CN102880858A - 一种煤岩图像自动识别方法 - Google Patents

Abstract

本发明公开一种煤岩图像自动识别方法，利用Daubechies小波对图像抽取其纹理特征信息。图像纹理特征信息包括系数均值、系数方差、均值纹理导向度、方差纹理导向度和表征样品图像和待测试图像之间相似特征的距离值。最后通过分析距离值来识别煤岩图像。本发明由于采用了Daubechies小波对图像进行特征信息抽取，从而实现了快速识别、适应性广、可靠性高的特点。

Description

一种煤岩图像自动识别方法

技术领域

本发明涉及图像处理领域中对目标图像进行识别的方法，具体涉及一种利用Daubechies小波变换实现煤岩图像自动识别的方法。

背景技术

在煤矿井下开采过程中，需要准确识别煤层和岩层，以此来控制采煤机摇臂的升降，从而避免切割至顶底板岩石。目前，我国主要采用保守开采的方式，实际采出率低，造成了严重的资源浪费。而现在的技术水平也很难对剩余的大量煤炭资源进行二次开采，因此开发煤岩识别技术具有重要意义。

从20世纪50年代起，美国等世界主要产煤国越来越重视煤岩识别领域的研究。例如：基于煤岩自然γ射线辐射特性的传感器法，此法通过γ射线在煤层和岩层的不同衰减规律，从而对煤层和岩层进行识别。该方法要求顶板岩石必须具有放射性元素，因此对于放射性元素较少的砂岩顶板则无法应用，限制了其在我国大面积推广。

中国专利CN101922290公开的煤岩界面识别方法，虽然能自动识别出煤岩，但是存在如下问题：第一，高压水射流会造成采煤现场排水困难；第二，被煤层或岩层反射的反射流对喷嘴形成的不同作用力很难准确感知。

发明内容

为克服上述现有技术的不足，本发明提供了一种基于Daubechies小波变换的煤岩自动识别方法。

本发明的技术方案如下：

计算机设备选择煤岩样品图像和待匹配的测试图像。然后分别对煤岩样品图像和待匹配测试图像进行五级Daubechies小波变换分解。根据分解结果分别计算小波系数。

下一步，分别根据相应的五级Daubechies小波变换的每个子带以及相应的小波系数计算系数的均值和系数方差。利用系数均值和系数方差来计算Daubechies小波变换的每个分级相应的均值纹理导向度和方差纹理导向度。从而建立煤岩样品特征数据库。

利用前述均值纹理导向度和方差纹理导向度计算表征煤岩样品图像和待测试图像之间纹理相似特征的的距离值。最后通过分析所计算距离值来识别待测试图像与煤岩样品图像。

所述的煤岩图像自动识别方法，其特征在于包括如下步骤：

A.建立煤岩特征数据库

对常见煤岩图像进行小波变换并提取相应特征值，建立煤岩特征数据库；

B.待测样品的特征提取

对待测样品进行小波变换并提取相应特征值，得到该样品的均值纹理导向度和方差纹理导向度；

C.Minkowski距离计算

根据Minkowski距离公式计算待测样品与特征数据库中样品的空间距离；

D.待测样品识别

根据空间距离的计算结果，从而判定空间距离最小的两种样品为相同种类，进而实现对煤岩的识别。

所述步骤A中建立煤岩特征数据库时，煤岩特征值的提取方法包括：

A1.选择常见煤岩样品图像；

A2.将第A1步的样品图像进行五级Daubechies小波变换，计算其相应的低频部分系数和高频部分系数；

A3.计算经过第A2步Daubechies小波变换之后每个子带的均值、方差；

A4.计算经过第A2步Daubechies小波变换之后每个Daubechies小波等级的均值纹理导向度和方差纹理导向度。

所述步骤B中，待测样品的特征提取方法包括：

B1.选择待测样品图像；

B2.将第B1步的样品图像进行五级Daubechies小波变换，计算其相应的低频部分系数和高频部分系数；

B3.计算经过第B2步Daubechies小波变换之后每个子带的均值、方差；

B4.计算经过第B2步Daubechies小波变换之后每个Daubechies小波等级的均值纹理导向度和方差纹理导向度。

所述步骤C中，Minkowski距离计算方法包括：

$D(f^q,f^t)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}|f^q\left(i\right)-f^t\left(i\right)|---\left(1\right)$

f^q(i)和f^t(i)分别表示样品图像和待测样品图像的第i个特征值，N为小波变换分解尺度值，D(f^q，f^t)为相应距离值，D(f^q，f^t)越小表示相似程度越高。

所述步骤A2和步骤B2中，图像进行Daubechies小波变换分解后，其相应系数的计算方法包括：对图像进行一级Daubechies小波变换分解后的系数包括Low-Low(LL)子带、Low-High(LH)子带、High-Low(HL)子带和High-High(HH)子带；

可将图像信号看成由一系列行向量构成，经过分解后，原信号分为低频部分和高频部分，其中低频部分包括LL子带和LH子带，高频部分包括HL子带和HH子带。结合邻域像素值可计算低频部分系数和高频部分系数，其计算方法分别如式(2)(3)所示：

$P_i=(R_{2i}+R_{2i+1})\frac{1}{\sqrt{2}}---\left(2\right)$

P是低频Daubechies小波系数，i是Daubechies小波系数的索引号，R是图像数据的像素值；

$Q_i=(R_{2i}-R_{2i+1})\frac{1}{\sqrt{2}}---\left(3\right)$

Q是高频Daubechies小波系数，i是Daubechies小波系数的索引号，R是图像数据的像素值；

也可将图像信号看成由一系列列向量构成，经过分解后，原信号垂直列分为低频部分和高频部分，其中低频部分包括LL子带和LH子带，高频部分包括HL子带和HH子带；结合邻域像素值可计算低频部分系数和高频部分系数，其计算方法分别如式(2)(3)所示。

所述步骤A3和步骤B3中，每个子带相关系数的均值和方差的计算方法包括：

HH子带系数均值μ由式(4)计算：

${\mathrm{\μ}}_{\mathrm{HH}\left(i\right)}=\frac{1}{\mathrm{MN}}\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\left|W_{\mathrm{HH}\left(i\right)}\right[m,n\left]\right|---\left(4\right)$

其中，HH(i)为分解尺度值为i时的子带HH，W为Daubechies小波系数，m为系数行数，n为系数列数，M等于总的系数行数，N等于总的系数列数，其他子带系数均值可用相似的方法计算。

子带HH的系数方差σ可由式(5)计算：

${\mathrm{\σ}}_{\mathrm{HH}\left(i\right)}^2=\frac{1}{\mathrm{MN}}\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\left(\right|W_{\mathrm{HH}\left(i\right)}[m,n]|-{\mathrm{\μ}}_{\mathrm{HH}\left(i\right)})}^2---\left(5\right)$

HH(i)为分解尺度值为i时HH子带，W为Daubechies小波系数，m为系数行数，n为系数列数，M等于总的系数行数，N等于总的系数列数，μ为相应的系数均值，其他子带系数方差可用相似的方法计算。

所述步骤A4和步骤B4中，每个Daubechies小波等级的纹理导向度计算方法包括：

均值纹理导向度由式(6)来定义并计算：

${\mathrm{\θ}}_{{\mathrm{\μ}}_{\mathrm{LH}}\left(i\right)}=\frac{1g{\mathrm{\μ}}_{\mathrm{LH}\left(i\right)}}{1g{\mathrm{\μ}}_{\mathrm{LH}\left(i\right)}+1g{\mathrm{\μ}}_{\mathrm{HH}\left(i\right)}+1g{\mathrm{\μ}}_{\mathrm{HL}\left(i\right)}}---\left(6\right)$

为LH子带均值纹理导向度，μ为系数均值，i为子带尺度值，LH为Low-High子带，HL为High-Low子带，HH为High-High子带，其他子带均值纹理导向度用类似方法计算；

方差纹理导向度由式(7)来定义并计算：

${\mathrm{\θ}}_{{\mathrm{\σ}}_{\mathrm{LH}}\left(i\right)}=\frac{1g{\mathrm{\σ}}_{\mathrm{LH}\left(i\right)}}{1g{\mathrm{\σ}}_{\mathrm{LH}\left(i\right)}+1g{\mathrm{\σ}}_{\mathrm{HL}\left(i\right)}+1g{\mathrm{\σ}}_{\mathrm{HH}\left(i\right)}}---\left(7\right)$

为方差纹理导向度，σ为系数方差，i为子带尺度值，LH为Low-High子带，HL为High-Low子带，HH为High-High子带，其他子带方差纹理导向度用类似方法计算。

本发明与现有技术相比，具有如下优点：

1.识别过程快、计算量小。

2.步骤简单、适用性广。

3.准确率高。

附图说明

为使本发明的上述目的、特征和优点能更明显易懂，下文特举实施例，并配合说明书附图，详细说明如下：

图1为依据本发明实施例的图像采集系统结构示意图；

图2为依据本发明实施例的一个Daubechies小波的一级分解示意图；

图3为依据本发明实施例的一个Daubechies小波的五级分解示意图；

图4为依据本发明实施例的样品图像的相关系数、均值、方差、均值纹理导向度和方差纹理导向度的计算流程；

图5为依据本发明实施例的待测图像的识别流程；

图6为依据本发明实施例的待测图像的照片；

图7为依据本发明实施例的待测图像的分解图像。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步说明。

1.样品准备

选择常见的有代表性的无烟煤、烟煤、页岩和砂岩。用清水对样品进行清洗，确保其表面无其他杂质。

2.图像采集

图1为整个图像采集系统的结构图，各部分的功能分别为：

摄像机用来获取数字图像；图像采集盒主要用来采集摄像机传输过来的数字信号，并通过相关驱动程序和软件将数字信号转换成图像；计算机系统包括图像显示设备、图像采集卡的工作平台以及Matlab等相关的分析软件。

3.建立煤岩特征数据库

图4为依据本发明实施例，对样品图像的相关系数、均值、方差、均值纹理导向度和方差纹理导向度进行计算的流程；

1)图4中步骤400是将样品图像进行五级Daubechies小波变换，计算其相应的低频部分系数和高频部分系数

图2是图像经Daubechies小波变换第一级分解的图表。这个图表给出的一组系数包括Low-Low(LL)子带218、Low-High(LH)子带222、High-Low(HL)子带226和High-High(HH)子带230。采用Daubechies小波变换分解程序之后，图像信号水平行可分为低频部分(LL子带218和LH子带222)和高频部分(HL子带226和HH子带230)。

结合邻域像素值可计算低频部分系数和高频部分系数，其计算方法分别如式(1)(2)所示：

$P_i=(R_{2i}+R_{2i+1})\frac{1}{\sqrt{2}}---\left(1\right)$

P是低频Daubechies小波系数，i是Daubechies小波系数的索引号，R是图像数据的像素值；

$Q_i=(R_{2i}-R_{2i+1})\frac{1}{\sqrt{2}}---\left(2\right)$

Q是高频Daubechies小波系数，i是Daubechies小波系数的索引号，R是图像数据的像素值；

分解后的图像信号垂直列分为低频部分(LL子带和HL子带)和高频部分(LH子带和HH子带)；

结合邻域像素值可计算低频系数和高频系数，其计算方法分别如式(1)(2)所示。

图3是图像经Daubechies小波变换五级分解的示意图。

在图3的实施例中，根据以上结合图2所讨论的第一级216，示出了三个子带(LH、HH、HL)，在图3的实施例中，图2的第四子带(LL218)被用于计算针对Daubechies变换的第二级318的小波系数。类似的，第二级318的第四子带(LL)被用于计算针对Daubechies变换的第三级320的小波系数。第三级320的第四子带(LL)被用于计算针对Daubechies变换的第四级322的小波系数。第四级322的第四子带(LL)被用于计算针对Daubechies变换的第五级324的小波系数。

2)如图4中步骤404所示，计算经过第1)步Daubechies小波变换之后每个子带的均值、方差

HH子带系数均值μ由式(3)计算：

${\mathrm{\μ}}_{\mathrm{HH}\left(i\right)}=\frac{1}{\mathrm{MN}}\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\left|W_{\mathrm{HH}\left(i\right)}\right[m,n\left]\right|---\left(3\right)$

其中，HH(i)为分解尺度值为i时的子带HH，W为小波系数，m为系数行数，n为系数列数，M等于总的系数行数，N等于总的系数列数，其他子带系数均值可用相似的方法计算。

子带HH的系数方差σ可由式(4)计算：

${\mathrm{\σ}}_{\mathrm{HH}\left(i\right)}^2=\frac{1}{\mathrm{MN}}\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\left(\right|W_{\mathrm{HH}\left(i\right)}[m,n]|-{\mathrm{\μ}}_{\mathrm{HH}\left(i\right)})}^2---\left(4\right)$

HH(i)为分解尺度值为i时HH子带，W为Daubechies小波系数，m为系数行数，n为系数列数，M等于总的系数行数，N等于总的系数列数，μ为相应的系数均值，其他子带系数方差可用相似的方法计算。

3)如图4中步骤406所示，计算经过第1)步Daubechies小波变换之后每个Daubechies小波等级的均值纹理导向度和方差纹理导向度

均值纹理导向度由式(5)计算：

${\mathrm{\θ}}_{{\mathrm{\μ}}_{\mathrm{LH}}\left(i\right)}=\frac{1g{\mathrm{\μ}}_{\mathrm{LH}\left(i\right)}}{1g{\mathrm{\μ}}_{\mathrm{LH}\left(i\right)}+1g{\mathrm{\μ}}_{\mathrm{HH}\left(i\right)}+1g{\mathrm{\μ}}_{\mathrm{HL}\left(i\right)}}---\left(5\right)$

为LH子带均值纹理导向度，μ为系数均值，i为子带尺度值，LH为Low-High子带，HL为High-Low子带，HH为High-High子带，其他子带均值纹理导向度用类似方法计算；

方差纹理导向度由式(6)计算：

${\mathrm{\θ}}_{{\mathrm{\σ}}_{\mathrm{LH}}\left(i\right)}=\frac{1g{\mathrm{\σ}}_{\mathrm{LH}\left(i\right)}}{1g{\mathrm{\σ}}_{\mathrm{LH}\left(i\right)}+1g{\mathrm{\σ}}_{\mathrm{HL}\left(i\right)}+1g{\mathrm{\σ}}_{\mathrm{HH}\left(i\right)}}---\left(6\right)$

为方差纹理导向度，σ为系数方差，i为子带尺度值，LH为Low-High子带，HL为High-Low子带，HH为High-High子带，其他子带方差纹理导向度用类似方法计算。

4.提取待测样品的特征值

图5是对待检测样品进行识别的流程图。

步骤500，选择待检测图像。

步骤502，对待检测图像进行尺度值为五的Daubechies小波变换分解，其相应系数的计算可以根据式(1)(2)来计算。

步骤504，图像分解后，相应的均值和方差的计算可以根据式(3)(4)来计算。

步骤506，图像分解后，相应的纹理导向度可以根据式(5)(6)来计算。

5.计算待测样品与数据库中样品的空间距离

步骤508，利用Minkowski距离公式计算待测样品与煤岩样品之间特征值的空间距离。

$D(f^q,f^t)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}|f^q\left(i\right)-f^t\left(i\right)|---\left(1\right)$

f^q(i)和f^t(i)分别表示样品图像和待测试样品图像的第i个特征值，N为小波变换分解尺度值，D(f^q，f^t)为相应距离值，D(f^q，f^t)越小表示相似程度越高。

6.判断样品

步骤510，对待测样品与煤岩样品的空间距离进行比较，寻找最小的距离值，从而判断待测样品的种类。

采用本发明方法，实现了识别过程快、计算量小、步骤简单、适用性广、准确率高的目的。

实施例：

1.建立煤岩样品特征数据库

表1砂岩特征值参数表

表2页岩特征值参数表

表3无烟煤特征值参数表

表4烟煤特征值参数表

2.待测样品的特征提取(如图5、图6、图7所示)

表5待测样品特征值参数表

3.计算待测样品与数据库中煤岩样品的空间距离

由计算机根据Minkowski距离公式 $D(f^q,f^t)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}|f^q\left(i\right)-f^t\left(i\right)|$ 进行计算。

表6待测样品与煤岩样品的空间距离

4.判断样品

根据表6所示，待测样品与砂岩的空间距离最小，故判断待测样品为砂岩。

Claims (10)

1.一种煤岩图像自动识别方法，其特征在于包括如下步骤：

A.建立煤岩特征数据库

对常见煤岩图像进行小波变换并提取相应特征值，建立煤岩特征数据库；

B.待测样品的特征提取

对待测样品进行小波变换并提取相应特征值，得到该样品的均值纹理导向度和方差纹理导向度；

C.Minkowski距离计算

根据Minkowski距离公式计算待测样品与特征数据库中样品的空间距离；

D.待测样品识别

根据空间距离的计算结果，从而判定空间距离最小的两种样品为相同种类，进而实现对煤岩的识别。

2.根据权利要求1所述的煤岩图像自动识别方法，其特征在于：

所述步骤A煤岩特征值的提取方法包括：

A1.选择常见煤岩样品图像；

A2.将步骤A1的样品图像进行五级Daubechies小波变换，计算其相应的低频部分系数和高频部分系数；

A3.计算步骤A2经过Daubechies小波变换之后每个子带的均值、方差；

A4.计算步骤A2经过Daubechies小波变换之后每个Daubechies小波等级的均值纹理导向度和方差纹理导向度。

3.根据权利要求1所述的煤岩图像自动识别方法，其特征在于：

所述步骤B待测样品的特征提取方法包括：

B1.选择待测样品图像；

B2.将步骤B1的待测样品图像进行五级Daubechies小波变换，计算其相应的低频部分系数和高频部分系数；

B3.计算步骤B2经过Daubechies小波变换之后每个子带的均值、方差；

B4.计算步骤B2经过Daubechies小波变换之后每个Daubechies小波等级的均值纹理导向度和方差纹理导向度。

4.根据权利要求1所述的煤岩图像自动识别方法，其特征在于：

所述步骤C中Minkowski距离计算方法包括：

$D(f^q,f^t)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}|f^q\left(i\right)-f^t\left(i\right)|---\left(1\right)$

f^q(i)和f^t(i)分别表示煤岩样品图像和待测样品图像的第i个特征值，N为小波变换分解尺度值，D(f^q，f^t)为相应距离值，D(f^q，f^t)越小表示相似程度越高。

5.根据权利要求2所述的方法，其特征在于：

所述步骤A2中，图像进行Daubechies小波变换分解后，其相应系数的计算方法包括：

对图像进行一级Daubechies小波变换分解后的系数包括Low-Low(LL)子带、Low-High(LH)子带、High-Low(HL)子带和High-High(HH)子带；

可将图像信号看成由一系列行向量构成，经过分解后，原信号分为低频部分和高频部分，其中低频部分包括LL子带和LH子带，高频部分包括HL子带和HH子带；结合邻域像素值可计算低频部分系数和高频部分系数，其计算方法分别如式(2)(3)所示：

$P_i=(R_{2i}+R_{2i+1})\frac{1}{\sqrt{2}}---\left(2\right)$

P是低频Daubechies小波系数，i是Daubechies小波系数的索引号，R是图像数据的像素值；

$Q_i=(R_{2i}-R_{2i+1})\frac{1}{\sqrt{2}}---\left(3\right)$

Q是高频Daubechies小波系数，i是Daubechies小波系数的索引号，R是图像数据的像素值；

也可将图像信号看成由一系列列向量构成，经过分解后，原信号垂直列分为低频部分和高频部分，其中低频部分包括LL子带和HL子带，高频部分包括LH子带和HH子带；结合邻域像素值可计算低频部分系数和高频部分系数，其计算方法分别如式(2)(3)所示。

6.根据权利要求2所述的方法，其特征在于：

所述步骤A3中，每个子带相关系数的均值和方差的计算方法包括：

HH子带系数均值μ由式(4)计算：

${\mathrm{\μ}}_{\mathrm{HH}\left(i\right)}=\frac{1}{\mathrm{MN}}\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\left|W_{\mathrm{HH}\left(i\right)}\right[m,n\left]\right|---\left(4\right)$

其中，HH(i)为分解尺度值为i时的子带HH，W为Daubechies小波系数，m为系数行数，n为系数列数，M等于总的系数行数，N等于总的系数列数，其他子带系数均值可用相似的方法计算；

子带HH的系数方差σ可由式(5)计算：

${\mathrm{\σ}}_{\mathrm{HH}\left(i\right)}^2=\frac{1}{\mathrm{MN}}\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\left(\right|W_{\mathrm{HH}\left(i\right)}[m,n]|-{\mathrm{\μ}}_{\mathrm{HH}\left(i\right)})}^2---\left(5\right)$

HH(i)为分解尺度值为i时HH子带，W为Daubechies小波系数，m为系数行数，n为系数列数，M等于总的系数行数，N等于总的系数列数，μ为相应的系数均值，其他子带系数方差可用相似的方法计算。

7.根据权利要求6所述的方法，其特征在于：

所述步骤A4中，每个Daubechies小波等级的纹理导向度计算方法包括：

均值纹理导向度由式(6)来定义并计算：

${\mathrm{\θ}}_{{\mathrm{\μ}}_{\mathrm{LH}}\left(i\right)}=\frac{1g{\mathrm{\μ}}_{\mathrm{LH}\left(i\right)}}{1g{\mathrm{\μ}}_{\mathrm{LH}\left(i\right)}+1g{\mathrm{\μ}}_{\mathrm{HH}\left(i\right)}+1g{\mathrm{\μ}}_{\mathrm{HL}\left(i\right)}}---\left(6\right)$

为LH子带均值纹理导向度，μ为系数均值，i为子带尺度值，LH为Low-High子带，HL为High-Low子带，HH为High-High子带，其他子带均值纹理导向度用类似方法计算；

方差纹理导向度由式(7)来定义并计算：

${\mathrm{\θ}}_{{\mathrm{\σ}}_{\mathrm{LH}}\left(i\right)}=\frac{1g{\mathrm{\σ}}_{\mathrm{LH}\left(i\right)}}{1g{\mathrm{\σ}}_{\mathrm{LH}\left(i\right)}+1g{\mathrm{\σ}}_{\mathrm{HL}\left(i\right)}+1g{\mathrm{\σ}}_{\mathrm{HH}\left(i\right)}}---\left(7\right)$

为方差纹理导向度，σ为系数方差，i为子带尺度值，LH为Low-High子带，HL为High-Low子带，HH为High-High子带，其他子带方差纹理导向度用类似方法计算。

8.根据权利要求3所述的方法，其特征在于：

所述步骤B2中，相应的低频部分系数和高频部分系数计算方法包括：

对图像进行一级Daubechies小波变换分解后的系数包括Low-Low(LL)子带、Low-High(LH)子带、High-Low(HL)子带和High-High(HH)子带；

可将图像信号看成由一系列行向量构成，经过分解后，原信号分为低频部分和高频部分，其中低频部分包括LL子带和LH子带，高频部分包括HL子带和HH子带，结合邻域像素值可计算低频部分系数和高频部分系数，其计算方法分别如式(2)(3)所示：

$P_i=(R_{2i}+R_{2i+1})\frac{1}{\sqrt{2}}---\left(2\right)$

P是低频Daubechies小波系数，i是Daubechies小波系数的索引号，R是图像数据的像素值；

$Q_i=(R_{2i}-R_{2i+1})\frac{1}{\sqrt{2}}---\left(3\right)$

Q是高频Daubechies小波系数，i是Daubechies小波系数的索引号，R是图像数据的像素值；

也可将图像信号看成由一系列列向量构成，经过分解后，原信号垂直列分为低频部分和高频部分，其中低频部分包括LL子带和HL子带，高频部分包括LH子带和HH子带；结合邻域像素值可计算低频部分系数和高频部分系数，其计算方法分别如式(2)(3)所示。

9.根据权利要求3所述的方法，其特征在于：

所述步骤B3中，每个子带的均值和方差的计算方法包括：

HH子带系数均值μ由式(4)计算：

${\mathrm{\μ}}_{\mathrm{HH}\left(i\right)}=\frac{1}{\mathrm{MN}}\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\left|W_{\mathrm{HH}\left(i\right)}\right[m,n\left]\right|---\left(4\right)$

其中，HH(i)为分解尺度值为i时的子带HH，W为Daubechies小波系数，m为系数行数，n为系数列数，M等于总的系数行数，N等于总的系数列数，其他子带系数均值可用相似的方法计算；

子带HH的系数方差σ可由式(5)计算：

${\mathrm{\σ}}_{\mathrm{HH}\left(i\right)}^2=\frac{1}{\mathrm{MN}}\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\left(\right|W_{\mathrm{HH}\left(i\right)}[m,n]|-{\mathrm{\μ}}_{\mathrm{HH}\left(i\right)})}^2---\left(5\right)$

HH(i)为分解尺度值为i时HH子带，W为Daubechies小波系数，m为系数行数，n为系数列数，M等于总的系数行数，N等于总的系数列数，μ为相应的系数均值，其他子带系数方差可用相似的方法计算。

10.根据权利要求9所述的方法，其特征在于：

所述步骤B4中，均值纹理导向度和方差纹理导向度的计算方法包括：

均值纹理导向度由式(6)来定义并计算：

${\mathrm{\θ}}_{{\mathrm{\μ}}_{\mathrm{LH}}\left(i\right)}=\frac{1g{\mathrm{\μ}}_{\mathrm{LH}\left(i\right)}}{1g{\mathrm{\μ}}_{\mathrm{LH}\left(i\right)}+1g{\mathrm{\μ}}_{\mathrm{HH}\left(i\right)}+1g{\mathrm{\μ}}_{\mathrm{HL}\left(i\right)}}---\left(6\right)$

为LH子带均值纹理导向度，μ为系数均值，i为子带尺度值，LH为Low-High子带，HL为High-Low子带，HH为High-High子带，其他子带均值纹理导向度用类似方法计算；

方差纹理导向度由式(7)来定义并计算：

${\mathrm{\θ}}_{{\mathrm{\σ}}_{\mathrm{LH}}\left(i\right)}=\frac{1g{\mathrm{\σ}}_{\mathrm{LH}\left(i\right)}}{1g{\mathrm{\σ}}_{\mathrm{LH}\left(i\right)}+1g{\mathrm{\σ}}_{\mathrm{HL}\left(i\right)}+1g{\mathrm{\σ}}_{\mathrm{HH}\left(i\right)}}---\left(7\right)$

为方差纹理导向度，σ为系数方差，i为子带尺度值，LH为Low-High子带，HL为High-Low子带，HH为High-High子带，其他子带方差纹理导向度用类似方法计算。

Images