（模式识别与智能系统专业论文）纹理特征提取算法及其在面向对象分类技术中的应用研究.pdf

摘要 摘要 纹理是图像在局部区域内表现出来的一个重要特征，纹理特征提取方法的好 坏，将直接影响图像分类的效果。本文在传统的纹理提取方法基础上，设计了两 种纹理特征提取方法：灰度最大变化共生矩阵纹理特征提取方法和基于小波的起 伏矩阵纹理特征提取方法，并将它们应用于面向对象的图像分类技术中。本文的 研究内容主要包括以下几个方面： 1 灰度最大变化共生矩阵纹理特征提取方法是一种基于统计法的纹理分析方 法。我们首先构造能反映纹理图像粗糙特性的最大变化矩阵，与灰度矩阵一起构 成灰度最大变化共生矩阵，然后从该矩阵中提取其统计量作为纹理特征值，组成 纹理特征向量。选取标准纹理图像库b r o d a t z 中的纹理图像进行分类实验，验证了 灰度一最大变化共生矩阵方法比常用的灰度梯度共生矩阵和灰度基元共生矩阵方 法更有效且表达式简单易于实现。 2 基于小波的起伏矩阵纹理特征提取方法是一种结合频谱法和统计法的纹理 分析方法。本文利用小波的多尺度分析将图像进行多尺度分解，进而构造能反应 纹理图像方向特性和粗糙特性的纹理起伏矩阵，从纹理起伏矩阵中提取统计量作 为纹理特征，组成纹理特征向量。相对于基于小波的尺度共生矩阵方法和非抽样 小波方法，该方法更充分的表现了纹理图像的方向特性和粗糙特性，能更好的表 征图像的纹理特征且算法直观。选取标准纹理图像库b r o d a t z 中的纹理图像进行分 类实验，验证了基于小波的起伏矩阵方法要优于基于小波的尺度共生矩阵方法和 非抽样小波纹方法。 3 将灰度最大变化共生矩阵方法和基于小波的起伏矩阵方法应用于面向对象 的图像分类技术中，设计了“投票机制类别判断方法以进一步提高分类精度， 利用实际的航拍图像进行分类实验，取得了较好的分类结果，避免了利用传统的 基于像素分类方法的结果零碎，后处理复杂等缺点。 关键词：图像纹理，面向对象分类技术，共生矩阵，最大变化矩阵，纹理起伏矩 阵 a b s t r a c t a b s t r a c t t e x t u r ei so n eo ft h ei m p o r t a n td i s t i n c t i v ef e a t u r et h a ti m a g es h o w si nt h el o c a l r e g i o n t h ee f f e c to fi m a g ec l a s s i f i c a t i o nr e l i e sh e a v i l yo nt h em e t h o d so fe x t r a c t i n g t h o s et e x t u r a lf e a t u r e sf r o mi m a g e s b a s e do nt h et r a d i t i o n a lt e x t u r ee x t r a c t i n gm e t h o d s ， t h i sp a p e rp r o p o s e dt w om o r em e t h o d s ：t h em e t h o db a s e do nt h eg r a yl e v e l - m a x i i m l m v a r i a t i o nc o o c c u r r e n c em a t r i xa n dt h em e t h o db a s e do n 也ew a v e l e tv a r i a t i o nm a t r i x b o t ho ft h em e t h o d sa r ea p p l i e di nt h eo b j e c t o r i e n t e di m a g ec l a s s i f i c a t i o nt e c h n i q u e s t h em a i nr e s e a r c hf o c u so ft h i sd i s s e r t a t i o ni sg i v e na sf o l l o w s ： 1 t h et e x t u r ee x t r a c t i n gm e t h o dt h a tm a k e su s eo ft h e 铲a yl e v e l - m a x i m u m v a r i a t i o nc o o c c u r r e n c em a t r i xi sb a s e do nt h es t a t i s t i c a lm e t h o di nt e x t u r ea n a l y s i s f i r s tw ec o n s t r u c tt h em a x i m u mv a r i a t i o nm a t r i xt h a tm e a s u r e st h ei n t e n s i t i e so ft h e t e x t u r eo ft h ei m a g e s ，c o m b i n et h e 蓼a yl e v e lm a t r i xa n dm a x i m u mv a r i a t i o nm a t r i xt o t h eg r a yl e v e l m a x i m u mv a r i a t i o nc o o c c u r r e n c em a t r i x t h e nw ec o m p u t et h e s t a t i s t i c so ft h em a t r i xa st h ef e a t u r e sf o rt h et e x t u r ea n do r g a n i z et h ef e a t u r e si n t ot h e v e c t o r m a k eu s eo ft h et e x t u r ei m a g ei nt h es t a n d a r dt e x t u r ei m a g ed a t a b a s eb r o d a t z ，i t h a sb e e np r o v e dt h a ti ti sm o r ee f f e c t i v ea n dm u c hs i m p l e rt ou s et h em e t h o do ft h eg r a y l e v e l - m a x i m u mv a r i a t i o nc o o c c u r r e n c em a t r i xt h a nt h eo r d i n a r ym e t h o do fg r a y l e v e l g r a d i e n tc o o c c u r r e n c em a t r i xa n dg r a yl e v e l p r i m i t i v ec o - o c c u r r e n c em a t r i xi n t h ec l a s s i f i c a t i o ne x p e r i m e n t s 2 t h em e t h o dt h a ti sb a s e do nt h ew a v e l e tv a r i a t i o nm a t r i xi st h eo n et h a t c o m b i n e ss t a t i s t i c a lm e t h o dw i t ht h es p e c t r a lm e t h o d f i r s tw es e g m e n tt h ei m a g ei n m u l t i p l es c a l e su s i n gt h em u l t i s c a l ea n a l y s i so fw a v e l e t , t h e nc o n s t r u c tt h et e x t u r e v a r i a t i o nm a t r i xt h a tr e f l e c t st h ed i r e c t i o n a lp r o p e r t i e sa n dt h ei n t e n s i t i e so ft h et e x t i m a g e t h e nw ec o m p u t et h es t a t i s t i c sf r o mt h em a t r i xa st h ei m a g et e x t u r ef e a t u r e r e a r r a n g et h es t a t i s t i c si n t ot h ef e a t u r e 、e c t o r a f t e ra p p l y i n gt h em e t h o do fw a v e l e t v a r i a t i o nm a t r i x ，t h en o n - s a m p l i n gm e t h o do fe x t r a c t i n gt h et e x t u r ea n dt h em e t h o do f w a v e l e ts c a l ec o - o c c u r r e n c em a t r i xi nt h ee x p e r i m e n t so fc l a s s i f y i n gs t a n d a r dt e x t u r e i m a g eo fb r o d a t z ，i tr e v e a l st h a tt h em e t h o db a s e d0 1 1t h ew a v e l e tv a r i a t i o nm a t r i xi s s u p e r i o rt ot h eo t h e rt w om e t h o d s 1 1 3 v e r yi m p r e s s i v er e s u l t sh a v eb e e nr e a c h e db y c o n d u c t i n gc l a s s i f i c a t i o n e x p e r i m e n t su s i n gr e a la e r i a li m a g e sa n da p p l y i n gt h eg r e yl e v e l - m a x i m u mv a r i a t i o n e o - o e c u r r e n e em a t r i xm e t h o da n dt h em e t h o dt h a ti sb a s e do nt h ew a v e l e tv a r i a t i o n m a t r i xi nt h eo b j e c t o r i e n t e dc l a s s i f i c a t i o nt e c h n i q u e s i no r d e rt of u r t h e ri m p r o v et h e p r e c i s i o no ft h ec l a s s i f i c a t i o n , w ed e s i g nt h e v o t i n gr u l e s t od e t e r m i n et h ec a t e g o r y k e y w o r d s ：i m a g et e x t u r e ，o b j e c t o r i e n t e dc l a s s i f i c a t i o nm e t h o d s ，e o o c c u r r e n c em a t r i x ， m a x i m u mv a r i a t i o nm a t r i x ，t e x t u r ev a r i a t i o n 1 i l 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工 作及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地 方外，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。 与我一同工作的同志对本研究所做的任何贡献均己在论文中作了明 确的说明并表示谢意。 繇j 堑轧嘲夕1 年跚口日 关于论文使用授权的说明 本学位论文作者完全了解电子科技大学有关保留、使用学位论文 的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁 盘，允许论文被查阅和借阅。本人授权电子科技大学可以将学位论文 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、汇编学位论文。 ( 保密的学位论文在解密后应遵守此规定) 虢塑翮躲碴墼0 日期：j c ，碍年岁月冈日 第一章绪论 1 1 引言 第一章绪论 图像在现实生活中随处可见，在人类接受的信息中，有8 0 来自视觉信息。 许多时候，图像所传递的信息给人以真切感和形象感，能更好的传递信息。因此， 图像信息在生产生活中扮演着极其重要的角色。 图像处理，就是通过某些数学运算对图像信息进行加工和处理，以满足人的 视觉心理和实际应用需求【l 】。图像分类技术是图像处理和模式识别方法相结合的一 个应用技术。图像分类的主要方法是将经过某些预处理( 增强、复原、压缩) 后的图 像，进行分割和特征提取，然后采用分类算法建立分类模型，最终利用模型进行 待分类图像的分类【2 】。 在传统的图像分类处理中，无论是利用图像的颜色特征、形状特征还是纹理 特征，都是基于像素实现的。这种基于像素的分类算法主要利用图像的光谱特征， 能得到的信息是有限的。而新的图像分类方法一面向对象的图像分类方法，不仅 依靠光谱信息特征，还结合了图像的几何信息( 形状、大小) 、结构信息和上下文的 语义信息，所以面向对象的图像分类方法可以有效的提高分类精度。该方法提出 来以后，受到了许多学者的关注，成为图像分类研究领域的一个新方向。 在图像分类处理中，一个关键的步骤就是提取特征。图像的特征主要包括颜 色特征、纹理特征和形状特征【3 】。图像的纹理特征与颜色、形状特征相比，包含了 图像的表面信息及其周围环境的关系，通过对图像的纹理进行分析可更好的获得 有用的宏观和微观信息，所以纹理分析成为图像分析的重要手段。因此，有许多 学者致力于如何利用纹理特征对图像进行分类的研究。 1 2 研究的内容与研究意义 1 2 1 图像纹理及纹理特征提取技术 纹理( t e x t u r e ) 是图像的重要特征之一，它反映了图像灰度的性质及其空间关 系，是图像中一个重要而又难以描述的特征【4 1 。虽然说很多文献中都对纹理进行了 电子科技大学硕士学位论文 定义，但对于纹理的确切定义至今没有达成共识。如在文献 4 中，将纹理定义为： 纹理通过基元的个数和类型以及它们在空间的排列关系进行描述。纹理的一个基 本的特征是：如果不存在一个明确或隐含声明的基元作为参考，将无法分析纹理 的特征。在文献 5 】中的定义是：纹理是通过宏观区域来表现的，纹理呈现的结构 性是由于基本模式的重复出现所引起的。模式由基本元素或基本单元构成，并按 一定的放置规则在空间进行排列。文献【6 】的定义为：纹理反映了图像中像素亮度 变化的一种趋势。它是自然景物对人类视觉感知系统产生刺激的产物，而这种刺 激反映了亮度的种平稳变化。文献 7 】对纹理的定义是：纹理是人类视觉在不同 距离、不同角度和尺度对同一或不同景物的一种感知体现。在任何距离下，这种 感知体现具有一定的规律性，纹理就是这种规律性的体现。尽管上述文献中对纹 理的定义并不能被研究人员广泛的接受，但是还是有一些共识： ( 1 ) 纹理是一个区域性特征而不是一个点的特性，在一个点上讨论纹理是没有 意义的，所以纹理是一种具有上下文的特性，其定义必须考虑某一邻域内的灰度 值，邻域的大小依赖于纹理的类型或纹理基元的大小； ( 2 ) 纹理涉及到灰度值的空间分布； ( 3 ) 人们对图像中纹理的感知与图像的分辩率密切相关，在不同的尺度和不同 的分辨率下，同一景物在人类的视觉系统中呈现出的纹理特征不尽相同。 在很多文献中采用h a r a l i e k t s 】给出的纹理描述性定义：纹理是一种区域特征， 对它的描述中有二个基本的因素，一个是组成纹理的纹理基元，另一个是这些纹 理基元间的空间关系。纹理基元既可以是基于像素的也可以是基于局部属性的， 如一阶或二阶统计量。纹理基元的空间排列可以是随机的、结构的或依赖于某种 函数关系的。如果用统计的方法来描述纹理基元之间的排列关系，我们称之为基 于统计的描述方法，如果是研究纹理基元的排列规则，则称之为基于结构的描述 方法。 以纹理为主导特性的区域称为纹理区域，以纹理为主导的图像称为纹理图像。 水文地质图像、医学显微图像、航空和卫星遥感图像等这些通过各种观测系统获 得的图像大多是纹理图像。很多的自然景物图像也可以看成纹理图像。图1 1 展示 了一些纹理图像： 2 第一章绪论 ( a ) 自然景观时动物皮毛( c ) 佛手瓜于 ( d 1 遥感图像 ( 0 动物细胞( o 水纹 脚i - i 纹理图像 鉴于纹理的重要性，研究人员还是傲了很多的研究工作，取得了很多研究成 果。对阻像纹理的研究主要包括：纹理描述、纹理合成、纹理分类、纹理分割和 纹理检索j 。纹理合成主要是研究如何合成新的纹理在视觉上使人们觉的是用和原 来纹理相同的基本过程生成的，纹理合成是计算机图形学里一个根本问题；纹理 分类是从一个给定纹理类别中识别出纹理区域：纹理分割是确定一幅纹理图像中 不同纹理区域的边界；纹理检索是研究如何利用纹理相似度进行图像检索，是基 于内容的图像检索的一个重要研究内容；纹理描述也称为纹理特征提取，其主要 目的是将纹理的空间结构差异映像为特征灰度值差异，是图像纹理研究的重点。 纹理特征的成功提取是纹理分割、分类成功的关键，所以纹理特征的好坏直接影 响到纹理图像处理的撮终结果。 纹理分析包括纹理特征的提取以及在此基础上进行的纹理分类及纹理分割。 纹理分析方法在遥感图像处理中得到了一些应用。传统的仅仅依靠光谱信息对遥 感图像进行分析与解释已经不能满足遥感应用的需要，越来越多的研究表明，除 了原始光谱信息外，加上纹理信息可以使分析准确性和精度提高；遥感图像大部 分是纹理型的唧，所以利用目标的纹理特征进行遥感图像的分析或处理是十分有效 的方法。 纹理分析方法除了在遥感图像处理领域的麻用之外，不断的被应用于其他新 电子科技大学硕士学位论文 的领域。如自动检测，利用纹理处理方法检测产品的质量；医学图像分析，很多 医学图像都有较强的纹理特性，利用纹理分析方法可以判断区分病变组织和正常 组织。 纹理特征是从图像中计算出来的一个值，它对区域内部灰度级变化的特征进 行量化。与所有其他图像特征相比，纹理特征是一种不依赖于物体表面色调或亮 度的、反映图像灰度( 或色彩) 的空间排列分布模式，能够反映图像中同质现象的视 觉特征。纹理的视觉特征一般有三个基本量：周期性、方向性和随机性。周期性 和方向性是二个高层次的纹理特征，可以用来指导纹理图像的知觉感知。 t a m u r a 掣5 】将纹理特征划分为六个基本量，包括粗糙度( c o a r s e n e s s ) 、对比度 ( c o n t r a s t ) 、方向性( d i r e c t i o n a l i t y ) 、线像度( l i n el i k e n e s s ) 、规则性( r e g u l a r i t y ) 和粗 略度( r o u g h n e s s ) 。纹理特征是一种全局特征，它需要在包含多个像素点的区域中 进行统计计算。 任何一种纹理特征提取方法，其基本内容都是根据某种能够描述纹理空间分 布的模型，给出纹理特征的定量估计。纹理分析技术在计算机视觉、遥感图像处 理、医学图像处理等领域已经获的广泛应用，在理论及技术上已经有一定的积累。 将这些方法进行归并，通常分为为统计法、结构法、模型法和频谱法4 类【l o 】。 ( 1 ) 统计法 统计法利用纹理在统计上的规律性进行纹理分析，这是由于纹理具有局部的 随机性和整体上的统计规律性。统计法从纹理图像中计算出一些在某个区域或区 域间的边界处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。它主要研究图像像素及其领域的一阶统计特性，像素对 及其领域的二阶或更高阶统计特性；或是利用模型来描述纹理。采用较多的统计 法有灰度共生矩阵方法( g r a yl e v e lc o o c 圮 u 1 r e n g cm a t r i x c e s ，g l c m ) ，灰度梯度共 生矩阵方法、自相关函数分析法等。 ( 2 ) 结构法 纹理基元是结构法分析纹理特征的理论基础。纹理基元理论认为纹理由许多 小的纹理基元以一定的规律重复构成。结构方法主要是在已知基元的情况下进行， 并假定纹理基元可以分离出来，描述纹理基元及其周期性排列的空间几何特征和 排列规则，如形态学、图论、拓扑等方法。 ( 3 ) 模型法 在基于模型的方法中，假设纹理是以某种参数控制的分布模型方式所形成， 特征提取问题是对模型参数的估计问题，从纹理的实现来估计计算模型参数，以 4 第一章绪论 此描述不同的纹理特征。模型参数决定着纹理的质量。基于模型的方法主要有马 尔可夫随机场( m r f ) 模型法，g i b b s 随机场模型法、w r o l d 模型、分形( f r a c t a l ) 模型 熊 可o ( 4 ) 频谱法 频谱法的基本思想是将纹理图像看作是二维信号，对纹理图像进行滤波处理。 常用方法包括空间域滤波、傅立叶滤波、g a b o r 滤波和小波变换。 1 。2 。2 面向对象的图像分类技术 面向对象的图像分类技术是一种新的分类技术，它与传统的基于像素的分类 方法最大的不同是：它是基于对象( 区域) 判别和分类。所以面向对象的图像分类技 术对图像进行分类之前必须先进行分割，将图像分割成不同的区域子图像，认为 区域子图像是属于同一类别，从区域子图像提取各种特征，并在特征空间中进行 对象识别和标识，从而最终完成分类。所以，面向对象分类方法可以分为以下几 步： 第一步：对图像进行分割。将原始图像分割成空间上相邻、内部同质性较好 的小区域。尽可能的将图像中的各个类别分割成不同的区域； 第二步：特征提取。对图像分割出来的各个小区域进行图像特征提取( 如纹理 特征，颜色特征等) ，获得各个区域的特征矢量； 第三步：样本选择。人机交互形式或者从特征库中提取样本； 第四步：分类器分类。利用第三步的选取的样本，对分割出来的各个小区域 进行分类，最终决定分割出的小区域归属类别。 面向对象分类方法应用较多的领域是高分辨率遥感图像的分类。高分辨率遥 感图像具有丰富的空间信息，地物几何结构和纹理信息，但是通常包含较少的光 谱波段，光谱特征不如空间特征丰富，因此基于像素的传统分类方法在对高分辨 率遥感图像进行分类时精度不是很理想，而在考虑光谱信息特征的同时，还结合 了图像的几何信息( 形状、大小) 、结构信息和上下文的语义信息的面向对象的图像 分类技术能提高分类精度。 面向对象分类方法相对于传统分类方法有以下几个优点【1 1 1 ： ( 1 ) 面向对象分类方法更接近人脑解译方式； ( 2 ) 面向对象方法更适合处理空间尺度、空间分析等问题； ( 3 ) 面向对象方法属于图像高层理解： 5 电子科技大学硕士学位论文 ( 4 ) 面向对象方法能提取不同尺度层上的信息。 1 3 国内外研究现状 纹理特征提取方法主要有基于统计的方法、基于结构特征的方法、基于模型 的方法和基于频谱的方、法【1 0 】。 研究人员对纹理特征提取方法的研究，基本上是建立在这几大类方法之上的 研究与改进，包括进行关于纹理特征提取方法的研究，现有方法的改进及现有方 法的应用研究。主要的研究还是集中于后面二个方面。 ( 1 ) 纹理特征提取方法的研究。1 9 7 3 年，h a r a l i c k t 4 】提出了经典的灰度共生矩 阵( g l c m ) ，文献中列举了1 4 个从灰度共生矩阵提取的纹理特征值，对卫星图像 的分类实验取得了很好的分类精度。g r c r o s s 等 1 2 】首先利用马尔可夫随机场模型 方法分析纹理特征。p e n t l a n da 【1 3 】，c h a u d h u r ib 等【1 4 】采用了分形理论的分类模型 提取纹理特征。1 9 8 9 年，m a l l a t 1 5 】提出了信号的多分辨率分析理论( m u l t i - r e s o l u t i o n a n a l y s i s ，m r a ) ，并结合j u l e s z 的纹理区分理论，首次指出小波特别适合纹理分 析。m i c h a e lu n s e f 【1 6 】提出了非常有用的非抽样小波变换，在不同的尺度空间寻找 纹理特征，将这些纹理特征组成特征向量的形式，获得了具有较好鲁棒性的图像 纹理特征。虽然f o u r i e r 变换是一种非常有效的图像处理方法，但是f o u r i e r 变换是 对信号的全局频率内容的一种分析手段，而纹理分析希望分析定位于局部的时域 空间来突出对图像特定纹理细节进行分析，因此a z e n c o t t 等【i 7 】将窗口f o u r i e r 变换 用于纹理分类。 ( 2 ) 对现有方法的改进研究，最近的研究主要是集中于多种纹理特征提取方法 的组合及改进。洪继光 1 8 】改进灰度共生矩阵方法，提出的灰度梯度共生矩阵纹理 分析方法在对4 8 2 个白血球样本进行识别，其识别率为7 7 8 ，其性能要优于灰度 共生矩阵法。王亮申等【1 9 】借鉴了灰度共生矩阵和灰度梯度共生矩阵方法，将统计 法和结构法结合，提出了灰度基元共生矩阵法，在其对食物图像和雪景图像的检 索实验中，检索精度要高于灰度共生矩阵方法和灰度梯度矩阵方法。w o u w e r 等 将小波方法和共生矩阵方法结合，采用从非抽样小波系数的直方图和共生矩阵提 取特征，以此进行纹理分类。吴均掣2 l 】利用c o i f l e t 小波对纹理图像进行非抽样小 波分解，进而构造尺度共生矩阵，即考虑不同子带相同位置上小波系数的情况。 结果表明此方法优于灰度共生矩阵、m r f 模型、g a b o r 滤波和分形的方法。m a t t h e w s c r o u s e 2 2 将小波分析法和隐马尔可夫模型结合在一起，提出了隐马尔可夫树模型 6 第一章绪论 ( h m t ) ，该方法克服了小波分析中的缺点，产生了新的研究方向。彭玲等 2 3 1 用基 于树状分解隐马尔可夫树的纹理分类模型对遥感图像进行分类，使计算效率得到 了提高。黄桂兰等【2 4 】以影像分维值为依据，采用多分辨分维值，以及利用已有空 隙概念的拟合回归法，对影像纹理进行分类的全过程。 ( 3 ) 现有方法的应用研究。朱福珍等【2 5 】将灰度共生矩阵方法应用药学图像处理 当中，用以分辨正常肝与脂肪肝。常利利等【2 6 】将灰度共生矩阵方法应用到织物纹 理的分类，分析结果表明，灰度共生矩阵方法能较好的提取平纹、斜纹和锻纹织 物的纹理特征。李龙燕等【2 7 】提出了一种基于g a b o r 小波滤波器的遥感图像多频道 纹理分析算法，实验证明了该算法的可行性。倪玲等【2 8 】采用第二代提升小波与双 正交小波对s a r 影像进行小波二级分解，提取影像各尺度上的小波特征系数，实 验表明对s a r 影像进行小波变换，可得到多种尺度的纹理信息，用它来识别s a r 影像，可以得到较好的识别效果。陈彬等【2 9 】禾0 用小波变换获取纹理结果子图像能 量参数构造有明确的数学和物理意思的参数来描述影像纹理信息，在此基础上利 用这些参数进行影像纹理结构分类，对模拟的3 m 分辨率卫星图像进行分类实验表 明小波变换方法对具有规则和较强方向性的纹理图像具有较强的分类精度。t a i h s u 等【3 0 】在采用在多分辨率的情况下使用分维数对纹理进行分割。曹燕等【3 1 1 介绍 了三种计算影像分维值的算法和模型，并将综合运用三种方法进行纹理分析得到 满意的结果。 面向对象分类方法最早应用于遥感图像处理领域。2 0 世纪7 0 年代面向对象的 影像分析技术就应用于遥感影像的解译中，k e t t i n g 和l a n d g r e b e 提出了同质性对 象提取的优点，并推出了一种分割算法称为e c h o ( e x t r a c t i o na n dc l a s s i f i c a t i o no f h o m o g e n o u so b j e c t s ) 3 e l 。b a a t zm 和s c h a p ea 【3 3 1 根据高分辨率遥感影像的特点，提 出了面向对象的遥感影像分类方法。9 0 年代以来面向对象技术发展迅速，越来越 多地受到遥感专题应用研究者的关注。a k s h a e k e l f o r d 等瞰】分别采用面向对象分 类方法和面向像素分类方法对城市区域高分辨率多光谱影像进行分类，实验表明， 面向对象分类方法更适合于城市或城郊区域的分类。r c n a u dm a t h i e u 等【3 5 】利用面 向对象方法对研究区o n o s 多光谱影像进行植被信息提取，分类总精度达9 2 。 杜风兰等【3 6 】认为对于高空间分辨率的遥感图像来说，利用传统的分类方法，会造 成分类精度降低，空间数据的大量冗余，造成资源的浪费，所以利用面向对象分 类方法对南京市区i k o n o s 高分辨率遥感图像实现地物分类，实验表明，面向对 象分类方法对地物实现了很好的分类。黄慧萍等【3 7 】在清查大庆市城市绿地覆盖情 况中，采用了多尺度影像分割与面向对象影像分类方法，结果分析表明，该方法 7 电子科技大学硕士学位论文 信息获取周期短、精度高、成本低。莫等奎等【38 】以高分辨率遥感影像数据i k o n o s 为主要数据源，以多尺度分割与基于模糊逻辑分类的面向对象影像分类方法为主 要技术，自动提取株洲市城乡结合部的土地覆盖和土地利用信息，结果表明利用 该方法对复杂的城乡结合部信息获取是可行的。黎新亮等【3 9 】采用面向对象的最近 邻监督方法对q u i c k b i r d 影像进行分类研究，并于传统的基于像素最近邻分类方法 进行了比较分析，实验表明，面向对象的最近邻监督方法能较好的识别高分辨率 地物类型，总精度达到了9 2 1 9 。 1 4 本文的主要工作 本文主要讨论了图像纹理特征提取算法，设计了灰度最大变化共生矩阵纹理 特征提取方法和基于小波的起伏矩阵方法，并将这两种方法应用于面向对象的图 像分类技术中。本文的主要内容如下： 1 设计了灰度最大变化共生矩阵纹理特征提取方法。该方法借鉴了灰度梯度 共生矩阵方法和灰度一基元共生矩阵方法的思想。利用纹理图像具有粗糙性这一特 点，计算各个像素点与其纹理区域模式中的各像素点的差值，将绝对值最大的差 值作为该像素点的新值，组成最大变化矩阵。灰度矩阵与最大变化矩阵共同构成 灰度一最大变化共生矩阵，从该矩阵提取统计值作为纹理特征值。相对于灰度梯度 共生矩阵方法和灰度基元共生矩阵方法，该方法表达式简单，计算量少。利用标 准纹理图像进行了分类实验，验证了灰度最大变化共生矩阵方法优于灰度梯度共 生矩阵方法和灰度基元共生矩阵方法。 2 针对纹理图像有着尺度特性、方向性和粗糙性的特点，设计了基于小波的 起伏矩阵纹理特征提取方法。小波分析是多尺度分析，我们利用小波每次分解后 的低频分量计算纹理起伏矩阵。像素点以0 。，4 5 。，9 0 。，1 3 5 。，1 8 0 。，2 2 5 。，2 7 0 。，3 1 5 。方向( 顺时针方向) 计算与其距离相差k 个像素点的像素差值，产 生8 个纹理起伏矩阵。小波分解层数，与纹理起伏矩阵的个数之间的关系是 = 甜。我们计算每个纹理起伏矩阵的均值组成特征向量，输入分类器进行分类。 该方法不仅有效的表征了纹理尺度特征、方向特征和粗糙特征，而且算法直观明 了。利用标准纹理图像对该方法和非抽样小波纹理提取方法及基于小波的尺度共 生矩阵纹理提取方法进行了分类精度的比较，验证了该方法的有效性。 3 分析比较了灰度最大变化共生矩阵方法和基于小波的起伏矩阵方法在图 像分类应用中的分类性能。灰度最大变化共生矩阵方法适用于分类精度不是很高， 8 第一章绪论 但是对时间要求较高的系统中。基于小波的起伏矩阵方法则适用于时间要求不高 但是分类精度要求较高的系统中。 4 采用了一种新的图像分类方法：面向对象的图像分类技术。该技术相对于 传统的图像分类技术有很大的不同。传统的图像分类技术基于像素点，而面向对 象的图像分类方法是基于对象( 区域) ，面向对象的图像分类技术分三步完成图像的 分类：首先，利用图像的光谱特征将图像分割成较为同质的不同区域：然后从分 割区域中提取图像特征，组成特征向量；最后利用分类器进行分类。设计了“投 票机制”类别判断方法以减少误判率，并设计了操作简单的分类结果后处理操作 流程。将灰度最大变化共生矩阵方法和基于小波的起伏矩阵方法应用于面向对象 的图像分类技术中对实际图像进行了分类，取得较好的分类结果。 1 5 本文的组织结构 文章的组织结构如下： 第一章为绪论，主要介绍了图像纹理及纹理特征提取技术和面向对象分类方 法的研究内容和意义，并简要介绍了国内外研究现状及本文的主要工作和组织结 构。 第二章介绍了一些本文相关的理论知识，包括文中所涉及的几种纹理特征提 取技术；小波变换的基本理论；本文所采用的分类器：支持向量机分类器。 第三章介绍了灰度最大变化共生矩阵纹理特征提取方法。首先介绍了灰度 最大变化共生矩阵的定义及计算方法，然后介绍了如何从灰度最大变化共生矩阵 中提取纹理特征，最后利用标准纹理图像进行分类实验，对灰度最大变化共生矩 阵方法、灰度梯度共生矩阵方法和灰度基元共生矩阵方法进行比较。 第四章介绍了基于小波的起伏矩阵纹理特征提取方法。首先介绍了纹理起伏 矩阵的定义及计算方法，然后介绍了如何将纹理起伏矩阵方法和小波方法结合构 造基于小波的起伏矩阵方法及如何从该矩阵中提取纹理特征，利用标准纹理图像， 将基于小波的起伏矩阵方法与非抽样小波方法和基于小波的尺度共生矩阵进行图 像分类比较，最后分析比较了基于小波的起伏矩阵方法与灰度最大变化共生矩阵 方法。 第五章介绍了面向对象分类技术。首先介绍了面向对象图像分类的操作流程， 然后按照面向对象分类技术中的处理流程依次介绍了图像分割技术、图像纹理特 征提取方法、“投票机制”类别判断方法、分类结果后处理。并将灰度一最大变化共 9 电子科技大学硕士学位论文 生矩阵方法和基于小波的起伏矩阵方法应用于面向对象的图像分类技术中，对实 际图像进行了分类，取得较好的分类结果。 第六章对全文进行总结及未来工作展望。 1 0 第二章本文相关的理论基础 第二章本文相关的理论基础 2 1 几种纹理特征提取技术 在文中用到灰度梯度共生矩阵方法、灰度基元共生矩阵方法、基于小波的起 伏矩阵方法和非抽样小波方法，下面简单介绍这几种方法： ( 1 ) 灰度梯度共生矩阵法 灰度梯度共生矩阵法是洪继光改进灰度共生矩阵方法而提出的一种纹理 特征提取技术。 首先利用公式2 1 计算各像素点的梯度值： g ( i ，_ ，) = 唾2 + g 丁2 ， g x = f ( i + l ，j - 1 ) + 2 f ( i + l ，j 、) + f ( i + l ，j + o f ( i - 1 ，_ ，- 1 ) - 2 f ( i - 1 ，) 一f ( i - 1 ，+ 1 ) ，( 2 1 ) g ，= f ( i 一1 ，歹+ 1 ) + 2 厂( + 1 ) + 厂“+ 1 ，j + o f ( i - 1 ，j + 1 ) 一2 ( f ，j - 1 ) 一( f + 1 ，j - 1 ) 其中i = 1 ，2 ，厶；户1 ，2 ，矽；l x ，l y 为图像的行列数；甙f ，力为第 ( 厶，) 个像素点的梯度值。 在计算灰度一梯度共生矩阵之前，为了减少计算量，先对灰度阵和梯度阵进行 归一化处理，得到归一化的灰度图像风f 力和梯度图像g ( i ，d 。 利用f ( i ，力，g ( f ，力计算灰度梯度共生矩阵日。统计同时使f ( i ，护m 和梯度图 像g ( i ，力铆的像素点对数，此值即共生矩阵日的第( 朋，刀) 个元素的值。 洪继光定义了1 5 个从灰度梯度共生矩阵提取统计量作为图像的纹理特征，利 用这些纹理特征值，可以对图像进行分类处理。 ( 2 ) 灰度基元共生矩阵 灰度基元共生矩阵法是王亮申等提出的一种将统计方法和结构方法结合 起来的纹理特征提取技术。 灰度基元共生矩阵法需计算基元阵，而基元阵的计算依赖于所选取的基元结 构。在文献 1 6 中，给出了1 1 个基本基元结构及其扩展形式。图2 1 给出了其中 一个基元结构示意图： 电子科技大学硕士学位论文 u 口口 口 图2 - 1 基元结构图 其中，黑色方块为当前像素，白色为相邻的像素。 则按照公式2 2 计算该像素点的矩： m ( i ，) = f ( i - 1 ，) + f ( i ，j + 1 ) + f ( i + l ，) + f ( i ，j - 1 )( 2 2 ) 计算每个像素点的矩就构成基元阵p 。 在计算灰度基元共生矩阵之前，也需要对基元阵和灰度阵进行归一化处理。 得到归一化的灰度图像以f ，d 和基元阵p ( i ，d 。 统计同时使3 i j ) = m 和梯度图像p g 力邗的像素点对数，此值即共生矩阵g p 的第沏，帕个元素的值。 可以从灰度基元共生矩阵中提取h a r a l i c k 4 1 和洪继光【1 8 】定义的统计量来表征 纹理特征值。 ( 3 ) 基于非抽样小波法 非抽样小波的理论见第2 2 2 节。这里介绍对图像利用非抽样小波进行分解以 后，如何提取纹理特征。 碾非抽样小波分解的处理流程是将上一层分解产生的低频分量当成下一层的 输入量。因此，总输出成艄非抽样小波分解层数的关系是：n = l + 3 i 输入一幅 图像，对其利用非抽样小波进行分解，将其分解后的输出组织觥的矩阵向量为： y ( k ，z ) = 【乃( 七，z ) ) f - k ，= 【c 坞( 七，dc 讲( 七，) c d t ( k ，) c d ( k ，) i ：z i f l ( j ，) c d f ( k ，) c d ：( k ，) 】7 ( 2 3 ) 其中，c a j + ，c 巧2 ，c d 川o ) ，c d ，( a ， 的含义同上，他2 ) 是输出矩阵的空间坐 标。 图像的纹理特征就从这爪输出矩阵中提取，分别计算出新矩阵的一阶概 率密度函蜘j ，i = 1 ，。将其组织成 堆的向量，俨p o j ) 】，i = 1 ，。 这个维的向量就是图像的纹理特征。为了获得更加紧凑的表达方式，计算每个矩 阵的方差：陷，劬) ，i = l ，o 将其组织觥的向量，垆【附饥) ，i = l ，o b o9 n o 在实际中，利用公式( 2 4 ) 来计算给定区域的方差： _ = 去砰( 蚋( 2 - 4 ) 撑r ( 扉 州”7 1 2 第二章本文相关的理论基础 其中：搬表示给定区域中的像素点个数。 ( 4 ) 基于小波的尺度共生矩阵方法 吴均等【2 i 】提出了一种基于小波的尺度共生矩阵纹理特征提取技术。该方法首 先对图像利用非抽样小波( 2 2 2 节介绍) 进行多尺度分解，产生一系列的滤波图像 工l ，x 2 ，砍，狲l ，而。尺度共生矩阵痧“f ，) 是相邻两尺度x k ，m l 的函数。 它的元素p f ，是相邻的共现灰度的频率，其定义如公式2 5 ： 力( 吒，五+ i ) = 撑 ( m ，雄) ix k ( m ， ) = f ，t + l ( 聊，以) = j ) ( 2 - 5 ) 从构造的尺度共生矩阵中提取h a r a l i c k 8 】所导出的统计量作为纹理特征值。从 小波分解后的滤波图像计算尺度共生矩阵，再从尺度共生矩阵中提取特征值的流 程如图2 2 所示： j 庐1 j 武 健 z x n - 2x n - ix n i 吼l j l l 一 硅、 f ：- 、 中n j r 健 l ： l z 1 力f 2 z 肛1 一。1 石爿 2 2 小波变换基本理论 2 2 1 引言 图2 - 2 特征提取过程 小波分析方法是一种近1 5 年来发展起来的新兴时频分析方法。小波分析的优 势在于可以在时域内探测到信号中的瞬态成分，同时能显示其频率成分。小波分 1 3 。 电子科技火学硕士学位论文 析有这优势是因为在一般情况下，在其低频部分，小波变换重现高频率分辨率和 低时间分辨率；而在高频部分，小波变换则重现出低频率分辨率和高时间分辨率。 正因为如此，小波分析被誉为信号分析中的“显微镜 ； 因为小波变换有很大的应用价值，所以小波理论和方法不断的被发展和完善， 不同领域的众多学者参与了研究并取得了突破性进展，为其应用奠定了理论基础。 2 2 2 小波变换 ( 1 ) 连续小波变换 设缸力是平方可积函数，则颤力小波变换( c o n t i n u o u sw a v e l e tt r a n s f o r m ，简记 c w t ) 的数学表示如式2 - 6 所示： w t a a , r ) = 卜( f ) y ( 竺) 班- ( 2 6 ) 、，a a 式中缈( f ) 是被称为基本小波或母小波( m o