络一样,而非线性SVM就完全...

3586
来自专栏自然语言处理

一起走进条件随机场5(NLP重点理论)

矩阵表示形式前提条件:假设P(y|x)是线性链条件随机场,给定观测序列x,相应的标记序列y的条件概率。引进特殊的起点和终点状态标记y0 = start,yn+1...

812
来自专栏AI研习社

Word2Vec —— 深度学习的一小步,自然语言处理的一大步

Word2Vec 模型用来学习单词的向量表示,我们称为「词嵌入」。通常作为一种预处理步骤,在这之后词向量被送入判别模型(通常是 RNN)生成预测结果和执行各种有...

701
来自专栏决胜机器学习

深层神经网络参数调优(三) ——mini-batch梯度下降与指数加权平均

深层神经网络参数调优(三)——mini-batch梯度下降与指数加权平均 (原创内容,转载请注明来源,谢谢) 一、mini-batch梯度下降 1、概述 之前...

3993
来自专栏AI研习社

机器学习经典算法优缺点总结

决策树:判别模型,多分类与回归,正则化的极大似然估计 特点: 适用于小数据集,在进行逐步应答过程中,典型的决策树分析会使用分层变量或决策节点,例如,可将一个给定...

3148
来自专栏机器学习算法与Python学习

Word2Vec —— 深度学习的一小步,自然语言处理的一大步

1565
来自专栏人工智能LeadAI

如何理解SVM | 支持向量机之我见

囫囵吞枣看完SVM,个人感觉如果不好好理解一些概念,或说如果知其然而不知其所以然的话,不如不看。因此我想随便写一写,把整个思路简单地整理一遍。:) SVM与神经...

37315

扫码关注云+社区