texton特征

基于texton的纹理分析方法将图像表达为纹理图像的直方图分布，纹理字典可以是一组滤波器响应，也可以是邻域亮度，文献“Texture classification:Are filter banks necessary?”指出，基于邻域亮度的texton通常比基于滤波器响应的texton有更好的性能。基于邻域亮度的texton分类包含四个部分：texton字典构建，texton直方图生成，分类器训练和分类器结果预测。整体流程如下图：

对于texton字典构建，首先提取每幅图像中每个像素点的邻域亮度，并将邻域亮度排成一个列向量，假设邻域的大小大小为N*N,则每个像素被表达为N^2长度的列向量。然后组合所有的列向量做k-means处理，k-means得到的聚类中心称为字典。字典中的每一个元素称为texton，texton的总个数Ndic由k-means聚类中心的个数决定。通常而言，需要将训练图像按照类别划分，对每类图像分别做k-means处理，组合所有类的k-means中心，形成最终的texton字典。

对于texton直方图生成，首先使用邻域亮度Wi描述测试图像和训练图像的每个像素点，并将其量化到texton字典中与其距离最近的texton，得到texton量化后的标记值L(Wi)，即

其中Wi是像素点i的邻域亮度，Dj是texton字典中第j个元素，它们均为N^2长度的向量，d(Wi,Dj)是Wi和Dj的欧式距离。i的取值是1到M之间，M是图像中像素点的个数，L(Wi)的取值在1到Ndic之间。

得到图像中每个像素点的texton量化标记值后，统计所有标记值并计算其图像的直方图作为图像的特征，这样每幅图像被表达为长度为Ndic的向量。由于图像的大小不同，需要对直方图进行归一化如下：

得到的h是归一化之后的直方图，代尔塔函数的定义为：

使用训练图像的texton直方图训练KNN或支持向量机分类器，将测试图像的texton直方图输入到训练好的分类器，预测出测试图像的类别。尽管基于邻域亮度的texton在图像分类中有很好的性能，但仍存在一些问题，如邻域亮度对图像旋转和光照变化较敏感，不同的邻域大小具有不同的分类性能，且对不同的图像而言，最优的邻域大小并不相同。

本文摘抄自北京交通大学博士学位论文《多视角乳腺X线图像的乳腺癌检测与分类方法研究》，作者李艳凤，版权归原作者所有。本文只做记录总结，方便自我学习提高，无意侵权。如有侵权，可联系 jzwangATbjtuDOTeduDOTcn 马上删掉（ps:和作者是校友啊）