CN100461217C - 一种复杂性测度的图像纹理分割方法 - Google Patents

Abstract

本发明涉及一种图像纹理分割方法。本发明方法步骤包括：采用矩不变的自动门限法对图像进行二值化；利用Hilbert曲线对纹理图像进行扫描，使二维的图像信息转换成一维序列；对一维序列进行进行加窗处理后，提取KC复杂性纹理特征和C₀复杂性纹理特征，得到描述纹理复杂性特征的一个4维特征向量；采用支持向量机方法，得到纹理分割后的图像。本发明方法从非线性学领域的角度描述了纹理图像的复杂性，揭示了纹理图像的混沌特性，实现了复杂性测度的纹理图像分割。与之前的方法相比其分割效果相当的情况下，其鲁棒性和分割速度大大提高。

Description

一种复杂性测度的图像纹理分割方法

技术领域

本发明属于图像信息处理领域，涉及一种图像纹理分割方法，特别是涉及一种基于非线性理论(复杂性测度)特征描述图像纹理和支持向量机的一种分割方法。

背景技术

纹理图像分割作为目标识别、图像理解以及计算机视觉中的一个基本问题，对纹理图像分割技术的研究，具有重要的理论和现实意义。在过去的几十年中受到国内外研究者的重视，获得了长足的发展。关于纹理分割的方法层出不穷，有些方法也取得了令人满意的分割效果，但总的来说，鲁棒性不高、无监督的分割效果差以及时间消耗高。

一种典型的纹理分割算法主要包括两个阶段：第一个阶段是对纹理的特征提取，第二个阶段是利用模式识别技术对特征的分类。

特征是纹理分割的关键。一般灰度图像的分割是基于灰度值一致性、相近性来表征区域的一致性，从而实现分割，在纹理图像中区域的一致性是由区域内纹理的某些特征的一致性来表示的，分割是在某个或某些特征的基础上进行的。根据纹理结构的不同，抽取或分割图像的一些区域，以了解图像的构成。如何在图像中抽取出表示每个像素或者表示空间灰度分布的特征量，然后根据所抽取的纹理结构信息进行区域的抽取与分割，就是纹理分割中所要解决的主要问题，即纹理特征提取。

在特征提取阶段，利用一定的算法，得到图像中每一像素点或每一小区域的一个特征矢量。在这个过程中，隐含在图像中的纹理信息被转换成更易操作的矢量。经过图像分析研究学者们多年的研究，目前在纹理特征提取中已经形成了几种常用方法，将其分成四类：基于统计方法、基于结构方法、基于模型方法和基于空间/频率域方法。

(1)基于统计方法

统计方法是最早在纹理分析中应用的方法之一，统计方法是目前研究较多、占主导地位的一种方法，它利用图像的统计特性求出特征值，基于图像特征空间一致性进行分割。主要包括通过自相关函数、灰度共生矩阵等来计算纹理图像的特征值。

由于纹理的一个重要特征是某种模式的重复出现，所以图像的自相关函数最早被用于评估这种规律性。自相关函数通过对某种特定的纹理基元作为模板在纹理图像范围内进行平移，计算其差值(或其他某种运算)记为自相关函数。自相关函数的缺点是无法描述具有重复细微结构的纹理。

灰度共生矩阵描述一对相距一定距离、成一定方向的、分别具有特定灰度值的像素的出现概率(频数)，反映了图像灰度分布于方向、局部邻域和变化幅度的综合信息。一般来说，基于统计的特征存在计算量大、分割精度差、抗噪能力差等缺点。

(2)基于结构方法

用一组纹理基元以及基元之间的排列规则来描述纹理特征。如果把纹理基元与语言中的字符作类比，那么基元之间空间关系就可以用与说明字符是符合组织起来的文法相对应。因此，字符与文法结合在一起就构成了纹理的语言学模型。在语言学中语言的合成可以通过建立合乎文法的字符串来完成，而语言的识别就是对字符串进行句法分析。类似的，纹理的合成和识别也可用相似的方法来完成。

纹理的结构分析方法主要由提取纹理基元和推断排列规则两部分组成。一般只适用于规则性较强的人工纹理，因此应用受到很大限制。

(3)基于模型方法

利用模型进行纹理图像分割的方法研究比较多的模型主要是随机模型(Markov随机场模型、Gibbs随机场模型)和分形模型。

Morkov随机场(MRF)模型被广泛应用于纹理图像的分割。MRF是一种条件概率模型，可以描述图像中各个像素与其邻域的相关性。一般采用参数估计轮流迭代初始化条件模型参数，在此基础上分割，利用分割结果进一步估计模型参数，然后再分割，直到满足收敛条件。

分形是建立在分数维上的一种集合。自然纹理可以用分形进行很好的描述。分形方法主要有四个步骤：估计图形某一像素块的分形维数；组成分形维数的直方图；在直方图峰间的低谷处将直方图分成若干块；根据不同分形维数的块来确定纹理区域。

(4)基于空间/频率域方法

基于图像表示空间/频率域联合分析法可在很大程度上克服传统频域分析方法的不足。这是一种针对Fourier分析的缺点，最近在信号分析和人类视觉机理研究中发展起来的介于空间域和频率域表示之间的新方法。人的视觉生理与心理研究表明，人类视觉同时对位置和空间频率敏感，视觉皮层能够同时捕捉空间位置和空间频率的局域信息。这类方法与人的视觉机理相似，可同时在空间域和频率域取得较好的局部化特性，其复杂程度从由Marr，Crick和Poggio提出的三到四个频率通道到频域分析器的整个谱段。频域分析器可采用Wigner函数，Gabor函数或区段高斯平滑函数来实现。其中Gabor函数是目前应用得最为普及，效果也最好的方法。

纹理分割的第二个阶段是模式识别与特征分类的过程。特征的分类是在特征提取的基础上进行的。特征分类的任务是将表示图像像素特性的特征向量按某种相似性准则分类。对于有监督的纹理分割，在模式识别阶段，我们首先根据第一阶段计算得到的各种已知纹理的特征矢量建立一个模型，然后将未知待测纹理的特征矢量与各模型中的己知纹理的特征矢量相比较，从而确定该未知纹理应属于哪一种纹理；对于无监督的纹理分割，模式识别阶段可以看成是特征矢量在某一多维空间的聚类问题。通过对特征矢量的聚类，最终达到图像中不同纹理的分割。

传统的聚类分析把每个样本严格地划分到某一类，属于硬划分的范畴。实际上，样本并没有严格的属性，它们在性态和类属方面存在着中介性。随着模糊集理论的提出，硬聚类被推广为模糊聚类。在模糊聚类中，每个样本不再属于某一类，而是以一定的隶属度分属于每一类。即通过将传统集合上特征函数的二值域{0，1}扩展为区间[01]，以刻化由事物中介过渡所引起的概念外延的不分明及识别判断的不确定性，从而有效地表现了自然事物及人的认知过程中的信息所表现出来的基本特性。因此，借助于模糊集理论，可以反映图像本身具有的模糊性以及人类在图像分析和理解过程中存在的模糊性。

支持向量机(Support Vector Machine，SVM)是近年来在模式识别与机器学习领域中出现的新工具。20世纪90年代中期，一种研究小样本情况下机器学习规律的理论，即统计学习理论(Statistical Learning Theory)开始受到越来越广泛的重视。统计学习理论是建立在一套较坚实的理论基础之上的，为解决有限样本学习问题提供了一个统一的框架。SVM以统计学习理论为基础，有效地避免经典学习方法中过学习、维数灾难、局部极小等传统分类存在的问题，在小样本条件下仍然具有良好的范化能力，因此受到了广泛的关注。SVM成功应用到了人脸识别、文本分类、基因分析、语音识别等多种领域。最近几年来，支持向量机也被用到了纹理图像分类中，取得了不错的效果。

发明内容

本发明的目的就是针对现有技术的不足，可以从图像纹理中挖掘出尽可能多的非线性特征信息，以实现一个鲁棒性、分割速度和分割效果都具有良好的实际应用价值的图像纹理分割方法。

为了实现以上目的，本发明的图像纹理分割方法主要包括4个步骤：

(1)采用矩不变的自动门限法对图像进行二值化；

(2)利用Hilbert曲线对纹理图像进行扫描，使二维的图像信息转换成一维的序列s；

(3)对(2)中的一维序列进行进行加窗处理后，提取KC复杂性纹理特征和C₀复杂性纹理特征，得到描述纹理复杂性特征的一个4维特征向量；

(4)采用支持向量机方法，得到纹理分割后的图像。

步骤(1)中的矩不变的自动门限法采用二值化前后图像的前三阶矩相等的原则选择门限值。

步骤(2)中Hilbert曲线扫描方法中Hilbert曲线的基本元素包括“杯”和“连接”。所述的“杯”是一边未封闭的矩形；所述的“连接”是连接两个“杯”的一段有向线段。Hilbert曲线是由基本元素迭代生成，具体过程为：一阶的Hilbert曲线是一个覆盖2×2区域的矩形区，二阶的曲线用四个等大的“杯”通过三个“连接”代替一阶的矩形区，依次类推，下一阶的曲线可利用四个更小的“杯”和三个“连接”代替上一阶曲线中的每一个“杯”来获得。

步骤(3)中的KC复杂性纹理特征包括KC值矩阵A₁和KC均方差矩阵A₂，提取方法具体步骤包括：

a.对步骤(2)中的一维时间序列s加窗后，进行KC复杂性计算；

b.遍历整幅图像，对所有的窗进行上述处理，将得到KC值矩阵A₁；

c.利用 ${\mathrm{\μ}}_{\mathrm{kc}}=\frac{1}{M\×N}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{A}_1\left[i\right]\left[j\right]$ 求出KC均值μ_kc，其中M为行方向上的窗的个数，N为列方向上的窗的个数；

d.利用 ${\mathrm{\σ}}_{i,j}^2={(A_1\left[i\right]\left[j\right]-{\mathrm{\μ}}_{\mathrm{kc}})}^2$ 求出每个对应的窗KC均方差

将所有的

组成KC均方差矩阵A₂。

KC复杂性计算采用现有的成熟方法，例如Lempel和Ziv算法。

步骤(3)中的C₀复杂性纹理特征包括C₀值矩阵A₃和C₀均方差矩阵A₄，提取方法具体步骤包括：

a.对步骤(2)中的一维时间序列s加窗后，进行C₀复杂性计算；

b.遍历整幅图像，对所有的窗进行上述处理，得到C₀值矩阵A₃；

c.利用 ${\mathrm{\μ}}_{c0}=\frac{1}{M\×N}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{A}_3\left[i\right]\left[j\right]$ 求出C₀均值μ_c0，其中M为行方向上的窗的个数，N为列方向上的窗的个数；

d.利用 ${\mathrm{\σ}}_{i,j}^2={(A_3\left[i\right]\left[j\right]-{\mathrm{\μ}}_{c0})}^2$ 求出每个窗对应的C₀均方差将所有的

组成C₀均方差矩阵A₄。

C₀复杂性计算采用现有的成熟方法，例如顾凡及等〔《应用数学和力学》2005，26(9)：1083-1090.中《C0复杂度的数学基础》〕提出的算法。

本发明方法从非线性学领域的角度描述了纹理图像的复杂性，揭示了纹理图像的混沌特性，实现了复杂性测度的纹理图像分割。本发明与现存的诸多图像分割算法相比，在与之前的方法相比其分割效果相当的情况下，其鲁棒性和分割速度大大提高，将在实际应用中有广阔的发展前景。

附图说明

图1本发明方法的纹理分割框架图；

图2为图1中复杂性特征提取步骤的示意图；

图3Hilbert曲线迭代生成过程的示意图。

具体实施方式

下面结合附图详细描述本发明方法。

一种复杂性测度的图像纹理分割方法如图1和图2所示。主要包括4个步骤：(1)基于矩不变的自动门限法二值化对图像进行粗粒化预处理；(2)Hilbert曲线纹理图像扫描；(3)基于复杂性测度的图像纹理特征提取；(4)采用支持向量机方法，可得到纹理分割后图像；下面对其逐一介绍。

步骤一：采用矩不变自动门限法用于图像的二值化，其基本思想是：使阈值分割前后，图像的前三阶矩保持不变。矩不变自动门限法可以看作是一种图像变换，它将原始模糊图像变换成理想图像。

二维图像的各阶矩m_i定义为：

$\left\{\begin{array}{cc}{m}_0=1& \\ m_i=\underset{j}{\overset{l}{\mathrm{\Σ}}}{p}_j{\left(Z_j\right)}^i& k=\mathrm{1,2},\mathrm{\Λ}\end{array}\right.---\left(1\right)$

其中Z_j为灰度值，l为图像总灰度级数，p_j为图像中灰度为Z_j的像素比例。对于图像分割来说，如果进行二值分割，则分割后只有Z₀和Z_l两个灰度级，且Z₀<Z₁。低于阈值的像素比例和高于阈值的像素比例分别使用p₀和p₁表示，则分割后图像的前三阶矩：

$\begin{array}{cc}{m}_i^{\&prime;}=\underset{j=0}{\overset{1}{\mathrm{\&Sigma;}}}{P}_j{\left(z_j\right)}^i& i=\mathrm{1,2,3}.\end{array}---\left(2\right)$

对于划分目标和背景的正确门限值，即最佳门限值，应当保持分割前后的图像的前三阶矩相等。即有：

m_i＇＝m_i    i＝1，2，3.               (3)

同时注意到，

p₀+p₁＝1                               (4)

则可以得到如下方程组：

$\left\{\begin{array}{c}{p}_0{Z}_0^0+p_1{Z}_1^0=m_0\\ p_0{Z}_0^1+p_1{Z}_1^1=m_1\\ p_0{Z}_0^2+p_1{Z}_1^2=m_2\\ p_0{Z}_0^3+p_1{Z}_1^3=m_3\end{array}\right.---\left(5\right)$

为了找到希望的阈值T，需要先从上述方程组中解出p₀：

$p_0=\frac{G-m_1}{{(c_1^2-4c_0)}^{1/2}}---\left(6\right)$

其中，

$c_0=\frac{m_1{m}_3-m_2^2}{m_2-m_1^2},c_1=\frac{m_1{m}_2-m_3}{m_2-m_1^2},G=\frac{1}{2}[{(c_1^2-4c_0)}^{1/2}-c_1]---\left(7\right)$

求出p₀后再在原图像直方图上选择合适的T使之满足：

$p_0=\underset{i\&le;t}{\mathrm{\&Sigma;}}{p}_i---\left(8\right)$

则T就是所求的分割阈值。当找不到精确的灰度值做门限满足p₀时，选择最为接近的灰度值作为分割阈值T。

步骤二：Hilbert曲线纹理图像扫描

通常，因过去非线性特征多用于分析一维信号，所以要将二维图像序列转换成一维序列。如采用光栅扫描，即水平扫描或者垂直扫描，这样缺陷在于只利用了二维图像中的一个方向(水平或垂直)的相关性。1890年意大利数学家G.Peano构造了一种空间填充曲线，它不自相交的通过空间中每个点。之后，德国数学家D.Hilbert于1891年构造出了一类最简单的二维空间填充曲线，称之为Hilbert曲线。

Hilbert曲线的基本元素是一边未封闭的边未封闭的矩形(称为“杯”)和连接两个“杯”的一段有向线段(称为“连接”)。根据不同的入口和出口方向，有四种不同形状的“杯”。

一阶的Hilbert曲线是一个覆盖2×2区域的矩形区，二阶的曲线用四个等大的矩形区(四个“杯”)通过三个“连接”代替一阶的矩形区。依次类推，下一阶的曲线可利用四个更小的“杯”和三个“连接”代替上一阶曲线中的每一个“杯”来获得，Hilbert曲线的生成迭代过程如图3所示。

采用Hilbert曲线扫描图像的优点在于：1)较小的代价就可实现有相似亮度的相邻像素点的提取；2)保持了二维图像的内聚特性，是所有扫描曲线方式中能保留图像特征的最佳空间填充曲线。

步骤三：基于复杂性测度的图像纹理特征提取

由于KC复杂性、C₀复杂性、涨落复杂性是对一块区域的动力复杂性的一种描述，所以如果要计算一个信号(时间序列或二维图像)的复杂性分布的时候，需要对原信号划分区域后计算采样后的复杂性。其区域的选择也是有要求的，即区域不能选取太小，否则统计出来的复杂性不能作为该种纹理的代表；区域也不能选取过大，否则算法的计算量会太大，不利于算法的应用。这里我们采用了一种“大窗代表小窗”的方法，即对m×n的纹理图像选择块的大小用32×32的窗所计算的复杂性结果来代表该窗的中心窗16×16或中心窗8×8的纹理复杂性。经过边缘处理后，一幅m×n的纹理图像采样为

个复杂性分布矩阵，每个矩阵为32×32像素点构成。

图像的加窗处理完成以后，我们就可以分别进行KC复杂性、C0复杂性的计算了。

KC复杂度是由Kolmogorov于1965年首先提出的：复杂性测度就是产生给定“0，1”序列最少的计算机程序的比特数[56，57]。Lempel和Ziv随后提出了实现这种复杂性的算法。KC复杂度是一种随机性测度，它反映了一个时间序列随其长度的增长出现新模式的速率，表现序列接近随机的程度，在某种程度上反映了符号序列的结构特性，而不是动态系统的特性。

KC复杂性计算采用现有的成熟方法Lempel和Ziv算法，具体算法如下：如有一序列S＝(s₁，s₂，s₃Λs_n)，对S按一定的规则划分子串界定。在形成S＝(s₁，s₂，s₃Λs_n)后，再加一个或一串字符Q(Q＝s_n+1或Q＝(s_n+1s_n+2Λs_n+k))，得到SQ，令SQv是一串字符SQ减去最后的一个字符，再看Q是否属于SQv字符串中已有的“字句”。如果已出现过，那么把这个字符加在后面称之为“复制(copy)”；如果没有出现过，则称之为“插入(insert)”。“插入”时用一个“·”把前后分开。下一步则把“·”前面的所有字符看成S，再重复如上步骤。

例如，序列0010的复杂度可以由下列步骤而得：

第一个符号永远是插入，因为S＝φ，Q＝0，SQ＝0，SQπ＝φ，Q不属于字句SQπ子串的“字句Φ”，则Q是一个插入，记插入→0·；

S＝0，Q＝0，SQ＝00，SQπ＝0，Q属于字句SQπ，记拷贝→0·0；

S＝0，Q＝01，SQ＝001，SQπ＝00，Q不属于字句SQπ，记插入→0·01·；

S＝001，Q＝0，SQ＝0010，SQπ＝001，Q属于字句SQπ，记拷贝→0·01·0；

这时，C(4)＝3。

如序列00000...应该是最简单的，它的形式是0·0000...，C(n)＝2；符号列01010101...应是0·1·010101...，C(n)＝3；

如上所述，得到用“·”分成段的字符串，分成段的数目就是我们所要计算的“复杂度C(n)”，即KC复杂性。

图像的KC复杂性纹理特征包括KC值矩阵A₁和KC均方差矩阵A₂，提取方法具体步骤包括：

a.对步骤(2)中的一维时间序列s加窗后，进行KC复杂性计算；

b.遍历整幅图像，对所有的窗进行上述处理，将得到KC值矩阵A₁；

c.利用 ${\mathrm{\&mu;}}_{\mathrm{kc}}=\frac{1}{M\&times;N}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{A}_1\left[i\right]\left[j\right]$ 求出KC均值μ_kc，其中M为行方向上的窗的个数，N为列方向上的窗的个数；

d.利用 ${\mathrm{\&sigma;}}_{i,j}^2={(A_1\left[i\right]\left[j\right]-{\mathrm{\&mu;}}_{\mathrm{kc}})}^2$ 求出每个对应的窗KC均方差

将所有的

组成KC均方差矩阵A₂，KC复杂性纹理特征的提取方法

C₀复杂性认为，一个动力系统所表现的动力学行为可能是非常复杂的，但复杂中也有规律可循。简单地说复杂运动是由规则运动和随机运动混合而成的。随机运动所占的分额，就是C₀复杂度。C₀复杂性反映的也是符号序列的结构特性，而不是动态系统的特性。C₀复杂性计算采用现有的顾凡及教授等提出的成熟方法，具体步骤如下：

(1)利用快速傅立叶变换计算原始时间序列x(t)的功率谱和平均值x：

x(k)＝F[x(t)]　　　　　　　　　　　　　　　(9)

$\stackrel{\&OverBar;}{x}=\frac{1}{N}\underset{k=1}{\overset{N}{\mathrm{\&Sigma;}}}x\left(k\right)---\left(10\right)$

式中，k为频域变量，N为x(k)的长度。

(2)把幅值比平均值大的波谱成分保留，其余的均被置为0，形成新的波谱x′(k)：

$x\&prime;\left(k\right)=\left\{\begin{array}{ccc}x\left(k\right)& \mathrm{if}& x\left(k\right)>\stackrel{\&OverBar;}{x}\\ 0& \mathrm{if}& x\left(k\right)\&le;\stackrel{\&OverBar;}{x}\end{array}\right.---\left(11\right)$

(3)对这个新的波谱进行傅立叶逆变换，得到一个新的时间序列，将这个时间序列作为原始时间序列的规则运动成分x₁(t)。而原始时间序列与规则成分之差为随机运动成分x(t)-x₁(t)。

x₁(t)＝F^-1[x′(k)]                (12)

(4)随机运动成分的面积A₁与原始时间序列面积A₀之比记为C₀复杂度。

$A_0={\&Integral;}_0^{\&infin;}\left|x\left(t\right)\right|\mathrm{dt}---\left(13\right)$

$A_1={\&Integral;}_0^{\&infin;}|x\left(t\right)-x_1\left(t\right)|\mathrm{dt}---\left(14\right)$

$C_0=\underset{t\&RightArrow;\&infin;}{\lim }\frac{A_1}{A_0}---\left(15\right)$

显然，当x₁(t)在x(t)中所占份额很大时，C₀→0，说明系统的动力学行为几乎是规则的，不含随机成分。反之，当x₁(t)所占份额很小而随机运动部分时间序列所占的份额很大时，C₀→1，说明系统的动力学几乎是完全随机的。所以，随着C₀的增加，意味着动力学中的随机成分增加。

图像的C₀复杂性纹理特征包括C₀值矩阵A₃和C₀均方差矩阵A₄，提取方法具体步骤包括：

a.对步骤(2)中的一维时间序列s加窗后，进行C₀复杂性计算；

b.遍历整幅图像，对所有的窗进行上述处理，得到C₀值矩阵A₃；

c.利用 ${\mathrm{\&mu;}}_{c0}=\frac{1}{M\&times;N}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{A}_3\left[i\right]\left[j\right]$ 求出C₀均值μ_c0，其中M为行方向上的窗的个数，N为列方向上的窗的个数；

d.利用 ${\mathrm{\&sigma;}}_{i,j}^2={(A_3\left[i\right]\left[j\right]-{\mathrm{\&mu;}}_{c0})}^2$ 求出每个窗对应的C₀均方差

将所有的组成C₀均方差矩阵A₄。

我们得到了4个M×N大小的特征值矩阵A₁、A₂、A₃、A₄，将矩阵相同位置上的4个特征值分别组成一个4维的特征向量，作为原图上对应的中心窗的纹理特征向量。

步骤四：采用支持向量机的进行纹理分割

支持向量机类似于人工神经网络，需要一个训练过程，同样选用的Brotadz纹理库和Uni-Bonn纹理库中的纹理来进行实验。先对每类纹理图像进行复杂性测度的特征提取，将各单一纹理图像的特征作为训练集，而待分割纹理图像特征作为测试集。在训练集中，各特征图像中选取(不重复)一定数量的点作为测试样本进行训练获得支持向量，然后将测试集完全输入支持向量机，可得到最后分割图像。

本发明的核心思想是非线性学领域的角度描述了纹理图像的复杂性，揭示了纹理图像的混沌特性，实现基于复杂性测度的纹理图像分割技术，拓展了纹理分割的新方法。本方法需要的运算量少，分割精度以及正确率满足要求，有重要的实用推广价值。

实践表明，本发明方法分割效果好，且准确。我们对比了现存的典型纹理描述方法以及他们的分割结果。对一幅512×512的纹理分割测试图像，分别使用共生矩阵、Gabor滤波、小波变换、分形维数以及复杂性测度进行分割，并统计所需的时间。由分割效果以及所需时间可以看出：基于共生矩阵的纹理模型由于要统计很多特征参数，耗时较多，分割效果不好；基于Gabor滤波的纹理模型由于需要得到纹理在频率和方向上的微小变化信息，导致所需的滤波器的个数很大，消耗时间较多；基于小波变换的纹理分割方法由于使用了二进小波的快速算法，分割效果较好，时间耗费也相对较少；基于分形维数的纹理模型可以很好的模拟自然纹理，经过细化的纹理分割效果好，但是计算分形维数需要较大的运算量；相对而言，本发明提出的基于复杂性测度的纹理分割算法需要的运算量少，在分割精度以及正确率满足要求前提下，计算速度大大提高。

Claims (2)

1.一种复杂性测度的图像纹理分割方法，其特征在于该方法具体步骤包括：

(1)采用矩不变的自动门限法对图像进行二值化，设定二值化前后图像的前三阶矩相等的门限值作为矩不变的自动门限；

(2)利用Hilbert曲线对纹理图像进行扫描，使二维的图像信息转换成一维序列s；

(3)对步骤(2)中的一维序列进行加窗处理后，提取KC复杂性纹理特征和C₀复杂性纹理特征，得到描述纹理复杂性特征的一个4维特征向量；

所述的加窗处理是对m×n的纹理图像选择块的大小用32×32的窗所计算的复杂性结果来代表该窗的中心窗16×16或中心窗8×8的纹理复杂性；

所述的KC复杂性纹理特征包括KC值矩阵A₁和KC均方差矩阵A₂，提取方法具体步骤包括：

a.对步骤(2)中的一维时间序列s加窗后，进行KC复杂性计算；

b.遍历整幅图像，对所有的窗进行上述处理，得到KC值矩阵A₁；

c.利用 ${\mathrm{\&mu;}}_{\mathrm{kc}}=\frac{1}{M\&times;N}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{A}_1\left[i\right]\left[j\right]$ 得到KC均值μ_kc，其中M为行方向上的窗的个数，N为列方向上的窗的个数；

d.利用 ${\mathrm{\&sigma;}}_{i,j}^2={(A_1\left[i\right]\left[j\right]-{\mathrm{\&mu;}}_{\mathrm{kc}})}^2$ 得到每个对应的窗KC均方差

将所有的

组成KC均方差矩阵A₂；

所述的C₀复杂性纹理特征包括C₀值矩阵A₃和C₀均方差矩阵A₄，提取方法具体步骤包括：

a.对步骤(2)中的一维时间序列s加窗后，进行C₀复杂性计算；

b.遍历整幅图像，对所有的窗进行上述处理，得到C₀值矩阵A₃；

c.利用 ${\mathrm{\&mu;}}_{c0}=\frac{1}{M\&times;N}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{A}_3\left[i\right]\left[j\right]$ 得到C₀均值μ_c0，其中M为行方向上的窗的个数，N为列方向上的窗的个数；

d.利用 ${\mathrm{\&sigma;}}_{i,j}^2={(A_3\left[i\right]\left[j\right]-{\mathrm{\&mu;}}_{c0})}^2$ 得到每个窗对应的C₀均方差

将所有的

组成C₀均方差矩阵A₄；

(4)采用支持向量机方法，得到纹理分割后的图像。

2.如权利要求1所述的一种复杂性测度的图像纹理分割方法，其特征在于步骤(2)中Hilbert曲线扫描方法中Hilbert曲线的基本元素包括“杯”和“连接”；所述的“杯”是一边未封闭的矩形，所述的“连接”是连接两个“杯”的一段有向线段；

Hilbert曲线是由基本元素迭代生成，具体过程为：一阶的Hilbert曲线是一个覆盖2×2区域的矩形区，二阶的曲线用四个等大的“杯”通过三个“连接”代替一阶的矩形区，依次类推，下一阶的曲线利用四个更小的“杯”和三个“连接”代替上一阶曲线中的每一个“杯”来获得。

Images