图像纹理特征提取

转自：https://blog.csdn.net/h532600610/article/details/52957459?locationNum=2&fps=1

为了将图像处理中的理论知识运用到通信理论中，所以学习了图像特征提取的部分内容。

运用网络和书籍查阅了相关资料，作此总结。

纹理特征

（一）特点

      纹理特征也是一种全局特征，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。作为一种统计特征，纹理特征常具有旋转不变性，并且对于噪声有较强的抵抗能力。但是，纹理特征也有其缺点，一个很明显的缺点是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。另外，由于有可能受到光照、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。

      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”。

      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。

（二）常用的特征提取与匹配方法

纹理特征描述方法分类：

（1）统计方法

      统计方法是基于像元及其邻域的灰度属性,研究纹理区域中的统计特性,或像元及其邻域内的灰度的一阶 、二阶或高阶统计特性。

      统计方法的典型代表是一种称为灰度共生矩阵（GLCM）的纹理特征分析方法Gotlieb 和 Kreyszig 等人在研究共生矩阵中各种统计特征基础上，通过实验，得出灰度共生矩阵的四个关键特征：能量、惯量、熵和相关性。

      统计方法中另一种典型方法，则是从图像的自相关函数（即图像的能量谱函数）提取纹理特征，即通过对图像的能量谱函数的计算，提取纹理的粗细度及方向性等特征参数。

      还有 半方差图 (semivariogram)该方法是一种基于变差函数的方法 , 由于变差函数反映图像数据的随机性和结构性 , 因而能很好地表达纹理图像的特征 。

（2）几何法

      所谓几何法，是建立在纹理基元（基本的纹理元素）理论基础上的一种纹理特征分析方法。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以一定的有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 。几何方法的应用和发展极其受限 ,且后继研究很少。

（3）模型法

      在模型法中,假设纹理是以某种参数控制的分布模型方式形成的,从纹理图像的实现来估计计算模型参数,以参数为特征或采用某种分类策略进行图像分割,因此模型参数的估计是该家族方法的核心问题。

      典型的方法是随机场模型法，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 。

（4）信号处理法

      信号处理的方法是建立在时、频分析与多尺度分析基础之上,对纹理图像中某个区域内实行某种变换后,再提取保持相对平稳的特征值,以此特征值作为特征表示区域内的一致性以及区域间的相异性。

      纹理特征的提取与匹配主要有：灰度共生矩阵、Tamura纹理特征、自回归纹理模型、小波变换等。

（5）结构方法

      结构分析方法认为纹理是由纹理基元的类型和数目以及基元之间的“重复性”的空间组织结构和排列规则来描述,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分离出来,以基元特征和排列规则进行纹理分割。显然确定与抽取基本的纹理基元以及研究存在于纹理基元之间的“重复性”结构关系是结构方法要解决的问题。由于结构方法强调纹理的规律性,较适用于分析人造纹理,而真实世界的大量自然纹理通常是不规则的,且结构的变化是频繁的,因此对该类方法的应用受到很大程度的限制。

      典型算法:句法纹理描述算法和数学形态学方法。

 

（三）方法比较

      纹理特征提取一般都是通过设定一定大小的窗口取得纹理特征,窗口的选择,存在着相互矛盾的要求:一方面,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;另一方面,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些。窗口太小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。这也是各大家族共同的难点。下面从4个角度:①计算复杂度,②是否与人类视觉感受相一致,③是否利用了全局信息,④是否具有多分辨特性。

(1)统计方法的优势与不足

优势: 方法简单,易于实现,尤其是GLCM方法是公认的有效方法,具有较强的适应能力和鲁棒性。

不足:①与人类视觉模型脱节,缺少全局信息的利用,难以研究纹理尺度间像素的遗传或依赖关系;②缺乏理论支撑;③计算复杂度很高,制约了其实际应用。

(2)模型方法的优势与不足

优势: 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。
不足: ①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;②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),因而需要很大的计算量,通常需要迭代数百次才能收敛;③参数调节不方便,模型不宜复杂。

(3)信号处理方法的优势与不足

优势: 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的;能够空间/频域结合分析纹理特征。
不足: 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,因此往往效果不佳。另外,也存在计算量大的问题。

      综上所述,在提取纹理特征的有效性方面,统计家族、模型家族和信号处理家族可以说相差无几,都获得了人们的认可。

参考资料:
[1]刘丽,匡纲要.图像纹理特征提取方法综述[J].中国图象图形学报,2009,04:622-635.
[2]王志瑞,闫彩良.图像特征提取方法的综述[J].吉首大学学报(自然科学版),2011,05:43-47.