CN103530647B - 基于分数傅里叶变换的纹理分类方法 - Google Patents
基于分数傅里叶变换的纹理分类方法 Download PDFInfo
- Publication number
- CN103530647B CN103530647B CN201310470171.6A CN201310470171A CN103530647B CN 103530647 B CN103530647 B CN 103530647B CN 201310470171 A CN201310470171 A CN 201310470171A CN 103530647 B CN103530647 B CN 103530647B
- Authority
- CN
- China
- Prior art keywords
- texture
- fractional fourier
- image
- fourier transform
- frft
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000009466 transformation Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 208000031481 Pathologic Constriction Diseases 0.000 claims description 2
- 210000001215 vagina Anatomy 0.000 claims description 2
- 238000009826 distribution Methods 0.000 abstract description 4
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供的是一种基于分数傅里叶变换的纹理分类方法。(1)获取一幅图像,计算所述图像各像素在四个方向上的一维离散FrFT;(2)将得到的各一维离散FrFT按幅值降序排列;(3)计算分数傅里叶频率直方图;(4)利用χ2‑统计距离分类器对纹理图像进行分类。本发明提供的是一种基于分数傅里叶变换的、综合利用分数傅里叶频率直方图和χ2‑统计距离分类器的纹理文类方法。本发明所提出的纹理分类方法的主要效果在于避免了Wigner分布的交叉项问题。
Description
技术领域
本发明涉及的是一种纹理图像的分类方法。
背景技术
纹理是一种不依赖于颜色或者亮度变化的、反映图像中同质现象的视觉特征。纹理刻画了图像像素邻域灰度空间的分布规律。在现实世界中,纹理无处不在,从大自然的天空、草地,到生活中常见的砖墙、布匹等都具有明显的纹理特征。在计算机视觉领域,纹理分类作为理解真实视觉模式的重要手段而被广泛应用于医学图像处理、农业图像分割、食品质量监督、以及卫星图像分析等领域。
纹理分类的关键问题是如何对纹理进行描述。现有的纹理描述方法包括:灰度共生矩阵[1]、双向纹理函数[2]、局部二值模式[3]、仿射自适应方法[4]、模型方法(包括随机域模型[5]、自回归模型[6]、以及分形模型[7]等)、变换域方法(包括Gabor变换[8]、小波变换[9]等)、不变特征描述算子(例如Zernike矩[10])等等。
由于纹理大多具有很强的频谱特性和方向性,而纹理分割又要求特征的表达具有局部性。因此纹理分类方法要求所采用的变换/滤波工具同时具有高的时间和频率分辨率。显然短时傅立叶变换、小波变换、Gabor变换、Wigner变换等时-频分析工具是理想之选。然而,包括Wigner变换和Gabor变换在内的许多时-频分析工具都希望所分析的信号是窄带信号。实际的纹理由于自身的形态或受到其它干扰,在频域或者空域中并不表现为窄带形式。另一方面,如果时-频变换中包含非线性项,则该方法将不可避免的受到交叉项的影响,有时这种影响是相当严重的以至于无法实现正确分割。虽然象Gabor这样的线性变换不受交叉项影响,但是通常来说这些线性方法的时-频分辨率却又不高。
分数傅里叶变换(Fractional Fourier Transform,FrFT)理论可以追溯到1937年。Candon首先提出了广义傅里叶变换的概念,1980年Namias明确提出了FrFT的概念,并给出了其数学定义和性质,讨论了变换的本征函数,1987年,McBirde和Kerr建立起了FrFT的理论体系。自此,FrFT的理论不断完善,并在光学、信号处理、图像加密等领域发挥作用。FrFT是傅立叶变换的推广形式,通过一种简单的方式实现了信号的从纯时间域到纯频率域的全过程的综合描述,能够展示出信号从纯时间域到纯频率域的所有变化特征。
研究表明FrFT与Cohen类时-频分布具有密切关系,信号的许多重要时频特性可以从其FrFT谱中获得。基于FrFT与信号时-频表示的密切,本发明提出一种基于分数傅里叶变换的纹理分类方法。
相关参考文献包括:
[1]R.Haralick,Statistical and structural approaches to texture,Proceedings of the IEEE,67(5),pp786-804,1979;
[2]J.Filip,and M.Haindl,Bidirectional texture function modeling:astate of the art survey,IEEE Transactions on Pattern Analysis and MachineIntelligence,31(11),pp1921-1940,2009;
[3]T.Ojala,M.and D.Harwood,A comparative study of texturemeasures with classification based on featured distributions,PatternRecognition,29(1),pp.51-59,1996;
[4]S.Lazebnik,S.M.-C.Schmid,and F.-J.Ponce,A sparse texturerepresentation using local affine regions,IEEE Transactions on PatternAnalysis and Machine Intelligence,27(8),pp.1265-1278,2005;
[5]F.S.Cohen,,Z.Fan,et al,Classification of rotated and scaledtextured images using Gaussian Markov random field models.IEEE Transactionson Pattern Analysis and Machine Intelligence,13(2),pp192-202,1991;
[6]J.Mao and A.K.Jain,Texture classification and segmentation usingmultiresolution simultaneous autoregressive models,Pattern Recognition,25(2),pp.173-188,1992;
[7]A.P.Pentland,Fractal-based description of natural scenes.IEEETransactions on Pattern Analysis andMachine Intelligence,PAMI-6(6),pp661-674,1984;
[8]A.K.Jain and F.Farrokhnia,Unsupervised texture segmentation usingGabor filters,Pattern Recognition,24(12)pp.1167-1186,1991;
[9]A.Laine,and J.Fan.Texture classification by wavelet packetsignatures,IEEE Transactions on Pattern Analysis and Machine Intelligence,15(11),pp1186-1191,1993;
[10]A.Khotanzad and Y.H.Hong,Invariant image recognition by Zernikemoments,IEEE Transactions on Pattern Analysis and Machine Intelligence,PAMI-12(5),pp.489-497,1990。
发明内容
本发明的目的在于提供一种能够避免Wigner分布的交叉项问题的基于分数傅里叶变换的纹理分类方法。
本发明的目的是这样实现的:
(1)获取一幅图像,计算所述图像各像素在四个方向上的一维离散FrFT;
(2)将得到的各一维离散FrFT按幅值降序排列;
(3)计算分数傅里叶频率直方图;
(4)利用χ2-统计距离分类器对纹理图像进行分类。
本发明提供的是一种基于分数傅里叶变换的、综合利用分数傅里叶频率直方图和χ2-统计距离分类器的纹理文类方法。本发明所提出的纹理分类方法的主要效果在于避免了Wigner分布的交叉项问题。
附图说明
附图是像素P的方向邻域。
具体实施方式
下面举例对本发明做更详细的描述:
步骤1:获取一幅图像I,所述图像I是一幅大小为N×N灰度纹理图像,(x,y)为纹理图像中的一个位置坐标,其中x=1,2,…,N;y=1,2,…,N,I(x,y)表示纹理图像I在(x,y)处的灰度值,d=0,1,2,3分别表示图1所示的0度方向、45度方向、90度方向和135度方向,Id(x,y,m)表示像素(x,y)在d方向的第m个邻域像素的灰度值,其中m=1,2,3,4,5;
计算图像各像素在四个方向上的一维离散FrFT:
首先,对于图像I中的点(x,y)根据图1得到(x,y)在0度、45度、90度和135度方向上的邻域序列,所得到的邻域像素序列用{Id(x,y,m)|d=0,1,2,3,m=1,2,3,4,5}表示;
其次,将{Id(x, y,m)|d=0,1,2,3,m=1,2,3,4,5}用下式作中心化处理:
其中表示像素(x, y)在d方向的第m个邻域像素的中心化处理结果;
再次,分别计算d=0,1,2,3时序列的一维离散分数傅里叶变换,得到的变换结果用表示,其中α=0.1,0.7为分数傅里叶变换的阶数,表示的α阶分数傅里叶变换序列中的第n个元素;
最后将每一个d和α对应的分数傅里叶变换序列合并为一个序列,得到:
步骤2:将得到的各一维离散FrFT按幅值降序排列,
对d的每一个取值以及α的每一个取值,根据幅值的大小,将序列 降序排列,得到 其中|I′(x,y,0)|≥|I′(x,y,1)|≥...≥|I′(x,y,5)|,将每一个j所对应的n值记为分数傅里叶频率集合 其中 且nj∈{1,2,3,4,5}表示 中的第j个元素对应于 中的第nj个元素;
步骤3:计算分数傅里叶频率直方图,
首先,对图像I中每一个像素点,重复步骤1~步骤2,得到矩阵
其中d=0,1,2,3,并且α=0.1,0.7;
然后,根据中元素的取值,利用下式得到分数傅里叶频率直方图,
其中d=0,1,2,3,α=0.1,0.7,M=N×N,k=1,2,3,4,5,
最后,将每一个d和α对应的分数傅里叶频率直方图合并成一个新的集合,用G表示,即
步骤4:利用χ2-统计距离分类器对纹理图像进行分类,
首先,假设一共有C类纹理,第c类纹理中包含Nc个训练样本,其中,c=1,2,…C,第i个训练样本所对应的分数傅里叶频率直方图为采用如下平均分数傅里叶频率直方图表示第c类纹理:
然后,输入一幅大小为N×N未知类型的灰度纹理图像WI,利用步骤1~步骤3得到分数傅里叶频率直方图G,利用式下计算G与第c类纹理之间的χ2-统计距离:
其中,c=1,2,…,C;
其中T=N×N×4×5×2
最后,利用最小距离分类器进行分类,将WI分为与其χ2-统计距离最小的一个类别c'∈{1,2,…,C}。
Claims (4)
1.一种基于分数傅里叶变换的纹理分类方法,
(1)获取一幅图像,计算所述图像各像素在四个方向上的一维离散FrFT;
(2)将得到的各一维离散FrFT按幅值降序排列;
(3)计算分数傅里叶频率直方图;
(4)利用χ2-统计距离分类器对纹理图像进行分类;
其特征是:所述获取一幅图像是获取一幅图像I,所述图像I是一幅大小为N×N灰度纹理图像,(x,y)为纹理图像中的一个位置坐标,其中x=1,2,…,N;y=1,2,…,N,I(x,y)表示纹理图像I在(x,y)处的灰度值,d=0,1,2,3分别表示0度方向、45度方向、90度方向和135度方向,Id(x,y,m)表示像素(x,y)在d方向的第m个邻域像素的灰度值,其中m=1,2,3,4,5;
所述计算所述图像各像素在四个方向上的一维离散FrFT具体包括:
首先,对于图像I中的点(x,y)得到(x,y)在0度、45度、90度和135度方向上的邻域序列,所得到的邻域像素序列用{Id(x,y,m)|d=0,1,2,3,m=1,2,3,4,5}表示;
其次,将{Id(x,y,m)|d=0,1,2,3,m=1,2,3,4,5}用下式作中心化处理:
其中表示像素(x,y)在d方向的第m个邻域像素的中心化处理结果;
再次,分别计算d=0,1,2,3时序列的一维离散分数傅里叶变换,得到的变换结果用表示,其中α=0.1,0.7为分数傅里叶变换的阶数,表示的α阶分数傅里叶变换序列中的第n个元素;
最后将每一个d和α对应的分数傅里叶变换序列合并为一个序列,得到:
2.根据权利要求1所述的基于分数傅里叶变换的纹理分类方法,其特征是所述将得到的各一维离散FrFT按幅值降序排列具体包括:
对d的每一个取值以及α的每一个取值,根据幅值的大小,将序列降序排列,得到其中将每一个j所对应的n值记为分数傅里叶频率集合其中且nj∈{1,2,3,4,5}表示中的第j个元素对应于中的第nj个元素。
3.根据权利要求2所述的基于分数傅里叶变换的纹理分类方法,其特征是所述计算分数傅里叶频率直方图具体包括:
首先,对图像I中每一个像素点,得到矩阵
其中d=0,1,2,3,并且α=0.1,0.7;
然后,根据中元素的取值,利用下式得到分数傅里叶频率直方图,
其中d=0,1,2,3,α=0.1,0.7,M=N×N,k=1,2,3,4,5,
最后,将每一个d和α对应的分数傅里叶频率直方图合并成一个新的集合,用G表示,即
4.根据权利要求3所述的基于分数傅里叶变换的纹理分类方法,其特征是所述利用χ2-统计距离分类器对纹理图像进行分类具体包括:
首先,假设一共有C类纹理,第c类纹理中包含Nc个训练样本,其中,c=1,2,…C,第i个训练样本所对应的分数傅里叶频率直方图为采用如下平均分数傅里叶频率直方图表示第c类纹理:
然后,输入一幅大小为N×N未知类型的灰度纹理图像WI,利用分数傅里叶频率直方图G,利用下式计算G与第c类纹理之间的χ2-统计距离:
其中,c=1,2,…,C;T=N×N×4×5×2,
最后,利用最小距离分类器进行分类,将WI分为与其χ2-统计距离最小的一个类别c'∈{1,2,…,C}。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310470171.6A CN103530647B (zh) | 2013-10-10 | 2013-10-10 | 基于分数傅里叶变换的纹理分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310470171.6A CN103530647B (zh) | 2013-10-10 | 2013-10-10 | 基于分数傅里叶变换的纹理分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103530647A CN103530647A (zh) | 2014-01-22 |
CN103530647B true CN103530647B (zh) | 2017-02-08 |
Family
ID=49932643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310470171.6A Expired - Fee Related CN103530647B (zh) | 2013-10-10 | 2013-10-10 | 基于分数傅里叶变换的纹理分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103530647B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512689A (zh) * | 2014-09-23 | 2016-04-20 | 苏州宝时得电动工具有限公司 | 基于图像的草地识别方法及草坪维护机器人 |
CN105335697A (zh) * | 2015-09-18 | 2016-02-17 | 黄山学院 | 一种基于卫星图像测算古民居相似度方法和装置 |
CN107862335B (zh) * | 2017-11-07 | 2021-06-01 | 河南科技大学 | 一种基于多尺度反馈度量学习的纹理图像分类方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101551864A (zh) * | 2009-05-13 | 2009-10-07 | 西安电子科技大学 | 基于频域方向特征相关性的图像分类方法 |
CN101604330A (zh) * | 2009-07-17 | 2009-12-16 | 厦门大学 | 基于壳面纹理的圆形微藻自动识别方法 |
CN101866488A (zh) * | 2010-06-21 | 2010-10-20 | 哈尔滨工程大学 | 基于图像频域方向模板目标检测的方法 |
CN102096808A (zh) * | 2011-01-19 | 2011-06-15 | 南京农业大学 | 稻飞虱虫情自动测报方法 |
CN102663399A (zh) * | 2012-04-16 | 2012-09-12 | 北京博研新创数码科技有限公司 | 一种基于Hilbert曲线和LBP的图像局部特征提取方法 |
CN102937602A (zh) * | 2012-10-26 | 2013-02-20 | 东华大学 | 一种具有机器视觉的智能显微熔点仪及熔点测量方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6901152B2 (en) * | 2003-04-02 | 2005-05-31 | Lockheed Martin Corporation | Visual profile classification |
-
2013
- 2013-10-10 CN CN201310470171.6A patent/CN103530647B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101551864A (zh) * | 2009-05-13 | 2009-10-07 | 西安电子科技大学 | 基于频域方向特征相关性的图像分类方法 |
CN101604330A (zh) * | 2009-07-17 | 2009-12-16 | 厦门大学 | 基于壳面纹理的圆形微藻自动识别方法 |
CN101866488A (zh) * | 2010-06-21 | 2010-10-20 | 哈尔滨工程大学 | 基于图像频域方向模板目标检测的方法 |
CN102096808A (zh) * | 2011-01-19 | 2011-06-15 | 南京农业大学 | 稻飞虱虫情自动测报方法 |
CN102663399A (zh) * | 2012-04-16 | 2012-09-12 | 北京博研新创数码科技有限公司 | 一种基于Hilbert曲线和LBP的图像局部特征提取方法 |
CN102937602A (zh) * | 2012-10-26 | 2013-02-20 | 东华大学 | 一种具有机器视觉的智能显微熔点仪及熔点测量方法 |
Non-Patent Citations (2)
Title |
---|
分数傅里叶域中的Wigner分布交叉项抑制方法;黄跃平;《中国优秀硕士学位论文全文数据库 信息科技辑》;20130215(第02期);I136-145 * |
基于分数傅立叶变换的纹理图像分割方法研究;曹亮;《中国优秀硕士学位论文全文数据库 信息科技辑》;20120515(第05期);正文第12页第3-6行、第41页第8-11行、第31页第21-27行 * |
Also Published As
Publication number | Publication date |
---|---|
CN103530647A (zh) | 2014-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yuan et al. | Factorization-based texture segmentation | |
Ji et al. | Wavelet domain multifractal analysis for static and dynamic texture classification | |
CN102609681B (zh) | 基于字典学习模型的人脸识别方法 | |
Zhao et al. | Completed robust local binary pattern for texture classification | |
CN104392463B (zh) | 一种基于联合稀疏多尺度融合的图像显著区域检测方法 | |
CN103177458B (zh) | 一种基于频域分析的可见光遥感图像感兴趣区域检测方法 | |
CN101520894B (zh) | 基于区域显著性的显著对象提取方法 | |
CN102999761B (zh) | 基于Cloude分解和K-wishart分布的极化SAR图像分类方法 | |
CN101807258B (zh) | 基于核标度切维数约简的合成孔径雷达图像目标识别方法 | |
CN103700089B (zh) | 一种三维医学图像多尺度异构特征的提取与分类方法 | |
CN104268593A (zh) | 一种小样本情况下多稀疏表示的人脸识别方法 | |
CN105069796B (zh) | 基于小波散射网络的sar图像分割方法 | |
CN103984966A (zh) | 基于稀疏表示的sar图像目标识别方法 | |
CN104299232B (zh) | 一种基于自适应窗方向波域和改进fcm的sar图像分割方法 | |
CN104036289A (zh) | 一种基于空间-光谱特征和稀疏表达的高光谱图像分类方法 | |
CN104298990A (zh) | 一种基于骨架图的快速图形匹配与识别的方法 | |
CN105718944A (zh) | 基于核空间的深度散射卷积网络学习方法和系统 | |
CN109034213B (zh) | 基于相关熵原则的高光谱图像分类方法和系统 | |
Gao et al. | A novel face feature descriptor using adaptively weighted extended LBP pyramid | |
CN103530647B (zh) | 基于分数傅里叶变换的纹理分类方法 | |
CN104408472A (zh) | 基于Wishart和SVM的极化SAR图像分类方法 | |
CN104463210B (zh) | 基于面向对象和谱聚类的极化sar图像分类方法 | |
He et al. | Robust illumination invariant texture classification using gradient local binary patterns | |
CN106101490A (zh) | 基于时空显著性的视频跨尺度自适应增强方法及装置 | |
CN105975940A (zh) | 一种基于稀疏双向二维局部判别投影的掌纹图像识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170208 |