第十二讲模式识别中特征提取.ppt

纹理特征分析和描述及基于GABOR小波的纹理特征提取 许廷发 导师：宋建中研究员 讲解的内容 一、纹理特征提取与分析； 二、如何用GABOR小波来提取图象目标的纹理特征； 一 、特征提取与分析 1、纹理的定义 纹理：纹理是图象中灰度和颜色的变化，反复出现的纹理基元和它的排列规则。 纹理基元：由图象中的象素组成的具有一定形状和大小的集合，如：条状、丝状、块状等。 纹理分为：确定性纹理，随机性纹理。 纹理既有局部又有全局内涵，它既可以是图像局部测量的区域特性，也可以是一幅图像的全局特性。纹理的主要特性有：粗糙度、方向性、对比度和规律性。 A 窗口直方图法 D、纹理分析的自相关函数法 一名叫凯则的遥感科学家 将北极航空照片中取出不同的7中地表覆盖物的图象进行自相关处理。用计算机处理同时和目测比较，识别率达到99%。 自相关函数定义为： E、纹理的灰度分布统计特征分析 1.傅里叶变换（Fourier Transform) 连续 连续 Pyramidal Wavelet Decomposition DWT Example Texture Features Extraction Experimental Results (1) Experimental Results (2) Texturefeaturesextraction DWT Featuresreduction(PCA) Clustering(K-means) input image segmented image MedianFiltering Overview of the system 灰度共生距阵可以理解为象素对和灰度级对的直方图。这里所说的象素对和灰度级对是有特定含义的。一是象素对的距离不变，二是灰度差不变，这里距离由（Dx,Dy)构成。如图： 这样，2个象素灰度级同时发生的概率，就将（x,y)的空间坐标转换为(i,j)的“灰度对”的描述。它们形成的距阵称为灰度共生距阵。 图象A 图象B 图象A的灰度共生距阵 图象B的灰度共生距阵 例子：计算4×4大小，灰度级为4的图象 图象： 计算d=1，θ为0度与90度的共生矩阵。 ， 从灰度共生矩阵提取的纹理特征系数有 以下几种： （1）能量： 对矩阵有贡献的象素对总数比物体内部的象素个数少，而且随着距离的增加逐渐减少。小物体的矩阵相当稀疏，稀疏的矩阵无法充分反映统计特性。因此，为了控制矩阵的规模，防止矩阵稀疏，灰度级划分常常被减少，如从256级到8级。有共生矩阵可以计算出一组参数，用来定量描述纹理特性。比较常用的参数有： （2）熵： 熵值是图像所具有的信息量的度量 若图像没有任何纹理，则灰度共生矩阵几乎为零，则熵值接近为零； 若图像充满细纹理，则灰度共生矩阵的值近似相等则该图像的熵值最大 ； 若图像中分布较少的纹理，灰度共生矩阵的数值差别较大，则该图像的熵值较小 ??（3） 惯性矩： （4）相关： （5）局部平稳： 其中： 相关使用来衡量灰度共生矩阵的元素在行的方向或列的方向的相似程度。 例如，某图像具有水平方向的纹理占主导地位，则图像在0度的灰度共生矩阵的相关值往往大于90、135、45度的灰度共生矩阵的相关值。 二、如何用GABOR小波来提取图象目标的特征 傅里叶变换定义为： 此式称为基于FT的信号分析。 此式称为基于FT的信号综合。 离散 一维信号的连续傅立叶变换与离散的傅立叶变换形式如下： 0 1 2 1 2 3 4 5 6 7 u F（u） F（u）=[ 2， 0 ， ， ， ， ， ， ] 二维傅立叶变换 f(x,y) x y 0 X Y A 二维连续傅立叶变换举例： X Y (0,0) 图像屏幕显示 离散 问题：从模拟信号中提取频谱信息，就是取无限的时间量，即使用（－∞，∞）的时间信息来计算单个频率的频谱；或者说，频域过程 的任一频率组成部分的值，是由时域过程 在（－∞，∞）上决定的。而过程 在任一时刻的状态也是由 在整个频域（－∞，∞）的量决定。故， 和 的彼此的整个刻画，不能反映各自局部区域上的特征，不能用于局部分析。这就意味着，对于一个特别简单的信号、或信号突然变化和不可预测的情况，傅立叶分析不可用。从另一个角度看，从傅立叶变换能使人清楚地看到一个信息包含的每一个频率的多少，但很难看出不同信号何时发射和发射了多长时间，缺少时间信息使得傅立叶分析变得脆弱而容易失误。 伊利诺依斯大学教授