首页资源分类 > 图像纹理特征提取方法综述_刘丽

图像纹理特征提取方法综述_刘丽

已有 453308个资源

下载专区

上传者其他资源

热门资源

本周本月全部

文档信息举报收藏

标    签: 图像处理纹理特征

分    享:

文档简介

简述图像中纹理特征提取的国内外现状

文档预览

第 14卷  第 4期 2009年 4月 中国图象图形学报 JournalofImageandGraphics Vol.14, No.4 Apr., 2009 图像纹理特征提取方法综述 刘  丽 匡纲要 (国防科技大学电子科学与工程学院 , 长沙   410073) 摘  要  纹理是一种重要的视觉 线索 , 是图像中普遍存在而又难以描述的特征 。 纹理分类与 分割是图 像处理领域 一个经久不衰的热点研究领域 , 纹理特征提取作为纹理分类与分割的首要问题 , 一直 是人们关注 的焦点 , 各种纹理 特征提取方法层出不穷 。在广泛 文献调研的基础上 , 回顾了纹理特征提取方法 的发展历程 , 分析 了其研究现 状 , 对 纹理特征提取方法进行 了较为全面的综述 , 对其进行分类和比较 , 最后给出了纹理研究领域的主要发展趋势 。 关键词  图像纹理  纹 理特征提取  灰度共生矩阵  马尔可夫随机场  分形  小波  Gabor滤波器  自回归模型 中图法分类号 :TP391.41  文献标识码 :A  文章编号 :1006-8961(2009)04-0622-14 Overview ofImageTexturalFeatureExtractionMethods LIUli, KUANGGang-yao (CollegeofElectricalScienceandEngineering, NationalUniversityofDefenseTechnology, Changsha410073) Abstract Textureisanimportantvisualcue.Itwidelyexistsinimagesandishardtodescribe.Textureclassificationand segmentationisahotresearchfieldinimageprocessing.Duetoitsimportanceintextureclassificationandsegmentation, texturefeatureextractionhasreceivedconsiderableattentionduringthepastdecadesandnumerousapproacheshavebeen presentedin theliterature. Basedonextensiveinvestigation ofexistingarticles, thedevelopmenthistoryandcurrent challengesoftexturefeatureextractionmethodsarereviewedindetails.First, acomprehensiveoverviewoftexturefeature extractionmethodsispresentedinthispaper.Then, classificationandcomparisonsoftexturefeatureextractionmethodsare given.Atlast, conclusionsandfuturedevelopmentoftexturefeatureextractionarediscussed. Keywords imagetexture, texturefeatureextraction, grayLevelco-occurrencematrix, markovrandom field, fractal, wavelet, Gaborfilter, autoregressivemodel 1 引  言 纹理是一种重要的视觉线索 , 是图像中普遍存在 而又难以描述的特征 。 纹理分析技术一直是计算机 视觉 、图像处理 、图像分析 、图像检索等的活跃研究领 域 。 纹理分析作为诸如上述应用的基础性研究领域 之一 , 其研究内容主要包括 :纹理分类和分割 、纹理合 成 、纹理检索和由纹理恢复形状如图 1所示 。这些研 究内容的一个最基本的问题是纹理特征提取 。 作为纹理研究的主要内容之一 , 纹理分类与分 割问题一直是人们关注的焦点 , 涉及模式识别 、应用 数学 、统计学 、神经生理学 、神经网络等多个研究领 域 。纹理特征提取是成功进行图像纹理描述 、分类与 分割的关键环节 , 因为提取的纹理特征直接影响后续 处理的质量 。在具体纹理特征提取过程中 , 人们总是 先寻找更多的能够反映纹理特征的度量 , 然后通过各 种分析或变换从中提取有效的特征用于纹理描述和 分类 。纹理特征提取的目标是 :提取的纹理特征维数 不大 、鉴别能力强 、稳健性好 , 提取过程计算量小 , 能 够指导实际应用 。鉴于纹理特征提取的重要性 , 至少 半个世纪以前 , 人们开始探索图像纹理特征提取方 收稿日期 :2007-10-08;改回日期 :2007-12-27 第一作者简介 :刘  丽 (1982 ~  ), 女 。 国防科技大学电子科学与工程学院信息与通信工程专业在读博 士 。 主要研究方 向为遥感信息处 理 。 E-mail:feiyunlyi@hotmail.com 第 4期 刘  丽等 :图像纹理特征提取方法综述 623 法 , 多年来纹理特征提取依然并且无疑将继续在纹理 分类与分割中发挥非常重要的作用 。 图 1 图像纹理应用 Fig.1 Imagetextureapplication 回顾 50多年的曲折发展历程 , 各国研究者对纹 理特征提取方法进行了广泛的研究 , 该领域已经发 展了许多纹理特征提取方法 , 如著名的灰度共生矩阵 (GLCM)、灰度行程长度法 (graylevelrunlength)、自 相关函数法 , 同时随着应用领域的不断扩大和新理论 如分形理论 、马尔可夫随机场 (MRF)理论 、小波理论 等的引入 , 使得对纹理特征提取的研究变得缤纷多 彩 , 但是并不像人们期待的那样取得巨大成功 。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 。尽管人类区分 不同纹理的能力十分突出 , 但许多研究者深感自动描 述 、鉴别纹理是非常复杂和困难的 。目前 , 在理论和 应用之间仍存在一条很难逾越的鸿沟 , 即缺乏实用 的 、稳健的纹理特征提取方法 。 随着相关理论的发展以及各个应用领域的需求 牵引 , 经过各国研究者几十年的共同努力 , 纹理特征 提取方法层出不穷 , 迄今为止 , 对这些方法还没有一 种统一的分类 。 为了使国内同行对纹理特征提取方 法有一个较为全面的了解 , 在参考国内外大量文献 的基础上 , 对纹理分类与分割中各种纹理特征提取 方法进行了概括和评述 , 意在诠释推动纹理特征提 取方法发展的驱动力 , 以期引起更多研究者对这一 领域的关注 。 2 发展与现状 2.1 发展与现状 20世纪 70年代以前出 现了自相关函数法 [ 1] , 功率谱方法 , 和一些与各种灰度频率相关的方法[ 2] 等 。 这些方法取得一定成功 , 但是没有具体的定义 、 描述或纹理模型 , 仅仅是某种数学变换 。 另外还有一 些提取纹理特征的方法 , 也仅限于提取特定的图像属 性 , 如纹理粗糙度 , 纹理直线性等 。 1966年 , Brodatz 给出了很多纹理图像的例子 , 即所谓的 Brodatz纹理 库 , 成为后来人们研究纹理的重要数据源 。 20世纪 70年代 , 最有代表性的是 Haralick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 , Haralick[ 3] 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时 , 开创性地提出著 名的 GLCM, 它在纹理分析中是一个很好的方法 , 广 泛用于将灰度值转化为纹理信息 。 此外 , 这个阶段 出现的方法主要还有灰度行程长度法 [ 4] 、灰度差分 统计法[ 5] , 自回归模型法 [ 6] 等 , 这些方法在 纹理分 类中有一定效果 , 但是这些方法的后继研究很少 , 在 实际应用中也较少采用 。 从 20世纪 80年代以来 , MRF理论在纹理分析 中掀起一阵热潮 [ 7-10] , 为纹理特征提取找到了一个 新的方向 , 尔后相继出现了 MRF模型 、Gibbs模型 、 高斯马尔可夫随机场 (GMRF)模型 、同步自回归模 型 (SAR)、隐马尔 可夫随机 场模型 (HMRF)、广义 MRF模型和多分辨率 MRF等等 。 同时 , 分 形理论 也为 提 取 纹 理 特 征 注 入 了 新 的 活 力 。 1984 年 , Pentland[ 11] 等人在这方面做了开创性的工作 , 指出 分形模型非常适用于描述纹理图像 。后来更多学者 将分形用于纹理分类 , 以分数维来描述图像区域的 纹 理 特 征 。 其 中 引 人 瞩 目 的 是 Chaudhuri和 Sarker[ 12] 提出了差分计 盒算 法 , 这 是一种 简单 、快 速 、精度高的分形维数计算方法 , 也是目前用得较多 的一种方法 。 随后 , Kapan等人[ 13] 提出了非常吸引 人的扩展分形特征 。 90年代以后 , 人们发现传统的纹理分析方法的 一个瓶颈在于不能从多尺度有效描述纹理特征 。 小 波理论的出现为时频多尺度分析提供了一个更为精 确而统一的框架 。 小波变换提供了一种在不同尺度 上研究分析图像纹理细节的工具 , 为更精细地进行 图像纹理分类和分析提供了新思路 , 在纹理分析中 具有广阔的发展空间 。 1989年 , Mallat[ 14] 首先将小 波分析引入纹理分析中之后 , 随之基于小波的纹理 分析方法如雨后春笋般涌现出来 。随着小波理论的 发展 , 小波在 纹理特征提取中 的应用也不断发 展 。 62 4 中国图象图形学 报       第 14卷 小波理论发展的许多分支 , 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 。 如 Chang等人[ 15] 提出的基于树结构 小波的纹理分类方法 , Unser[ 16] 研究 的基于小波框 架的纹理分类方法 。 近年来 , 较引人瞩目的是 Ojala等人[ 17] 于 2002 年提出的局部二进制模式 (LBP), 该方法分析纹理 的吸引人的地方在于其计算复杂度小 , 具有多尺度 特性和旋转不变特性 , 在纹理检索领 域得到应用 。 总的来讲 , 纹理特征提取在国际范围内呈现更加灿 烂的局面 , 一方面 , 人们对已有经典的纹理特征提取 方法进行深入研究与扩展 ;另一方面 , 新的纹理特征 提取方法以及纹理特征提取方法的融合亦在蓬勃发 展 , 主要集中在纹理多尺度特征 、旋转不变特征的提 取以及纹理特征的选择与融合 , 如 GLCM与 MRF的 融合 , 小波方法与 MRF的融合等等 。 2.2 纹理的有关定义 纹理的定义一直为人们所关注 , 但是 , 图像纹理 定义问题至今没有得到圆满的解决 , 仍然不存在为 众人所公认的定义 , 这正是由于图像纹理形式上的 广泛性和多样性所造成的 , 从而也使得研究者针对 不同的应用提出了自己的概念与定义 。下面是几个 具有代表性的定义 : 定义 1[ 3, 18]  纹理是一种反映图像中同质现象 的视觉特征 , 体现了物体表面共有的内在属性 , 包含 了物体表面结构组织排列的重要信息以及它们与周 围环境的联系 。 定义 2[ 1]  如果图像内区域的局域统计特征或 其他一些图像的局域属性变化缓慢或呈近似周期性 变化 , 则可称为纹理 。 定义 3[ 19]  纹理 就是指在图像 中反复出现的 局部模式和它们的排列规则 。 定义 4[ 20]  纹理被定义为一个区域属性 , 区域 内的成分不能进行枚举 , 且成分之间的相互关系不 十分明确 。 定义 5[ 21]  纹理 是一种反映像 素的空间分布 属性的图像特征 , 通常表现为局部不规则而宏观有 规律的特性 。 定义 6[ 22]  纹理具有三大标志 :某种局部序列 性不断重复 、非随机排列和纹理区域内大致为均匀 的统一体 。 定义 1从物质的组成及人类对物体的视觉感知 的角度审视纹理 。 定义 2中 , 局部属性的集合可以 理解为一些基元类型和它们的空间关系 , 这个定义 的一个重要部分是属性必须在恒定的纹理区域内重 复出现 。 定义 3通过纹理基元的局部模式的数目和 类型以及它们的空间关系来描述纹理 。 其余定义都 强调了随机性 、重复性 、规律性等特征并存于纹理 。 总之 , 上述诸定义都是基于特定应用背景的 , 其中的 共识是 :①纹理不同于灰度和颜色等图像特征 , 它通 过像素及其周围空间邻域的灰度分布来表现 , 即局 部纹理信息 ;②局部纹理信息不同程度的重复性 , 即 全局纹理信息 。 对纹理的认识或定义决定了纹理特征提取采用 的方法 , 由于难以对纹理给出一个精确和统一的定 义 , 不能对纹理做出完整的表达 , 一方面使纹理分析 中的问题更为错综复杂 、更具有挑战性 ;另一方面 , 图像的研究者们不断引入各种模型从不同侧面来描 述纹理的多种属性 , 使得对纹理的研究缤纷多彩 。 3 纹理特征提取方法分类 许多学者对纹理特征提取方法展开研究并试图 对其进 行分 类 。 堪 称经 典的 分类方 法之 一的 是 : 1979年 , Haralick[ 18] 对纹理特征提取方法进行综述 , 将其分为两类 :统计方法和结构方法 。当时一些重 要方法如马尔可夫模型的方法初见端倪 , 小波方法 尚未出现 。 1991年 , Reed[ 23] 总结了自 1980年以来 的纹理特征提取方法 , 将其分为 3类 :基于特征的 , 基于模型的和基于结构的 。 1993年 , 此时各种理论 或方法在纹 理特征 提取 中的 应用已 经基 本成 形 , Tuceryan和 Jain[ 19] 将纹理特征提取方法归为 5 类 , 即统计方法 、几何方法 、结构方法 、模型方法和信号 处理方法 , 这种分类方法广为流传 。 其中几何方法 是利用统计几何特征描述纹理 , 此类方法的应用和 发展极其受限 , 且后继研究很少 。 本文按照纹理特 征提取方法所基于的基础理论和研究思路的不同 , 并借鉴非常流行的 Tuceryan和 Jain的分类方法 , 将 纹理特征提取方法分为四大家族 :统计家族 、模型家 族 、信号处理家族和结构家族 , 如图 2所示 。 统计家族的方法是基于像元及其邻域的灰度属 性 , 研究纹理区域中的统计特性 , 或像元及其邻域内 的灰度的一阶 、二 阶或高阶统计 特性 ;在模 型家族 中 , 假设纹理是以某种参数控制的分布模型方式形 成的 , 从纹理图像的实现来估计计算模型参数 , 以参 数为特征或采用某种分类策略进行图像分割 , 因此 第 4期 刘  丽等 :图像纹理特征提取方法综述 625 模型参数的估计是该家族方法的核心问题 ;信号处 理的方法是建立在时 、频分析与多尺度分析基础之 上 , 对纹理图像中某个区域内实行某种变换后 , 再提 取保持相对平稳的特征值 , 以此特征值作为特征表 示区域内的一致性以及区域间的相异性 ;结构家族 的方法基于 “纹理基元 ”分析纹理特征 , 着力找出纹 理基元 , 认为纹理由许多纹理基元构成 , 不同类型的 纹理基元 、不同的方向及数目等 , 决定了纹理的表现 形式 。信号处理家族的方法 从变换域提取 纹理特 征 , 其他 3个家族直接从图像域提取纹理特征 。 各 个家族的方法既有区别 , 又有联系 。 正如许多分类 方法一样 , 只能认为某一种方法更大程度地属于某 一家族 , 较小程度地属于其他家族 。 下面分别对各 大家族的方法予以阐述 。 图 2 纹理特征提取方法分类 Fig.2 Classificationoftexturalfeatureextractionmethods 3.1 统计家族 密度基础上的 。 GLCM是描述在 θ方向上 , 相隔 d 统计家族发展至今已经 40多年 , 其方法思想简 像元距离的一对像元分别具有灰度层 i和 j的出现 单 , 易于实现 。实践证明 , GLCM在该家族中一支独 概率 。显然 GLCM是一个对称矩阵 , 是距离和方向 秀 , 具有旺盛的生命力 ;其次是半方差图方法 。 以下 主要阐述前两种方法 。此 外 , 纹理 谱方法 [ 17, 24] , 比 如 LBP[ 17] , 因其计算复杂度小 , 并且具有旋转不变 性和多尺度特性 , 也备受关注 。但是像灰度行程长 度法 、灰度差分统计 、交叉对角矩阵 [ 25] 等方法由于 提取的纹理特征鉴别能力一般 , 有些甚至很差 , 加上 计算量大 , 故其应用极为有限 , 后续研究很少 。 3.1.1 GLCM 该方法是建立在估计图像的二阶组合条件概率 的函 数 , 其 阶 数 由图 像 中 的 灰 度 级 Ng决 定 , 由 GLCM能够导出 14种纹理 特征[ 3] 。 尽管由 GLCM 提取的纹理特征具有较好的鉴别能力 , 但是这个方 法在计算上是昂贵的 , 尤其是对于像素级的纹理分 类更是应用受限 。 首先计算 GLCM很耗时 , 再者需 要提取 14个纹理特征 , 其所需时间可想而知 。 因此 , 不断有研究者尝试对其改进 。 ①通过减 少图像的灰度级 , 可以减少计算量 , 但是这种做法会 62 6 中国图象图形学 报       第 14卷 损失一定的灰度的空间依赖信息 。 ②方向 θ和距离 d的选择 。大部分研究者在应用时 , d一般取 1, θ一 般选择为 0°、45°、90°、135°。 ③计算 GLCM的窗口 选择 。 如 Soh和 Tsatsoulis[ 26] 通过对不同尺度和方 向的 GLCM进行平均来降 低计算量 。 ④研究提取 的纹理特征之间的相关性 , 选择最有鉴别能力的纹 理特征 。 Ulaby等人研究发现 :在基于 GLCM的 14 个纹理特征中 , 仅有 4 个特征 (对比度 、逆差矩 , 相 关性 、能量 )是不相关的 , 这 4个特征既便于计算又 能给出较高的分类精度[ 27] ;文献 [ 28]详细研究了 6 个纹理特征 , 认为对比度和熵是最重要的两个特征 ; 文献 [ 29]通过分析 GLCM的计算问题 , 得到 3个不 相关且分辨力最好的特征为 :对比度 、熵和相关性 。 前三种改进方式可以减少计算量 , 但是并不能解决 GLCM方法存在的问题 。 Clausi对 GLCM方法有深 入的研究 , 从算法实现上对其做了较好的改进 [ 30] 。 此外 , 较引人注意的还有 Walker等人[ 31] 提出 自适应多尺度 的 GLCM方法 , 同时 , 还提出基于遗 传算法的 GLCM方法 , 其通过实验得出两种分类错 误率明显低于传统的 GLCM方法 , 并减轻了特征选 择 的 计 算 负 担 。 最 后 值 得 一 提 的 是 , 2005 年 , Kandaswamy[ 32] 分析了 GLCM的计算复杂度 , 受统计 占有模型的启发 , 提出一种提高纹理分析效率的方 法 , 通过相似度评估 , 采用近似纹理特征分析雷达图 像纹理特征 , 描述了如何提取近似纹理特征 , 其结论 为 :近似纹理特征可以提高图像纹理分析的效率 , 并 没有引起分类正确率的下降 。 3.1.2 半方差图 (semivariogram) 该方法是一种基于变差函数的方法 , 由于变差 函数反映图像数据的随机性和结构性 , 因而能很好 地表达纹理图像的特征 。 Miranda等人 [ 33] 对该方法 用于图像纹理分类做了较为深入的研究 , 他们认为 该方法较适用于分析雷 达图像纹理 。 吴刚等人 [ 34] 根据变差函数的这种性质将单步长变差函数值作为 图像纹理特征进行分割 , 其实验结果表明它对人造 纹理以及大多数自然纹理的分割效 果是十分有效 的 , 对结果做进一步的后处理工作以精确定位纹理 边缘有待进一步研究 。 3.2 模型家族 该家族的方法对纹理图像建模后 , 将纹理特征 提取归结为参数估计问题 , 如何采用各种优化参数 估计的方法进行参数估计是模型家族研究的主要内 容 。该家族的主要方法见图 2, 本文将主要介绍随 机场方法和分形方法 。 3.2.1  随机 场模 型 随机场模型方法试图以概率模型来描述纹理的 随机过程 , 它们对随机数据或随机特征进行统计运 算估计纹理模型的参数 , 然后对一系列的模型参数 进行聚类 , 形成和纹理类型数一致的数类模型参数 ; 由估计的模型参数对灰度图像可以进行逐点的最大 后验概率估计 , 确定像素及其邻域情况下该像素点 最可能归属的概率 。随机场模型实质上是描述图像 中像素对其邻域像素的统计依赖关系 , 其中最重要 的 、应用最广泛的是 MRF模型 。 (1)MRF模型 。 MRF建模纹理 的基本思 想是 通过任意像素关于其邻域像素的条件概率分布来描 述纹理的统计特性 。该模型的主要优点是提供了一 种一般而自然的用来表达空间上相关随机变量之间 的相互作用的模型 。用 MRF模型来描述纹理 , 首先 起源于纹理合成 领域 [ 35] , 也可用于 纹理分类 与分 割 。 由 Hammersley-Clifford理论 [ 36] , MRF和 Gibbs 随机场之间具有对等特性 , 因此便于描述图像的空 间约束关系 , 可以通过条件概率函数或者联合分布 。 对于 MRF来说 , 由于大多数应用场合需要 联合分 布, 而由条件分布推导联合分布通常比较困难, MRF-GRF对等理论为此找到出路 。 基于以上理由 , 加上有优化算法的支撑 , 如模拟 退火 、递归优化 、贪婪优化 、多尺度优化 、条件迭代模 式等等 , 使 MRF得以广泛应用 , 通过选取恰当的基 团势函数 , 可以给期望的空间特征结构指定一个较 高的概率 。与统计决策理论与估计理论结合 , MRF 为各种各样的纹理图像建模问题提供了一个基本的 理论框架 。 传统形式的 Gibbs模型多以空间灰度信息的线 性干涉关系为描述基础 , 由于实际图像中空间灰度 信息的非线性关系 , 这类模型在诸如多纹理分割这 样的应用中 , 有较大的局限性 。 Derin和 Elliot[ 37] 讨 论了纹理分割中的另一种 Gibbs模型 (MML), 他们 设定了 Gibbs模型的能量函数的参数形式 , 然后以 最小二乘法估计相应的参数 。这种方法同样难以应 用于多灰 度自然纹理图像 的非监督分割中 。 Chen 和 Kundu[ 38] 的工作涉及了纹理特 征分布概率的估 计问题 , 试图将 1维 HMRF引入图像分割 , 遗憾的 忽略了 Gibbs分布及其 2维形式 。 文献 [ 39] 摆脱了 传统 Gibbs模型中包含的线性干涉 、高斯 、参数对称 相等假设等的束缚 , 提出利用 Gabor滤波和矢量量 第 4期 刘  丽等 :图像纹理特征提取方法综述 627 化技术完成模型参数的估计 。 早期的 MRF将纹理图像中像素的空间交互建 模为基于平面网格上的 MRF, 通过迭代的算法将纹 理的局部信息逐步传递到整个图像 , 但算法的计算 量相当大 , 且还会随着图像尺寸的增大或噪声的增 多而 增 加 。 Cohen[ 40] 、Chellappa等 人[ 41-42] 对 MRF 做了很好 的研究 , 使 得基于 线性 空间 干涉模 型的 GMRF得到了成功应用 , GMRF受到后续研究者的 关注 , 他们认为在降低 MRF的计算量方面 , 有两种 思路 :①采用非最优的 、确定性的方法 , 收敛于局部 最优点 ;②采用多分辨技术 。多分辨方法的几种解 决方案是 :①分而治之 ;②长程作 用 ;③分层 MRF; ④引入小波的 MRF。 (2)自回归模型 。 自回归模型用于纹理分析最 先由 McCormick等人 [ 6] 提出 。 像素灰度级从它们的 邻域中的灰度级来估计 , 其中使用了线性估计参数 , 参数的估计采用最小均方误差准则或最大似然估计 方法 。 模型的参数在细微纹理中变化显著 , 但是对 于粗糙纹理则基本不变 。 对图像纹理模型的研究很多采用具有自回归形 式 , 由独立的噪声驱动的模型 , 即图像中的一个像素 值表示为其邻域像素值的线性组合再加上一个噪声 变量 , 不同像素的噪声变量是相互独立的 。 一般来 讲 , 自回归并不需要随机变量的状态是递归的定义 , 随机变量所有的状态由噪声场的值同时指定 , 这就 是 SAR模型 , SAR在纹理特征提取中应用最多 , 其 值得研究主要由于 :①SAR模型参数少 ;②对 SAR 模型的 研究 可以 延伸到 SMA(simultaneousmoving average)、SARMA(simultaneousautoregressivemoving average)模型 。 但也存在问题 :①是 一种旋转变化 模型 ;②由 于计算 量的原 因 , 不宜取 大的核 邻域 ; ③反映的纹理图像信息不全面 , 使用范围小 ;④邻域 中核元素的选择问题 。针对这些问题 , 毛建昌[ 43] 等 人引入高斯金字塔图像模型 , 提出多分辨率自回归 模型 ;Mao和 Jain[ 44] 用多分辨旋转不变 SAR模型提 取纹理特征 。 3.2.2 分形模型 1975年 , 美国数学家 Mandelbrot首次提出了分 形 。分数维作为分形的重要特征和度量 , 把图像的 空间信息和灰度信息简单而又有机地结合起来 , 因 而在图像处理中备受人们的关注 。分数维在图像处 理中的应用是以两点为基础的 :一是自然界中不同 种类的形态物质一般具有不同的分数维 ;二是由于 Pentland[ 11] 的假设 , 自然界中的分 形与图像的灰度 表示之间存在着一定的对应关系 。 研究表明 , 人类 视觉系统对于粗糙度和凹凸性的感受与分形维数有 着非常密切的联系 , 因此可以利用图像区域的分形 维数来描述图像区域的纹理特性 。分数维描述纹理 的核心问题是如何准确地估计分数维 , 目前人们已 经提出了一些分数维的估计方法 , 但在估计精度和 计算复杂度之间还没有一个很好的折中方法 , 这也 是人们在分数维方面所一直探讨的问题 。分数维最 常用 的 算 法 有 Keller[ 45] 的 盒 维 数 以 及 Sarkar和 Chaudhuri[ 12] 提出差分计盒法等 。 最重要的分形模型之一是由 Mandelbrot描述的 分数布朗运动模型 , 它把自然的粗糙表面看成随机 游走 (randomwalk)的最终结果 。 重要的是 , 纹理的 亮度表面也可以看作是随机游走的结果 , 因此分数 布朗运动模型可以用于描述纹理 。尽管自然纹理可 以在大范围的尺度内呈现出相似的粗糙度 , 但是在 实际中假设粗糙度在任何尺度上都是恒常的并不合 适 。 于是很多不同的扩展分数布朗 运动 (FBM)模 型的方法被 提出来 , 比较 常用 的是 从扩 展自相 似 (ESS)模型导出的 特征 ———扩展分 形特征 , 由 ESS 引入的多尺度 Hurst参数提供了表达不同尺度上纹 理粗糙度的一种特征[ 13] 。 多尺度 Hurst参数特征可 被用来发展比单个 Hurst参数更好的特征矢量来表 达自然纹理 , 因为不要求粗糙度的尺度不变性 , 所以 能够区分大多数自然纹理 , 对于纹理分类与分割是 非常吸引人的特 征 。 1999年 , Kaplan等人 [ 46] 提出 了有 效估 计广 义 Hurst参 数 的方 法 , 并 对 多尺 度 Hurst参数作为特征用于纹理分类与分割的有效性 进行评估 , 其结论是广义 Hurst参 数特征用于纹理 分类效果能够媲美 Gabor方法 , 明显优于传统 Hurst 参数 。此外 , 针对单一分数维的缺陷 , 研究者们根据 多重分形理论 , 引入多重分形理论中的广义维数谱 作为分类特征 , 它对于由不同分数维的子集构成的 纹理图像有很好的分类效果 。 3.3 信号处理家族 信号处理家族方法的共同之处在于用某种线性 变换 、滤波器或滤波器组将纹理转到变换域 , 然后应 用某种能量准则提取纹理特征 [ 47] 。 信号处理方法 也称滤波方法 。大多数信号处理方法的提出 , 基本 基于这样一个假设 :频域的能量分布能够鉴别纹理 。 基于该家族方法的常规的纹理分类流程如图 3。 首先对图像进行滤波 , 各滤波通道的输出即为 62 8 中国图象图形学 报       第 14卷 图 3 滤波方法纹理分类流程 Fig.3 Textureclassificationflowbyfilteringmethods 初始特征 , 初始特征的方差差异载有纹理信息的差 异 ;接下来的局部能量估计目的是估计局部区域中 滤波器输出的能量 。然而 , 精确的边缘保持和精确 的能量估计是矛盾的 。对边缘定位而言 , 需要高的 空间分辨率 , 而能量估计要求高的频率分辨率 , 两者 之间需要通过平滑滤波器进行折衷 。 局部能量估计 包括非线性处理和平滑处理 。 恰当的非线性操作可 以优化纹理鉴别的性能 , 非线性处理方法的选择不 是很明确 , 大多数情况下都是根据经验 。关于非线 性处理方法作用的详细分析参见文献 [ 48] 。 常用 的平滑滤波器是矩形的 [ 16, 49-52] 和高斯的 [ 53-58] , 经验 表明高斯滤波器是较好的选择 。 平滑滤波器的窗口 的选择也很值得考虑 , 通常根据图像的频谱自适应 的确定 。 3.3.1  数字 图像 变换 方法 图像通常被划分为不重叠的 n×n的方形子图 像 (子图像的大小通常为 3 ×3 的纹理单元 ), 将像 素排列成 n2 维的向量 , 则图像可 以表 示为 向量 的 集合 , 再对这些向量做变换 , 如图 4所示 。 离散 余 弦变换方法 [ 59] , 周烽 [ 60] 提出 的傅里 叶级数 方法 , Yu提出的局 部傅里叶 变换方 法以及张 志龙 [ 61] 提 出的基于局 部沃尔 什变 换的方 法 , 都 属于 这一 类 方法 。 其差别 主要体 现在 :①提 取纹 理单 元中 的 局部纹理信 息时采 用了 不同的 变换方 法 ;②根 据 局部纹理信息统计得到全 局纹理特征时采用了 不 同的方法 。 图 4 提取纹理特征的数字图像变换方法 Fig.4 Extracttexturefeaturebydigitalimagetransform 3.3.2 小波变换方法 纹理是一种视觉直接感受到的自然特征 。 人类 的知识 、生活经验使其在头脑中建立起为数巨大的 物体模型和常识供识别使用 , 但指望计算机能代替 人类完成各种复杂工作和识别任务 , 就必须赋予它 有近于人的视觉功能和识别能力 。随着对人类视觉 机理的研究 , 人们逐渐认识到统计方法和结构方法 均与人类视觉机理相脱节 , 难以进行更精确的纹理 描述 , 由于大量自然纹理图像可以看作准周期信号 , 加上基于多通道滤波方法与人类的视觉机理相近 , 激发研究者研究多分辨纹理分析方法 。 (1)Gabor滤波方法 。该 方法利用了 Gabor滤 波器的良好性质 , 即具有时域和频域的联合最佳分 辨率 , 并且较好地模拟了人类视觉系统的视觉感受 特性 , 在图像纹理特征提取中备受青睐 。 该方法以 “纹理是窄带信号 ”[ 53] 为基础的 , 其主要思想是 :不 同纹理一般具有不同的中心频率及带宽 , 根据这些 频率和带宽可以设计一组 Gabor滤波器对纹理图像 进行滤波 , 每个 Gabor滤波器只允许与其频率相对 应的纹理顺利通过 , 而使其他纹理的能量受到抑制 , 从各滤波器的输出结果中分析和提取纹理特征 , 用 于尔后的分类或分割任务 。 Gabor滤波器提取纹理 特征主要包括两个过程 :①设计滤波器 (例如函数 、 数目 、方向和间隔 );②从滤波器的输出结果中提取 有效纹理特征集 。 因此 , 首当其冲的就是 Gabor滤波器的设计 , 构 建一个成功的设计方案必须考虑 :单个滤波器参数 的设计和滤波器组的布局 。 参数设计经典的两种方 法分别是 :①有监督方法即事先通过分析纹理样本 的傅里叶谱来确定 滤波器参数的 , Dunn和 Higgins 做了令人瞩目的研究 , 其在文献 [ 62] 中给出了单个 Gabor滤波器的详细设计准则 ;②无监督方 法则首 先根据一些生理学假设确定一大组滤波器 , 然后再 通过分析滤波后的图像 , 筛选出合适的滤波器[ 63] 。 第 4期 刘  丽等 :图像纹理特征提取方法综述 629 滤波器组要覆盖整个空间 /频率域 , 尺度和位置参数 的选取应该使在频域中同一半径圆周上的各 Gabor 滤波器的频带不重叠 , 在同一径向上不同半径的圆 周上的 Gabor滤波器的频带也不重叠 。 接下来是如何从 Gabor滤波器的输出结果中提 取纹理特征 。实际纹理图像并非严格意义上周期信 号 , 因此 , 需要对 Gabor滤波后的图像进行非线性操 作和能量计算来得到特征图像 , 并用建立的特征矢 量做分类 。 可以直接利用 Gabor滤波结果作为纹理 特征 , 但是纹理特征向量的维数高数据量庞大 , 因此 研究者们集中在如何减少所用的滤波器的个数和对 Gabor滤波的结果进行后处理等方面 。 典型的后处 理方法有 [ 53, 55, 63-65] :基于 Gabor滤波器的输出的幅 度响应 、高斯平滑处理 、Gabor能量特征 、复矩特征 、 栅格元特征 、独立成分分析法等等 。 (2)小波方法 。由于图像纹理往往展现出多尺 度特征 , 小波变换为多尺度思想提供了一个清晰的 数学框架 。 多尺度方法应用于纹理分割的基本思想 就是要在低分辨率下获得稳定的纹理特征 , 快速可 靠地识别不同纹理区域 ;在高分辨率下精确定位 , 以 得到纹理边缘的真实位置 ;再由粗到细进行跟踪 , 获 得图像的实际纹理区域 。 利用小波变换提取图像的 多尺度纹理信息的思想步骤可简述如下 :首先借助 正交小波 , 对图像进行小波分解 , 得到不同分辨率的 一系列图像 。分辨率越低 , 具有的是原图像上越低 频的信息 。 与此同时 , 每种分辨率的图像由代表不 同方向信息的一系列高频子带图像组成 , 使用小波 高频子带特征的目的在于它们可以反映图像的纹理 特性 。 二进制小波是最容易实现也是目前最普遍的方 法 , 但是二进制小波变换不具备多频段特征 , 不适合 用于分析窄带高频信号 。 多进制小波的最大优点是 将一个信号的高频分量缩小到窄的带宽 , 并能分出 更多的频段 , 同时有比二进制小波变换更好的能量 紧凑性 。正因为纹理重要的信息也大都集中在中 、 高频子带 , 所以多进制小波变换多频段特征正好适 合于纹理分析 , 这也激发了研究者尝试采用多进制 小波变换进行纹理分类和分割的研究 。较有代表性 的有 :Chitre和 Dhawan[ 58] 用多进制小波进行纹理 分类 , Acharyya等人 [ 66] 也做出了一系列很有成效的 工作 , 李峰 [ 67] 给出了一种采用四进制小波变换计算 局部纹理特征测度的方法 , 得到了较好的分类效果 。 由于多进制小波的构造目前主要是通过共轭滤波器 的方法实现的 , 这种方法随着多进制小波阶数的增 加 , 计算复杂度将迅速增长 , 这对多进制小波的应用 是一个很重要的限制 。 传统的金字塔小波分解变换 , 仅对低频部分进 行分解 , 随着分解层数的增加而逐渐向低频方向聚 焦 , 仅利用了纹理图像低频子带的信息 , 已有的研究 结果告诉人们 , 纹理图像的中 、高频子带仍含有有关 纹理的重要特征信息 , 因此这种情况对于纹理分类 往往效果欠佳 。树结构的小波变换和小波包分析则 克服了这一缺点 , 它们可以同时对高频信息进行分 解 , 为纹理分 析提供了一种更 加精细的分析方 法 。 但是并非所有的子带图像信息都是有用的 , 对具体 纹理图像进行分解时 , 可选择一个判据以确定哪些 子带图像是需要进行分解的[ 15, 68-70] , 从而避免不必 要的使计算复杂化的图像全分解 。树结构小波又分 为完全树结构小波变换和不完全树结构小波变换两 种 。 前者虽然能较全面地反映纹理特征 , 但是随着 分解级数的增加 , 完全分解树的节点树呈指数增长 , 特征空间维数很大 , 对后续的 特征分类带来困 难 。 后者具有更大的选择灵活性 , 可以根据需要决定对 各节点小波分解与否 , 这样得到的特征维数大大减 少 。 小波包的分解方法不但可以对纹理图像信息集 中的高频区域进行分析 , 而且得到的分解子图也保 持了原始图像的大小 , 如 Unser[ 16] 的纹理分类方法 采用一种不对分解输出进 行子抽样的小波 分解方 法 ———离散小波框架 , 采用树结构和离散小波框架 则会使小波分解的计算量和所提取的特征矢量的维 数增加 , 可采用主成分分析等方法进行一定的优化 处理 。 尽管基于小波理论的纹理描述方法得到了很好 的研究 , 但是 滤波器组的选择 问题仍然有待解 决 。 小波基的构造会直接影响到图像纹理分析的效果 , 但有关这方面的研究 报道并不多见 , Unser指出滤 波 器 的 选 择可 能 会 影 响 图 像 纹 理 描 述 的 质 量 , Mojsilovic[ 71] 讨论了用于纹理描述 的最优小波基的 选择问题 , 建立了基于小波纹理描述算法的滤波器 选择的相关准则 ;Rajpoot[ 72] 讨论了纹理分析中自适 应小波基选择问题 , 采用通过动态规划方法从正交 小波基库中寻找鉴别能力最好的基 。 前面两节的方法可以严格认为是信号处理家族 的方法, 并且应用广泛, 研究也较为深入 。此外如 Laws纹理测量[ 49] 、正交镜像滤波器 [ 73] 等 , 其思想简 单易懂 , 但是后继研究较少 , 在各种参考文献和期刊 63 0 中国图象图形学 报       第 14卷 杂志中也很少找得到对此方面的研究著作 , 应用非 常有限 。 3.4 结构家族 结构分析方法认为纹理是由纹理基元的类型和 数目以及基元之间的 “重复性 ”的空间组织结构和 排列规则来描述 , 且纹理基元几乎具有规范的关系 , 假设纹理图像的基元可以分离出来 , 以基元特征和 排列规则进行纹理分割 。 显然确定与抽取基本的纹 理基元以及研究存在于纹理基元之间的 “重复性 ” 结构关系是结构方法要解决的问题 。 由于结构方法 强调纹理的规律性 , 较适用于分析人造纹理 , 而真实 世界的大量自然纹理通常是不规则的 , 且结构的变 化是频繁的 , 因此对该类方法的应用受到很大程度 的限制 , 相应的研究没有其他三个家族的方法那么 广泛和深入 。下面简单介绍几种具有代表性的结构 方法 。 (1)句法 (syntactic)纹理描述方法 。 基于纹理 基元的空间关系与形式语言结构之间的类比 , 来自 一个类别的纹理描述形成了一个可以由它的语法表 示的语言 , 语法可以从一个语言词汇的训练集中推 导 , 纹理识别过程则为纹理描述词汇的句法分析 , 对 描述词汇做句法分析的语法就确定了纹理类别 。纯 句法的纹理描述模型是基于纹理由在位置上具有几 乎是规范关系的基元所组成的想法 。 句法分析方法 主要有形状链语法和图 语法[ 74] 。 句法方法的价值 在于其在若干层次上描述纹理的能力 , 但是纯句法 方法应用起来很困难 , 通常与统计家族的方法结合 。 (2)数学形态学方法 。数学形态学方法在二值 图像中使用结构基元寻找形状的空间重复性 。 当二 值纹理图像由结构元素所腐蚀时 , 纹理属性就会表 现在腐蚀后的图像中 [ 75] 。 强调纹理基元的形状属 性 , 但是由于二值纹理图像的假设 , 使其应用受限 。 4 纹理特征提取方法比较 前文对目前已有的各类纹理特征提取方法已经 做了较为全面的阐述 。在此主要是对已有的纹理特 征提取方法的比较工作进行总结 , 由于纹理特征提 取方法种类很多 , 但是比较工作做得不够 , 尤其是在 国内 , 从目前搜集的资料来看 , 极为有限 。 由于结构 家族的发展和应用很受限制 , 本文主要关注前三大 家族 。 便于总结 , 称家族内部方法的比较为纵向比 较 , 称家族之间方法的比较为横向比较 。 4.1 纵向比较 (1)统计家族 。 1976年 , Weszka[ 5] 等人比较了 GLCM、灰度差分统计和灰度行程长度统计法 , 采用 Landsat图像进行地物分类 , 认为 GLCM性 能最优 ; 1980年 , Conners和 Harlow[ 76] 同样比较了这四种方 法 , 得出 的结 论与 Weszka一致 。 1998 年 , Carr和 Miranda[ 77] 比较了半方差图方法和 GLCM方法用于 遥感图像分类 , 得出 GLCM方法对于光学图像分类 效果较好 , 而 半方差图较适用 于雷达图像的结 论 。 可见 GLCM方法在统计家族中占主导地位 , 其次是 半方差图方法 。而灰度行程长度法是一种高阶统计 方法 , 这种方法还没有被证明是一种提取纹理特征 的有效方法 ;灰度 差分统 计提 取的 对比 度特征 与 GLCM是一样的 ;交叉对角矩阵将 GLCM方法和纹 理谱方法巧妙的结合起来 , 其实验结果表明 CDTM 方法的性能要好于 GLCM方法和纹理谱方法 , 但是 这种方法的最大缺点是计算量太大 。 (2)模型家族 。 勿庸置疑 , MRF在该家族中占 统治地位 。然而 , 从本人搜集的资料来看 , 该家族内 部的 比较工 作很 少 。 Bennett等人 [ 78] 在 分析比 较 MRF模型和 SAR模型的基础上 , 提出一种广义长相 关模型 (GLC), 描述了该模型与 SAR模型和 MRF 模型之间的关系 , 作者称 SAR模型和 MRF模型是 GLC模型的两种特殊形式 , 该模型可以对低频纹理 图像即具有长相关性质的纹理图像很好的建模 。 作 者将其成功用于纹理合成 , 但是对于纹理分类与分 割问题 , 该模型有待进一步验证 。 (3)信号处理家族 。 1999年 , Randen[ 47] 撰文详 细总结了提取纹理特征的滤波方法 , 其结论为 :“ No singleapproachdidperform bestorveryclosetothe bestforallimages, thusnosingleapproachmaybe selected as the clear ` winner' … ”。 2002 年 , Grigorescu[ 64] 等人对 3种基于 Gabor滤波器组的纹 理特征进行了比较 研究 , 分别 是 :Gabor能量特 征 , Gabor复数矩特征 , 栅格算子特征 , 针对各种自然纹 理图像 , 主要结论是 :栅格算子特征具有相对最好的 纹理鉴别性能 。利用 Gabor滤波器分析纹理也是一 个研究热点 , 尽管 Gabor能量谱能捕获纹理中大量 有用信息 , 但变换窗口的大小固定 , 很难获得纹理在 频率和方向上微小的变化信息 , 难以满足实际应用 的需求 。 另外 , 由于纹理特征提取时通常借助由多 个 Gabor滤波器组成的滤波器组 , 加上需要很多参 数的确定 , 并且 Gabor滤波在实现上还没有行之有 第 4期 刘  丽等 :图像纹理特征提取方法综述 631 效的快速算法, 所以它们都需要大量的计算。与 Gabor滤波器相比 , 小波变换继承和发展了 Gabor变 换 , 不仅时频窗口可以移动 , 而且窗口形状也随窗口 中心频率的变化而自动调整 。 主要表现为在高频处 时间分辨率高 , 在低频处频率分辨率 高 , 有 “聚焦 ” 特性 , 所以又叫 “数字显微镜 ”, 并且存在快速算法 。 4.2 横向比较 纹理特征提取一般都是通过设定一定大小的窗 口取得纹理特征 , 窗口的选择 , 存在着相互矛盾的要 求 :一方面 , 纹理是一个区域概念 , 它必须通过空间 上的一致性来体现 , 观察窗口取的越大 , 能检测出同 一性的能力愈强 , 反之 , 能力愈弱 ;另一方面 , 由于不 同纹理的边界对应于区域纹理同一性的跃变 , 因此 , 为了准确地定位边界 , 要求将观察窗口取得小一些 。 窗口太小会在同一种纹理内部出现误分割 , 而分析 窗太大则会在纹理边界区域出现许多误分割 。 这也 是各大家族共同的难点 。 下面从 4 个角度 :①计算 复杂度 , ②是否与人类视觉感受相一致 , ③是否利用 了全局信息 , ④是否具有多分辨特性 , 本文试图给出 各大家族的一些优势与不足 。 (1)统计家族的优势与不足 优势 :方法简单 , 易于实现 , 尤其是 GLCM方法 是公认的有效方法 , 具有较强的适应能力和鲁棒性 。 Ohanian等人[ 79] 对四种纹理特征提取方法的分类性 能进行评估 , 分别是 MRF、Gabor滤波 、分形特征和 GLCM, 结果是 GLCM表现最好 , 当图像较小时无疑 先尝试 GLCM方法 , 当 纹理呈现某种 自相似性时 , 建议采用分形方法 。 Clausi[ 80-81] 比较了 GLCM、MRF 和 Gabor方法在分类 SAR海冰图像时的性能 , 发现 GLCM分类正确率最高 , 其次是 Gabor方法 , GLCM 对纹理边界要较 MRF敏感 。 不足 :①与人类视觉模型脱节 , 缺少全局信息的 利用 , 难以研究纹理尺度间像素的遗传或依赖关系 ; ②缺乏理论支撑 ;③计算复杂度很高 , 制约了其实际 应用 。 (2)模型家族的优势与不足 优势 :模型家族的方法能够兼顾纹理局部的随 机性和整体上的规律性 , 并且具有很大的灵活性 ;采 用随机场模型法对遥感影像纹理特征进行描述并在 此基础上进行分割 , 在很大程度上符合或反映了地 学规律 ;MRF的主要优点是提供了一种一般而自然 的用来表达空间上相关随机变量之间的相互作用的 模型 。 它注意到纹理的多分辨率特性 , 结合图像的 分层理论 , 发展了分层 MRF方法 、多分辨率 MRF方 法等 , 不但可以提高处理效率 , 而且研究纹理尺度间 像素的遗传或依赖关系以取得纹理特征 。 不足 :①由于主要是通过模型系数来标识纹理 特征 , 模型系数的求解有难度 ;②由于基于 MRF模 型的纹理图像分割是一个迭代的优化过程 , 它由局 部到 全 局的 收 敛 速 度 很 慢 (即 使 条 件 迭 代 模 式 (ICM)能加速寻找解 ), 因而需要很大的计算量 , 通 常需要迭代数百次才能收敛 ;③参数调节不方便 , 模 型不宜复杂 。 (3)信号处理家族的优势与不足 优势 :对纹理进行多分辨表示 , 能在更精细的尺 度上分析纹理 ;小波符合人类视觉特征 , 由此提取的 特征也是有利于纹理图像分割的 ;能够空间 /频域结 合分析纹理特征 。 不足 :正交小波变换的多分辨分解只是将低频 部分进行进一步的分解 , 而对高频部分不予考虑 , 而 真实图像的纹理信息往往也存在于高频部分 , 小波 包分析虽然克服了这一缺点 , 但对非规则纹理又似 乎无能为力 , 小波多应用于标准或规则纹理图像 , 而 对于背景更复杂的自然图像 , 由于存在噪声干扰 , 或 者某一纹理区域内的像素并非处处相似 , 因此往往 效果不佳 。另外 , 也存在计算量大的问题 。 综上所述 , 在提取纹理特征的有效性方面 , 统计 家族 、模型家族和信号处理家族可以说相差无几 , 都 获得了人们的认可 , 未来哪一个家族占上风 , 目前尚 难预料 。 此时研究者们 [ 82-85] 开始注意到纹 理特征 提取方法的融合 。 由于 Gabor滤波器能精确捕获低 频和中频纹理信息 , 加上 GLCM对高频纹理信息的 获取能力 , 2005年 , Clausi等人 [ 86] 设计了一种融合 Gabor滤波器和 GLCM的纹理特 征提取方法 , 以改 进纹理识别 。 该融合方法产 生较高的特征 空间分 离 , 并且分类正确率较单独的特征集有了提高 。 文 献 [ 87]融合了多尺度 GLCM方法和半方差图方法 , 用于雷达图像纹理分类 。 GLCM是像素距离和角度 的函数 , 因此完 整的 GLCM的计 算 , 其参数 的选取 范围 很广 , 计算 量很大 , 为 了解决 这个问 题 , 文献 [ 29]应用马尔可夫链的性质 , 从理论上证明了当像 素距离足够大的时候 , GLCM的计算结果趋于一致 性 , 由此纹 理计算 中参数 的简 化选 择有 了一定 的 依据 。 为了能够准确地描述小波系数间的相关性 , 要 解决的问题是分析并建立适当的数学模型 。 研究者 63 2 中国图象图形学 报       第 14卷 们把 小波和 马尔可 夫模 型结 合在 一起。 Krishnamachar等人 [ 42] 在 高 斯 金字 塔 结 构 上 引入 MRF模型 , 并利用最大后验概率进行纹理分割 。实 验表明 , 这种算法确实优于直接建立在原始图像本 身上的 MRF模型的分 割算法 。 Noda等 人[ 88] 认为 小波系数在尺度间 、尺度内均有相关性 , 建立了保留 所有频带的多元 GMRF模型 , 并用 EM算法进行参 数求解 、分割图像 。 尽管该算法的分割结果优于高 斯金字塔马尔可夫随机场的结果 , 但它没有充分考 虑纹理在小波不同频带中的性质 , 而且参数求解过 程过于复杂 , 算法很难实现 。 5 结  语 纹理分析作为图像处理领域经久不衰的热点研 究领域 , 学术界在该领域已取得一定的成功 , 纹理特 征提取方法也各种各样 , 但若要有效地指导实际应 用 , 纹理特征提取的研 究还有若干问 题有待解决 。 虽然纹理研究目前存在很多困难 , 并且在实际中的 应用也不尽如人意 , 但是这丝毫也不能掩盖纹理研 究的重要意义 。 总结对纹理特征提取方法的研究 , 本文认为存在如下一些亟待解决的问题 : (1)有关纹理定义 缺乏统一的图像纹理的概念 , 导致纹理的研究 范畴广泛而模糊 。 (2)纹理特征提取方法存在的问题 大多数纹理特征提取方法属于启发式的方法 , 目前主要是以方法本身和实验性研究为主 。大多数 方法都是在视觉可区分的纹理上进行实验和验证 , 并且针对纹理边缘相对简单的图像 , 而对于含有多 种纹理类型的复杂的边界问题的研究较少 , 此外对 视觉上是不可区分的纹理的研究和实验也不多见 。 纹理分析是一个非常耗时的过程 , 对于算法本 身的优化问题也研究不够 。少数方法能同时从局部 和全局分析纹理特征 ;对纹理特征融合方法的研究 文献很少 , 而恰当地对不同纹理特征提取方法进行 融合无疑可以得到描述纹理更完善的特征集 ;对现 有的纹理特征提取方法的比较工作做得不够 , 已有 文献的比较工作往往针对纹理分类问题本身 , 采用 特定尺寸的单一纹理样本进行训练和算法测试 , 说 服力不强 。 许多算法应用于测试图像还可以取得较好的效 果 , 但是应用到实际的 、大尺寸的图像 , 却还存在一 定问题 。 (3)纹理特征提取方法性能的评估问题 缺乏对纹理特征提取方法性 能评估标准的研 究 , 导致各种方法之间的比较工作很难进行 , 鲜有说 服力 。现有的比较主要从提取纹理特征过程的计算 复杂度 、提取的纹理特征的特征分离度 、在纹理分类 与分割中的分类正确率几方面进行 。 (4)纹理特征提取方法的实际应用问题 人们已经广泛地意识到 , 纹理领域的大量研究 , 增加了人们对纹理的理解 , 但是也不得不承认 :尽管 这项研究已经取得很大进展 , 但是很难在实际中发 挥作用 。 针对上述问题 , 图像纹理特征提取存在以下几 个主要发展趋势 : (1)继续引 入新的理 论或者 数学工 具分 析纹 理 , 正如分形理论 、小波理论等的引入 , 但是要注意 到 Randen[ 47] 所 建议 的 “ A veryusefuldirectionfor futureresearchisthereforethedevelopmentofpowerful texturemeasuresthatcanbeextractedandclassified withalow-computationalcomplexity” 。 (2)纹理常常被划分为两种极端的情形 :规则 纹理和随机纹理 , 但大多数自然纹理则是这两种情 形的复杂组合 , 单纯用某种单一的数学模型来表征 纹理可能非常困难 , 因此 , 研究和应用各种特征提取 方法的融合方法应是纹理分析研究的一个方向 ;在 提取纹理特征以及设计图 像纹理分类与分 割算法 时 , 一定要考虑到计算速度和所需的存储量 , 如何得 到实时 、可靠 、稳定 、实用的融合纹理特征是目前研 究的热点 。在纹理分类方面 , 特征选择是一个关键 环节 , 基于小波变换的特征和基于分形模型的特征 都有很好的分类表现 , 两者有共同之处 , 都是多尺度 的分析方法 , 由于分形与小波本质上研究的均是非 线性问题 , 内容涉及对象的细节 , 从某方面而言 , 与 对象自相似性有关 , 因此分形与小波的融合 , 在纹理 分析中是今后的重要发展方向 。 由于多尺度分析方 法发展的目的和动力是要致力于发展纹理描述的最 优表 示方 法 , MRF与 小 波的 融 合 仍 将 继 续 受 到 关注 。 (3)如何利用 纹理知识 。 纹 理无处不在 , 几乎 人人都可以为纹理研究人员提供研究材料 。 从纹理 感知的角度出发 , 未来可以通过对大规模的纹理图 像集合或纹理图像库 进行研究 , 提取出视觉元 素 。 对这些元素进行语义描述 , 并建立一个关于纹理知 第 4期 刘  丽等 :图像纹理特征提取方法综述 633 识的数据库 , 对这些知识进行描述 、分类 、管理和共 享 。不难预见 , 纹理知识与纹理特征提取方法的综 合应用 , 是解决实际问题所必须的 。 (4)纹理视觉感知的研究 。 单一的纹理特征提 取方法很难达到满意的效果 , 如果模拟人类的这些 视觉特性提取纹理特征 , 并在此基础上进行纹理分 割是比较有效的 。因此对生理学和心理学结合是很 有帮助的 。 可以预见 , 加入人类视觉和融合不同纹 理特征提取方法的研究成果将有助于找到抽取和描 述纹理特征的最终解决方案 。 参考文献 (References) 1  SklanskyJ. Imagesegmentationandfeatureextraction[ J] . IEEE Transactionson Systems, Man, and Cybernetics, 1978, 8(5):237-247. 2 DarlingEM, JosephRD.Patternrecognitionfromsatellitealtitudes [ J] . IEEE Transactions System, Science, Cybernetics, 1968, 4(1):38-47. 3 HaralickRM, ShanmugamK, DinsteinI.Texturalfeaturesforimage classification[ J] . IEEE Transactions on Systems, Man, and Cybernetics, 1973, 3(6):610-621. 4  GallowayM.Textureanalysisusinggraylevelrun lengths[ J] . ComputerGraphicsImageProcessing, 1975, 4:172-199. 5 WeszkaJS, DyerCR, RosenfeldA.Acomparativestudyoftexture measures forterrain classification[ J] . IEEE Transactions on Systems, Man, andCybernetics, 1976, 6(4):269-285. 6 McCormickBH, JayaramamurthySN.Timeseriesmodelfortexture synthesis[ J] .InternationalJournalofComputerInformationScience, 1974, 3(4):329-343. 7  ChellappaR, ChatterjeeS.Classificationoftextureusinggaussian Markovrandomfields[ J] .IEEETransactionsonAcoustics, Speech, andSignalProcessing, 1985, 33(4):959-963. 8 ChenCC, HuangCL.Markovrandomfieldsfortextureclassification [ J] .PatternRecognitionLetters, 1993, 14(11):907-914. 9 HassnerM, SklanskyJ.Theuseofmarkovrandomfieldsasmodelsof texture[ J] . ComputerGraphics and Image Processing, 1980, 12(3):357-370. 10 KanekoH, YodogawaE.A markovrandom fieldapplicationto textureclassification[ A] .In:ProceedingsofIEEE International ConferenceonPatternRecognitionandImageProcessingonPRIP [ C] , 1982:221-225. 11 PentlandAP.Fractalbaseddescriptionofnaturalscenes[ J] .IEEE TransactionsonPatternAnalysisandMachineIntelligence, 1984, 6(6):661-674. 12 SarkarN, ChaudhuriB B. Anefficientdifferentialbox-counting approach to compute fractal dimension ofimage[ J] . IEEE TransactionsonSystems, Man, andCybernetics, 1994, 24 (1): 115-120. 13 KapanLM, KuoC-C.Extendingself-similarityforfractional brownianmotion[ J] . IEEE Transactionson SignalProcessing, 1994, 42(12):3526-3530. 14 MallatSG.A theoryformultiresolutionsignaldecomposition:the waveletrepresentation[ J] .IEEE TransactionsonPatternAnalysis andMachineIntelligence, 1989, 11(7):674-693. 15 ChangT, KuoC-C.Textureanalysisandclassificationwithtreestructured wavelettransform [ J] . IEEE Transactions on Image Processing, 1993, 2(4):429-441. 16 UnserM.Textureclassificationandsegmentationusingwaveletframes [ J] . IEEE Transactionson ImageProcessing, 1995, 4 (11 ): 1549-1560. 17 OjalaT, PietikäinenM, Mäenpää T.Multiresolutiongray-scaleand rotationinvarianttextureclassificationwithlocalbinarypatterns[ J] . IEEE TransactionsonPatternAnalysisandMachineIntelligence, 2002, 24(7):971-987. 18 HaralickR M.Statisticalandstructuralapproachestotexture[ J] . ProceedingsoftheIEEE, 1979, 67(5):786-804. 19  Tuceryan M, Jain A K. TextureAnalysis, Handbook Pattern RecognitionandComputerVision[ M] .Singapore:WorldScientific, 1993, 235-276. 20 RichardsW, PolitA.TextureMatching[ J] .Kybernetic, 1974, 16(3):155-162. 21 WangRun-sheng.ImageUnderstanding[ M] .Changsha:National UniversityofDefenseTechnologyPress, 1994:145-146.[ 王润生 . 图像理 解 [ M] .长 沙 :国 防 科 学 技 术 大 学 出 版 社 , 1994: 145-146.] 22 HawkinsJK.Texturalpropertiesforpatternrecognition[ A] .In: LipkinB, RosenfeldA.PictureProcessingandPsychopictorics[ C] , NewYork, USA:AcademicPress, 1970:347-370. 23 ReedTR, duBufJM H.Areviewofrecenttexturesegmentation andfeatureextractiontechniques[ J] .CVGIP:ImageUnderstanding, 1993, 57(3):359-372. 24 WangL, HeDC.Textureclassificationusingtexturespectrum[ J] . PatternRecognition, 1990, 23(8):905-910. 25 Al-JanobiAbdulrahman.Performanceevaluationofcross-diagonal texturematrixmethodoftextureanalysis[ J] .PatternRecognition, 2001, 34(1):171-180. 26 SohKS, TsatsoulisC.TextureanalysisofSARseaiceimageryusing graylevelco-ocuurrence matrices[ J] . IEEE Transactions on GeoscienceandRemoteSensing, 1999, 37(2):780-795. 27 UlabyFT, KouyateF, BriscoB, etal.TexturalinformationinSAR Images[ J] .IEEETransactionsonGeoscienceandRemoteSensing, 1986, 24(2):235-245. 28 BaraldiA, ParmiggianiF. An investigation ofthetextual characteristicsassociatedwithgraylevelcoocurrencematrixstatistical parameters[ J] . IEEE Transactionson Geoscience and Remote Sensing, 1995, 33(2):293-304. 29 BoHua, MaFu-long, Jiaoli-cheng.Researchoncomputationof GLCM ofimagetexture[ J] .ActaElectronicaSinica, 2006, 34(1): 155-158.[ 薄华 , 马缚龙 , 焦李成 .图像纹理的灰度共生矩阵计算 问题的分析 [ J] .电子学报 , 2006, 34(1):155-158.] 63 4 中国图象图形学 报       第 14卷 30 ClausiDA, JerniganME.Afastmethodtodetermineco-occurrence texturefeatures[ J] .IEEETransactionsonGeoscienceandRemote Sensing, 1998, 36(1):298-300. 31 WalkerRF, JackwayPT, LongstaffID.Recentdevelopmentsin theuseofco-occurrencematrixfortexturerecognition[ A] .In: ProceedingsofIEEE ConferenceonDigitalSignalProcessing[ C] , Santorini, Greece, 1997, 1:63-65. 32 KandaswamyU, AdjerohDA, LeeMC.Efficienttextureanalysisof SARimagery[ J] .IEEE TransactionsonGeoscienceand Remote Sensing, 2005, 43(9):2075-2083. 33 MirandaF P, MacDonald JA, CarrJR. Application ofthe semivariogram texturalclassifier(STC)forvegetationdiscrimination UsingSIR-B dataofborneo[ J] .InternationalJournalofRemote Sensing, 1992, 13(12):2349-2354. 34 WuGang, YangJing-an, WangHong-yan, Analgorithm for segmentationoftextureimagebasedonimagevariogramfunction[ J] . ActaElectronicaSinica, 2001, 29(1):44-47.[ 吴刚 , 杨敬安 , 王 洪燕 .一种基于变差函 数的纹理 图像分割 方法 [ J] .电子 学报 , 2001, 29(1):44-47.] 35 CrossGR, JainAK.Markovrandomfieldtexturemodels[ J] .IEEE TransactionsonPatternAnalysisandMachineIntelligence, 1983, 5(1):25-39. 36 GermanS, GermanD.Stochasticrelaxation, gibbsdistributionand bayesianrestorationofimages[ J] .IEEE TransactionsonPattern AnalysisandMachineIntelligence, 1984, 6(6):721-741. 37 DerinH.ElliottH.Modelingandsegmentationofnoisyandtextured imagesusingGibbsRandom Fields[ J] . IEEE Transactionson PatternAnalysisandMachineIntelligence, 1987, 9(1):39-55. 38 ChenJL, KunduA.Automaticunsupervisedtexturesegmentation using hidden markov model[ A] .In: Proceedings of IEEE International Conference on Acoustics, Speech, and Signal Processing[ C] , Mineapolis, USA, 1993, 5:21-24. 39 MaXiao-chuan, HouZhao-huan, ZhaoRong-chun.Newfsrf-Gibbs modelfortextureimage[ J] .ChineseJournalofComputers, 1998, 21(1):303-307.[ 马晓川 , 侯朝焕 , 赵荣椿 .一种新的纹 理图像 的 Gibbs模型 [ J] .计算机学报 , 1998, 21(1):303-307.] 40 CohenFS, FanZ, PatelM A.Classifcationofrotatedandscaled texturedimagesusinggaussianmarkovrandom fieldmodels[ J] . IEEE Transactionson Pattern AnalysisandMachineIntelligence, 1991, 13(2):192-202. 41 ChellappaR, ChatterjeeS.ClassificationoftextureusingGaussian Markov Random Fields[ J] . IEEE Transactionson Acoustics, Speech, andSignalProcessing, 1985, 33(4):959-963. 42 KrishnamachariS, ChellappaR.MultiresolutionGauss-markov random fieldmodelsfortexturesegmentation[ J] .IEEETransactions onImageProcessing, 1997, 6(2):251-267. 43 MaoJian-chang, WangCheng-dao, WanJia-ruo.Amultiresolution simultaneousautoregressivemodel[ J] .ActaElectronicaSinica, 1988, 16(6):63-68.[ 毛建昌 , 王成道 , 万嘉若 .多分辨 率自回 归纹理模型 [ J] .电子学报 , 1988, 16(6):63-68.] 44 MaoJ, JainA K.Textureclassification andsegmentationusing Multiresolution SimultaneousAutoregressive Models[ J] . Pattern Recognition, 1992, 25(2):173-188. 45 ChenSS, KellerJM, CrownoverRM.Onthecalculationoffractal featuresfrom images[ J] .IEEETransactionsonPatternRecognition andMachineIntelligence, 1993, 15(10):1087-1090. 46 KaplanLM.Extendfractalanalysisfortextureclassificationand segmentation[ J] .IEEE TransactionsonImageProcessing, 1999, 8(11):1572-1585. 47 RandenT, HusoyJH. Filteringfortextureclassification: A comparativestudy[ J] .IEEE TransactionsonPatternAnalysisand MachineIntelligence, 1999, 21(4):291-310. 48 UnserM, EdenM. Nonlinearoperatorsforimprovingtexture segmentationbasedonfeaturesextracted byspatialfiltering[ J] . IEEE Transactionson Systems, Man, and Cybernetics, 1990, 20(4):804-815. 49 LawsK I.Rapidtextureidentification[ A] .In:Proceedingsofthe SPIEConferenceonImageProcessingforMissileGuidance[ C] , Bellingham, USA, 1980:376-380. 50 StrandJ, TaxtT.Localfrequencyfeaturesfortextureclassification [ J] .PatternRecognition, 1994, 27(10):1397-1406. 51 CogginsJM, Jain A K.A spatialfilteringapproachtotexture analysis[ J] .PatternRecognition, 1985, 3(3):195-203. 52 AdeF.Characterizationoftexturebyeigenfilter[ J] . Signal Processing, 1983, 5(5):451-457. 53 BovikA C, ClarkM, GeislerW S.Multichanneltextureanalysis usinglocalizedspatialfilters[ J] . IEEE TransactionsonPattern AnalysisandMachineIntelligence, 1990, 12(1):55-73. 54 Randen T, HusoyJH. Texture segmentation usingfilterswith optimizedenergy separation [ J] . IEEE Transactionson Image Processing, 1999, 8(4):571-582. 55 ChenYang, WangRun-sheng.Amethodfortextureclassificationby integratingGaborfiltersandICA[ J] . ActaElectronicaSinica, 2007, 35(2):299-303.[ 陈洋 , 王 润生 .结 合 Gabor滤 波器和 ICA技术的纹理 分类 方法 [ J] .电子 学报 , 2007, 35(2):299303.] 56 WuGao-hong, ZhangYu-jin, LinXing-gang.OptimalGaborfilter design forbi-textured imagesegmentation[ J] . Acta Electronica Sinica, 2001, 29(1):48-50.[ 吴高洪 , 章毓晋 , 林行刚 .分割双 纹理图像的 最佳 Gabor滤波 器设计 方法 [ J] .电子学 报 , 2001, 29(1):48-50.] 57 ClausiDA, JerniganME.DesigningGaborfiltersforoptimaltexture separability[ J] .PatternRecognition, 2000, 33(11):1835-1849. 58 ChitreY, DhawanA P.M-bandwaveletdiscriminationofnatural textures[ J] .PatternRecognition, 1999, 32(5):773-789. 59 NgI, TanT, KittlerJ.Onlocallineartransform andGaborfilter representationoftexture[ A] .In:Proceeding ofthe 11th IAPR Conferenceon Image, Speech and SignalAnalysis[ C] , Hague, Netherlands, 1992:627-631. 60 ZhouF, FengJ, ShiQ.Imagesegmentationbasedonlocalfourier transform[ A] .In:ProceedingsofInternationalConferenceonImage Processing[ C] , Wuhan, China, 2001:610-613. 第 4期 刘  丽等 :图像纹理特征提取方法综述 635 61 ZhangZhi-long, LuXin-ping, ShenZhen-kang, etal.Ontexture featureextraction based on localWalsh transform [ J] . Signal Processing, 2005, 21(6):589-596.[张志龙 , 鲁新平 , 沈振康等 . 基于局部沃尔什变换的纹理 特征提取 方法研 究 [ J] .信号 处理 , 2005, 21(6):589-596.] 62 DunnD, HigginsW E, WakeleyJ.Texturesegmentationusing2-D Gaborelementary functions[ J] . IEEE Transactionson Pattern AnalysisandMachineIntelligence, 1994, 16(2):130-149. 63 JainA K, FarrokhniaF.Unsupervisedtexturesegmentationusing Gaborfilters[ J] .PatternRecognition, 1991, 24(12):1137-1186. 64 Grigorescu SE, PetkovN, KruizingaP.Comparison oftexture featuresbasedon Gaborfilters[ J] .IEEE TransactionsonImage Processing, 2002, 11(10):1160-1167. 65 KruizingaP, PetkovN.Gratingcelloperatorfeaturesfororiented texturesegmentation[ A] .In:Proceedingsofthe14thInternational ConferenceonPatternRecognition[ C] , Brisbane, Australia, 1998, 2:16-20. 66 AcharyyaM, KunduM K.Anadaptiveapproachtounsupervised texturesegmentationusingM-bandwavelettransform[ J] .Elsevier, SignalProcessing, 2001, 81(7):1337-1356. 67 LiFeng.WaveletTheoryandItsApplicationinTextureAnalysis [ D] .Guangzhou:ZhongshanUniversity, 2003.[ 李峰 .小波 理论 及其在纹理分析中的应用 [ D] .中山大学 , 2003.] 68 PichlerO, TeunerA, HostickaBJ.Acomparisonoftexturefeature extraction using adaptive Gabor filtering, pyramidaland tree structured wavelettransforms[ J] . Pattern Recognition, 1996, 29(5):733-742. 69 LaineA, FanJ.Textureclassificationbywaveletpacketsignatures [ J] . IEEE Transactions on Pattern Analysis and Machine Intelligence, 1993, 15(11):1186-1191. 70 HatipogluS, MitraSK, KingsburyN.Textureclassificationusing dual-treecomplexwavelettransform[ A] .In:Proceedingsofthe7th InternationalConferenceon ImageProcessinganditsapplications [ C] , Manchester, UK, 1999, 1:344-347. 71 MojsilovicA, PopovicM V, RackovDM.Ontheselectionofan optimalwavelet basis for texture characterization[ J] . IEEE TransactionsonImageProcessing, 2000, 19(12):2043-2050. 72 RajpootN.Localdiscriminantwaveletpacketbasisfortexture classification[ A] .In:ProceedingsoftheSPIEWaveletsX[ C] , San Diego, California, USA, 2003, 5207:774-783. 73 RandenT, HusoyJH.Multichannelfilteringforimagetexture segmentation[ J] .OptimalEngineering, 1994, 33:2617-2625. 74 PavlidisT.StructuralDescriptionsandGraphGrammars[ M] . Berlin, Germany:SpringerPress, 1980:86-103. 75 SoilleP.MorphologicalImageAnalysis:PrinciplesandApplications [ M] .Berlin, Germany:SpringerPress, 2003:289-317. 76 ConnersR W, Harlow C A.A theoreticalcomparison oftexture algorithms[ J] .IEEETransactionsonPatternAnalysisandMachine Intelligence, 1980, 2(3):204-222. 77 CarrJR, MirandaFP.Thesemivariogram incomparisontothecooccurrencematrix forclassification ofimagetexture[ J] . IEEE TransactionsonGeoscienceandRemoteSensing, 1998, 36(6 ): 1945-1952. 78 BennettJ, Khotanzad A. Modelingtextured imagesusing GeneralizedLong Correlation Models[ J] .IEEE Transactionson Pattern Analysis and Machine Intelligence, 1998, 20 (12 ): 1365-1375. 79 OhanianPP, DubesRC.Performanceevaluationforfourclassesof texturalfeatures[ J] .PatternRecognition, 1992, 25(8):819-833. 80 ClausiD A, YueB.Comparingco-occurrenceprobabilitiesand markovrandomfieldsfortextureanalysisofSARseaiceimagery[ J] . IEEE Transactionson Geoscience and Remote Sensing, 2004, 42(1):215-228. 81 ClausiD A.Comparisonandfusionofco-occurrence, Gaborand MRF texture forclassification of SAR sea ice imagery[ J] . AtmosphereOceans, 2001, 39(4):183-194. 82 SolbergA H S, JainA K.Texturefusionandfeatureselection appliedtoSARimagery[ J] .IEEETransactionsonGeoscienceand RemoteSensing, 1997, 35(2):475-479. 83 BasharKM, OhnishiN.Fusingcortextransformandintensitybased featuresforimagetextureclassification[ A] .In:Proceedingsofthe5th InternationalConference on Information Fusion[ C] , Annapoils, USA, 2002, 2:1463-1469. 84 TrianniG, TosiM, AcquaFD, etal.Fusionoftexturemeasuresfor urban area characterization[ A] .In:Proceedings of the 7th InternationalConferenceonInformation Fusion[ C] , Stockholm, Sweden, 2004, 991-998. 85 AnneH, SchistadS, AnilKJ.Texturefusionandfeatureselection appliedtoSARimagery[ J] .IEEETransactionsonGeoscienceand RemoteSensing, 1997, 35(2):475-479. 86 ClausiD A, DengH.Design-basedtexturefeaturefusionusing garborfiltersandco-occurrenceprobabilities[ J] .IEEETransactions onImageProcessing, 2005, 14(7):925-936. 87 AcquaFD, GambaP, TrianniG.Semi-automaticchoiceofscaledependentfeaturesforsatelliteSARimageclassification[ J] .Pattern RecognitionLetters, 2006, 27(4):244-251. 88 NodaH, ShiraziM, KawaduchiE.MRF-basedtexturesegmentation usingwaveletdecomposedimages[ J] .PatternRecognition, 2002, 35(4):771-782.

Top_arrow
回到顶部
EEWORLD下载中心所有资源均来自网友分享,如有侵权,请发送举报邮件到客服邮箱bbs_service@eeworld.com.cn 或通过站内短信息或QQ:273568022联系管理员 高进,我们会尽快处理。