自回归纹理模型

最近二十年中有大量的研究集中在应用随机场模型表达纹理特征，这方面Markov随机场（MRF）模型取得了很大的成功。自回归纹理模型（simultaneous auto-regressive，或SAR）就是MRF模型的一种应用实例。
在SAR模型中，每个像素的强度被描述成随机变量，可以通过与其相邻的像素来描述。如果s代表某个像素，则其强度值g(s)可以表达为它的相邻像素强度值的线性叠加与噪音项ε (s)的和，如下所示：
g(s) = μ + Σθ(r)g(s+r)+ε0(s)
其中μ 是基准偏差，由整幅图像的平均强度值所决定，D表示了s的相邻像素集。θ (r) 是一系列模型参数，用来表示不同相邻位置上的像素的权值。ε (s) 是均值为0而方差为σ2 的高斯随机变量。通过上式可以用回归法计算参数θ 和标准方差σ 的值，它们反映了图像的各种纹理特征。例如较高的σ 表示图像具有很高的精细度，或较低的粗糙度。又比如，如果s正上方和正下方的θ 很高，表明图像具有垂直的方向性。最小误差法（least square error）和极大似然估计（maximum likelihood estimation）可以用来计算模型中的参数。此外，SAR的一种变种称为旋转无关的自回归纹理特征（rotation-invariant SAR或RISAR），具有与图像的旋转无关的特点。
定义合适的SAR模型需要确定相邻像素集合的范围。然而，固定大小的相邻像素集合范围无法很好地表达各种纹理特征。为此，有人提出过多维度的自回归纹理模型（multi-resolution SAR或MRSAR）[16]，能够在多个不同的相邻像素集合范围下计算纹理特征。文献[17,18]中给出了MRSAR纹理特征和其他纹理特征对于图像检索的性能对比。实验结果表明MRSAR纹理特征能够较好地识别出图像中各种纹理特征。