CN107818579A - 基于四元数Gabor滤波的彩色纹理特征提取方法 - Google Patents
基于四元数Gabor滤波的彩色纹理特征提取方法 Download PDFInfo
- Publication number
- CN107818579A CN107818579A CN201710855499.8A CN201710855499A CN107818579A CN 107818579 A CN107818579 A CN 107818579A CN 201710855499 A CN201710855499 A CN 201710855499A CN 107818579 A CN107818579 A CN 107818579A
- Authority
- CN
- China
- Prior art keywords
- msub
- texture feature
- image
- quaternary number
- mtd
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图像处理技术领域,具体涉及基于四元数Gabor滤波的彩色纹理特征提取方法。根据四元数和Gabor滤波推导出四元数Gabor滤波,输入待提取彩色纹理特征的原彩色图像,将原彩色图像利用四元数Gabor滤波卷积算法进行处理得到彩色纹理特征图像,选出与所述原彩色图像相似度高的若干张彩色纹理特征图像,提取所述若干张彩色纹理特征图像的各通道Tamura特征;并将原彩色图像的Tamura纹理特征与所述若干张彩色纹理特征图像的各通道Tamura特征共同组成一组特征向量,即获得彩色纹理特征向量。本发明所述方法可以很大程度的保留原图像的粗糙度,对比度和方向度等纹理特征,同时可以提取到原图像的颜色信息。
Description
技术领域
本发明属于图像处理技术领域,具体涉及基于四元数Gabor滤波的彩色纹理特征提取方法。
背景技术
纹理是特征一种重要的视觉线索,是图像处理中重要而又难以描述的特征,时至今日,图像纹理特征仍然没有一个公认的、严格的定义。纹理分析的研究内容主要包括纹理分类和分割、纹理合成、纹理检索和纹理恢复形状,这些研究内容的一个最基本问题是纹理特征提取,提取的纹理特征质量直接影响到分割效果和分类结果。现有的纹理特征提取方法主要包括,统计方法,模型方法,信号处理方法和结构方法。其中信号处理方法中的Gabor滤波器可以提取多尺度多方向的纹理特征。但是,现有的成熟的纹理特征的提取方法仅仅停留在对灰度图像的纹理特征提取,忽略了图像的颜色特征,对图像分类和分割会产生较大的影响。
有些研究者提出了采用简约双四元数的彩色纹理分割算法,譬如,利用简约双四元数的彩色纹理分割算法提出了图像的数字特征,如均值,方差;但是该算法还存在以下缺点:一方面没有提供彩色纹理特征图像,另一方面没有利用所提取纹理图像的颜色特征。
发明内容
针对上述技术问题,本发明提供一种基于四元数Gabor滤波的彩色纹理特征提取的方法,该方法可以很大程度的保留原图像的粗糙度,对比度和方向度等纹理特征,同时可以提取到原图像的颜色信息。
本发明是通过以下技术方案实现的:
基于四元数Gabor滤波的彩色纹理特征提取方法,根据四元数和Gabor滤波推导出四元数Gabor滤波,输入待提取彩色纹理特征的原彩色图像,将原彩色图像利用四元数Gabor滤波卷积算法进行处理得到彩色纹理特征图像,根据所述彩色纹理特征图像与所述原彩色图像的Tamura纹理特征的欧氏距离,选出与所述原彩色图像相似度高的若干张彩色纹理特征图像,提取所述若干张彩色纹理特征图像的各通道Tamura特征;并将原彩色图像的Tamura纹理特征与所述若干张彩色纹理特征图像的各通道Tamura特征共同组成一组特征向量,即获得所述原彩色图像的彩色纹理特征向量。
进一步地,所述四元数Gabor滤波是根据传统Gabor滤波和四元数欧拉公式推导得到,推导过程为具体为:
(1)传统Gabor滤波表达式如下:
其中j2=-1;
式中,x,y分别表示平面坐标,μ为方向因子,ν为尺度因子,σ表示高斯函数的标准差,j表示虚数单位, 为方向因子取不同值时所对应的角度,为不同尺度因子对应的频率,kmax表示最大频率,f为频率中核函数间的间距因子;
(2)用单位四元数q代替j可得:
式中,i、j、k均代表虚数单位;
(3)根据四元数欧拉公式,可得四元数Gabor滤波的表达式如下:
进一步地,将原彩色图像利用四元数Gabor滤波卷积算法进行处理得到彩色纹理特征图像,具体为:
(1)设Gi为四元数Gabor滤波虚部生成的大小为35*35的算子,Ii(M*N)为所述原彩色图像三基色分量构成的M*N*3维的矩阵;
式中,C表示利用四元数Gabor滤波虚部生成的算子进行卷积后的结果图像,表示卷积操作,i为虚数单位,M,N表示图像的长和宽;
(2)设Gr为四元数Gabor滤波实部生成的大小为35*35的算子,在三个通道分别对图像进行卷积操作,即:
式中,C1表示利用四元数Gabor滤波实部生成的算子进行卷积之后的结果图像;
(3)根据公式qc=[-va·vb,savb+va×vb],在所述原彩色图像上,对每个像素进行:
C2=gi×pi;
其中C2表示起到标识作用的中间量;×表示两个向量坐标叉乘,gi表示Gi中的最大值,pi为由一个像素点的三基色分量构成的三维向量,如下:
式中,qc=[-va·vb,savb+va×vb]是两个四元数乘积公式,设两个四元数分别为qa=[sa,va]和qb=[sb,vb],其中,sa为qa的实部,va为qa的虚部;sb为qb的实部,vb为qb的虚部,乘积为qc;
(4)得到彩色纹理特征图像F:
F=C*(C1+C2);
*表示普通的乘法运算。
进一步地,得到的所述彩色纹理特征图像为5个尺度和8个方向40张彩色纹理特征图像。
进一步地,步骤(2)中,在三个通道分别对图像进行卷积操作,所述三个通道具体为RGB三个通道。
进一步地,选出的与所述原彩色图像相似度高的若干张彩色纹理特征图像的尺度因子和方向因子均不相同。
本发明的有益技术效果:
本发明所述方法可以很大程度的保留原图像的粗糙度,对比度和方向度等纹理特征,同时可以提取到原图像的颜色信息。在转化为灰度图像后,该方法在保留粗糙度,对比度和方向度等纹理特征优于传统Gabor方法和LBP方法。
附图说明
图1为将原彩色图像利用四元数Gabor滤波卷积算法进行处理得到彩色纹理特征图像流程框图;
图2为彩色特征向量提取框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细描述。应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
相反,本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步,为了使公众对本发明有更好的了解,在下文对本发明的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
实施例1
基于四元数Gabor滤波的彩色纹理特征提取方法,所述的彩色纹理特征提取方法是利用四元数Gabor滤波和四元数Gabor卷积算法对彩色图像进行特征提取,根据传统Gabor滤波设置得到5个尺度和8个方向40张彩色纹理特征图像(此处的尺度及方向并不局限于具体的5个尺度和8个方向,在其他实施例中,也可以取其他数值);然后,计算出每一张特征图像和原图像的Tamura纹理特征(粗糙度,对比度,方向度),根据欧氏距离,将和原图像相似度最高的3张特征图像选出来(要求不同尺度和不同方向),这样模仿图像旋转和放大缩小,最后计算3张特征图像和彩色图像各颜色分量的Tamura纹理特征,构成12维向量输入支持向量机分类。
本发明实现的具体步骤如下:
参照图1-2,
步骤1,输入待提取彩色纹理特征的原彩色图像;
第一步,根据传统Gabor滤波和四元数欧拉公式推导出四元数Gabor的公式,推导过程为具体为:
(1)传统Gabor滤波表达式如下:
其中j2=-1;
式中,μ为方向因子,ν为尺度因子,σ表示高斯函数的标准差,j表示虚数单位, 为方向因子取不同值时所对应的角度,为不同尺度因子对应的频率,kmax表示最大频率,f为频率中核函数间的间距因子;
(2)用单位四元数代替j可得四元数Gabor的表达式如下:
式中,i、j、k均代表虚数单位;
(3)根据四元数欧拉公式,可得表达式如下:
其中,μ为方向因子,μ=0,1,2,3,4,5,6,7共8个不同的方向。ν为尺度因子,ν=0,1,2,3,4共5个不同的尺度。为直角坐标,kmax表示最大频率,f为频域中核函数间的间距因子;σ=2π,kmax=π/2,
第二步,设Gi为四元数Gabor滤波虚部生成的大小为35*35的算子,Ii(M*N)为彩色图像三基色分量构成的M*N*3维的矩阵。
式中,C表示利用四元数Gabor滤波虚部生成的算子进行卷积后的结果图像,表示卷积操作,i为虚数单位,M,N表示图像的长和宽;
第三步,设Gr为四元数Gabor实部生成的大小为35*35的算子,在三个通道分别对图像进行卷积操作,即:
式中,C1表示利用四元数Gabor滤波实部生成的算子进行卷积之后的结果图像;
第四步,根据公式qc=[-va·vb,savb+va×vb],在一幅图像上,对每个像素进行:
C2=gi×pi;
其中C2为起到标示作用的中间量;×表示两个向量坐标叉乘,gi表示Gi中的最大值,pi为由一个像素点的三基色分量构成的三维向量,如下:
式中,qc=[-va·vb,savb+va×vb]是两个四元数乘积公式,设两个四元数分别为qa=[sa,va]和qb=[sb,vb],其中,sa为qa的实部,va为qa的虚部;sb为qb的实部,vb为qb的虚部,乘积为qc;
第四步,得到彩色纹理特征图像F。
F=C*(C1+C2);
式中,*表示普通的乘法运算。
步骤2,在40张特征图像中选择3张特征图像;
第一步,求出原图像的Tamura纹理特征(粗糙度、对比度、方向度)。
第二步,求出40张特征图像中每一张图像的Tamura纹理特征。
第三步,根据特征图像和原图像Tamura纹理特征的欧氏距离,选出与原图像相似度最高的3张图像(保证3张图像的尺度因子和方向因子均不相同)。
步骤3,提取特征图像的多通道Tamura纹理特征;
第一步,从上一步中得到3张彩色纹理特征图像,将每一张图像进行分通道处理并求出每一通道的Tamura纹理特征。
第二步,彩色特征纹理图像的Tamura纹理特征,3个通道的Tamura纹理特征共同构成一组12维的特征向量。
步骤4,支持向量机分类;
将得到的特征向量输入支持向量机,得到图像的分类结果。
Claims (6)
1.基于四元数Gabor滤波的彩色纹理特征提取方法,其特征在于,根据四元数和Gabor滤波推导出四元数Gabor滤波,输入待提取彩色纹理特征的原彩色图像,将原彩色图像利用四元数Gabor滤波卷积算法进行处理得到彩色纹理特征图像,根据所述彩色纹理特征图像与所述原彩色图像的Tamura纹理特征的欧氏距离,选出与所述原彩色图像相似度高的若干张彩色纹理特征图像,提取所述若干张彩色纹理特征图像的各通道Tamura特征;并将原彩色图像的Tamura纹理特征与所述若干张彩色纹理特征图像的各通道Tamura特征共同组成一组特征向量,即获得所述原彩色图像的彩色纹理特征向量。
2.根据权利要求1所述基于四元数Gabor滤波的彩色纹理特征提取方法,其特征在于,所述四元数Gabor滤波是根据传统Gabor滤波和四元数欧拉公式推导得到,推导过程为具体为:
(1)传统Gabor滤波表达式如下:
其中j2=-1;
式中,μ为方向因子,ν为尺度因子,σ表示高斯函数的标准差,j表示虚数单位, 为方向因子取不同值时所对应的角度,为不同尺度因子对应的频率,kmax表示最大频率,f为频率中核函数间的间距因子;
(2)用单位四元数q代替j可得:
式中,i、j、k均代表虚数单位;
(3)根据四元数欧拉公式,可得四元数Gabor滤波的表达式如下:
3.根据权利要求1所述基于四元数Gabor滤波的彩色纹理特征提取方法,其特征在于,将原彩色图像利用四元数Gabor滤波卷积算法进行处理得到彩色纹理特征图像,具体为:
(1)设Gi为四元数Gabor滤波虚部生成的大小为35*35的算子,Ii(M*N)为所述原彩色图像三基色分量构成的M*N*3维的矩阵;
<mrow>
<mi>C</mi>
<mo>=</mo>
<msub>
<mi>G</mi>
<mi>i</mi>
</msub>
<mo>&CircleTimes;</mo>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<mo>;</mo>
</mrow>
式中,C表示利用四元数Gabor滤波虚部生成的算子进行卷积后的结果图像,表示卷积操作,i为虚数单位,M,N表示图像的长和宽;
(2)设Gr为四元数Gabor滤波实部生成的大小为35*35的算子,在三个通道分别对图像进行卷积操作,即:
<mrow>
<msub>
<mi>C</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<msub>
<mi>G</mi>
<mi>r</mi>
</msub>
<mo>&CircleTimes;</mo>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<mo>;</mo>
</mrow>
式中,C1表示利用四元数Gabor滤波实部生成的算子进行卷积之后的结果图像;
(3)根据公式qc=[-va·vb,savb+va×vb],在所述原彩色图像上,对每个像素进行:
C2=gi×pi;
其中C2为起到标示作用的中间量;×表示两个向量坐标叉乘,gi表示Gi中的最大值,pi为由一个像素点的三基色分量构成的三维向量,
<mrow>
<msub>
<mi>C</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<mfenced open = "|" close = "|">
<mtable>
<mtr>
<mtd>
<mi>i</mi>
</mtd>
<mtd>
<mi>j</mi>
</mtd>
<mtd>
<mi>k</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>g</mi>
<msub>
<mi>i</mi>
<mi>r</mi>
</msub>
</msub>
</mtd>
<mtd>
<msub>
<mi>g</mi>
<msub>
<mi>i</mi>
<mi>g</mi>
</msub>
</msub>
</mtd>
<mtd>
<msub>
<mi>g</mi>
<msub>
<mi>i</mi>
<mi>b</mi>
</msub>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>p</mi>
<msub>
<mi>i</mi>
<mi>r</mi>
</msub>
</msub>
</mtd>
<mtd>
<msub>
<mi>p</mi>
<msub>
<mi>i</mi>
<mi>g</mi>
</msub>
</msub>
</mtd>
<mtd>
<msub>
<mi>p</mi>
<msub>
<mi>i</mi>
<mi>b</mi>
</msub>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
式中,qc=[-va·vb,savb+va×vb]是两个四元数乘积公式,设两个四元数分别为qa=[sa,va]和qb=[sb,vb],其中,sa为qa的实部,va为qa的虚部;sb为qb的实部,vb为qb的虚部,乘积为qc;
(4)得到彩色纹理特征图像F:
F=C*(C1+C2);
式中,*表示普通的乘法运算。
4.根据权利要求1所述基于四元数Gabor滤波的彩色纹理特征提取方法,其特征在于,得到的所述彩色纹理特征图像为5个尺度和8个方向40张彩色纹理特征图像。
5.根据权利要求3所述基于四元数Gabor滤波的彩色纹理特征提取方法,其特征在于,步骤(2)中,在三个通道分别对图像进行卷积操作,所述三个通道具体为RGB三个通道。
6.根据权利要求1所述基于四元数Gabor滤波的彩色纹理特征提取方法,其特征在于,选出的与所述原彩色图像相似度高的若干张彩色纹理特征图像的尺度因子和方向因子均不相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710855499.8A CN107818579B (zh) | 2017-09-20 | 2017-09-20 | 基于四元数Gabor滤波的彩色纹理特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710855499.8A CN107818579B (zh) | 2017-09-20 | 2017-09-20 | 基于四元数Gabor滤波的彩色纹理特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107818579A true CN107818579A (zh) | 2018-03-20 |
CN107818579B CN107818579B (zh) | 2021-09-28 |
Family
ID=61607763
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710855499.8A Active CN107818579B (zh) | 2017-09-20 | 2017-09-20 | 基于四元数Gabor滤波的彩色纹理特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107818579B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111246205A (zh) * | 2020-02-04 | 2020-06-05 | 淮阴师范学院 | 基于方向双四元数滤波器组的图像压缩方法 |
CN116543001A (zh) * | 2023-05-26 | 2023-08-04 | 广州工程技术职业学院 | 彩色图像边缘检测方法及装置、设备、存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6751339B1 (en) * | 1998-11-30 | 2004-06-15 | Canon Kabushiki Kaisha | Texture advisor |
CN104077602A (zh) * | 2014-07-09 | 2014-10-01 | 东南大学 | 一种基于四元数散射网络的彩色图像纹理分类方法 |
CN104239883A (zh) * | 2013-12-11 | 2014-12-24 | 深圳深讯和科技有限公司 | 纹理特征提取方法及装置 |
CN105160346A (zh) * | 2015-07-06 | 2015-12-16 | 上海大学 | 一种基于纹理和分布特征的舌苔腐腻识别方法 |
-
2017
- 2017-09-20 CN CN201710855499.8A patent/CN107818579B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6751339B1 (en) * | 1998-11-30 | 2004-06-15 | Canon Kabushiki Kaisha | Texture advisor |
CN104239883A (zh) * | 2013-12-11 | 2014-12-24 | 深圳深讯和科技有限公司 | 纹理特征提取方法及装置 |
CN104077602A (zh) * | 2014-07-09 | 2014-10-01 | 东南大学 | 一种基于四元数散射网络的彩色图像纹理分类方法 |
CN105160346A (zh) * | 2015-07-06 | 2015-12-16 | 上海大学 | 一种基于纹理和分布特征的舌苔腐腻识别方法 |
Non-Patent Citations (1)
Title |
---|
刘丽 等: "《图像纹理特征提取方法综述》", 《中国图象图形学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111246205A (zh) * | 2020-02-04 | 2020-06-05 | 淮阴师范学院 | 基于方向双四元数滤波器组的图像压缩方法 |
CN116543001A (zh) * | 2023-05-26 | 2023-08-04 | 广州工程技术职业学院 | 彩色图像边缘检测方法及装置、设备、存储介质 |
CN116543001B (zh) * | 2023-05-26 | 2024-01-12 | 广州工程技术职业学院 | 彩色图像边缘检测方法及装置、设备、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107818579B (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Georgakis et al. | Synthesizing training data for object detection in indoor scenes | |
CN104463195B (zh) | 基于模板匹配的印刷体数字识别方法 | |
CN106056155B (zh) | 基于边界信息融合的超像素分割方法 | |
CN104751142B (zh) | 一种基于笔划特征的自然场景文本检测方法 | |
Lei et al. | Depth-preserving stereo image retargeting based on pixel fusion | |
CN107122826A (zh) | 用于卷积神经网络的处理方法和系统、和存储介质 | |
CN107730573A (zh) | 一种基于特征提取的人物肖像漫画风格化生成方法 | |
CN109740572B (zh) | 一种基于局部彩色纹理特征的人脸活体检测方法 | |
CN109886974A (zh) | 一种印章去除方法 | |
CN109657612B (zh) | 一种基于人脸图像特征的质量排序系统及其使用方法 | |
CN110245593A (zh) | 一种基于图像相似度的手势图像关键帧提取方法 | |
CN107256547A (zh) | 一种基于显著性检测的表面裂纹识别方法 | |
CN107944459A (zh) | 一种rgb‑d物体识别方法 | |
CN113239954A (zh) | 基于注意力机制的图像语义分割特征融合方法 | |
CN108229430A (zh) | 一种融合注意力图的商品分类方法 | |
CN107818579A (zh) | 基于四元数Gabor滤波的彩色纹理特征提取方法 | |
Mao et al. | Classroom micro-expression recognition algorithms based on multi-feature fusion | |
CN111814576A (zh) | 一种基于深度学习的购物小票图片识别方法 | |
CN109543525B (zh) | 一种通用表格图像的表格提取方法 | |
CN105678208B (zh) | 提取人脸纹理的方法及装置 | |
Chen | Research and application of chinese calligraphy character recognition algorithm based on image analysis | |
CN108280417A (zh) | 一种手指静脉快速识别方法 | |
CN105338335B (zh) | 一种立体图像显著图提取方法 | |
CN106056575B (zh) | 一种基于似物性推荐算法的图像匹配方法 | |
CN112580659A (zh) | 一种基于机器视觉的矿石识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |