（计算机应用技术专业论文）基于pcnn聚类和分类的图像纹理特征提取与分割研究.pdf

摘要 本文通过深入研究脉冲耦合神经网络( p u l s ec o u p l e d n e u r a ln e t w o r k ，p c n n ) 的基本原理、运行行为及其特性，提出了一种基于脉冲耦合神经网络的数据聚类 和模式分类的方法，开创性地把脉冲耦合神经网络引入模式识别领域。该方法结 合脉冲耦合神经网络的相似性集群特性、同步脉冲发放特性和捕获特性，具有非 常强的自适应聚类和分类能力。通过分析纹理图像的特点、深入讨论针对不同纹 理特征的提取方法，提出了一种基于中心矩并结合非线性变换的纹理特征提取方 法，并把脉冲耦合神经网络的聚类和分类方法应用到纹理图像的分割中，实现了 对纹理图像的有效分割。我们通过大量的实验验证了文章中提出的纹理特征提取 方法的有效性和基于脉冲耦合神经网络的聚类和分类方法的正确性，最后我们对 影响纹理图像分割质量的因素作了深入的剖析。 关键字：脉冲耦合神经网络纹理特征提取聚类分类纹理分割 a b s t r a c t t h i st h e s i si n v e s t i g a t e st h em o d e lo fp u l s ec o u p l e dn e u r a ln e t w o r k ( p c ：n n ) ， w h i c hi n c l u d e si t sb a s i cp r i n c i p l e s b e h a v i o r sa n dc h a r a c t e r i s t i c s 1 1 l ep a p e rd e s c r i b e s t h ec h a r a c t e r i s t i c so f g r o u p i n gb ys i m i l a r i t y , s y n c h r o n o u sp u l s e b u r s t sa n d c a p t u r eo f t h e m o d i f i e dp c n nm o d e l , a n dp r e s e n t sam e t h o do f d a t a c l u s t e r i n g a n d p a t t e r n c l a s s i f i c a t i o nb a s e do np c n n ，w h i c hh a sg r e a t a d a p t a b i h t y a n d f l e x i b i l i t y t h e a p p l i c a t i o no fp c n n i sa p p l i e dt ot h ef i e l do fp a t t e r nr e c o g n i t i o n i n n o v a t i v e l y i nt h e p a p e r , b ya n a l y z i n g t h ef e a t u r e so ft e x t u r ei m a g e sa n d d i s c u s s i n g t h ev a r i o u sm e t h o d so f e x t r a c t i n gt e x t u r a lf e a t u r e sf r o mi m a g e s ，a s t a t i s t i c a lf e a t u r ee x t r a c t i o nm e t h o db a s e do n m o m e n ti m a g e so ft h et e x t u r ei m a g ea n dt h e i rn o n l i n e a rt r a n s f o r m a t i o ni sp r e s e n t e d b o t hc l u s t e r i n ga n dc l a s s i f i c a t i o nm e t h o db a s e d0 i if c n n8 r e a p p l i e d i nt e x t u r e s e g m e n t a t i o n o f i m a g e ，w h i c h a r c s u c c e s s f u l l ya p p l i e d t ot h et e x t u r e i m a g e s e g m e n t a t i o nt a s k a tl a s t ，t h ef a c t o r sw h i c h a f f e c tt h eq u a l i t yo fi m a g es e g m e n t a t i o n a r ed i s c u s s e d ，f o l l o w e dw i t ha l le x a m p l eo ft e x t u r a li m a g es e g m e n t a t i o n ，s h o w i n gg r e a t e f f e c t i v e n e s so ft h em e t h o d k e y w o r d ：p u l s ec o u p l e d n e u r a ln e t w o r k ，t e x t u r ef e a t u r ee x t r a c t i o n , c l u s m r i n g , c l a s s i f i c a t i o n ， t e x t u r es e g m e n t a t i o n 创新性声明 本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究 成果。尽我所知，除了文中特别加以标注和致谢中所罗列的内容以外，论文中不 包含其他人已经发表或撰写过的研究成果；也不包含为获得西安电子科技大学或 其它教育机构的学位或证书而使用过的材料。与我同工作的同志对本研究所做 的任何贡献均已在论文中做了明确的说明并表示了谢意。 申请学位论文与资料若有不实之处， 本人签名：墼= 3 氩 本人承担一切相关责任。 日期竺! ：! ：! 关于论文使用授权的说明 本人完全了解西安电子科技大学有关保留和使用学位论文的规定，即：研究 生在校攻读学位期间论文工作的知识产权单位属西安电子科技大学。本人保证毕 业离校后，发表论文或使用论文工作成果时署名单位仍然为西安电子科技大学。 学校有权保留送交论文的复印件，允许查阅和借阅论文；学校可以公布论文的全 部或部分内容，可以允许采用影印、缩印或其它复制手段保存论文。( 保密的论文 在解密后遵守此规定) 本人签名： 导师签名： 耋：撕 礅 日期! 兰二 日规丝! 篁、【= 竺 第一章绪论 第一章绪论 1 。1 纹理分析的研究内容及现状 近三十年来，纹理分析一直是图像处理和计算机视觉领域一个研究的热点和 难点。纹理分析的主要研究内容包括纹理描述、纹理分类、纹理分割、纹理检索 和纹理合成等，是计算机视觉和模式识别的重要组成部分。 纹理描述：对图像中纹理信息的基本特性做出某种度量。纹理描述的基础是 找出一组能够有效反映图像纹理特征的参量，这些纹理特征能够尽可能地缩小纹 理的类内差距，同时尽可能增大纹理的类间离散性。通常的纹理特征有粗糙度、 方向性和一致性等。 纹理分割：以纹理特征的一致性为准则的图像分割处理。由于不同物体往往 具有不同的纹理特征，纹理分割将图像中划分为互不相交的若干区域，每一个区 域内部具有相对一致的纹理特征。纹理分割包括有监督和无监督的纹理分割。有 监督纹理分割是指在对待分割图像掌握一定先验知识盼崎况下的纹理分割，反之 则称之为无监督分割。纹理的先验知识包括确定待分割图像的纹理类别数目，不 同纹理的表现特性等。一般地说，有监督分羽的效果要好予无监督分割。 纹理分类：通过纹理特征的描述、提取和识别处理，将不同类剐的未知纹理 图像正确地归类到已知地纹理类型。纹理分类一般包括训练和分类两个阶段，一 般是有监督的分类。 纹理检索：通过某种相似性准贝i j 计算纹理特征之间的距离，对图像进行识别 检索。纹理检索是基予内容的图像检索研究的一个重要内容。 纹理合成；是计算机图形学里一个普遍的问魇，主要研究在计算机图形学中 产生真实纹理圈像的不规则形状的方法。 图像的纹理分析包括许许多多的方法，主要包括灰度级协方差矩阵法( g l c m ) f l 】、自相关函数分析法f l j 共生矩阵法( c g m ) 嘲、m a r k o v 随机场模型( 加 t f ) 阎、 分形( f r a u d s ) 模受i 硎以及空域，频域滤波方法阳l 、g 删w a v c k 濮型( 3 1 等。其 中一些方法已经被成功地运用到不同的应用镁域，如自动检测、医学诊断、文档 处理和遥感等( 辂堋，纹理分析在这些领域中发挥了重要的作用，其它新的应用也 不断地被发现。 !基于p c n n 聚类和分类的图像纹理特征提取与分割研究 1 2p c n n 的发展与研究现状 神经网络( n e u r a ln e t w o r k ) 是近年来再度兴起的一个高科技研究领域，是信 息科学、脑科学、神经心理学等多种学科近年来研究的一个热点。人工神经网络 是指模拟人脑神经网络的结构和功能，运用大量的处理部件，由人工方式建立起 来的网络系统。它是在生物神经网络研究的基础上建立起来的，人脑是人工神经 网络的原型，人工神经网络是对脑神经系统的模拟。 随着生物神经学的研究和进展，一种被称为第三代人工神经网络的新型人工 神经网络模型脉冲耦合神经网络模型( p u l s ec o u p l e d n e u r a ln e t w o r k ，f c n n ) 的研究在国外悄然兴起，而猫视觉皮层中同步脉冲发放现象的发现则促使了这种 被称为第三代人工神经网络的新型人工神经网络模型脉冲耦合神经网络模型 ( r u i s ec o u p l e dn e u r a ln e t w o r k ，p c n n ) 的研究熟潮的兴起。这种网络是由变阈值 非线性动态神经元组成，具有优良的时空总和特性、动态脉冲发放特性和同步脉 冲发放引起的振动与波动等特性，在图像处理和自动目标识别、注意、组合优化、 人工生命等领域的应用正在国外得到广泛重视和研究，国际上关予人工神经网络 的专门刊物i e e et r a n s o nn e u r a ln e t w o r k s 于1 9 9 9 年5 月出版的p c n n 专辑及 近期发表在n e u r a lc o m p u t a t i o n ，b i 0 1 c y b e m 。l c o m p u t n e u r o s d 等刊物上有关论 文的数目越来越多也充分说明了这一点。p c n n 具有许多独特的优良特性，正是 由于p c n n 的这些特性，使得对p c n n 的研究不仅具有重要的理论意义，而且具 有非常广泛的应用前景，其应用领域涉及到强时变信号处理( 如运动目标识别) 、 图像处理( 滤波、分割、融合等) 、图像目标识别、图像理解、人工生命、注意、 决策优化、通讯等。 1 9 9 0 年e c 盘, h o r n 提出了展示同步脉冲发放现象的连接模型旧。这是一个解 释在猫大范围的大脑皮层中实验观察到的与特征有关同步行为的一个简化模型， 该模型从具有相似行为的神经元中产生同步脉冲。从而有效地通过相位和脉冲频 率将它们组合在起，给出了一个基本的新功能：以相似性集群，其中存在局部 周期波，其时间信号对二维输入的图像信号进行编码，并具有很好的尺度、旋转、 变形和强度不变性。这种模型用称为神经膜的脉冲产生器、调制耦合器、以及以 漏电容形式模拟的突触连接组成，其核心是引入了第二感受野，来自这个区域的 信号经过积分调制第一感受野来的信号，从而提供了一个简单而有效的研究网络 同步脉冲行为的模拟工具，并很快被证实在图像处理上有重要的应用【1 5 _ 1 6 , 1 7 。后 来这一模型经过变形，引入到连接模型中，以改善图像处理的性能，它们统称为 脉冲耦合神经网络或p c n n 堋，已经给出的结论是连接调制可以构成一个高阶网 络，它给出了图像融合的新途径【”l ，更迸一步地这种网络的个单个神经元可以 第一章绪论 构造出任意复杂的模糊逻辑规则系统i 2 u j 。 p c n n 的两个最基本的性质是脉冲发放和脉冲耦合，后者是连接模型中乘积 耦合作用的直接结果。乘积耦合调制而不是常规的加性耦合，其优势在于一个无 输入信号的神经元不会被与其耦合的输入激活，这一点对于图像处理尤为重要。 尽管加性耦合来源于突触电流的并联相加，并被认为是生物神经元的基础，然而 目前的神经生物实验已经证实，脉冲乘积耦合和空间信息的时序编码具有同等的 重要性【2 。 j o h n s o n 和p a d g o t t 1 6 】从最简单的仅有两个神经元的p c n n 网络入手，给出了 输入信号的耦合关系以及甚至如此简单的两神经元p c n n 就能够给出一个将信息 编码成时间信号的手段。在这篇文章中，他们讨论了脉冲产生的机理，并把研究 重点放在网络的非自适应空时动力学行为上，包括脉冲的体制、时间信号的特性、 连接强度等，并指出了p c n h 网络在图像和数据融合中的应用，给出了p c n n 在 一维图像处理、视网膜图像处理应用例子。 e u g e n em i z h i k e v i c h 1 7 1 将p c n n 放在一个较为严格的数学框架下加以分析， 证明了实际的生物细胞模型与p c n n 模型是一致的，所不同的只是变量的坐标， 并指出没有必要采用细致的动力学模型来研究细致的网络动力学行为，而只需要 类i 激励的脉冲和弱连接，在这两个假设下，l z h i k c v i c h 给出了p c n n 的相位表示 形式，指出这时的p c n n 在同步受锁时将自发地解除同步( 即异步化) 而不是保 持固定，这使得p c n n 解有更为多样的动态行为体制，从而可以成为一个复杂的 和多样化的数据处理系统，i z h i k c v i c h 的这篇文章为神经动力学的研究提供了一个 新的工具。i z h i k e v i c h 的另一篇论文“弱脉冲振荡器、f m 作用、同步及振荡联想 存储器”l 篮】，给出了分析神经动力学的新方法，它将类i 神经元映射成基于相位 的模型，指出脉冲频率有时也不携带信息，只是传输通道的一种标识字，而携带 信息的是相位调制，这是一个崭新的概念，其应用将远远超出神经网络领域，对 于通信路由选择及并行计算机的构造具有指导意义。p l e 船c x 和g e r s t n d 2 3 1 在2 0 0 0 年第二期将要出版的i e e e t i a d 8 o nn e u r a ln e t w o r k s 上研究了噪声对时变信号的 p c n n 响应的影响。k i s t l e r 和l e o m l 在同一期中提出了一种便于对两个邻接神经 元点火特性的相关性进行分析的神经元模型，其中蕴涵了神经元脉冲发放的概率 机制，并指出在生物上合理的特定假设下，两个邻接的神经元其点火时间链均可 以用一个非均匀的p o i s s o n 过程来描述。b r c s s l o f f 和c o o m b o s l 2 s l 对具有强耦合的 p c n n 的动态行为进行了研究，指出在弱耦合情况下稳定的相位锁定状态是如何 随着耦合强度的增加而进入不稳定的。 总之，关于p c n n 的研究，大部分的文献都讨论其应用，如基于p c n n 的图像 基于p c n n 聚类和分类的图像纹理特征提取与分割研究 凹点( f o v e a t i o np o i n t ) 搜索，图像分割，目标检测，最短路求解，目标检测中的图 像融合，听觉图像分析及语音信号分离，t s p 问题求解等等。而关于p c n n 理论方 面的研究则基本上从1 9 9 8 年刚刚开始，研究也远不够深入，国内这方面的工作开 展得很少。将p c n n 应用于数据聚类和分类方面，在这个方面仍是一片空白。因此 对于我们来说，有必要从理论以及实验的角度去论证前人所提方法的优点和不足， 并继续探索基于p q 的其它应用领域。 1 3 课题的主要研究内容与章节安排 作者在他人先期研究p c n n 的基础上，对p c n n 的基本原理、运行行为及其 特性进行了深入的研究，分析了p c n n 的以相似性集群和捕获特性，提出了一种 基于p c n n 数据聚类和分类的方法。结合对纹理图像分析中不同纹理特征提取方 法的深入理解，提出了一种新的纹理特征提取方法并成功她把p c n n 聚类和分类 方法应用于纹理图像的分割中，与其它聚类和分类方法在分割性能上做了比较， 并对影响分割质量的因素做了深入的剖析。 具体的章节安排如下： 第一章简单介绍了纹理分析主要研究的内容和p c n n 的发展和研究现状，以 及本论文的内容安排； 第二章回顾和讨论了纹理分析的多个方面，重点讨论了从图像中提取纹理特 征的不同方法和纹理分析的应用领域； 第三章简单介绍了p c - w n 的基本模型和工作原理，通过对聚类分析和模式分 类的理解，结合对p c n n 基本特性的深入理解，提出了基于p c n n 的数据聚类和 分类方法； 第四章给出了纹理图像分割方法的流程，提出了一种基于中心矩结合非线性 变换的纹理特征提取方法，并运用基于p c n n 的数据聚类和分类方法实现了对纹 理图像的分割，并对影响其分割质量的因素做了深入的探讨； 第五章对本论文工作的总结和展塑，并指出了论文的不足之处。 本课题的研究工作在国家自然科学基金a r ，0 3 7 1 0 4 4 ) 和国家留学回国人员 科研基金资助的支持下完成。 第二章纹理分析的基本方法 第二章纹理分析的基本方法 9 1 2 1 纹理的基本概念 在许多机器视觉和图像处理算法中，通常假设图像区域在亮度上是均匀的。 然而，在现实世界中物体的图像区域所展现的并不是亮度均匀的。例如，个术 纹表面的图像亮度不是均匀的，而是包含不同特定重复的图案，这种重复的图案 称为可视的纹理。这些图案是由物体的物理表面属性构成的结果，如粗糙度和方 向性等，或者是物体表面对颜色反射不同的结果。 当我们看到纹理时，我们能够识别它但很难下定义。计算机视觉领域的研究 者给纹理下了不同的定义。c o g g i n s t ：懒了在计算机视觉学领域中一些纹理的定 义，如下： 纹理可以被认为是由肉眼可见的区域组成。纹理结构的简单特征是有重 复图案的组成，在这些图案中的图元按一定的布局规则排列。 如果图像的一组局部统计特征或者其它特征是不变的，变化缓慢的或者 近似周期性的，那么我们就认为图像区域含有不变的纹理。 纹理的概念包括下面三个方面成分：i ) 一些局部“规则”遍布于一个比 其尺寸大的多的区域；i i ) 这个“规则”由非随机捧列的基本要素组成： i i i ) 要素是一些在纹理区域中近似相同尺度的租糙度一致的实体。 从上面定义可以看到，不同应用领域的人们对纹理的定义不同，而且没有一个公 认的定义。 如果把图像纹理定义为在象素亮度( 灰度) 空间上变化的函数，在很多应用 中非常有用并且已经成为一个热门的研究课题。圈镰纹理的一个直接应用就是使 用纹理特征识别翻像区域。 图2 1 纹理图像 基于p c n n 聚类和分类的图像纹理特征提取与分割研究 例如，在图2 1 ( a ) 中，我们定义了5 种不同的纹理分别为棉线帆布、麦秸席、 纤维、人字形织物和皮革等，这称之为纹理分类。纹理分类的目标是对输入的分 类图像进行处理，使相同的纹理区域识别为如图2 1 c o ) 所示的纹理类。即使我们 不能分类这些纹理图案，我们也可以找到纹理的边界。这就是纹理分析研究试图 解决的第二类问题纹理分割。纹理分割的目的是取得图像的边界，如图2 1 ( c ) 中所示。纹理合成通常被用于图像压缩的应用领域，它在计算机图形学中也非常 重要，可使物体的表面看起来尽可能的真实。g i b s o n 首次在文献中正式提出从纹 理中提取形状的问题，它的目的是从底纹、立体图案和纹理线索中提取物体的3 d 形状信息。 2 2 纹理分析的动机 在机器视觉中，纹理分析是一个非常重要和有用的研究领域。大多数的自然 物体表面都表现为纹理，一个成功的视觉系统必须能够处理它周围的纹理环境。 在这节中我们从两个方面回顾纹理概念的重要性入的视觉或心理学方面和实 际的机器视觉应用方面。 2 2 1 从心理学方面 如果一个人想在森林中生存，能够分辨出老虎与周围树丛是一个生死攸关的 问题。老虎成功的伪装自己使我们不能发现它，是我们不能从背景中分离它的轮 廓。轮廓与背景分离是一个心理学家非常感兴趣的问题。轮廓与背景分离主要跟 亮度、形状、颜色、纹理等因素有关，这里纹理起了重要的作用。老虎伪装的成 功主要是我们的视觉系统不能区分树丛和虎皮这两种纹理。视觉的作用就是使我 们用纹理线索把轮廓从背景中分离出来，这个问题也是研究纹理感知的心理学家 的基本目的。 研究纹理感知心理学的另一个重要原因就是用不同的纹理算法做同样的纹理 分析任务，用人类的视觉来评估不同纹理算法性能的优越。伪如，考虑图2 2 ( a ) 中给出的纹理对( 首次由j u l e s z 描述) ，图像中由两个区域组成，每个区域由不同 的纹理记号组成。我们只有仔细检查纹理图像才能发现这个事实。然而，对图像 的直觉是图像没有两个不同的纹理区域，而是只有一个均匀的纹理区域。j u l e s z 说像这样的纹理对不是“留意可区分的”，这些合成纹理可帮助我们形成假设，即 在人们纹理感知中，图像中的那些属性是重要的。此外，这个例子也引起了如何 评价分析纹理图像的计算机算法的性能。例如，假设我们有一个可以区分如图 2 2 ( a ) 所示的纹理对的算法，这个算法是正确的吗? 当然，答案依赖于我们算法的 第二章纹理分析的基本方法 目标。如果这个特殊目的算法是检测不同的区域，那么它的性能很好。另方面， 如果认为是一个人类的视觉系统处理纹理的计算模型，那么这个算法是不好的。 m t ，j i m m m m 5 5 m m s u m ， 墉0 m 册 “9 9 s m g t m m ” m m m l i 0 i i 目 m l - 日m ee * m * 暑j j 詈 i 暑n m 幅 i t i 1 m m i i 1 1 g l a j ppjj p td ，ddjp t qpp q dpq ，p tp ，p 1d d d d - d p t 1 p 0 r 可p ， dp t p tp 1dld 1 ph t p ，p kkk a ak1k r rk k kk ，k ， r ，k ，1k 搭t f 膏，1 k kc t t c # k k t kaa ，kk e kkr t kk k 1 rk 月eke i d j 幽2 2 人工纹理图像 j u l e s z 在相关纹理辨别的文章中已经详尽地研究了纹理感知。他提出了这样的 问题：“假设一个纹理对有相同的亮度、对比度和颜色，那么它们在什么时候是可 分辨的? ”j u l c s z 致力于在图像灰度级空间的统计学方法。为了讨论j u l e s z 的工 作，我们必须详细说明一阶空间统计和二阶空间统计的概念。 1 ) 一阶统计是测量在图像中随机选取局部区域灰度值的可能性。一阶统计也 可以通过计算图像中蓉索强度的直方图得到，它仅依赖于单个象素值，不依赖于 邻域象素值的相互作用。如图像的平均亮度就是一个一阶统计的例子。 2 ) 二阶统计定义为在图像中发生在随机长度双极子的端点中任意位置和方向 的一对灰度值的可能性，它们表达的是多对象素灰度值的特征。 j u l e s z 假设如果两个纹理的二阶统计一样。那么它们在“留意”之前是不可分辨 的。如图2 “a ) 中所示的纹理对，图像中由二阶统计一致的一对纹理区域组成， 两个纹理区域在“留意”之前是不可分辨的。后来，他也给出了一个与假设相反 的例子( 二阶统计一致，在“留意”之前可分辨的纹理对，如图2 2 c o ) ) 。 生理心理学研究表明，由大脑指挥的在视网膜上形成的视觉图像是一个多通 道、多频率和多方向分析的可视化图像。c a m p b e l l 和r o b s o n 使用不同的光栅模 型做了这方面的实验，他们指出视觉系统把图像分解为不同频率和方向上的滤波 图像。d ev a l o i s 等研究了特征短尾猴的大脑，它的大脑在视觉处理上被认为是接 近于人类的大脑。他们把猴子视觉皮层细胞的反应记录为不同频率和方向的正弦 光栅，并且得出这些细胞被调制为小范围的频率和方向。这些研究已经推动视觉 研究者把多分辨率、多通道滤波方法应用到纹理分析中。 7 !基于p c n n 聚类和分类的图像纹理特征提取与分割研究 2 2 2 从实际应用方面 纹理分析方法已经被运用到不同的应用领域，在一些成熟的领域( 如遥感) ， 纹理已经起到重要的作用，其它新的应用领域也在不断地被发现。下面我们简单 的回顾一下纹理在自动检测、医学图像处理、文档处理和遥感等中的作用。 ( 1 ) 自动检测 目前，一些数量有限的纹理处理被应用到自动检测中，这些应用主要包括在纺 织品的疵点检测和汽车喷漆自动检测中。在纹理图像的缺陷检测中，大多数的应 用在纺织品检测领域中。d c w a e l e 等在纹理图像中使用信号处理方法来检测点和线 缺陷，他们从滤波的图像中计算纹理特征，用m a h a l a n o b i s 距离分类器来区分有瑕 疵的区域。c h e t v e r i k o v 定义了一个简易的窗口算子，通过简单的滤波操作获得纹 理特征，这种方法使我们能探测到纹理图像的边界线缺陷。c h e n 和j a i n 使用结构方 法对纹理图像进行缺陷检测，他们从图像中提取骨架，通过检定在这些骨架中特 定统计特征的异常来确定纹理中的缺陷。 在运用纹理图像进行质量控制领域，s i e w 等提出了一种估计地毯磨损程度的方 法，他们使用二阶灰度相关统计和一阶灰度差分统计作为纹理特征，并表明了使 用这些通过技术获得的数字纹理特征能够成功的描述地毯的磨损程度。j a i n 等使用 g a b o r 滤波计算出的纹理特征来为喷漆金属表面的质量自动分级。 ( 2 ) 医学图像分析 图像分析技术在许多医疗应用中起着重要的作用。通常，这些应用包括从图像 中自动提取出特征，这些特征可以被用于各种分类任务中，如区分正常组织和病 变组织等。根据特定的分类任务，提取的特征将获取图像在形态学上的特性、颜 色特征或某种纹理特征等。 计算的纹理特征跟被应用的领域有紧密的关系。s u t t o n 和h a l l 论述肺部疾病分 类使用的纹理特征，在这类应用中，纹理分析方法正适合处理这些图像。s u t t o 和 h a l l 提出使用三类纹理特征来区分正常的肺和病变的肺，这些特征基于无向性对比 测量，有向性对比测量和傅氏( f 0 蚵c 渊能量采样计算得来。在他们的分类实验中， 使用有向性对比测量作为特征取得了最好的分类结果。 h a r m s 等使用图像纹理结合颜色特征来诊断白血病恶化情况。l a u d e w e e r d 和 g e l s 咖a 提取各种各样的阶统计( 如区域的灰度均值) 和二阶统计( 如灰度级上 的共生矩阵) 来区分不同类型的自血球。c h e 等使用分形纹理特征来对肝脏的超 声波图像分类，使用分形纹理特征来对胸腔的煳，线图的边缘增强。 第二章纹理分析的基本方法 ( 3 ) 文档处理 在机器视觉和图像分析方面的应用已经被使用在文档图像分析和字符识别领 域。文档处理在邮政的地址识别和分析与解释说明地图方面得到了应用。在许多 邮政的文档处理应用中( 如信封上的目标地址和邮政编码的识别) ，处理的第一步 就是能够从图像的背景中分离出包含有用信息的区域。 大部分图像分析文档处理的方法是基于印刷体文档的特征和利用这些有用的 特征。例如，普通的报纸被组织成矩形块区域，s r i h a r i 提出的分割算法就是利用 这样的事实。许多运用在图像上精确的算法认为图像具有形态学的特征。w a n g 和s r i h a r i 使用象素值的投影轮廓并通过检测这些轮廓来识别大的“文本”块。 f l e t c h e r 和k a s t u r i 使用绝大部分的文本块表现为直线的事实并使用哈夫( h o u g h ) 变换技术来检测同线的成分。t a x t 等把文档图像的印刷识别视为两类分类问题， 即印刷物和背景，他们使用不同的分类方法来计算分割。 我们也可以使用纹理分割方法处理文档图像来识别感兴趣的区域。j a i n 和 f a r r o k m i a 在文章中描述了用于分割报纸图像的纹理分割算法。一个图像文档的 分割可以通过三类纹理来获得：第一类为文本区域：第二类为由背景或亮度变化 缓慢的图像组成的均匀区域；第三类为前两类区域的过渡区域。 ( 4 ) 遥感 纹理分析已经被广泛地使用在遥感图像的分类上。在陆地用途分类中，对具 有地形类别不同的同一区域( 如麦田，水域和城区等) 的识别是一个重要的应用。 i - i a r a l i e k 等使用灰度级二阶统计特征来分析遥感图像，他们计算了四个方向上灰 度共生矩阵( 妒，4 5 0 ，9 0 6 和1 3 5 0 ) ，对一个七类分类问题，通过使用纹理特征， 他们取得的大约的分类精度。 2 3 纹理分类学模型 对于一幅图像，识别图像的纹理中被感知的性质是对纹理建立数学模型的一 个重要的首要步骤图像中具有纹理特征的亮度变化通常是由于风景中一些潜在 的物理变化形成的( 如海滩上的鹅卵石或水中波纹) ，对这些物理变化建模是非常 困难的，因此纹理通常用呈现在图像中亮度二维变化的特征来表示，这就说明了 在计算机视觉学中没有一个简洁通用的纹理定义存在。尽管这样，但是有许多纹 理的直观性质通常被认为是确切的。 纹理具有区域属性，在一个点( 象素) 上没有定义。因此，纹理是一个 9 竺基于p c n n 聚类和分类的图像纹理特征提取与分害4 研究 与内容相关的特性并且它的定义必须包含其空间邻域中象素的灰度值。 邻域的大小依赖于纹理的类型和定义纹理图元的大小。 纹理含有灰度在空间上的分布。因此，2 d 直方图或共生矩阵是比较好的 纹理分析工具。 图像中的纹理可以被理解为是不同尺度或标准的分辨率。如在一个有砖 墙图案的纹理图像中，在较粗的解析度中，纹理被看成由多个砖块组成 的，砖块的内部细节被丢失了；在高的解析度下，在可见区域中我们只 能看到少量的砖块，看到更多的是表现砖块细节的纹理。 当一个区域中有大量的图元时，那么该区域被认为含有纹理。 图像纹理包含许多能被感知的性质，这些性质在描述纹理中起着重要的作用。 l a w s 2 7 】认为下列属性在描述纹理中发挥重要的作用：均匀性、灰度、粗糙度、规 则性、线性、方向性、方向、频率和相位等。其中一些属性是相关的，如频率与 灰度有关，方向属性只能应用到有方向性的纹理。对纹理的理解有许多不同尺度 的事实说明了没有一个能够自适应各种纹理方法出现的原因。 2 3 1 数理统计方法 一种纹理属性的定义是灰度值的空间分布。因此，在机器视觉学中，统计特 征是一种最先提出的方法。大量的纹理特征被提出，但是t o m i t a 和t s u j i 指出这 些特征是相互关联的，图2 3 表示输入图像与不同统计纹理测度之间的关联。 p i c a r d 也指出了灰度共生矩阵与m a r k o v 随机场之间的关系。 图2 3 原始图像和不同统计纹理特征方法之间的关系 第二章纹理分析的基本方法 f 1 1 空间自相关函数法 纹理结构常用其租糙度来描述，其粗糙度与局部结构的空间重复周期有关。 周期大的纹理粗，周期小的纹理称为细纹理。空间自相关函数是检索纹理测度的 一种基本方法。纹理测度变化的倾向是小数值的纹理测度表示细纹理，反之表示 粗纹理。 设图像为掣毽办o 鲥s m o g 妄册，其自相关函数定义为 i + w k + w m ，坩。吨y 一坊 胁小型等岿而一( 2 - 1 ) z 1 2 ( x , y ) p 口一w y - k - w 上式是对西t + 9 x 协，+ 1 ) 窗口内每一象素u ，d 与偏离值e , r = q 吐玛；玎的象素之间 的相关值作计算。一般租纹理区域对给定偏离p ，口) 是象素的相关性要高于细纹理 区域。或者说，对于粗纹理图像，自相关函数讯，】；伪随着偏离值增大而下降的 速度较慢；而细纹理图像的c 忙，哺 七) 随着偏离值增大而下降的速度较快。随着偏 离值的继续增加，吼，j ；j 妨将呈现某种周期性的变化，其变化周期的大小可以作 为描述图像纹理的重要特征。自相关函数扩展的一种测度是二阶矩，即 眦k ) - 墨圭。勺2 c m 联 zs 勺2 c o ，玑，t ) e - - t r - - t ( 2 - 2 ) 由上式可见，纹理粗糙度越大，越大。因而，也是度量纹理结构粗糙度的一种 参数。 ( 2 ) 灰度共生矩阵法 灰度共生矩阵( g l c m ) 是图像灰度变化的二阶统计量度，它是表述纹理图像 结构特征的基本函数。根据两个象素点位置的联合概率密度函数可以建立起纹理 图像的共生矩阵。g l c m 中每一点g 力在相隔一定位移d 和一定的方向口上灰度i 和灰度的联合概率估计。表示为： c 强国一i ，g ，i 以功( 2 3 ) c ( a ，日) 是一个方阵，行列维数均为图像的灰度级，而且c d ) 通常不对称。在纹理 分类中，人们通常不是只用俐，中的单个值，而是计算整个矩阵的特征。自 h a r a l i c k e t a l 提出十四个g l c m 特征后，人们已经提出了很多的纹理的g l c m 特征， 其中部分特征被广泛应用。常用从g l c m 中提取的纹理特征有： 基于p c n n 聚类和分类的图像纹理特征提取与分割研究 能量e ( 二阶矩) ：e 一，2 u ，) l 熵h ：h 一一，o ，j ) l 。g i ( i ，j ) l j 对比度c o n ：c o n 屯u 一炉， 相关性c o r ： 显然如果图像的灰度级大( 比如2 5 6 级) 就会给g l c m 的分析带来庞大的计算 量，所以一般在计算g l c m 之前先对图像的灰度级进行量化缩减。 2 3 2 几何方法 这类纹理分析方法归入几何方法是因为它们的纹理定义为由“纹理元素”或 图元组成。分析方法通常依赖于这些纹理元素的几何特性。一旦图像中的纹理元 素被确定，我们有两种主要方法来分析纹理。一种方法是从提取的纹理元素计算 统计特征并利用这些特征作为纹理特征，第二种方法是试图提取描述纹理的排列 规则。后一种方法包括几何或句法方法来分析纹理。 ( 1 ) 构造方法 纹理的构造模型假设纹理由纹理图元组成，纹理由这些图元按一定的排列规 则形成。构造纹理分析由两个主要步骤组成：i ) 纹理元素的提取和) 排列规则 的推断。 有许多途径来提取图像中的纹理元素，通常纹理元素由图像中灰度均匀的区 域组成。v o o r h c e s 和p o g g i o 证明了气泡在纹理感知中的重要性，他们提出了一种 基于不同尺寸模板的拉普拉斯高斯算子( l o g ) 滤波图像和结合这些信息来提取 图像中的气泡。b l o s t e i n 和a h u j a 为了提取图像中的纹理符号也使用了类似的处 理，他们是通过检查多种尺寸l o g 滤波器的响应来提取特征，为了改普处理结果， 他们把多尺寸的气泡检测和表面形状结合起来计算。t o m i t a 和a t l j i 也提出了一 种计算纹理符号的方法，这种方法是对被分割图像的连接分量经过中轴变换得到， 然后他们计算一些属性，如这些被检测符号的强度和形状等。 z u c k e r 提了出一种方法，在这种方法中，他把看得见的纹理( 真实的纹理) 看作为理想纹理的失真或变形。理想纹理的排列准则通过一个与规则或半规则的 镶嵌成小方格同构的图形来定义，然后这些图像变形产生看得见的纹理。使用哪 i 册c 第二章纹理分析的基本方法 一种规则的镶嵌成小方格图形作为排列准则由可见的纹理推断出，通过计算被检 测纹理符号相关位置的二维直方图来获得。 f u 描述了另一种结构化手段的纹理建模方法，在这个方法中，纹理图像被认 为是用纹理图元按一定的排列准则布局而成的。图元可以被认为就像是一个有灰 度值的单个象素一样的简单，但是它通常是象素的集合。排列准则由树形文法来 定义，然后纹理被看作是一个由这种文法所定义的语言的一个字符串，字符串的 结束符号表示纹理图元。这种方法的优点是既可用于纹理生成又可用于纹理分析。 在z u c k e r 模型中，由树形文法产生的图案也被认为理想的纹理。 2 3 3 基于模型的方法 基于模型的纹理分析方法首先确定纹理图像的解析模型并将每种纹理模型用 一个纹理特征参数集表示。确定了这组纹理特征参数也就确定了该纹理模型的纹 理特征。因此，基于模型的纹理分析的关键是准确估计模型的特征参数集。纹理 模型法认为一个象素与其邻域内的象素存在某种依赖关系，这种关系既可以是线 性的，也可以是服从菜种条件概率分布的。常用的模型有联立自回归( s a r ) 模 型f 加】和m a r k o v 随机场( m r f ) 模型【6 垮。 ( 1 ) 联立自回归模型( s a r ) s a r 通过象素的线性组合来反映图像中的象素与邻域象素间的线性依赖关 系。在s a r 模型中，对于每一个象素，可以将该象素与相邻象素的某种关系定义 为随机变量。比如设s 代表某个象素，其强度值窘( s ) 表示为它的相邻象素强度值 的线性叠加与噪音项目回之和，即： 删。芦+ z 嘲如+ ，) + 瞄( 2 4 ) ，6 d 其中d 表示s 的邻域象素集，弘是象素均值，由整幅图像的平均强度值决定。8 ( ，) 是一系列模型参数，用来表示不同相邻位置上象索的权值。s 是均值为零而方 差为a 2 的高斯随机变量。 此时，参数0 和标准方差口的值反映了图像的纹理特征，可以透过回归法计算 模型参数来获取纹理的局部统计特性。 f 2 ) m a r k o v 随机场模型( m r f ) 如果将纹理图像视作一个二维随机过程的有限采样，则这个随机过程由它的 统计参数决定。定义一个邻域，如果随机场中某点采样的统计概率仅和该邻域内 坚基于p c n n 聚类利分类的图像纹理特征提取与分割研究 的点有关，那么该随机场就是m a r k o v 随机场。引入m r f 作为图像的随机模型是 纹理分析中的一个重要成就。m r f 能够很好地表达不同纹理集的概率模型，其统 计参数能够反映出邻近相似象索集合的大小和分向。使用最小二乘法或极大似然 法估计这些模型参数，然后将这些估计参数同已知纹理类型的参数进行比较，可 以比较好地进行纹理分析。另外g i b b s 随机场模型相对于m r f 模型是一样更灵活 更有效的模型。 2 3 4 信号处理方法 生理学研究已经给出证据，人类大脑处理图像时用频率分析，因为纹理本身 的特点，它特别适合用这种类型的分析。这节中将回顾依赖于信号处理技术的不 同纹理分析方法，大多数的技术都是从滤波的图像中计算某些特征，然后把这些 特征用在分类和分割任务中。 ( 1 ) 空域滤波器 空域滤波器是捕获图像纹理特征最直接的途径。早期研究者尝试定义些方 法，这些方法集中在测量每单位面积的边缘密度。细纹理与粗纹理相比，前者有 较大每单位面积的边缘密度。边缘的测量通常由简单的边缘模板计算得来，如罗 伯特( r o b e r t ) 算子和拉普拉斯( l a p l a c i a n ) 算子，两个r o b e r t 正交算子和一个 l a p l a c i a n 算子如下所示( 图2 4 ) ： 叫即瞄习 图2 4 两个r o b e r t 正交算子l a p l a c i a n 算予 通过计算图像区域对r o b e r t 模板或l a p l a c i a n 模板响应的大小，我们可以得到边 缘测量的结果。 m a l i k 和p e r o n a 提出了使用空域滤波方法来建模人类视觉系统的纹理感知， 他们提出的模型分为三个阶段：i ) 使用一组偶对称滤波器对图像作卷积运算，然 后再半波整流( h a l f - w a v er e c t i f i c a t i o n ) ；i i ) 在局部化区域中抑制异常的响应ii i i ) 检测不同纹理之间的边界。他们使用的偶对称滤波器由高斯偏移量差分 ( d i f f e r e n c e so fo f f s e tg a u s s i a n ，d o o g ) 函数组成，半波整流和抑制是把非线性 引入到纹理特征计算的方法。为了区别具有同样的平均亮度和相同的二阶统计特 征的纹理，引入非线性是必要的。使用简单的边缘检测算法应用到上述第二步获 得特征图，可以得到纹理的分界线。这种方法在多种纹理例子中起作用，通过用 8 di 一 一 l 一 第二章纹理分析的基本方法 专门调整的特征，既可以区分天然纹理也可以区分合成纹理。u n s e r 和e d e n 也认 为纹理特征可以从空域滤波器和非线性的算子中获得。r e e d 和w e c h s l e r 回顾了一 些在分割纹理图像中使用的空频域滤波技术。 ( 2 ) 傅氏( f o u r i e r ) 域滤波 纹理图像的频域分析大多是在傅氏域中处理的。就像生理学的结果所表明的， 人类的视觉系统是通过把图像分解成它的频率和方向成分来分析纹理图像。在文 献中，调制不同频率的多通道被认为是多分辨率处