图像纹理特征提取方法

2021年2月8日发(作者：aquila)

安徽大学

本科毕业论文（设计、创作）

题

目：

图像纹理特征提取方法研究

学生姓名：

朱邵成

学号：

Z01114175

院（系）：

电气工程与自动化学院

专业：

自动化

入学时间：

2011

年

9

月

导师姓名：

寻丽娜

职称

/

学位：

讲师

/

博士

导师所在单位：

安徽大学电气工程与自动化学院

完成时间：

2015

年

5

月

图像纹理特征提取方法研究

摘

要

近年来，随着信息多媒体时代的到 来，以及网络在世界范围内的日益流行、

云计算的风行，

人们在

日常生活工作接触的信息量越来越大。图像作为信息的一种载体，具有直观、

< p>

信息量大、便于不同国

家间交流的特点，

是网络多媒体的重要组成部分。

基于文本的图像检索是基于内容图像检 索的基础，

用

人工方式解释图像信息，其工作量我们难以想象， 可行性也值得商榷。因此

CBIR

方法有效解决了这一

个难题。基于内容的图像检索（

CBIR

）包括 四个阶段，分别是：获取图像、提取特征、分类图像、检索

图像。图像检索主要是一

个核心问题：选取何种算法提取哪一种图像特征，快速有效的进行 图像的区

分与检测。

纹理特征的提取是

CBIR

的关键问题之一，

本论文也是基于图像纹理特征的提 取为基础。

首

先，本文使用基于纹理基元的共生矩阵分析方法，

用来提取纹理特征向量。

此方法中，

采 用局部二进制

模式

(Local

Binary

Pattern

，

LBP)

来进行图像的基本纹理基元的

提取，并用灰度共生矩阵

(Gray

Level

Co

．

occurrence

Matrix

，

GLCM)

< br>中共生矩阵的分析方法来对纹理基元图像进行分析。其次文中深入研究

了基于灰度 共

生矩阵

( GLCM)

的纹理特征提取方法，给出了基于

Matlab

< p>
的简便实现代码，分析了共

生矩阵各个构造参数对构造共生矩阵的影响。< /p>

分析结果对优化灰度共生矩阵的构造、

实现基于灰度共生

矩阵

( GLCM)

的特定图像的纹理特征提取等都具有重

要参考意义。

关键词：纹理特征；灰度共生矩阵；基于内容的图像检索；< /p>

Matlab

Study on the extraction method of image texture feature

Abstract

In recent years, along with information multimedia time arrival, as well as network in worldwide scale

day by day popular, cloud computation being in fashion, the people are more and more bigger in the daily life

work

contact

information

content.

The

image

took

the information

one

kind of

carrier,

has,

the

information

content intuitively big, is advantageous for the characteristic which between the different country exchanges, is

the network multimedia important constituent. Based on the text image retrieval is based on the content image

retrieval foundation, with the artificial way explanation pictorial information, its work load we imagines with

difficulty, the feasibility is also worth discussing. Therefore CBIR method effective addressing this difficult

problem

.

Based

on

content

image

retrieval

(CBIR)

including

four

stages,

respectively

is:

Gain

image,

extraction

characteristic,

classified

image,

retrieval

image.

The

image

retrieval

mainly

is

a

core

question:

Which one kind of image characteristic selects what algorithm to withdraw, fast effective carries on the image

the discrimination and the examination. The texture characteristic extraction is one of CBIR key question, the

present paper also is based on the image texture characteristic extraction is a foundation. First, this paper used

the co-occurrence matrix based on texture primitive to

extract texture feature of image

．

In this

method

，

it

extracted basic texture primitive of image by Local Binary Pattem(LBP), and used co- ccurrence matrix of gray

level

co-occurrence

matrix(GLCM)

to

analyze

the

texture

primitive

image.

The

method

of

texture

feature

extraction

based

on

gray

level

co-occurrence

matrix

(

GLCM)

was

studied.

Analyzed

the

effect

of

each

parameter on constructing the co- occurrence matrix and implemented the feature extraction using Matlab. The

analytical

results

provide

valuable

reference

for

creating

GLCM

better

and

extracting

texture

features

of

specific kinds of images

．

Keywords: texture feature

；

gray level co

－

occurrence matrix

；

based on content image

retrieval

；

M atlab

目

录

第

1

章

绪论

.............. ..................................................

1

1.1

前言

.............. ................................................

1

1.2

研究背景和意义

.................... ................................

1

1.3

国内外研究现状

.................... ................................

1

1.4

研究方法

............ ..............................................

2

第

2

章

纹理的概念和表达方式

...............................................

3

2.1

纹理的概念和特征

..................................................

3

2.2

纹理特征的描述方法

................................................

4

2.2.1

统计分析法

........... .........................................

4

2.2.1.1

自相关函数

........... .....................................

5

2.2.1.2

边界频率

............ ......................................

5

2.2.1.3

灰度共生矩阵法

......... ...................................

5

2.2.2

频谱法

............. ...........................................

6

2.2.3

结构法

............. ...........................................

6

第

3

章

灰度共生距阵算法的具体分析与实现

.

...................................

7

3.1

灰度共生矩阵基本原理和特征

........................................

7

3.2

灰度共生矩阵的二次统计特征量

......................................

7

3.3

灰度共生矩阵的

Matlab

实现

< br> .........................................

9

3.3.1

图像的前期处理

......... .......................................

9

3.3.2 Matlab

实验获取二次统计特征量

.

.................................

9

3.4

试验结果分析

.......... ............................................

9

第

4

章

结束语

............. ...............................................

1

1

主要参考文献

.......... .................................................. ..

1

2

致谢

.............. .................................................. ......

1

2

第

1

章

绪论

1.1

前言

随着多媒体技术和互联网的迅速 发展，数字图像的容量正以惊人的速度增长，无论是

军用还是民用，无论是静态还是动态 的，每天都会产生海量的图像信息。近年来大规模图

像库的出现，管理、组织和利用图像 成为一项亟待解决的技术难题，于是图像检索技术这

种能够快速而且准确查找访问图像的 技术应运而生。

基于内容的图像检索（

CBIR

）是

20

世纪

90

年代兴起的新技术，其实质是图像特征相

似性匹 配检索。

因其直观、

高效、

通用等特点 ，

近年来在国际国内均是一个热门研究课题。

1.2

研究背景和意义

随着信息多媒体时代 的到来，以及网络在世界范围内的日益流行，云计算的风行，人

们在日常生活工作接触的 信息量越来越大。图像作为信息的一种载体，具有直观、信息量

大、便于不同年国家间交 流的特点，是网路多媒体的重要组成部分。基于文本的图像检索

是基于内容图像检索的基 础，用人工方式解释图像信息，它通过对图像进行手工注解，利

用文本检索技术对图像进 行关键字检索。然而其文本注解的主观性和不精确性会直接影响

检索的可靠性。其工作量 我们难以想象，可行性也值得商榷。因此基于内容的图像检索有

效解决了这一难题。

CBIR

技术一般包括图像获取，特征提 取，图像分类，图像检索四个阶段。基于内容的

图像检索有两个核心问题：如何能够实现 快速有效的图像分类与检索，其关键在于选用哪

一种算法提取何种特征；

如何建立有效的图像分类识别系统，

其关键在于分类算法的选取。

纹理特征作为显著的视觉特征，不仅不依赖于颜色或亮度，并且包含事物表面结构的排列

与组织次序，表现出上下文内容的联系，反映图像中同质现象重复出现的视觉特征，因此

纹理是基于内容的图像检索方法中非常重要的一种用于图像描述和分类的特征。目前其在

许多重要工作重要领域都有其研究成果，如天气预报，其卫星云图与红外线图提取的纹理

特征有很大差异，

所以纹理特征可以应用在模式识别领域，

< br>作为模式识别的一个重要特征。

在地球卫星上拍摄到的地球表面遥感图像大部分纹 理特征非常明显，

其表面的山川、

陆地、

沙漠、海洋以及大的城市建筑群都有不同的纹理特点，因此我们可以通过图像的纹理特征

对国家的不同区域识别、土地整治、土地沙漠化、城市建筑群分布等宏观进行研究。

C BIR

依照其系统所应用的范围，人为的把它分为：商用系统、网络应用系统和研究应用 系统三

个类别。而基于内容的图像检索系统也有着非常广阔的应用领域，主要应用于知识 产权的

保护、

犯罪与图片过滤、

网上图 像检索和数字图书馆以及新式视频服务和图像编辑等领域。

1.3

国内外研究现状

图像内容中的纹理特 征是当今研究的热点之一。通过几十年的研究，纹理分析取得了

很大进步，并产生了许多 纹理研究方法，如小波变换、共生矩阵等。这些方法大体可以分

为统计分析方法、模型法 、频域分析法、结构分析法。其中统计分析法应用最为广泛。

1

上个世纪

70

年代以前，常用的纹理提取方法主要是功率谱、自相关函数等一些与灰

< p>
度出现频率相关的方法，这些方法主要利用一些数字变换对图像进行

c

操作，而梅雨具体

描述或者定义纹理，这对于描述纹理以及区分不同 纹理具有很大的局限性。

20

世纪

70

年

代，最有代表性的是

Haralic k

对纹理的分析和理解以及提出的纹理特征提取方法，为后

续的 纹理研究提供了理论支持和技术积累。

1973

年他提出了一个 具有重要意义的灰度共生

矩阵，他在利用陆地卫星图像研究美国加利福尼亚海岸带的土地 利用问题，将图像像素的

灰度值转化为纹理信息，对纹理进行了较为系统的分析和理解。 这也是早期出现的基于统

计的纹理特征提取方法。

20

世纪

80

年代以来，马尔可夫随机场理论为纹理 特征提取找到

了一个新方向，也是基于模型的纹理特征提取方法的开端，而后相继出现了 马尔可夫随机

场模型（

GMRF

）、< /p>

Gibbs

模型、高斯马尔可夫随机场模型、同步自回归模型（< /p>

SAR

）、隐马

尔可夫随机场模型（

HMRF

）、广义马尔可夫随机场模型等。

1989

年，

Mallat

首先将小波

分析引入纹理分析中，为时频尺度分析纹理提供了一种更为精确而统一的框架。随后，小

波理论发展了许多分支，如多进制小波、小波包以及小波框架等等，它们均在图像纹理分

析中发挥了积极的作用。近年来，较引人瞩目的是

Ojala< /p>

等人于

2002

年提出的局部二进

制模式（

LBJ),

其特点在于计算复杂度小 ，具有多尺度特性和旋转不变形，在纹理检索领

域得到应用。随着纹理特征提取方法的研 究越来越深入，其应用也越来越广泛，一方面，

国内外研究人员对已有的纹理特征提取方 法不断进行深入研究，并拓宽其在实际工程领域

的应用；另一方面，研究人员致力于对现 有纹理提取方法进行融合并对特征指数进行有效

筛选，如

GLC M

与

MRF

的融合，小波方法与

MRF

的融合等等；除此之外，研究人员也在不

断尝试研究并开拓新的纹理特征提取方法，主要是纹理多尺度特征和旋转不变特征的提

取；但是纹理的微观异构性，复杂性以及其应用的广泛性和概念的不明确性给纹理研究带

来很大挑战。

迄今为止，已经有一些比较成功的检索系统问世 ，在一定范围之内，这些系统可以得

到一个比较令人满意的效果。现简单介绍几种纹理特 征提取方式。

（

1

< br>）

Visual SEEK/WebSEEK

：是由哥伦 比亚大学所开发，在图像特征方面，采用基于

小波变换方法提取纹理特征。

（

2

）

< br>QBIC

：

IBM

公司的

QBIC

系统的结构包括、：图像入库、特征向量提取和查询。

采用

Tamura

进行纹理特征的描述，特征 向量是由其中的粗糙度、对比度和方向性的结合

所构成。

（

3

）

NETRA

：有加利福利亚大学亚历山大数字图书馆开发。采用基于

Gab or

滤波器的

纹理分析方法对图像进行处理，从而得到纹理特征 向量。

1.4

研究方法

1

文献研究法

文献研究法主要指收集、 鉴别、整理文献，并通过对文献的研究，形成对事实科学认

识的方法。该方法主要用于前 期工作。首先，阅读大量的相关特征提取方法，总结各种方

2

法的优势与不足，对该课题的可行性得以确定。

2

实验测试法

< br>对于纹理特征，代表的分析方法是共生矩阵法，

Tammra

方法等。利用灰度共生矩阵可

得到描述纹理特征的统计量，常用的有对比度、能量、 熵等七个特征。

Tammra

提出了与人

的视觉感受相关的六个纹理特征，分别是粗糙度、对比度、方向性、线性相似性、规则性

和粗略度。

第

2

章

纹理的概念和表达方式

在图像的三大底层 特征中，纹理特征作为显著的视觉特征，不仅不依赖于颜

色或 亮

度，并且包含事物表面结构的排列与组织次序，表现出上下文内容的联系，

< p>

反映图像中

同质现象重复出现的视觉特征，因此 纹理是基于内容的图像检索方法

中非常重要的一种

< p>
用于图像描述和分类的特征。本章首先对纹理的定义及特性做

< p>
简要介绍，然后对纹理的

三类描述方法进行概括，对常用的纹理描述方法做 一个

综述。

2.1

纹理的概念和特征

纹理的概念最初起源于人类对物体表面的触感。在此基础上，将触感与人类

视觉关

联起来，

从而成为了一个重 要的视觉信息——纹理。

具体的可以从以下四个方面进行描述。

1

在邻近的像素点之间存在着亮度层次上的有意义的变化， 正是由于这些变化图像

中才展现出各种各样的纹理。

2

纹理是图像区域的一个属性，一个像素点的纹理是没有意 义的

.

因此，纹理涉及到

上下文，与一 个空间邻居关系内的像素的灰度值有关，换句话说，纹理跟图像像素灰度值

的空间分布有 关

.

这个空间关系的大小取决于纹理的类型，或者定义纹理的基 元的大小。

3

< br>纹理是一个在某种空间尺度大于图像分辨率下的同质

(homogeneous)

属性，一些研

究人员以人的视觉系统来描述纹理：纹理没有始终 如一的亮度，但仍然可以被人像同质区

域那样所观察到。

4

图像纹理在不同尺度和不同分辨 率下都能被感知。例如，考虑一幅砖墙所表示的

纹理

.

在一个粗糙的分辨率下，

所观察到的纹理是由墙上个体的砖块所形成，< /p>

而砖块内部的

细节会丢失；在一个高的分辨率下，仅有少量的砖块 在视野范围以内，观察到的纹理会显

示出砖块的细节。

在不同的 距离和不同的视觉注意程度下，

纹理区域都会给出不同的解释。

在一个正常注意力和标准距离下，它给出了用来表征特定纹理的宏观规则性的概念。当近

距离非常仔细地观察时，可以注意到一些同质区域和边，它们有时候会构成纹理素

(te xels)

最后，

纹理是依赖于尺度的

.

当一个区域内基元对象的数目足够大时才会被感知为纹理。

如

果仅有少量的基元数目，那么会被观察为一组可数的对象而不是一幅纹理图像。

对于纹理的特征，纹理特征也是一种全局特征，它也描述了图像或图像 区域所对应景

3

物的表面性质。

但由于纹理只是一种物体表面的特性，

并不能完全反映出物体的本质属性，

所以仅仅利用纹理特征是无法获得高层次图像内容的 。与颜色特征不同，纹理特征不是基

于像素点的特征，它需要在包含多个像素点的区域中 进行统计计算。在模式匹配中，这种

区域性的特征具有较大的优越性，不会由于局部的偏 差而无法匹配成功。作为一种统计特

征，纹理特征常具有旋转不变性，并且对于噪声有较 强的抵抗能力。但是，纹理特征也有

其缺点，一个很明显的缺点是当图像的分辨率变化的 时候，所计算出来的纹理可能会有较

大偏差。另外，由于有可能受到光照、反射情况的影 响，从

2-D

图像中反映出来的纹理不

一定是

3-D

物体表面真实的纹理。

例如，水中的倒影，光滑的金属面互相反射造成的影响等都会导致纹理的变化。由于

这些不是物体本身的特性，因而将纹理信息应用于检索时，有时这些虚假的纹理会对检索

造成“误导”。

在检索具有粗细、疏密等 方面较大差别的纹理图像时，利用纹理特征是一种有效的方

法。但当纹理之间的粗细、疏 密等易于分辨的信息之间相差不大的时候，通常的纹理特征

很难准确地反映出人的视觉感 觉不同的纹理之间的差别。

总的来说，纹理有粗糙性、强度、 密度、周期性、方向性等描述特性。其中，

纹理

的粗糙性、周期性、方向性三个特征是人感受最为强烈的视觉特征。同时要注意的是，由

于纹理是区域属性，观察的区域大小会影响纹理分析。因此对纹理的研究需要事先确定一

定的观察尺度。

2.2

纹理特征的描述方法

图像纹 理一直到现在都没有一个一致的、公认的定义，它在图像中是一个重要但是又

不太容易描 述出来的特征，并且人们在对纹理的认识中存在主观性，为了定量描述图像纹

理，

所我们需要提取出能代表图像纹理的特征信息。

通常情况下，

检测图像中的纹理基元，

以及纹理基元与周围像素点灰度的惯性是我们进 行图像处理提取纹理特征的两个最主要

的目的。图像纹理的描述既可以借助于空域性质有 可以通过频域性质进行分析，主要是通

过研究图像像素灰度的统计特性和空间结构特性来 描述图像纹理。我们常用的纹理的表

达方法有三种：

频谱法、

统计法、

结构法。

但是由于图像纹理特征不是想象中的那么简单，

我们在研 究过程中可以综合这三种方法，分析比较出更适合的方法，此外图像模型法在一

些相对成熟的图像模型中也有应用。

2.2.1

统计分析法

统计分析纹理描述方法是 常用的纹理分析方法，也是纹理研究最多最早的一类方法

.

统计 分析方法通过统计图像的空间频率、边界频率以及空间灰度依赖关系等来分析纹理一

般来 讲，

纹理的细致和粗糙程度与空间频率有关

.

< br>细致的纹理具有高的空间频率，

例如布匹

的纹理是非常细 致的纹理，其基元较小，因而空间频率较高；低的空间频率常常与粗糙的

纹理相关，比如 大理石纹理一般是粗糙的纹理，其基元较大，具有低的空间频率。因此，

我们可以通过度 量空间频率来描述纹理

.

除了空间频率以，

每单位面积边界数也是度量纹理

4