（信号与信息处理专业论文）基于小波的纹理特征提取算法的研究.pdf

分类号： tp 391 密 级： 公 开 学 号： 092030020 工学硕士学位论文 基于小波的纹理特征提取算法的研究 学生姓名 黄媛媛 指导教师 张尤赛教授 江苏科技大学 二 o 一一年十二月 a thesis submitted in fulfillment of the requirements for the degree of master of engineering texture feature extraction algorithm based on wavelet submitted by yuanyuan-huang supervised by you sai-zhang jiangsu university of science and technology december, 2011 江苏科技大学学位论文原创性声明江苏科技大学学位论文原创性声明 本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独立进 行研究工作所取得的成果。除文中已经注明引用的内容外，本论文不包含 任何其他个人或集体已经发表或撰写过的作品成果。 对本文的研究做出重 要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声 明的法律结果由本人承担。 学位论文作者签名： 年 月 日 江苏科技大学学位论文版权使用授权书江苏科技大学学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意 学校保留并向国家有关部门或机构送交论文的复印件和电子版， 允许论文 被查阅和借阅。 本人授权江苏科技大学可以将本学位论文的全部或部分内 容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存 和汇编本学位论文。 本学位论文属于： (1)保密，在 年解密后适用本授权书。 (2)不保密。 学位论文作者签名： 指导教师签名： 年 月 日 年 月 日 摘 要 i 摘 要 纹理是人们视觉系统对自然界物体表面现象的一种感知， 它作为物体表面的一种 基本属性广泛存在于自然界中，是人们描述与区分不同物体的重要特征之一。纹理分 析技术是图像处理领域一个经久不衰的研究热点， 纹理特征提取作为纹理分析的首要 问题，成为人们关注的焦点。本文在传统的纹理特征提取方法的基础上，提出了一种 双树复小波域共生矩阵纹理特征提取方法， 对提取的特征值用聚类的方法进行性能分 析，并应用于图像检索中。本文的主要工作如下： 1.复现了 glcm、dt-cwt 纹理特征提取方法。通过实验比较了特征值之间的相 关性，选择能量、熵、惯性矩和局部平稳这 4 个非相关特征值。构造共生矩阵参数， 通过考察构造参数对特征值的影响来确定构造参数。 该方法简洁、 计算量小。 在 dwt 和 dt-cwt 比较分析之后，利用 dt-cwt 从多方向和多尺度两个方面对图像纹理分 析。设计了滤波器，并验证了 dt-cwt 的性质。 2.在深入研究 glcm 和 dt-cwt 纹理特征提取方法的基础上，提出了一种双树 复小波域的共生矩阵纹理特征提取方法。该方法利用双树复小波模型，构造同时满足 正交和重构的滤波器，对纹理图像进行多层分解。通过计算多层低频子带图像的共生 矩阵，提取描述纹理图像在不同尺度下的特征矢量；通过计算一层分解不同方向子带 图像的共生矩阵，提取描述纹理图像不同方向的特征矢量。该方法能有效地描述纹理 的尺度特性和方向特性，而且算法直观简明。 3.利用聚类分析，对 glcm、dt-cwt 和双树复小波域共生矩阵的纹理特征提取 方法所提取的特征矢量进行性能分析。 将每一幅纹理图像所提取的特征矢量视为一个 聚类的样本，不同类型所有纹理图像所提取的特征集合作为不同的聚类。通过聚类内 部距离、聚类间距离及其比值等指标，分析比较了上述 3 种方法的特征提取性能。实 验结果表明，本文提出的方法具有较好的聚类性能，所提取的纹理特征的聚类分离度 优于其它两种方法，并能较好地保持聚类内部样本的差异性。 4.将 glcm、dt-cwt 和双树复小波域共生矩阵的纹理特征提取方法应用于图像 检索。 利用检索图像与图像库中图像之间的纹理特征距离函数作为图像相似性度量值 来检索图像，分析比较了上述 3 种方法的图像检索平均查准率。实验结果表明，本文 提出的方法计算效率高、操作方便，有效地提高了图像检索的正确率。 关键词 纹理特征提取；双树复小波；灰度共生矩阵；聚类分析；图像检索 江苏科技大学工学硕士学位论文 ii abstract iii abstract texture is a perception of the natural phenomenon from the visual system. it is widespread in nature as one of the basic properties of the surface, which always be used as the improtant characteristics to describe and distinguish the different objects. texture analysis is a hotspot in image processing, since texture feature extraction is the primary problem of it, has been the focus of attention. a new method of texture feature extraction based on co-occurrence matrix in dual-tree complex wavelet domain was proposed in this paper. the paper analyzed the image texture features with clustering, and apply into image retrieval. the main work and innovations are as follows: 1.the paper reproduce the texture feature extraction methods of glcm and dt-cwt. in glcm, it chooses energy, entropy, inertia and local stationary as the values of the texture feature. the structural parameters are determined by examing the impact of the texture feature. the experimental results showed glcm is simple and less computation. in dt-cwt, by comprised the cwt and dt-cwt, we verify dt-cwt as the best way to analysis the images texture through the multi-scale and multi-directions. 2.a new method of texture feature extraction based on co-occurrence matrix in dual-tree complex wavelet domain was proposed in this paper. it uses dual-tree complex wavelet to decomposed the image texture with the filters which satisfy both orthogonal and reconstruction. the low-frequency sub-images produced by the multilayered dual-tree complex wavelet decomposition of texture images were utilized to calculate the co-occurrence in different directions for extracting the image texture features. the high-frequency sub-images produced by the multilayered dual-tree complex wavelet decomposition of texture images were utilized to calculate the co-occurrence in different directions for extracting the image texture features. the experimental results showed that this method can effectively extract the texture features in the multi-scale and multi-directions. 3.the paper uses clustering to do the performance analysis for the feature vectors which extract from the glcm, dt-cwt and the new method. then make each texture feature vectors as a sample of a cluster, all the different types of feature vectors form the cluster. by comparison the three methods of image texture extraction with internal distance, the distance between the cluster and the ratio of them, the experimental results show that 江苏科技大学工学硕士学位论文 iv the extracted texture features had favorable cluster separability and kept otherness of samples in the same cluster. 4.the paper apply the glcm, dt-cwt and the new method into image retrieval. comparised three methods with the average precision of image retrieval, the experimental results show that the new method has efficiency calculation, easy operation and improve the accuracy of image retrieval effectively. keywords texture feature extraction; dual-tree complex wavelet; co-occurrence matrix; cluster analysis; image retrieval 目 录 v 目 录 摘 要 . i abstract . iii 第 1 章 绪论 . 1 1.1 研究背景与意义 . 1 1.2 国内外研究现状与发展趋势 . 2 1.3 论文的主要内容与组织结构 . 3 第 2 章 纹理特征提取方法综述 . 7 2.1 引言 . 7 2.2 纹理 . 7 2.2.1 纹理的定义 . 7 2.2.2 纹理的分类 . 8 2.3 纹理特征提取方法分类 . 9 2.3.1 基于统计类纹理特征提取方法 . 10 2.3.2 基于模型类纹理特征提取方法 . 11 2.3.3 基于信号处理类纹理特征提取方法 . 12 2.3.4 基于结构类纹理特征提取方法 . 13 2.4 图像纹理特征提取方法比较 . 13 2.4.1 各类纹理特征提取方法纵向比较 . 14 2.4.2 各类纹理特征提取方法横向比较 . 15 2.5 本章小结 . 16 第 3 章 基于灰度共生矩阵的纹理特征提取方法 . 17 3.1 引言 . 17 3.2 灰度共生矩阵的理论 . 17 3.2.1 灰度共生矩阵的定义 . 17 3.2.2 灰度共生矩阵的纹理特征值 . 20 3.3 灰度共生矩阵的纹理特征提取方法 . 23 3.4 实验结果与分析 . 25 3.5 本章小结 . 32 第 4 章 基于双树复小波的纹理特征提取方法 . 33 4.1 引言 . 33 4.2 复小波变换的理论 . 33 江苏科技大学工学硕士学位论文 vi 4.2.1 复小波 . 33 4.2.2 双树复小波 . 34 4.3 双树复小波的纹理特征提取方法 . 40 4.4 实验结果与分析 . 41 4.5 本章小结 . 43 第 5 章 双树复小波域共生矩阵的纹理特征提取方法 . 45 5.1 引言 . 45 5.2 双树复小波域共生矩阵的纹理特征提取原理 . 45 5.3 多方向纹理特征提取 . 47 5.3.1 多方向提取纹理特征原理 . 47 5.3.2 多方向提取纹理特征算法步骤 . 49 5.4 多尺度纹理特征提取 . 50 5.4.1 多尺度提取纹理特征原理 . 50 5.4.2 多尺度提取纹理特征算法步骤 . 50 5.5 基于聚类的纹理特征性能分析 . 51 5.6 纹理特征提取实验结果与分析 . 52 5.7 在图像检索中的应用 . 59 5.7.1 图像检索的基本理论 . 59 5.7.2 图像检索实验结果与分析 . 60 5.8 本章小结 . 63 总结与展望 . 65 参考文献 . 67 攻读学位期间发表的学术论文 . 71 致 谢 . 73 contents vii contents abstract(chinese) . i abstract(english) . iii chapter 1 introduction . 1 1.1 the purpose and signification of the research . 1 1.2 status and development trend of the research. 2 1.3 content in this paper . 3 chapter 2 methods for texture feature extraction . 7 2.1 introduction . 7 2.2 texture . 7 2.2.1 definition of texture . 7 2.2.2 classfication of texture . 8 2.3 classfication of the methods of texture feature extraction . 9 2.3.1 the methods of texture feature extraction based on statistics . 10 2.3.2 the methods of texture feature extraction based on model . 11 2.3.3 the methods of texture feature extraction based on signal . 12 2.3.4 the methods of texture feature extraction based on structure . 13 2.4 comparison of the texture feature extraction methods . 13 2.4.1 vertical comparison of the texture feature extraction methods . 14 2.4.2 horizontal comparison of the texture feature extraction methods . 15 2.5 summary . 16 chapter 3 method of texture feature extraction based on glcm . 17 3.1 introduction . 17 3.2 theory of glcm . 17 3.2.1 definition of glcm . 17 3.2.2 texture feature values of glcm . 20 3.3 method of texture feature extraction based on glcm . 23 3.4 experimental results and analysis . 25 3.5 summary . 32 chapter 4 method of texture feature extraction based on dt-cwt . 33 4.1 introduction . 33 4.2 theory of complex wavelet . 33 江苏科技大学工学硕士学位论文 viii 4.2.1 complex wavelet . 33 4.2.2 dual-tree complex wavelet . 34 4.3 method of texture feature extraction based on dt-cwt . 40 4.4 experimental results and analysis . 41 4.5 summary . 43 chapter 5 method of texture feature extraction based on co-occurrence matrix in dual-tree complex wavelet domain . 45 5.1 introduction . 45 5.2 theory of the method of texture feature extraction based on co-occurrence matrix in dual-tree complex wavelet domain . 45 5.3 multi-directional texture feature extraction . 47 5.3.1 theory of multi-directional texture feature extraction . 47 5.3.2 steps of multi-directional texture feature extraction . 49 5.4 multi-scale texture feature extraction . 50 5.4.1 theory of multi-scale texture feature extraction . 50 5.4.2 steps of multi-scale texture feature extraction . 50 5.5 analysis the performance of texture feature . 51 5.6 experimental results and analysis . 52 5.7 applications in image retrieval . 59 5.7.1 theory of image retrieval . 59 5.7.2 experimental results and analysis . 60 5.8 summary . 63 conclusions and future directions . 65 references . 67 academic papers published during the period degree . 71 acknowledgements . 73 第 1 章 绪论 - 1 - 第 1 章 绪论 1.1 研究背景与意义 纹理1是人类视觉系统对自然界物体表面现象的一种感知，它作为物体表面的一 种基本属性广泛存在于自然界中，是人们描述与区分不同物体的重要特征之一。虽然 人们对纹理的研究已有近 40 年的历史，但至今难以对纹理给出统一、准确的定义。 纹理分析技术一直是计算机视觉、图像分析、图像检索等的活跃研究领域。纹理分析 研究内容包括：纹理分类和分割、纹理合成、纹理检索和由纹理恢复形状等，是诸如 上述应用的基础性研究领域之一。 纹理分析研究内容的一个最基本的首要问题就是纹 理特征提取。 纹理特征提取的目标是：提取的纹理特征维数不高、鉴别能力强、稳健性好，提 取过程计算量小，能够指导实际应用。在实际纹理特征提取过程中，人们总是先寻找 更多的能够直接反映纹理特征的度量，然后通过分析或变换，提取能用于纹理描述和 分类的有效特征。半个世纪以前，人们已经开始探索纹理特征提取方法，多年来，纹 理特征提取作为纹理分析的首要问题，一直是人们关注的焦点，并在纹理分类和分割 中发挥重要作用。纹理特征提取方法由纹理的定义所决定，而由于缺乏一个统一、准 确的定义，不能对纹理做出完整的描述，因此研究者们从不同的角度来描述纹理的多 种属性。其中，小波变换的方法由于具有多分辨率的特点，符合人类视觉特征，在时、 频域都具有表征信号局部特征的能力，近年来成为研究的热点，并成功的应用到纹理 分析中。目前，纹理特征提取所存在的主要问题是：缺乏实用的、稳健的纹理特征提 取方法，因此，对这方面进行深入的研究具有重要的理论意义。 纹理分析方法已经广泛的应用于多个领域，如： （1）遥感图像分析2，如遥感图像地形分类和卫星遥感图像云类识别、遥感图像目 标识别等； （2）医学图像处理3，医学图像一般都有较强的纹理特性，纹理分析方法有助于判 断区分正常组织和病变组织； （3）工业产品缺陷检测，如纺织业的织物疵点检测4、织物缺陷检测5、林业生产中 原木内部缺陷检测6、汽车喷漆的检测和钢管缺陷检测等； （4）基于生物特征的身份鉴定，如人脸识别7、虹膜识别、视网膜识别、指纹识别、 掌纹识别、签名识别8等。 随着数字图像的广泛应用和人工智能理论的日益成熟，纹理分析的研究不断深 入， 新的方法层出