CN107862709B - 一种多方向模式连接规则的图像纹理描述方法 - Google Patents
一种多方向模式连接规则的图像纹理描述方法 Download PDFInfo
- Publication number
- CN107862709B CN107862709B CN201710895140.3A CN201710895140A CN107862709B CN 107862709 B CN107862709 B CN 107862709B CN 201710895140 A CN201710895140 A CN 201710895140A CN 107862709 B CN107862709 B CN 107862709B
- Authority
- CN
- China
- Prior art keywords
- texture
- image
- scanning
- point
- gray
- 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.)
- Active
Links
Images
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
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
本发明涉及一种多方向模式连接规则的图像纹理描述方法,所述方法包括:使用预定的扫描线S,沿着预设的方向α对所述输入的图像进行扫描,并记录下像素的位置及对应的灰度值;根据所述扫描线S对所述输入图像进行纹理模式检测;根据纹理模式检测结果建立多个方向均值纹理映射图;对所述多个方向均值纹理映射图进行加权平均得到加权平均纹理映射图;所述加权平均纹理映射图即为最终的纹理映射图。本发明采用了一种基于简单扫描线的方法来搜索潜在的纹理特征并且统计它们的局部特性,而不是采用了固定大小的2‑D窗口,避免了基于区域块的方法存在一些固有的缺点。
Description
技术领域
本发明属于图像处理领域,具体涉及一种多方向模式连接规则的图像纹理描述方法。
背景技术
纹理是图像的一种基本特性。从20世纪70年代起,人们就对此问题进行了大量的研究,主要集中在图像纹理的分析、理解与描述和计算机自然纹理生成2大方面,并已取得了丰硕的成果,在景物识别、目标定位、遥感图像分析、纹理分类、图像复原与估测、基于内容的图像数据库检索和计算机景物仿真等众多方面产生了深远的影响。
关于图像纹理的精确定义至今还未做出,直观来说,纹理描述可以提供图像区域的平滑、稀疏、规则性等特性。从心理学的观点,人类观察到纹理特征包括粒度、方向性和重复性等。纹理可以认为是灰度(颜色)在空间以一定的形式变化而产生的图案(模式),可以定义为在视场范围内的灰度分布模式。总结前人对图像纹理的描述,图像纹理大体可概括为:(1)图像局部不规则而全局又呈现某种规律的物理现象;(2)由许多互相接近、互相编织的元素以一定的形式排列构成,并常伴有某种周期性;(3)图像的灰度统计信息、空间分布信息和结构信息的综合反映;(4)一种区域特性,在适当的区域内测量才有意义。
常用的纹理特征表述方法可分为以下三类:
(1)灰度共生矩阵
Haralick等人以条件概率来模型化纹理,提出了灰度共生矩阵方法(SpatialGray Level Dependence Method:SPGLM),灰度共生矩阵能很好的表征图像表面灰度分布的周期性规律,是目前一种重要的纹理分析方法。从共生矩阵导出一些反映矩阵状况的参数,典型的有以下几种:能量:图像灰度分布均匀程度和纹理粗细度;对比度:图像的清晰度和纹理沟纹深浅的程度;熵:图像中纹理的非均匀程度或复杂程度;逆差距:反映图像纹理的同质性,度量图像纹理局部变化的多少。
(2)Tamura纹理
基于人类对纹理的视觉感知的心理学的研究,Tamura等人提出了纹理特征的表达。Tamura纹理特征的六个分量对应于心理学角度上纹理特征的六种属性,分别是粗糙度(coarseness)、对比度(contrast)、方向度(directionality)、线像度(linelikeness)、规整度(regularity)和粗略度(roughness)。其中,前三个分量对于图像检索尤其重要。
(3)频域方法
随着对人类视觉机理的研究,人们逐渐认识到,大部分的图像分割方法与人类视觉机理相脱节,难以进行更精确的分割,因此找到具有更强的鲁棒性、实时性的分割方法必须充分利用人类的视觉特性。人类视觉特性系统初级阶段的视觉信息处理研究认为人脑对图像作了滤波处理,研究者通过记录猴子的视觉皮层细胞对不同频率范围和取向的光栅的响应,证明了多通道滤波理论的正确性。所以,空间/频率多分辨率多通道纹理分析方法是与人类视觉过程相一致的一种方法,目前多分辨率多通道纹理分析方法可以有效地对纹理图像进行特征提取和纹理分析,如傅立叶变换、Gabor滤波器、小波变换等,其中,Gabor滤波器是该类方法的典型代表。
以上这些方法大多数都是用一个固定大小的窗口来生成局部特征。但是这种基于区域块的方法存在一些固有的缺点:为了提取图像特征,窗口的大小必须预先固定的,这样会影响方法对于尺度问题的适应性;当纹理边界落到窗口时会限制方法的模式区分能力。
发明内容
为了解决现有技术中的上述问题,本发明提出了一种基于模式连接规则的纹理描述方法,该方法采用了一种基于简单扫描线的方法来搜索潜在的纹理特征并且统计它们的局部特性,而不是采用了固定大小的2-D窗口。
一种多方向模式连接规则的图像纹理描述方法,所述方法包括:
步骤一:输入一幅图像;
步骤二:使用预定的扫描线S,沿着预设的方向α对所述输入的图像进行扫描,并记录下像素的位置及对应的灰度值;
步骤三:根据所述扫描线S对所述输入图像进行纹理模式检测;
步骤四:根据纹理模式检测结果建立多个方向均值纹理映射图;
步骤五:对所述多个方向均值纹理映射图进行加权平均得到加权平均纹理映射图;所述加权平均纹理映射图即为最终的纹理映射图。
进一步的,所述步骤一中,所述图像大小为120像素*80像素。
进一步的,所述步骤二中,所述预定的扫描线S具体为:S={p1,p2,...,pn},其中pi=p(xi,yi)表示步骤一中输入图像在像素(xi,yi)处的灰度值,i∈[1,n],n为灰度值的个数。
进一步的,所述步骤三:根据所述扫描线S对所述输入图像进行纹理模式检测具体为:
步骤3.1:计算扫描线S上的灰度模式中心C:
其中,pi=p(xi,yi)表示输入图像在像素(xi,yi)处的灰度值,i∈[1,n],n为灰度值的个数;
步骤3.2:计算所述输入图像的反向图像的灰度值:
其中,M为原图像中像素的最大值;
步骤3.4:将原始图像的灰度模式中心C和反向图像的灰度模式中心分别与扫描线的中心相减,从而分别对应得到第一平衡误差和第二平衡误差通过设定平衡误差阈值,选定保留的模式,从而实现对所述输入图像进行纹理模式检测。
进一步的,步骤3.4纹理模式检测步骤具体为:
当满足e1<τ1和e2<τ2时,将当前点作为一个纹理模式并保存;然后将扫描线当前点的下一个点作为起始点,继续进行扫描,重复上述判断过程,直到该扫描线的终点为止。
进一步的,所述扫描线S包括间隔为1个像素点的多条平行的扫描线,扫描方向从左到右,所述多条平行的扫描线的第一条扫描线的起点为输入图像的起始点,最后一条扫描线的终点为输入图像的终点。
进一步的,所述步骤四:根据扫描纹理模式检测结果建立多个方向纹理映射图MTM具体为:
令扫描线的方向α分别取0°、45°、90°、135°,将每个方向按步骤三的方法扫描得到纹理模式集合,作为该方向的均值纹理映射图MTM。
进一步的,所述步骤五:对所述多个方向均值纹理映射图进行加权平均得到加权平均纹理映射图具体包括:
将方向为α的扫描线对应的纹理映射图MTM,记为Tα(x,y)
其中,pα(x,y)表示方向α提取的纹理模式,包含点(x,y)处的像素,m是这个纹理模式里所有像素的个数,对于这个模式中的每个像素点的灰度值赋为Tα(x,y)。
加权平均纹理映射图的计算公式为:
其中,wα为Tα(x,y)对应的权值。
有益效果:
本发明采用了一种基于简单扫描线的方法来搜索潜在的纹理特征并且统计它们的局部特性,而不是采用了固定大小的2-D窗口,避免了基于区域块的方法存在一些固有的缺点:为了提取图像特征,窗口的大小必须预先固定的,这样会影响方法对于尺度问题的适应性;当纹理边界落到窗口时会限制方法的模式区分能力。
附图说明
图1图像扫描线示意图
图2扫描线各点对应的灰度值
图3扫描线模式中心和扫描线中心位置比较
图4纹理模式检测示意图
图5四个方向的纹理映射图—参数1(平衡误差阈值1.2,扫描线初始长度24,增加步长4)
图6四个方向的纹理映射图—参数2(平衡误差阈值1,扫描线初始长度24,增加步长4)
图7四个方向的纹理映射图—参数3(平衡误差阈值1,扫描线初始长度12,增加步长4)
图8最后的纹理映射图MTM(Mean Texture Map)
图9变初始扫描长度,同时变步长迭代3次纹理映射图
图10第二次迭代后纹理映射图与第一次原图纹理映射图比较
图11最终纹理映射图平滑或分割结果
图12为本发明的方法流程图
具体实施方式
下面结合图1~11,介绍一种多方向模式连接规则的图像纹理描述方法,具体实施方式如下:
步骤一:输入一幅图像;
图像大小为120像素*80像素,如果图像尺寸太大,可对图像进行将分辨率操作;
步骤二:使用预定的扫描线S,沿着预设的方向α对所述输入的图像进行扫描,并记录下像素的位置及对应的灰度值;
进一步的,所述步骤二中,所述预定的扫描线S具体为:S={p1,p2,...,pn},其中pi=p(xi,yi)表示步骤一中输入图像在像素(xi,yi)处的灰度值,i∈[1,n],n为灰度值的个数。
扫描线示意图如图1所示,图像大小为120*80,扫描线长度为80,扫描线上个点对应的灰度值如图2所示。
步骤三:根据所述扫描线S对所述输入图像进行纹理模式检测;
进一步的,所述步骤三:根据所述扫描线S对所述输入图像进行纹理模式检测具体为:
步骤3.1:计算扫描线S上的灰度模式中心C:
其中,pi=p(xi,yi)表示输入图像在像素(xi,yi)处的灰度值,i∈[1,n],n为灰度值的个数;
步骤3.2:计算所述输入图像的反向图像的灰度值:
其中,M为原图像中像素的最大值;
步骤3.4:将原始图像的灰度模式中心C和反向图像的灰度模式中心分别与扫描线的中心相减,从而分别对应得到第一平衡误差和第二平衡误差通过设定平衡误差阈值,选定保留的模式,从而实现对所述输入图像进行纹理模式检测。
进一步的,步骤3.4纹理模式检测步骤具体为:
当满足e1<τ1和e2<τ2时,将当前点作为一个纹理模式并保存;然后将扫描线当前点的下一个点作为起始点,继续进行扫描,重复上述判断过程,直到该扫描线的终点为止。
进一步的,所述扫描线S包括间隔为1个像素点的多条平行的扫描线,扫描方向从左到右,所述多条平行的扫描线的第一条扫描线的起点为输入图像的起始点,最后一条扫描线的终点为输入图像的终点。
纹理模式检测示意图如图4所示。
步骤四:根据纹理模式检测结果建立多个方向均值纹理映射图;
进一步的,所述步骤四:根据扫描纹理模式检测结果建立多个方向纹理映射图MTM具体为:
令扫描线的方向α分别取0°、45°、90°、135°,将每个方向按步骤三的方法扫描得到纹理模式集合,作为该方向的均值纹理映射图MTM。
对于二维图像,由于不同方向纹理的分布差别较大,所以采用多个方向的扫描线保证产生更多的纹理信息,本发明选取了4个方向的扫描线,分别为0°,45°,90°,135°,每个方向都按步骤三的方法扫描得到纹理模式集合,即各个方向的纹理映射图MTM,不同参数的各个方向的纹理映射图如图5到图7所示。
步骤五:对所述多个方向均值纹理映射图进行加权平均得到加权平均纹理映射图;所述加权平均纹理映射图即为最终的纹理映射图。
进一步的,所述步骤五:对所述多个方向均值纹理映射图进行加权平均得到加权平均纹理映射图具体包括:
将方向为α的扫描线对应的纹理映射图MTM,记为Tα(x,y)
其中,pα(x,y)表示方向α提取的纹理模式,包含点(x,y)处的像素,m是这个纹理模式里所有像素的个数,对于这个模式中的每个像素点的灰度值赋为Tα(x,y)。
加权平均纹理映射图的计算公式为:
其中,wα为Tα(x,y)对应的权值。
所述加权平均纹理映射图即为最终的纹理映射图MTM(Mean Texture Map)。
可以通过对步骤五生成的最终纹理映射图MTM(Mean Texture Map)进行平滑或分割,来验证本方法的有效性。如图11所示,目标分割较完整。
上述具体实施方式仅用于解释和说明本发明的技术方案,但并不能构成对权利要求的保护范围的限定。本领域技术人员应当清楚,在本发明的技术方案的基础上做任何简单的变形或替换而得到的新的技术方案,均将落入本发明的保护范围之内。
Claims (8)
1.一种多方向模式连接规则的图像纹理描述方法,其特征在于,所述方法包括:
步骤一:输入一幅图像;
步骤二:使用预定的扫描线S,沿着预设的方向α对所述输入的图像进行扫描,并记录下像素的位置及对应的灰度值;
步骤三:使用所述扫描线S对所述输入图像进行纹理模式检测;
步骤四:根据纹理模式检测结果建立多个方向均值纹理映射图;
步骤五:对所述多个方向均值纹理映射图进行加权平均得到加权平均纹理映射图;所述加权平均纹理映射图即为最终的纹理映射图。
2.如权利要求1所述的方法,其特征在于,所述步骤一中,所述图像大小为120像素*80像素。
3.如权利要求1所述的方法,其特征在于,所述步骤二中,所述预定的扫描线S具体为:S={p1,p2,...pi...,pn},其中pi=p(xi,yi)表示步骤一中输入图像在像素(xi,yi)处的灰度值,i∈[1,n],n为灰度值的个数。
4.如权利要求3所述的方法,其特征在于,所述步骤三:根据所述扫描线S对所述输入图像进行纹理模式检测具体包括:
步骤3.1:计算扫描线S上的灰度模式中心C:
其中,pi=p(xi,yi)表示输入图像在像素(xi,yi)处的灰度值,i∈[1,n],n为灰度值的个数;
步骤3.2:计算所述输入图像的反向图像的灰度值:
其中,M为原图像中像素的最大值;
6.如权利要求1所述的方法,其特征在于,所述扫描线S包括间隔为1个像素点的多条平行的扫描线,扫描方向从左到右,所述多条平行的扫描线的第一条扫描线的起点为输入图像的起始点,最后一条扫描线的终点为输入图像的终点,扫描线贯穿图像。
7.如权利要求6所述的方法,其特征在于,所述步骤四:根据扫描纹理模式检测结果建立多个方向纹理映射图MTM具体为:
令扫描线的方向α分别取0°、45°、90°、135°,将每个方向按步骤三的方法扫描得到的纹理模式集合作为该方向的均值纹理映射图MTM。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710895140.3A CN107862709B (zh) | 2017-09-28 | 2017-09-28 | 一种多方向模式连接规则的图像纹理描述方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710895140.3A CN107862709B (zh) | 2017-09-28 | 2017-09-28 | 一种多方向模式连接规则的图像纹理描述方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107862709A CN107862709A (zh) | 2018-03-30 |
CN107862709B true CN107862709B (zh) | 2020-03-27 |
Family
ID=61699662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710895140.3A Active CN107862709B (zh) | 2017-09-28 | 2017-09-28 | 一种多方向模式连接规则的图像纹理描述方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107862709B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109785286B (zh) * | 2018-12-12 | 2021-04-30 | 中国科学院深圳先进技术研究院 | 一种基于纹理特征融合的图像修复检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1342300A (zh) * | 1999-12-03 | 2002-03-27 | 三星电子株式会社 | 用频域中的伽柏滤波器的纹理描述方法和基于纹理的图像检索方法 |
CN101702239A (zh) * | 2009-10-16 | 2010-05-05 | 西安交通大学 | 可分级小波包变换的图像纹理描述方法 |
CN101937567A (zh) * | 2010-09-28 | 2011-01-05 | 中国科学院软件研究所 | 一种简捷的主纹理提取方法 |
CN102831427A (zh) * | 2012-09-06 | 2012-12-19 | 湖南致尚科技有限公司 | 一种融合视觉显著性和灰度共生矩的纹理特征提取方法 |
CN103426188A (zh) * | 2013-08-08 | 2013-12-04 | 华南理工大学 | 一种纹理描述方法 |
CN103700119A (zh) * | 2013-11-26 | 2014-04-02 | 上海交通大学 | 基于局部分组对比模式直方图的局部纹理描述方法 |
CN104732238A (zh) * | 2015-04-02 | 2015-06-24 | 西安电子科技大学 | 基于方位选择性的灰度图像纹理特征提取的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4893489B2 (ja) * | 2007-06-15 | 2012-03-07 | ソニー株式会社 | 画像処理装置、画像処理方法、画像処理方法のプログラム及び画像処理方法のプログラムを記録した記録媒体 |
-
2017
- 2017-09-28 CN CN201710895140.3A patent/CN107862709B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1342300A (zh) * | 1999-12-03 | 2002-03-27 | 三星电子株式会社 | 用频域中的伽柏滤波器的纹理描述方法和基于纹理的图像检索方法 |
CN101702239A (zh) * | 2009-10-16 | 2010-05-05 | 西安交通大学 | 可分级小波包变换的图像纹理描述方法 |
CN101937567A (zh) * | 2010-09-28 | 2011-01-05 | 中国科学院软件研究所 | 一种简捷的主纹理提取方法 |
CN102831427A (zh) * | 2012-09-06 | 2012-12-19 | 湖南致尚科技有限公司 | 一种融合视觉显著性和灰度共生矩的纹理特征提取方法 |
CN103426188A (zh) * | 2013-08-08 | 2013-12-04 | 华南理工大学 | 一种纹理描述方法 |
CN103700119A (zh) * | 2013-11-26 | 2014-04-02 | 上海交通大学 | 基于局部分组对比模式直方图的局部纹理描述方法 |
CN104732238A (zh) * | 2015-04-02 | 2015-06-24 | 西安电子科技大学 | 基于方位选择性的灰度图像纹理特征提取的方法 |
Non-Patent Citations (3)
Title |
---|
《Texture Characterization and Texture-Based Image Partitioning Using Two-Dimensional Linear Estimation Techniques》;KOICHIRO DEGUCHI等;《IEEE TRANSACTIONS ON COMPUTERS》;19780831;第27卷(第8期);第739-745页 * |
《一种新的局部纹理描述模式》;毋小省等;《小型微型计算机系统》;20121130;第33卷(第11期);第2548-2550页 * |
《纹理描述方法综述》;郭佳;《中国新技术新产品》;20091130(第22期);第34页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107862709A (zh) | 2018-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106023185B (zh) | 一种输电设备故障诊断方法 | |
Nguyen et al. | Gaussian-mixture-model-based spatial neighborhood relationships for pixel labeling problem | |
CN106778687B (zh) | 基于局部评估和全局优化的注视点检测方法 | |
CN107066916B (zh) | 基于反卷积神经网络的场景语义分割方法 | |
CN108681737B (zh) | 一种复杂光照下图像特征提取方法 | |
Sharma et al. | Edge detection using Moore neighborhood | |
CN110837802A (zh) | 一种基于灰度共生矩阵的面部图像特征提取方法 | |
CN116664559A (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
Xie et al. | Fabric defect detection method combing image pyramid and direction template | |
CN111652243B (zh) | 基于显著性融合的红外与可见光图像融合方法 | |
CN109241932B (zh) | 一种基于运动方差图相位特征的热红外人体动作识别方法 | |
CN107862709B (zh) | 一种多方向模式连接规则的图像纹理描述方法 | |
Yu et al. | Face recognition based on euclidean distance and texture features | |
WO2006044988A1 (en) | System and method for characterizing 2-dimensional shapes by compactness measurements | |
Mara et al. | Ancient coins & ceramics–3D and 2D documentation for preservation and retrieval of lost heritage | |
Gizatullin et al. | Method for Constructing Texture Features based on an Image Weight Model | |
Fonte et al. | Application of fuzzy sets to the determination of sunspot areas | |
Gehre et al. | Feature Curve Co‐Completion in Noisy Data | |
Chen et al. | A Fuzzy-based method for remote sensing image contrast enhancement | |
Hamouchene et al. | Overview of texture analysis | |
Liu et al. | Automatic Lung Parenchyma Segmentation of CT Images Based on Matrix Grey Incidence. | |
CN110675372A (zh) | 细胞分辨水平的脑组织三维图像的脑区自动分割方法及系统 | |
Kanchana et al. | Texture classification using discrete shearlet transform | |
Raghtate et al. | Comparison of second order statistical analysis and wavelet transform method for texture image classification | |
CN116128945B (zh) | 一种改进的akaze图像配准方法 |
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 |