（信息与通信工程专业论文）纹理分割方法及其应用研究.pdf

国防科学技术大学研究生院学位论文 摘要 纹理分割是图像处理和模式识别中一个重要的研究内容，一直以来是人们研究的热 点。它是依据同一纹理的一致性特征或不同纹理之间的特征差别，将纹理图像分割成若干 有意义的区域，而提取有效的纹理特征是其中的关键和难点。本文主要研究了基于纹理统 计特性的特征提取与分割方法，并将其用于实际的多光谱图像分类，具体工作如下： 第一，针对传统灰度共现阵方法中特征提取的尺度单一问题，本文提出了一种多分辨 无监督纹理分割算法。该算法有效的利用了由灰度共现阵得到的、不同分辨率上最能表述 纹理特性的统计特征，分层次对图像进行分割，然后结合纹理的结构信息对边缘区域进行 边界定位，进而得到较准确的纹理分割图。 第二，针对局部二进制模板纹理分割速度较慢的问题，本文一方面调整了模板算子的 计算方式，另一方面将单一门限的区域合并改进为双门限合并。通过大量的实验证明，本 文方法能够在保证局部二进制模板方法性能的同时明显提高算法运算速度。 第三，实际多光谱图像中存在着不少同物异谱和同谱异物现象，而它们往往处于不同 的地形地貌之中，因此事先依据反映宏观地形地貌的纹理特征将图像分块，再有针对性地 进行地物光谱分类是能够降低它对分类精度的影响。基于这一思想，本文提出了一种宏观 的纹理地貌分块与块中微观地物光谱分类相结合的地物分类算法，并以大庆e 1 m + 遥感数 据为例，给出了实验结果和精度评价。 主题词：纹理分割多分辨率局部二进制模板多光谱图像b r o d 铊纹理图像库 e t m + 第i 页 曼堕登兰茎垄奎兰型壅竺堡兰垡兰苎 a b s t r a c t a s 龃i i n p o n a l l ta s p e c t o fd 主舀t a l 主m a g ep r o c s 粕dp a t t e mr e c o _ 印i t i o n ，t e x t u r e s e g m e n t a t i o nh 硒a l w a y sb e co ft l l eh o t t e s t 柚dm o s td i m c i l l ts t u d yt 叩i c s t e x t u r c s e g m e n t a t i o ni v o l v e sa c c i l r a t e l yp a n i t i o i l i n ga ni i n a g ei t os e c t i o 璐a c c o r d i gt o 也et e x t t l r e d r e g ：i o n sd rb yr c c o g n i z i i l gt h eb o r d e r sb e t w e e nd i 丘c r tt e x t l l r e si nt h ei m a g e t 叔t i l r ef e a t u r c e x t 强c t i o ni sc r u c i a li nt h et e x t u r es e g m e t a t i o n 。bt h i sp a p e f ，w cm a d ea n 如v t i g a t i o ni n t o t c x t u r ef c a t u r ec x t r a c t i 伽锄dd a s s m t i o nb 勰e d s t a t i s t i cm e t h o d 觚di t sa p p l i c a t i o ni n m u l t i s p e c t r a li m a g ed a s s i f i c a t i 衄t h er e s e a r c hw o f i 【so ft h i sp a p 盯h a v eb e e nd o n ea sf 0 1 l o w s ： f i r s i l y i no r d e r t o0 v e r c o m et i l ew ea ：| 【n e 鹳o f 乒a yl e v e lc d 0 i 瑚盯c n c em a t r i 】( ( g l c m ) ，a e wu n s u p e r v i s c dt 娃t u r es e g m e n ta 王g o r i t h i ，b 醛e d 锄m u l t i - f e s d l u t i o nm o d e l ，i sp r e s e n t e di n t l l i st h e s i s i tf i r s tf i n 出t h eb c s tf c a t u r c st h a ta r ee x t r a c t c d 丘d mg l c m 柚de x p l a m 恤t e x t 吡 c l e a r l yi nd i 丘c r c n tr e s o l u t i o n ，锄dt l l e ns e g m e n t so nd i 丘b r e ml c v c l ，a tl 踮t ，b yc o m b i i l i n gt h e s t n l c t u r ei n f o m a t i o no ft e x t u r ee d g e ，e x t r a 吼t l l ec d g co fd i 丘b 啪tp a t t e m st dg c tar e l a t i v e l y a c c u r a t er c s u l t0 ft e x u 】七s e g m c n a t i o n 。 s e c o n d l y ，t c x t u r es e g m e n t a t i o nb 硒e do nl o c a lb i n a r yp a t t c m ( l b p ) t c x t u r cd e 姗p t o ri s v e r yt i m ec o n s u m i n g f o ro n et l l i n 岛w ca d j u s tt h e m p u t i i l gm e t l l o do fl b bf o r 蛆o t h e r ，t 呐om e r g i n gt h r c s h o l di 1 1 s t c a do fo l y 彻e a i 珊r d i n gt om 柚y 旺p e r i m e n t s m ea 1 9 0 f i t h i n d e a r l ye b b 锄c e st b es p e c do fs e g m e n t a t i o nw h n ek e e p sp c r f b 皿a n c eo fl b 只 t h i f d l y i nm em u l t i - s p c c t r a l ，t h e r ca r cs o m ef a c t st l l a td 诳e r td ) j e c t sh a v et 1 1 es a m e s p e c t m ma n dt l l es a m eo b j e c t sh a v ed i 丘e r e n ts p 洳m b u t t l l e ya r ci nt h ef e g i o nh a v i n gd i 饪e r c n t l 柚d f o 加s om a tw ec a i ld e d u c et h ee f ! f e c t0 ft l l ef a c tb ys c g m e n t i n gt l l ei i n a g ea c c o r d i r l gt 0t l l e t 既t u r ef c a t u r et h a tr e n c c tt 1 1 el 趿d f 0 加i n t ob l o 吐si na d v 妞c ca n dt l l e nc 1 丛s j f y i n ge a c hp i x e l a c o o r d i n gt o i t s c o r r e s p o n d i n gb l o c ks p e c t r i l mi n f o l m a t i 麟n gd a q i n ge i m + 砌n o t e s e n s i i l gi m a g e f o re x 锄p l e ，w e 百v e 也er c s u l to fe x p c r i m e ma n dt h e e v a l u a t i o no f 山e a c c u r a c y k e yw o r d s ： t e x t u i 弓 s e 舯e n t a t i o n m u i t i r e i u t i o nl o c a i m u l t i s p e c t l mi l a g c b r o d a zt e ) c t u r ed a t a b a s e b i n a r yp a t t e m e 玎订+ 第i i 页 国防科学技术大学研究生院学位论文 表目录 表2 1 识别错误率比较表1 5 表3 1 根据u i p 纹理描述子计算的样本与模型间的距离2 0 表3 2 基于u i p 纹理描述予的分割方法的错误率列表2 2 表3 3 实验过程中针对各个图像的参数设置及错误率列表2 4 表4 1 大庆地区试验区土地利用类型解译标志3 7 表4 2 九类典型地物在1 m 5 4 3 合成图像上的颜色描述3 7 表4 - 3 典型地物样点亮度值统计表3 7 表4 4 不同方法居民地分类精度评价。4 2 第1 n 页 国防科学技术大学研究生院学位论文 图目录 纹理边界区域示意图 纹理镶嵌图及其分割结果。1 5 对遥感图像的分割1 6 二进制模板的特征值和对比度计算说明，1 8 5 x 5 算子的转换方式1 8 部分b r a d d t z 纹理图像。2 0 部分b r o d a 晓纹理镶嵌图。2 2 b r o d a t z 纹理镶嵌图分步处理结果2 4 b m d a t z 纹理实验图像及其对应结果2 5 实际遥感图像的纹理分割结果。2 6 平行算法示意图2 8 最小距离法示意图。2 9 模糊分类中各成分百分比函数3 3 处理流程图，3 4 实验所用的多光谱图像3 6 光谱响应曲线图，3 8 叠合光谱图。3 8 利用不同的特征的分类结果3 9 耕地与其它植被结合部分区域分类结果4 0 城镇与村屯区域分类结果。4 1 第1 v 页 3 3 d 5 8 2 3 一 一 一 一 一 一 一 一 一 一 一 一 一 一 一 一 一 一 一 一 一 一 一 一 一 一 一 一 一 一 一 一 一 一 一 一 一 一 一 一 一 一 一 一 一 一 一 一 一 一 一 一 一 一 图 一 一 一图理图 一 意纹意 图二不面示一 意 一状表的 一 示 形皮阵 一 一 豁像标树矩图 分图目的现程图 与理蓟下共流意类纹得度度割一不 分的理尺灰分率理成纹同算理辨纹合由不计纹分 j 2 3 o j 2 3 o 5 正j 2 3 4 5 石7 1 2 3 4 5 6 7 8 9 “ 1 1 l 1 2 2 2 2 2 2 3丑置置曼王王禾t t t 文t 屯t t t图图图图图图图图图图图图图图图图图图图图图图图图图图图 独创性声明 本人声明所呈交的学位论文是我本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的地方外，论文中不包含其他人已 经发表和撰写过的研究成果，也不包含为获得国防科学技术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已在论文 中作了明确的说明并表示谢意。 学位论文题目：勉塑篷! 烈左崖基g 焘盈亚宜 学位论文作者签名：团监日期：圳f 年，f 月以日 学位论文版权使用授权书 本人完全了解国防科学技术大学有关保留、使用学位论文的规定本人授权国 防科学技术大学可以保留并向国家有关部门或机构送交论文的复印件和电子文档，允 许论文被查阅和借阅；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。 ( 保密学位论文在解密后适用本授权书) 学位论文题目：组建尘型生趁座星友宙酝盎： 学位论文作者签名： 作者指导教师签名： 日期：h r 年j f 月从日 日期：弘一f 一年，f 月 国防科学技术大学研究生院学位论文 第一章绪论 1 1 研究背景及其意义 纹理一般指人们所观察到的图像中象元( 或子区域) 的灰度变化规律，习惯上把图像中 这种局部不规则的、而宏观有规律的特性称之为纹理【1 1 。在各类图像中纹理现象几乎无处 不在，从多光谱遥感图像( 宏观) 到细胞组织成像( 微观) ，从大自然的天空、草地( 自 然) 到计算机合成的规则图像( 人工) ，以及日常生活中常见的砖墙、纺织品及一些自然 景物都有明显的纹理特征。虽然人们可以很容易感觉到纹理的存在，但是却难以给出准确 的定义，这种困难从视觉研究者对纹理给出了多种定义中就可明显的反映出来。c o g 百璐【2 】 总结了在众多计算机视觉文献中有关纹理的各种定义，本文在此略举一二。 “纹理组成了一个宏观区域，它的结构是由一系列重复的模式组成，而在这些模式中， 其基本元素是按某种规则排列的。” “如果图像中的某个特定区域的局部统计特性或其它局部特征是一致的、变化缓慢 的、或者近似周期的，那么该区域就具有一致的纹理。” “纹理的概念取决于以下三个因素：( i ) 一些局部规律在大于自身尺度上的区域中 重复：( i i ) 非随机排列的基元组成了这种规律；( i i i ) 这些基元是基本一致的实体，它们在纹 理区域的任何地方具有近似一致的尺度。” 从这些纹理定义中，一方面可以看到，人们根据特定应用为纹理做出了不同的定义， 至今没有给出一致的定义，有些定义出发于人类的感觉动机，而有些定义则完全服务于特 定的应用。另一方面，尽管纹理没有准确、通用的定义，但是下面一些有关纹理直觉属性 的假定还是正确的： ( i ) 纹理是一个区域特性，点和线是不具有纹理的。 ( i i ) 纹理变化可以出现在不同尺度范围内，随着尺度或分辨率的变化，图像中的纹理 会发生改变甚至消失。 ( i i i ) 一个区域之所以可以被认为具有纹理，是要求组成该纹理的基元的数目达到一定 大。如果只由几个基元目标，则会被认为是一组可数的目标，而非纹理。换句话说，当有 意义的个体形式不再呈现时，总体上才可以感知到纹理的存在。 图像分割【1 】就是按照选定的一致性属性准则，将图像划分为互不交叠但又彼此连通的 区域集的过程。利用纹理特征的分割是图像分割的一个重要方面，一直以来是人们研究的 一个热点；同时，由于纹理特征是一类较复杂的、难于准确描述的特征，纹理表述以及基 于纹理特征的分割也一直是人们研究的一个难点。 经过近些年的发展，纹理分割已经得到广泛的，其应用领域主要包括以下几个方面： 遥感图像分析：纹理分割技术在遥感图像的处理过程中显现出很强的适用性。在卫星 遥感图像中，利用纹理特征，可以识别出森林、湖泊以及城市等。h a 脚j d d 3 l 等人使用了灰 第1 页 国防科学技术大学研究生院学位论文 度共生矩阵来描述遥感图像。使用这种纹理特征后，他们得到了较高的分类精度。随后， 各种各样的遥感图像分类开始大鸯使用纹理分析技术。 医学图像分析：随着b 超、x 射线断层摄影技术等新技术在临床医学上的推广应用， 图像分析在医学中越来越发挥着重要作用。在医学图像处理过程中，经常要进行纹理分析， 如许多癌症组织都表现出和正常组织不同的纹理特征；细胞图像的细胞核结构变化信息反 映在图像上是纹理的变化。文献1 4 】就是利用纹理分析方法，对病变的细胞进行分析。 工业检测：在工业自动化生产中，对零部件进行缺陷检测是非常重要的。如果用人来 完成这项冗长乏味的工作，无疑是要对人员的耐性提出很大的挑战。此时，自动检测显现 出了很强的优越性。在很多情况下，材料物体的表面都可以用纹理来表示，图像的纹理和 材料的特性密切褶关，因此纹理分割在工业检测中有着重要的地位。如文献 5 l 利用纹理特 征来对地毯的磨损程度进行检测。 在地质应用方面，山脉与小丘纹理的区别，往往用图像中阴影面积大小来区别。这是 一类典型的纹理特征，小丘阴影面积一般小于山脉图像的阴影面积。图像纹理结构细微的 区域部分往往表示湿地流域、细微粒状沉积岩：租糙纹理结构区域一般为火成岩。有走向 的地质结构其走向可以通过定量分析纹理的方向来得到。 文档分割：在文字的自动识别领域，经常要对各种印届文字进行处理。此时，需要将 图形、表格和文字分开，以便于单独处理。如果把文字区域和图形区域视为不周的纹理区 域。那么纹理分割就可以完成这个任务。在文字识别领域，纹理分割崭嚣头角，成为主要 的预处理方法。文献【6 j 是其中一个例子。 基于内容的图像检索：数字图像的出现已经有很长的段时间了。现在，在计算机以 及因特阏上有着数以万计的数字图像。但长期以来，图像只能用名字来检索，匿像的分类 只能依赖人工处理。随着图像个数的飞速增长，人们提出了能否用图像的内容进行查询或 分类。由于很多图像的内容中所表示的是天空、树叶、草地以及头发等具有纹理特征的物 体，因此，纹理分析又成为检索图像内容的有力方法。 由上面纹理分割在备方面的应用可以看出，纹理分割已经成为许多图像处理过程中不 可缺少的一个步骤。正是因为纹理分割的重要性已被广大科研人员所认识，所以自纹理分 割问题提出以来，科研人员已经做了大量的工作，提出了各种各样的方法和理论，解决了 很多实际问题。但是由于纹理分割属于计算枧底层视觉，问题复杂，并且很大程度上依赖 问题的应用背景，因此，纹理分割仍旧方兴未艾，有许多问题有待研究和解决。 1 2 国内外研究现状 1 2 1 纹理分析的主要任务 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难点和热点。纹 第2 页 国防科学技术大学研究生院学位论文 理分析具体包括下面四个主要问题l r ，j ： n ) 纹理分类( t e x t u r cd 弱s i f i c a t i ) ，其目的就是生成一个输入图像的纹理分类图， 标识每个纹理区域的所属类别，如图1 1 嘞所示。 c 2 ) 纹理分割( t c x t u r cs e g m e m a t i o n ) ，试图找出输入图像中不同纹理之间的边缘，并 不要求为每个纹理进行归类。其目的就是得到纹理区域边界图，如图1 1 ( c ) 所示 ( a )(b)(c) 图1 1 纹理分类与分割示意图 ( a ) 含有五种不同纹理区域的图像：c o t t 咖础v 弱、s 虹a wm a m n g p 5 5 ) 、扭伍a ( d 8 4 ) 、h c f r i n g b o 鹏 w e a v e ( d 1 7 ) 和p r c s dc a l f l e a t l l e 徊2 4 ) 。纹理分类示意图。( c ) 纹理分割示意图 ( 3 ) 纹理合成( t e x t u r es y i l 出髂i s ) ，常用于图像压缩。并且在计算机图形学方面得到重 用，主要是用于物体表面的呈现( 如着色、添加各种纹理等) 。图1 2 给出了一些使用马尔 可夫随机场模型实现的纹理。 闲隧麓圈嚣 图1 2 合成的纹理图像 第3 页 国防科学技术大学研究生院学位论文 图1 3 由纹理得到目标形状示意图 ( 4 ) 由纹理得到目标形状( s h a p e 丘o mt 懿t u r c ) ，该问题是著名“s h a p e 肋mx ”问题中 的一个，它首先由文献网作者g i b s o n 第一次正式提出。其目的是从诸如阴影、立体照片、 纹理等线索中提取目标的三维形状信息。由于纹理特征( 或纹理基元) 在成像过程和投影 过程中被扭曲，这样在图像纹理中包含了关于目标表面方向和形状信息，如图1 _ 3 所示。 1 2 2 纹理分割及其主要方法 由于本文的讨论重点是纹理分割，在此只对其做进一步论述。纹理分割就是按照一定 的纹理特征和一致性属性准则，找出输入图像中不同纹理之间边缘的过程。类似一般图像 分割方法，通常有两种途径用于纹理分割：基于区域的方法( r c 参加_ b 笛e da p p r o a c h 龉) 和 基于边界的方法( b o u n d a r y - b 弱c da p p m a d 坞s ) 。前者主要思想就是将具有一致纹理的区域 标记在一起，后者则是检测相邻区域上纹理之问的差异。根据实际应用也可将二者联合使 用，以最终形成有意义的分割区域。 事实上，对于任何一种纹理分割方法，特征提取是其关键所在。纹理特征提取的目的 在于，从图像中抽取出表示每个像素或者是表示空间灰度分布的特征量，将纹理的空间结 构的差异转变为特征空间的差异，其基本内容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。纹理特征提取的方法大致可以归纳为以下三类： ( 1 ) 基于特征值的该方法从纹理图像中计算出一些在某个区域内( 或区域间的边界 处) 保持相对的平稳的统计特征值，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，从而实现分割。此类方法主要包括自相关函数、灰度共现矩阵、灰度级行程长、 滤波模板等。它们适合于广泛存在的自然纹理，也同样适于描述人工纹理。 ( 2 ) 基于模型的该方法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，实际上 模型方法可以看作是特征方法的特例。此类方法主要包括m 砌l v 随机场模型、g i b b s 随机 场模型、分形模型等。 ( 3 ) 基于结构的该方法假设纹理图像的基元可以分离出来，并按某种排列规则进行排 列，以基元特征和排列规则进行纹理分割。纹理基元可能是明确的、直观的，也可能是不 明确的、需要人为的根据情况设定的。对于存在于纹理基元之间的结构关系，可以有不同 的分析途经。最简单的方法是分析纹理基元之间存在的相位、距离、尺度等统计特性，也 可以考虑用复杂的句法分析，如利用模型或句法等。该类方法一般只适用于规则性较强的 人工纹理，因此应用受到很大的限制。 1 2 3 纹理分割的发展趋势 当前纹理分割研究可以分为理论研究和实际应用两个方面，对于它的实际应用我们在 第4 页 国防科学技术大学研究生院学位论文 1 1 节中已经做了简要概述，而从理论上讲，纹理分割方法有以下几个发展趋势： ( 1 ) 将现有的方法进行组合。通过研究从不同方法中提取的特征的优缺点来获得一个 最优特征集，成为提高纹理分割精度的一个非常有意义的工作。m 锄s h a l 9 】等人在文中除 了比较8 种( 5 种传统的和3 种较新的) 纹理特征外，特别指出联合几个方法中的最优的 纹理特征，可以提高纹理分类的总体性能。 ( 2 ) 寻找新的纹理特征提取方法。纹理分割最关键的任务就是提取什么特征，怎么提 取。现有的新方法中，一方面根据新的理论工具从频域提取纹理特征，现在比较常用的是 多通道g a b o r 滤波器【1 0 _ 1 1 1 、以及小波理论等；另一方面，依据现有思想从空域继续挖掘新 的统计特征，比如由o j a l a 【1 2 】等人提出的二进制模板纹理描述子( l b p ) ，结合一定的特征分 类方法对纹理镶嵌图和实际的纹理图像进行分割，获得了相当好的分割效果。 f 3 ) 引入多尺度多分辨率分析。纹理的一个突出特性就是尺度特性，同一种纹理在不 同分辨率下感知的内容不尽相同。例如，考虑树皮的纹理图像，如图1 4 所示。在一个较 粗分辨率环境下，该纹理可以看成是由一块块树皮所组成的纹理；而在一个高分辨率环境 下，所谓的纹理图像只是呈现树皮的细节部分，而对树皮本身我们则难以进行判断。因此， 在实际纹理分割中，同一尺度必然并不适合纹理图像中所有的纹理类型，多尺度和多分辨 率分析成为纹理分割技术的重要组成部分。 豳豳圈 熬豳豳麓豳豳嘲氍 镳龋嘲劂鲤聪豳鞠濯躐缀 誓 图1 4 不同尺度下的树皮表面纹理图 1 3 论文主要工作及内容安排 本文主要就纹理分析中的纹理分割技术进行研究和讨论尽管新的纹理分割方法层出 不穷，但无论从历史发展还是当前纹理分割技术的趋势来看，统计的方法仍占主导地位， 所以结合课题的应用背景，主要针对统计的纹理分割方法进行研究。针对我们面对的研究 对象，选择和拓展了灰度共现阵和二进制模板的纹理描述方法，讨论了利用多尺度多分辨 率实现纹理分割的方法，还研究了纹理分割技术在多光谱图像分割与分类中的应用及其对 第5 页 国防科学技术大学研究生院学位论文 分类效果的影响。 具体章节安排如下： 第一章为绪论，对纹理分析与分割方法做了简单回顾与总结，并简要介绍了本文的主 要工作。 第二章提出了一种模型化了多分辨纹理分割方法，并结合灰度共现阵纹理特征进行了 实现与评价。 第三章针对基本的二进制模板纹理描述子存在的问题，提出了改进方法，并利用二进 制模板提出了一种无监督的纹理分割算法，最后给出了实验结果。 第四章针对多光谱图像分类中存在的同谱异物和同物异谱现象，将纹理特征引入到图 像分类特征之中，通过与传统分类方法的对比，对本文所述的方法进行了分析与评价。 第五章对论文进行了总结，并对进一步研究做出了展望。 第6 页 国防科学技术大学研究生院学位论文 第二章多分辨模型下的统计纹理分割算法 2 1 引言 图像分割【1 j 就是按照选定的一致性属性准则，将图像划分为互不交叠但又彼此连通的 区域集的过程。迄今为止，已有大量的图像分割方法，然而很多分割技术都是针对像元灰 度的，但对于某些复杂的纹理图像，基于像元灰度的分割技术已不能完成，分割过程还需 充分利用纹理信息。基于图像纹理特性的分割是图像分割技术中较为困难和远非成熟的分 割方法，所以，有必要对这些非成熟的算法做进一步研究。 经过这些年的发展，人们提出了很多针对纹理分割的方法，从当前发展趋势看，统计 的方法仍占主导地位。在提取纹理的统计特征时，统计区域的大小，也就是分辨率的选择， 是影响分割效果的一个关键因素，因为纹理是图像中局部不规则的、而宏观有规律的特性， 它是一种是与尺度有关的图像特征，只有在合适的尺度下才能对其做出准确的分析。但是 在实际纹理分割中，一个尺度也许并不适合一个纹理图像中所有的纹理，所以多尺度和多 分辨率分析必然成为纹理分割技术的重要组成部分。同时要精确定位不同纹理区域的边 界，单纯利用纹理区域特征是不能完成的，还需要结合纹理结构信息，如纹理的边界特征， 才能很好完成纹理分割的任务。早期的一些基于统计的纹理特征描述方法，比如灰度共现 矩阵、灰度级行程长、滤波模板等，它们最主要的缺陷在于往往只在单一的尺度上提取纹 理特征。 为了克服这个缺陷，我们提出了一种模型化了的多分辨无监督统计纹理分割算法，该 算法以灰度共现矩阵为基础，在不同分辨率上提取纹理统计特征，分层次对图像进行动态 分割后，得到一个对纹理图像的初步分割结果，接着利用纹理边缘结构信息对获得的边界 区域进行再学习，最后提取区域边界，从而获得对纹理的较准确分割。实验证明，这种纹 理区域统计特征与纹理边缘信息分析相结合的统计多分辨纹理分割算法对纹理图像的分 割具有高效、准确、通用性强的特点。 2 2 空间灰度层共现矩阵 2 2 1 空间灰度层共现矩阵的基本原理 灰度层共现矩阵是描述在日方向上，相隔d 象元距离的一对象元分别具有灰度层f 和j 的出现概率，其元素可记p ( f ，j j d ，圆为当日和d 选定时，也可简记为日。显然，灰度层共 现矩阵是一个对称矩阵，其阶数由图像中的灰度层数决定。这个矩阵是距离和方向的函数， 在规定的计算窗口或图像区域内统计符合条件的象元对数。对一个3 3 的计算窗口，若 其行列标号如下： 第7 页 国防科学技术大学研究生院学位论文 ( ( 1 2 ) “3 ) ( 2 山( 2 ，2 ) ( 2 3 ) ( 3 ( 3 ，2 ) ( 3 ，3 ) 如考虑o 度方向、距离为1 的象元对集r 。，则有： 月。t 琢，柳，疗) 】( z ，z 。) x ( z ，x z 。) ：七一，斗一o ，p 一九f o = ( ( 1 ，1 x 札2 ) 1 札2 l ) 1 旺2 ) | “3 ) 1 阻3 l 也2 ) 】 ( 2 ，1 l ( 2 ，2 ) 1 ( 2 2 l ( 2 ，1 ) 1 ( 2 ，2 l ( 2 ，3 ) 1 ( 2 ，3 l ( 2 2 ) l ( 3 ，1 x ( 3 ，2 ) l 【( 3 2 l ( 3 ，1 ) 】 ( 3 2 l ) l l ( 3 ，2 ( 1 1 ) 在给定方向和距离时，实际常通过计算共现灰度f 和，的象元对数来表示p ( f ，j ；d ，。 例如距离为d 、方向为o 度和9 0 度的公式分别为式( 1 2 ) 和式( 1 3 ) ： p ( f ，j j d ，o ) = e 以，f x ( 小，玎) 】( z ，z 。) x ( z ，z 。) i 七一历一0 ，f 卜 i - d ，( 七，) - f ，( m ，以) 一， ( 1 2 ) p o ，j i d ，9 0 。) = o i _ ( 七，f l b ，刀) ( z ，z 。) x ( z ，z 。) j l 七一肌l d ，f 一万一0 ，( 七，z ) - f ，( 脚，n ) - ，) ( 1 3 ) 其中：七，m 和f ，以分别在所选计算窗口中变动，e 表示使大括号成立的象元对数。 同理，可以确定其它方向的p ( f ，；d ，研的计算公式 现在以图2 1 所示的子图a 和子图b 为例，详细介绍这两幅子图像在四个方向上d 值为 1 的灰度层共现矩阵。因为它们的灰度层均为4 ，所以共现矩阵为4 4 的矩阵，i 表示行 的灰度变化，j 表示列的灰度变化。 0ooood 0o oooo do0o ll1l llll ll l l llll 222 222 2 2 22 222222 3， 33333， 333 3333王 子图像a 图2 1 ( 1 ) o 方向( 水平方向) ： 3322l1 o o 33322l1o 233 3 22ll 22333221 l2233322 ll223332 o11223，3 oo1l2233 子图像b 计算灰度共现矩阵的示意图 第8 页 国防科学技术大学研究生院学位论文 自重 叠方 舟 子图a 灰度共现矩阵 2 8o10 02 8o0 只2 002 8o 00o2 8 ( 2 ) 9 0 。方向( 水平方向) ： 子图a 灰度共现矩阵 1 68oo 只：8 1 68 o ， 4 081 68 0o81 6 ( 3 ) 4 5 。方向( 水平方向) ： 子图a 灰度共现矩阵 1 47 o0 只= ：苫三；， 0o71 4 ( 4 ) 1 3 5 方向( 水平方向) ； 第9 页 子图b 灰度共现矩阵 4 4o0 4 480 只2 082 01 2 0 01 2 2 8 子图b 灰度共现矩阵 440o p ：4 1 28 o 1 6 082 01 2 o o1 22 8 子图b 灰度共现矩阵 2 8o10 p ：o 2 8o 0 46 0o2 8o 0o02 8 国防科学技术大学研究生院学位论文 ；一一 子图a 灰度共现矩阵 1 4 7 只。o 0 70 o 1 4oo 01 47 071 4 2 2 2 空间灰度层共现矩阵的特点 子图b 灰度共现矩阵 o 6 0o 6o1 4o 只2 01 4o2 2 01 4o2 2 o02 2 1 4 根据2 2 1 节的叙述，我们可得到以下几点结论： 1 、共现矩阵是一个对称方阵 共现矩阵是一个方阵，这个方阵的大小与图像i 臼灰度级有关，如果图像的灰度级为g ， 则共现矩阵的大小为g g ，如果图像的灰度级为g = 2 5 6 ，那么共现矩阵的大小为2 5 6 2 5 6 ，对于如此大的共现矩阵，其计算量必然急剧增加，因此，在通常情况下，在不影响 图像纹理的方向的前提下，现对图像的灰度级进行压缩，然后再求共现矩阵。 ，、，、 同时，共现矩阵是一个对称方阵，也就是有p u ，j ，。p j ，这是因为在每个方向上， 实际是包含了一条线上的两个方向，比如，水平方向，实际包含了0 度方向和1 8 0 度方向， 垂直方向包含了9 0 度方向和2 7 0 度方向。 2 、共现矩阵与统计方向和距离有关 从上述的例子可以看出，不同的统计方向得到的共现矩阵是不一样的，同理不同的统 计距离得到的共现矩阵也是不同的。 不同的统计方向和统计距离生成的灰度层共现矩阵对图像纹理分析的效果是不同的， 因此，在利用灰度层共现矩阵对图的像纹理进行分析的过程中，要根据图像纹理的自身特 点来选择生成灰度层共现矩阵的统计方向和统计距离。 3 、矩阵元素的分布与图像的信息丰富程度密切相关 灰度层共现矩阵的非零元素值如果集中在对角线上。则说明检测域( 也称为子图) 的图像 信息量在该统计灰度层共现矩阵的方向上低，如果非零元素值在非对角线上分布，且比较 分散，则说明检测域在该方向上图像灰度变化频繁，因而具有较大的信息量。 4 、共现矩阵元素值的大小相对于主对角线的分布于图像的纹理粗细程度密切相关 分析图像及其生成的灰度层共现矩阵的元素值大小分布情况，可以得到以下结论：假 设统计生成共现矩阵的距离为一个象素，如果靠近主对角线( 即一定位置关系的两个象素的 第1 0 页 国防科学技术大学研究生院学位论文 灰度值差别不大) 的元素值较大，则说明图像的纹理比较粗糙，反之，如果离主对角线较远 ( 即一定位置关系的两个象素的灰度值差值大) 的元素值较大，则表明图像的纹理比较细。 因此灰度层共现矩阵元素相对于主对角线的分布情况，反映了图像纹理的粗细程度。 从灰度层共现矩阵的特点可以看出，共现矩阵是一种很好的描述区域纹理的方法。 2 2 3 基于空间灰度共现矩阵的统计量 灰度的空间共现关系是图像的二阶统计特性，与之对应的统计特征可以用来描述图像 的各种纹理的特性。灰度层共现矩阵的统计特征是将可视纹理特性转化成定量的描述，通 过定量的分析以区分目标类型特性。这些统计特征包括能量、熵、对比度、均匀性、相关 性等，下面介绍以下这些纹理特征参数： 1 、二阶矩或能量( a 丑g u l a rs e c o n dm 嘞旺t0 re n e r g y ) ； 爿跗一z p ( j ，脚，州2 ( 1 4 ) 当矩阵中少数的元素值较大时，即特定的象索对较多，则说明图像有较好的一致性， 式中求和值大。能量在一定程度上反映了图像灰度分布的一致性程度。 2 、对比度( c o n t r 弱t ) ： 锄- ( f 一厅p ( f ，川，口) ( 1 5 ) | f 一州表示图像特定位置关系下的象素对的灰度差，灰度差大的象素对越多，这个值就 越大。对于细纹理，相邻象素对灰度差大并且这样的象素对多，则以统计距离为一个象素 生成的关系矩障的对比度统计值较大，而粗纹理的对比度值较小。因此，对比度值的大小 反映了纹理的粗细度。 3 、相关( c o r r e l a t i o n ) ： f + 矿( f ，脚，口) 一p 2 c 钉一i 7 一 ( 1 6 ) 盯 p 。南；孚咖狙，8 ) l7 六六军莩( 啪；础) 一) 2 ( 1 8 ) 其中，盯分别为灰度层共现矩阵的均值和标准方差，。+ 。为矩阵的大小。这一统 计量描述了图像中一定位置关系下检测域的相似程度。 4 、熵( e n t r o p y ) ： 第1 1 页 国防科学技术大学研究生院学位论文 勘f r 一一p ( f ，脚，p ) l o g p ( j ，朋，口) ( 1 9 ) 熵是反映图像信息量的测度，在灰度共现矩阵中，如果矩阵中各元素值相等，则熵值 大，当各元素值差异较大时，则熵值小。 5 、均匀性( h 哪o g e n e o u s ) ： 肭o - 军军南p ( 删) 。- 1 0 对于匀质区域，其灰度共现矩阵的元素集中在对角线上，i 一，l 值小，则均匀性特征值 较大；对于非匀质区域，由于其灰度共现矩阵的元素集中在远离对角线上，i f j i 值大，则 均匀性的特征值较小。所有，均匀性特征是图像分布平滑性的澳8 度。 6 、方差m r i a n c e ) ： 砌r 一f 妒( f ，脚，一p 2 ( 1 1 1 ) 其中，为矩阵均值，方差特征量反映了图像的不均匀特性。 2 3 基于多分辨模型下的无监督统计纹理分割 2 3 1 算法原理及流程 输入图像 建立多分 辨率锥 确定初始分割层产生初 始分割区域 曼域分割是至竺壅 1 、 吾一。 一 幽 选择一个待分 害h 区域 丽面风 否 调整到低一 级分割层 特征分析 茅：絮罗 i 否 捌两蒜 否结束 是 图2 2 纹理分割流程图 区域整合 坌型堕 提取模糊 边界 边缘检测 区域边界 提取 输出结果 第1 2 页 国防科学技术大学研究生院学位论文 本文所述算法可分为两个核心内容：其一，多分辨率分割；其二，纹理区域边界提取。 其中，尤以第一部分为重。该算法流程图如图2 2 所示a l 、多分辨率分割 项屡 图2 3 分辨率示意图 统计的纹理分割方法，大多数是基于纹理元灰度模式的统计，文中所讨论的特征计算 区域一般基于3 3 或者某一特定结构，然后提取特征、考虑纹理元之间的相关性并做分 割。但由不同大小窗口计算得到的纹理特征，会使图像的分类精度有很大的变化。较小的 窗口尺寸虽然能够保证窗口内像素的同质性，却无法准确有效地描述各类别像素排列的分 布规律性：而较大的窗口虽然能够保证同类的纹理统计具有代表性，但又可能包含多余的 异类纹理像素的信息，使介于不同种纹理间的像素模糊，甚至造成误分类。针对这个问题， 本文按照四叉树的模式调整图像分割层次，如图2 3 所示，在不同的分割层次上提取纹理 特征以供接下来的动态聚类所用，这实际上达到为不同尺度的纹理选择合适的计算窗口、 以提高分类精度的目的。该部分可分为以下几个步骤： 第一步，建立多分辨率锥，获得初始分割区域。首先，按照如图2 所示的四叉树模式 构建图像的多分辨率锥，在实际应用中。从原始分辨率开始向上构造四层。在每一层上， 以1 6 1 6 的区域为窗口大小统计纹理图像的灰度共现阵、计算纹理特征值。这些特征代 表了纹理的粗细度和方向性，它们是表示纹理的最直接特征量。接着，从最顶层开始进行 特征分析。所谓的特征分析是指，在选定分割层上统计该层纹理特征的特征直方图，根据 直方图中独立峰的数量是否大于或等2 ，选出最优聚类的特征；若当前分割层存在这样的 特征，则按照选出的特征进行动态聚类，得到初始分割区域；若不存在，则向下调低一层， 继续特征分析，直到找到合适的分割层为止。 第二步，选择一个初始分割区域放入待分割区域集中，对其进行后续的多分辨率分割。 当所有初始分割区域的多分辨分割都已结束，则停止多分辨分析转而进行区域整合。 第三步，从待分割区域集中选出一个区域，由粗到细的调整分割层次，每一次将当前 分割层向下调整一层；在每一层进行特征分析，这里的特征分析判断条件与第一步中的一 样，但结论为，若存在聚类特征，则动态聚类，去除聚类结果中的孤立区域后，将其放入 第1 3 页 国防科学技术大学研究生院学位论文 待分割区域集中，并继续该步工作；若不存在，则将该区域从待分割区域集中移出，并转 到第四步。 第四步，判断多分辨率分析是否结束。当待分割区域集内，不存在继续值得聚类区域， 亦即，所有待分割区域其特征直方图中只含有一个独立峰或者直方图比较平坦；或者所有 待分割区域达到最低分割层。此时，转到第二步；否则，继续进行第三步。 多分辨率分割结束后，整合区域。也就是说，按照一致性准则合并相邻的可以合并的 区域，从而形成较完整的分割结果。具体做法是，在原始分辨率上计算每一个区域的共现 阵特征值和它们之间的相似性侧度，仁，y ) ，其中， 小川。耐赫 ( 1 。1 2 ) 直到达到预期区域数 区域区域b 图2 4 纹理边界区域示意图 对于多分辨率分割后得到一个初步的分割图，由于种种原因由分割图得到的边缘不一 定对应着真正的纹理边界。比如图2 4 所示的两块区域，根据它们分割后获得边界，如图 2 4