影象紋理特徵提取
轉自：https://blog.csdn.net/h532600610/article/details/52957459?locationNum=2&fps=1
為了將影象處理中的理論知識運用到通訊理論中，所以學習了影象特徵提取的部分內容。
運用網路和書籍查閱了相關資料，作此總結。
紋理特徵
（一）特點
紋理特徵也是一種全域性特徵，它也描述了影象或影象區域所對應景物的表面性質。但由於紋理只是一種物體表面的特性，並不能完全反映出物體的本質屬性，所以僅僅利用紋理特徵是無法獲得高層次影象內容的。與顏色特徵不同，紋理特徵不是基於畫素點的特徵，它需要在包含多個畫素點的區域中進行統計計算。在模式匹配中，這種區域性的特徵具有較大的優越性，不會由於區域性的偏差而無法匹配成功。作為一種統計特徵，紋理特徵常具有旋轉不變性，並且對於噪聲有較強的抵抗能力。但是，紋理特徵也有其缺點，一個很明顯的缺點是當影象的解析度變化的時候，所計算出來的紋理可能會有較大偏差。另外，由於有可能受到光照、反射情況的影響，從2-D影象中反映出來的紋理不一定是3-D物體表面真實的紋理。
例如，水中的倒影，光滑的金屬面互相反射造成的影響等都會導致紋理的變化。由於這些不是物體本身的特性，因而將紋理資訊應用於檢索時，有時這些虛假的紋理會對檢索造成“誤導”。
在檢索具有粗細、疏密等方面較大差別的紋理影象時，利用紋理特徵是一種有效的方法。但當紋理之間的粗細、疏密等易於分辨的資訊之間相差不大的時候，通常的紋理特徵很難準確地反映出人的視覺感覺不同的紋理之間的差別。
（二）常用的特徵提取與匹配方法
紋理特徵描述方法分類：
（1）統計方法
統計方法是基於像元及其鄰域的灰度屬性,研究紋理區域中的統計特性,或像元及其鄰域內的灰度的一階 、二階或高階統計特性。
統計方法的典型代表是一種稱為灰度共生矩陣（GLCM）的紋理特徵分析方法Gotlieb 和 Kreyszig 等人在研究共生矩陣中各種統計特徵基礎上，通過實驗，得出灰度共生矩陣的四個關鍵特徵：能量、慣量、熵和相關性。
統計方法中另一種典型方法，則是從影象的自相關函式（即影象的能量譜函式）提取紋理特徵，即通過對影象的能量譜函式的計算，提取紋理的粗細度及方向性等特徵引數。
還有 半方差圖 (semivariogram)該方法是一種基於變差函式的方法 , 由於變差函式反映影象資料的隨機性和結構性 , 因而能很好地表達紋理影象的特徵 。（2）幾何法
所謂幾何法，是建立在紋理基元（基本的紋理元素）理論基礎上的一種紋理特徵分析方法。紋理基元理論認為，複雜的紋理可以由若干簡單的紋理基元以一定的有規律的形式重複排列構成。在幾何法中，比較有影響的演算法有 Voronio棋盤格特徵法 。幾何方法的應用和發展極其受限 ,且後繼研究很少。（3）模型法
在模型法中,假設紋理是以某種引數控制的分佈模型方式形成的,從紋理影象的實現來估計計算模型引數,以引數為特徵或採用某種分類策略進行影象分割,因此模型引數的估計是該家族方法的核心問題。
典型的方法是隨機場模型法，如 馬爾可夫隨機場（MRF）模型法、Gibbs隨機場模型法、分形模型和自迴歸模型 。（4）訊號處理法
訊號處理的方法是建立在時、頻分析與多尺度分析基礎之上,對紋理影象中某個區域內實行某種變換後,再提取保持相對平穩的特徵值,以此特徵值作為特徵表示區域內的一致性以及區域間的相異性。
紋理特徵的提取與匹配主要有：灰度共生矩陣、Tamura紋理特徵、自迴歸紋理模型、小波變換等。
（5）結構方法
結構分析方法認為紋理是由紋理基元的型別和數目以及基元之間的“重複性”的空間組織結構和排列規則來描述,且紋理基元幾乎具有規範的關係 ,假設紋理影象的基元可以分離出來,以基元特徵和排列規則進行紋理分割。顯然確定與抽取基本的紋理基元以及研究存在於紋理基元之間的“重複性”結構關係是結構方法要解決的問題。由於結構方法強調紋理的規律性,較適用於分析人造紋理,而真實世界的大量自然紋理通常是不規則的,且結構的變化是頻繁的,因此對該類方法的應用受到很大程度的限制。
典型演算法:句法紋理描述演算法和數學形態學方法。
（三）方法比較
紋理特徵提取一般都是通過設定一定大小的視窗取得紋理特徵,視窗的選擇,存在著相互矛盾的要求:一方面,紋理是一個區域概念,它必須通過空間上的一致性來體現,觀察視窗取的越大,能檢測出同一性的能力愈強,反之,能力愈弱;另一方面,由於不同紋理的邊界對應於區域紋理同一性的躍變,因此,為了準確地定位邊界,要求將觀察視窗取得小一些。視窗太小會在同一種紋理內部出現誤分割,而分析窗太大則會在紋理邊界區域出現許多誤分割。這也是各大家族共同的難點。下面從4個角度:①計算複雜度,②是否與人類視覺感受相一致,③是否利用了全域性資訊,④是否具有多分辨特性。
(1)統計方法的優勢與不足
優勢: 方法簡單,易於實現,尤其是GLCM方法是公認的有效方法,具有較強的適應能力和魯棒性。不足:①與人類視覺模型脫節,缺少全域性資訊的利用,難以研究紋理尺度間畫素的遺傳或依賴關係;②缺乏理論支撐;③計算複雜度很高,制約了其實際應用。
(2)模型方法的優勢與不足
優勢: 模型家族的方法能夠兼顧紋理區域性的隨機性和整體上的規律性,並且具有很大的靈活性;採用隨機場模型法對遙感影像紋理特徵進行描述並在此基礎上進行分割,在很大程度上符合或反映了地學規律;MRF的主要優點是提供了一種一般而自然的用來表達空間上相關隨機變數之間的相互作用的模型。它注意到紋理的多解析度特性,結合影象的分層理論,發展了分層MRF方法、多解析度MRF方法等,不但可以提高處理效率,而且研究紋理尺度間畫素的遺傳或依賴關係以取得紋理特徵。不足: ①由於主要是通過模型係數來標識紋理特徵,模型係數的求解有難度;②由於基於MRF模型的紋理影象分割是一個迭代的優化過程,它由區域性到全域性的收斂速度很慢(即使條件迭代模式(ICM)能加速尋找解),因而需要很大的計算量,通常需要迭代數百次才能收斂;③引數調節不方便,模型不宜複雜。
(3)訊號處理方法的優勢與不足
優勢: 對紋理進行多分辨表示,能在更精細的尺度上分析紋理;小波符合人類視覺特徵,由此提取的特徵也是有利於紋理影象分割的;能夠空間/頻域結合分析紋理特徵。不足: 正交小波變換的多分辨分解只是將低頻部分進行進一步的分解,而對高頻部分不予考慮,而真實影象的紋理資訊往往也存在於高頻部分,小波包分析雖然克服了這一缺點,但對非規則紋理又似乎無能為力,小波多應用於標準或規則紋理影象,而對於背景更復雜的自然影象,由於存在噪聲干擾,或者某一紋理區域內的畫素並非處處相似,因此往往效果不佳。另外,也存在計算量大的問題。
綜上所述,在提取紋理特徵的有效性方面,統計家族、模型家族和訊號處理家族可以說相差無幾,都獲得了人們的認可。
參考資料:
[1]劉麗,匡綱要.影象紋理特徵提取方法綜述[J].中國圖象圖形學報,2009,04:622-635.
[2]王志瑞,閆彩良.影象特徵提取方法的綜述[J].吉首大學學報(自然科學版),2011,05:43-47.