第十七章 纹理分析
1. 引言
2. 纹理的统计特征
3. 基于纹理的分割
纹理是对图象的象素灰度级在空间上的分布模式的描述，反映物品的质地，如粗糙度、光滑性、颗粒度、随机性和规范性等。当图象中大量出现同样的或差不多的基本图象元素（模式）时，纹理分析是研究这类图象的最重要的手段之一，此外分形方法也十分重要[2]。
描述一块图象区域的纹理有三种主要的方法，统计分析方法、结构分析方法和频谱分析方法[1]。
统计方法有自相关函数、纹理边缘、结构元素、灰度的空间共生概率（spatialgray-tone cooccurrence probabilities）、灰度行程和自回归模型。统计方法将纹理描述为光滑、粗糙、粒状等等。
结构方法研究基元及其空间关系。基元一般定义为具有某种属性而彼此相连的单元的集合，属性包括灰度、连通区域的形状、局部一致性等。空间关系包括基元的相邻性、在一定角度范围内的最近距离等等。根据基元间的空间联系，纹理可以分为弱纹理或强纹理。进一步细分，可以根据基元的空间共生频率来划分，也可以根据单位面积内的边缘数来区别。基元也可以定义为灰度行程。
频谱方法是根据傅立叶频谱，根据峰值所占的能量比例将图象分类。包括计算峰值处的面积、峰值处的相位、峰值与原点的距离平方、两个峰值间的相角差等手段。
· 共生矩阵
共生矩阵用两个位置的象素的联合概率密度来定义，它不仅反映亮度的分布特性，也反映具有同样亮度或接近亮度的象素之间的位置分布特性，是有关图象亮度变化的二阶统计特征。它是定义一组纹理特征的基础。
如下图所示，定义位置算子：
假设给定如下的仅具有3个灰度级的图象区域，分别记数符合上述位置算子的象素空间组合的数目形成频度矩阵，再将其归一化，即除以符合位置关系的总数就得到共生矩阵。共生矩阵的阶数与图象的灰度级别数相等。
 |
 |
 |
· 基于共生矩阵的纹理特征
选择合适的位置算子，计算出共生矩阵，然后可以计算如下的纹理描述特征：
 |
将图象分割成一些具有某种一致性的区域是图象分析的重要手段，一致性包括亮度、颜色或纹理等衡量标准。在机器视觉系统中，通常图象可以根据亮度标准进行分割，但在复杂的情况下，如自然景物，这种方法不能达到令人满意的分割效果。因为这类图象不具有均匀的亮度分布，而具有共同的纹理特征。
图片来自Extractionof Textured Regions
如果在没有任何先验知识以及任何统计训练数据可以利用的情况下，可以采用如下的基于共生矩阵的纹理分割方法。
例如，对于256x256大小的原图象，随机地选择40个NxN子图象，N需要根据实验来确定。记图象的灰度级数目是G，根据这些子图象计算各自的共生矩阵（GxG）。然后，将共生矩阵分成n等份方形子矩阵，用子矩阵元素的平均值形成一n维特征向量。根据它们在Rn特征空间的聚类情况，将图象分成不同的纹理区域。
在纹理分析中，Gabor变换是一种常用的重要工具，具有十分重要的作用。有关Gabor变换的基本概念在第12章第5节有介绍，更为深入的内容读者可以参照网上的相关资料（GaborFilters for Texture (links) ..\..\download_IPCVPR\textureanalysis\USC GaborFilters for Texture.htm）。
此外，分形技术在图象纹理分割中具有十分重要的应用，参见：杨波 徐光佑 朱志刚，基于分形特征的自然景物图象分割方法，中国图象图形学报，1999。
网上资源：
1. MilanSonka Chapter 13, Texture
3. TextureEnergies for 1D Rays
4. TextureAnalysis Methods (links)
5. Extractionof Textured Regions
7. GaborFilters for Texture (links)
参考文献
1. Sing-Tze Bow, Pattern recognition and image preprocessing, M.Dekker, New York, 1992
2. Ning Lu, Fractal imaging, Academic Press, San Diego, 1997
1. 编制基于统计方法的基于共生矩阵的纹理分割程序。图片在目录：./Images/textures
致谢
我要特别感谢清华大学计算机系的博士研究生杨波，他提供了一些素材。
清华大学计算机系 艾海舟
最近修改时间：2001年7月19日
出处：http://media.cs.tsinghua.edu.cn/~ahz/digitalimageprocess/CourseImageProcess.html
2468
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
