第八章 纹理 机器视觉课件.ppt

第八章 纹理 8．1 引言 8．2 纹理分析统计方法 8．3 有序纹理的结构分析 8．4 基于模型的纹理分析 8．5* 用分形理论分析纹理 8．6 从纹理恢复形状 8．1 引言 纹理是以象素的邻域灰度空间分布为特征的，因此无 法用点来定义．纹理尺度与图像分辨率有关，如图8．1 所示,左图为远距离观察由地板砖构成的地板纹理，右图 为近距离观察时的情况。 对纹理的研究有两个目的：一种是研究纹理的观赏特 性；另一种是研究`纹理图像的特性，即纹理分析。纹理 分析包含有三个主要的问题：纹理分类、纹理分割和从 纹理恢复形状． 用于纹理分析的算法很多，这些方法可大致分为统计 分析和结构分析两大类． 统计方法被广泛地用于纹理分析中，特别是当纹理基元很小并成为微纹理时。为了强化分类，可以从灰度图像计算灰度同现 (co-occurrence matrix) 矩阵、对比度(contrast)、熵(entropy)以及均匀度(homogeneity)等纹理特性． 当纹理基元很大时，使用结构化方法，即首先确定基元的形状和性质，然后，再确定控制这些基元位置的规则，这样就形成了宏纹理． 另一种自底而上的纹理特性分析方法是基于模型的方法，这种方法首先假定一个纹理模型，然后通过图像区域估计模型参数。 8．2 纹理分析统计方法 纹理分析统计常用两种方法：1、灰度级同现矩阵测 量方法；2、自相关函数 。 在上面的例子中，如果黑色像素随机地分布在整幅图像上，没有一个固定的模式，则灰度级同现矩阵不具有任何灰度级对的优先集合，预计此时的矩阵是均匀分布的． 用于测量灰度级分布随机性的一种特征参数叫做熵，定义为： 当矩阵 的所有项皆为零时，其熵值最高．这样的矩阵对应的图像不存在任何规定位移向量的优先灰度级． 使用灰度级同现矩阵也可以定义能量特征、对比度特征和均匀度特征： 灰度级同现矩阵特别适用于描述微小纹理，而不适合描述含有大面积基元的纹理，因为矩阵没有包含形状信息． 8．2．2自相关法 8．3 有序纹理的结构分析 当纹理基元大到足够单独地被分割和描述时，结构分 析法才有用．纹理的结构分析法通常分为三步：第一步 是图像增强；第二步是基元提取；第三步是计算纹理基 元的特征参数及构成纹理的结构参数． 对于一般的二值图像，可以使用形态方法提取基元 ．如图8.5(a)所示的图像受到噪声的污染导致图8.5(b)所示的随机线条，模态方法可以用来对所有圆点进行定位． 纹理基元特征参数及纹理基元参数包括基元的尺寸、偏心、矩量、位置和姿态等，纹理结构参数包括相位、距离、分离度、同现率等． 8．4 基于模型的纹理分析 8．5* 用分形理论分析纹理 8．6 从纹理恢复形状 什么是纹理？如何定义纹理？ 如何进行纹理分类？请给出定义纹理类别的主要类型和特征？ 如何使用纹理特征分割图像？给出一种用纹理分割图像的方法． 如何通过纹理特征确定表面形状？给出从纹理确定形状的算法的详细过程． 举出纹理起着十分重要作用的机器视觉系统三种应用实例． 求图8.2（a）在d=(0, 2), (2, 0), (2, 2)时的灰度级同现矩阵． * * 图 8．1 由地板砖构成的地板纹理示意图 纹理是指图像强度局部变化的重复模式．在一个图像区域中重复出现满足给定灰度特性的一个连通像素集合构成了一个纹理区域． 8．2．1灰度级同现矩阵 灰度级同现矩阵p[i,j]是一个二维相关矩阵，其定义如下：首先规定一个位移矢量 ，然后，计算被d分开且具有灰度级i和j的所有像素对数．显然，灰度级数为 n时，同现矩阵是一个 矩阵．灰度级同现矩阵表示了图像灰度空间分布。 例如，考虑一个具有灰度级0、1、2的简单 图像，如图8.2(a)所示，由于仅有三个灰度级，故 是一个 矩阵。 例如，在规定距离矢量 分离下，完整的矩阵如图8．2(b)． 图8．2 ． 图8．3 (a)棋格图像．(b)　距离为 的灰度级同现矩阵．(c)　距离 的灰度级同现矩阵． （a） （b） （c） 如下例所示：考虑一幅棋格为8×8的二值化图像，如图8．3(a)所示．其中每一个方格对应一个像素．由于有两级灰度，所以p[i,j]是一个2×2的矩阵，如果我们仍然定义距离向量 d＝（1，1）则得到归一化矩阵p[i,j]，如图8．3(b)所示．同理，如果定义距离