计算机视觉教程（第3版）第07章

计算机视觉教程（第3版）●章毓晋

纹理可认为是灰度（颜色）在空间以一定的形式变化而产生的图案（模式），可用来辨识图像中的不同区域

纹理是物体表面固有的一种特性

纹理与尺度有密切联系，一般仅在一定的尺度上可以观察到，对纹理的描述也需要在恰当的尺度上进行

对纹理的表达和描述方法依赖于纹理的模式、尺度及应用的环境等第7章 纹理分析目录contents7.1

统计描述方法7.2

结构描述方法7.3 频谱描述方法7.4

纹理图像分割7.1统计描述方法

设S为目标区域R中具有特定空间联系（可由位置算子确定）的像素对的集合 共生矩阵P中的元素（#代表数量） 分子：具有某种空间关系、灰度值分别为g1和g2的像素对的个数 分母：像素对的总和个数灰度共生矩阵7.1统计描述方法

位置算子：像素对的特定空间联系

例：向右1个像素和向下1个像素

共生矩阵：k

k矩阵（k为灰度级数）

3个灰度级的图像（g1=0，g2=1，g3=2）

灰度共生矩阵7.1统计描述方法

二阶矩：对应图像的均匀性或平滑性

熵：给出图像内容随机性的量度

对比度：反映近邻像素间的反差

均匀性：7.1统计描述方法

利用模板（也称核）计算局部纹理能量 设图像为I，模板为M1,M2,…,MN。卷积Jn=I

Mn,n=1,2,…,N

给出各个像素邻域中的纹理能量分量 采用尺寸为k×k的模板，对应第n个模板 纹理特征矢量[T1(x,y)T2(x,y)…TN(x,y)]T

纹理能量7.1统计描述方法1-D模板3×35×57.1统计描述方法2-D模板可借助1-D的模板构建，具体是计算行模板和列模板的外积例：L5给出中心加权的局部平均，E5检测边缘

E5TL5测量水平边缘（L5TE5测量？）7.2结构描述方法纹理基元 一个纹理基元是由一组属性所刻画的相连通的像素集合 设纹理基元为h(x,y)，排列规则为r(x,y) 纹理t(x,y)：7.2结构描述方法排列规则

(1)

S

aS（变量S可用aS来替换）

(2)

S

bS（变量S可用bS来替换）

(3)

S

tS（变量S可用tS来替换）

(4)

S

t（变量S可用t来替换）7.2结构描述方法纹理镶嵌

在空间以一定的次序或形式进行不同纹理单元的拼接组合

规则镶嵌

只用（同一种）正多边形

7.2结构描述方法纹理镶嵌

在空间以一定的次序或形式进行不同纹理单元的拼接组合

半规则镶嵌

同时使用两种边数不同的正多边形7.2结构描述方法空间局部描述模式LBP

对一个像素的3

3邻域里的像素按顺序阈值化，将结果看作一个二进制数，并作为中心像素的标号

由256个不同标号得到的直方图可进一步用作区域的纹理描述符7.2结构描述方法空间局部描述模式LBP

可以使用不同尺寸的邻域对基本LBP算子进行扩展。用(P,R)代表一个像素的邻域，在这个邻域里有P个像素，圆半径为R7.2结构描述方法空间局部描述模式LBP

均匀模式：将一个邻域中的像素按顺序循环考虑，如果它包含最多两个从0到1或从1到0的过渡，则这个二值模式就是均匀的

根据LBP的标号可以获得不同的局部基元7.2结构描述方法时-空局部描述模式LBP

扩展到时-空表达可以进行动态纹理分析

考虑三组平面：XY，XT，YT，三类LBP标号

三个LBP直方图可以拼成一个统一的直方图7.3频谱描述方法傅里叶频谱 借助傅里叶频谱的频率特性来描述周期/近乎周期的2-D图像模式的方向性 (1) 傅里叶频谱中突起的峰值对应纹理模式的主方向 (2) 这些峰在频域平面的位置对应模式的基本周期 (3) 利用滤波把周期性成分除去，用统计方法描述

剩下的非周期性部分7.3频谱描述方法傅里叶频谱 极坐标系中频谱函数S(r,

) 对每个确定的方向

，S(r,

)是1个1-D函数S

(r) 对每个确定的频率r，S(r,

)是1个1-D函数Sr(

)7.3频谱描述方法盖伯频谱

盖伯变换：用高斯函数作为窗函数的短时傅里叶变换（加窗傅里叶变换）

实际中常使用两个成对的实Gabor滤波器对称的反对称的7.3频谱描述方法盖伯频谱

将上述两个盖伯滤波器旋转和放缩，可分别获得一组朝向和带宽均不同的滤波器，并覆盖整个平面

7.3频谱描述方法盖伯频谱7.4纹理图像分割原理人类视觉系统很容易识别与背景均值接近但朝向或尺度不同的模式灰度不同灰度相同

灰度相近模式朝向不同模式尺度不同7.4纹理图像分割有监督纹理分割

认为纹理类别的数目已知

特征提取

将图像用小波变换分解成具有方向选择性的多个频道，在这些频道上计算纹理能量来进行特征提取，再平滑7.4纹理图像分割有监督纹理分割

预分割

可利用K-均值聚类对分解的各频道特征进行

采用层次化方法，按照小波分解的逆过程，从大尺度频道开始按尺度层次进行预分割，直到最细尺度为止

7.4纹理图像分割有监督纹理分割

后分割

将小波分解的各频道扩展为与第一级小波分解频道同样大小的尺寸，在同一尺寸上进行特征加权，然后进行分类

利用方差对特征及其均值进行加权，然后再用简单的最小欧氏距离分类器对特征空间进行分类，就得到原始图像最终的分割结果7.4纹理图像分割无监督纹理分割

特征提取和粗分割

先经过小波包分解及特征提取，形成一个完全的四叉树结构7.4纹理图像分割无监督纹理分割

分割结果的融合

(1) 子频道级融合：属于同一父节点的4个频

道之间的融合

(2) 层内级融合：属于四叉树同一层各频道之

间的融合

(3) 层间级融合：不同四叉树层之间的融合7.4纹理图像分割无监督纹理分割

细分割

子频道级细分割

层内级细分割

层间级细分割7.4纹理图像分割无监督纹理分割分割流程和结果

分割的顺序与分解过程一致，都在完全四叉树结构小波包分解的层次上进行教程作者（章毓晋）联系信息通信地址：北京清华大学电