專利名稱：基于模式圖的紋理特征表示方法
技術(shù)領(lǐng)域：
本發(fā)明涉及模式識別，特別涉及基于模式圖的紋理特征表示方法。
背景技術(shù)：
紋理是由某種基元在較大范圍內(nèi)大致作均勻重復(fù)排列而構(gòu)成。如草地之類的圖像，表現(xiàn)的是自然紋理。而編織物等圖像，表現(xiàn)的是人工紋理。紋理信息是一個重要的圖像特征，廣泛應(yīng)用于模式分類和識別。
比較成熟的紋理表示框架之一是多通道濾波技術(shù)。它的基本思想是用一組濾波器對圖像進行線性分解，目的是抽取一些代表圖像視覺特征的成份，如邊沿和線條， 然后在濾波后的灰度特征圖像中計算統(tǒng)計量，如平均，方差等。這種方法的核心在于濾波器的設(shè)計。由于反映了人類視覺系統(tǒng)的的特性，Gabor濾波器近年來被廣泛使用。這類方法能比較好地表示紋理特征，但有兩個缺點1要對每一幅濾波后的圖像計算特征統(tǒng)計量，計算時間比較昂貴。2由于濾波后的圖像是原圖像與濾波器的卷積，不可避免要受原圖像的亮度的影響，當(dāng)圖像照明改變或不均勻時，同一紋理可導(dǎo)致兩種相差甚遠的特征值。尤其第二點是很多紋理分析法無法克服的。

發(fā)明內(nèi)容
本發(fā)明的目的是提供一種基于模式圖的紋理特征表示方法。
為實現(xiàn)上述目的，基于模式圖的紋理特征表示方法包括步驟對原圖像的每個像素取其5*5的領(lǐng)域塊b；設(shè)有M個反映圖像灰度梯度變化的模板，其中，M是大于1的正整數(shù)；計算M個模板和b的內(nèi)積；用內(nèi)積最大的模板的編號作為這一像素在模式圖的輸出值。
本發(fā)明的特征統(tǒng)計量的計算時間比常規(guī)方法要短的多，而且本發(fā)明去除了圖像中光照的影響，只要光照在一定范圍內(nèi)是均勻的，即使在廣域上有不同的光照，模式圖也不受影響。


圖1是本發(fā)明的模型匹配圖；圖2是特征窗口及特征向量；圖3是特征量抽取流程，a是常規(guī)的多通道濾波技術(shù)，b是本發(fā)明的方法；圖4是PCA模板，按照特征值從大到小順序從上往下、從左往右排列；圖5是紋理分割圖，其中，a表示圖1，b表示圖2，c表示圖3；圖6是非均勻照明情況下的紋理分割，其中，a表示圖1，b表示圖2，c表示圖3；圖7是108 Brodatz紋理圖像；圖8是有照明變化圖像的檢索例子。
具體實施例方式
首先把原圖像用模式匹配方法映射成一幅模式圖。其流程可表示為如圖1。對原圖像的每一個像素，取其5*5的鄰域塊b。設(shè)有M個反映圖像灰度梯度變化的模板，計算M個模板和b的內(nèi)積，用內(nèi)積最大的模板的編號作為這一像素在模式圖的輸出值。因此，這個模式圖的像素值不再是光強度的反映(灰度值)，而代表灰度的梯度變化模式。同時模板的數(shù)目決定了模式圖的像素值范圍。這種模式圖的值域比原來的灰度圖像小得多，而且經(jīng)過匹配得到的像素值能區(qū)分不同方向的線條和邊沿。更為有意義的是，通過這種局域匹配，模式圖去除了原圖像中的光照影響。只要光照在5*5的模板范圍內(nèi)是均勻的，即使在廣域上有不同光照，模式圖應(yīng)該不受影響。
基于模式圖，我們提出了一種計算簡便而且不受光照影響的紋理特征表示方法。設(shè)有M個模板，因為模式圖中的像素表示模式種類，所以模式圖的值域范圍為[1，M]。對每一像素(x，y)，可以在周圍S1×S1的窗口內(nèi)計算它的紋理特征值。
fl(x,y)=Σm=-(S1-1)/2(S1-1)/2Σm=-(S1-1)/2(S1-1)/2hl(m+x,n+y)...(1)]]>hl是一個二值函數(shù) fl是特征窗口內(nèi)屬于第l類模式的像素數(shù)目，以此作為成分，可構(gòu)成特征向量F＝(f1，f2.…fN)(3)例如，我們使用6個模板對原圖像進行模型匹配，得到模式圖，取一個5*5的特征窗口，則其特征向量F如圖2中所示。
這種模式圖特征向量的計算比傳統(tǒng)的多通道濾波技術(shù)要節(jié)省很多。我們把兩種方法的特征獲取流程表示如圖3。如果計算一個特征統(tǒng)計量的時間為T，采用M個濾波器，則多通道濾波器的特征量分別在M個濾波后的圖像中計算，時間為M*T。我們的特征量計算大約只需要T。在圖中特征分量被放在一個框中，因為在對圖像一次掃描后，這些分量可以全部得到。
本方法的精度取決于能否設(shè)計一組合適的模板。與設(shè)計過濾器一樣，適當(dāng)?shù)臄?shù)學(xué)公式可以導(dǎo)出相宜的模板。我們采用的是避免設(shè)計模塊的復(fù)雜數(shù)學(xué)過程，從真實圖像的統(tǒng)計分析中獲取的辦法。主成份分析是一個被廣泛應(yīng)用于圖像壓縮和圖像特征抽取的技術(shù)。我們的思想是受視覺領(lǐng)域的研究成果的啟發(fā)。研究者們發(fā)現(xiàn)主成份分析圖像塊得到的基函數(shù)類似于偏導(dǎo)數(shù)，而這是人類視覺系統(tǒng)的一個重要功能。此外，這一組基函數(shù)內(nèi)部有自然的關(guān)系。它們反映了訓(xùn)練樣本數(shù)據(jù)的空間特性，并且按照協(xié)方差矩陣的特征值從大到小排列。如果訓(xùn)練樣本數(shù)據(jù)比較完備的話，這一組基函數(shù)是能反映各種空間模式的。因此，我們可以用圖像統(tǒng)計分析得到的基函數(shù)作為模板。
以下是主成份分析的數(shù)學(xué)描述。設(shè)有向量空間x＝(x1，x2，…xM)，x的各成份之間有相關(guān)，為了去除這些相關(guān)性，將x通過線性變換W映射到一個新空間yy＝Wx (4)
使得y的各成份之間是不相關(guān)的。亦即yyT＝WxxTWT(5)成為一個對角矩陣。因此，W的各行將是xxT的特征向量。在已知x的樣本數(shù)據(jù)的情況下，W可通過以下學(xué)習(xí)算法獲取(Sanger algorithm)ΔW＝η*(yxT-(LT(yyT))W) (6)其中，η是一個小的正實數(shù)，LT是一個取矩陣的上三角部份的函數(shù)。在我們的應(yīng)用中，每一個圖像塊作為x的一列，所得到的W的每一行被表示成一個二維的模板。這些模板按照特征值從大到小的順序排列。因為后面部分受噪音影響較大，我們將前16個模板示于圖4。除了第一個類Gaussian模板外，這些模板都可用來得到模式圖。
實施例(1)紋理圖像分割圖5是256*256的三幅紋理圖像。其中每幅圖像包含幾種紋理。分割是將圖像按照紋理分成不同區(qū)域。應(yīng)用本方法時，模板的選擇會影響精度。因為PCA基函數(shù)大致是按照頻率從小到大排列的，所以可根據(jù)紋理的粗細選擇模板數(shù)量。我們對圖5(a)，(b)，(c)各使用了10，15，13個模板。得到的模式圖如圖6所示。這些模式圖的值域范圍由模板數(shù)目決定，雖然比原來的灰度級(0，255)要小得多，但是它們的紋理視覺效果仍然很好?；谀Ｊ綀D，我們在35×35的特征窗口內(nèi)計算式(3)的特征向量，然后用無監(jiān)督學(xué)習(xí)算法K-Means對特征進行分類，得到的分割結(jié)果中，不同灰度級代表不同的紋理種類。
為了顯示照明對紋理識別的影響，我們對原圖像乘以一個隨位置平滑變化的照明參數(shù)Ic1(x，y)＝I(x，y)*(fabs(x-128)+(fabs(y-128))(7)得到的圖像如圖6所示。改變后的照明在整幅圖像上是非均勻的。我們采用和上面同樣的方法，對圖像進行轉(zhuǎn)換和識別。得到的模式圖和分割結(jié)果也示于圖6?？梢钥闯鲭m然原圖像受照明影響很大，模式圖還是很好地反映了紋理。因此，分割結(jié)果也基本沒有變化。
作為對比，Gabor多通道濾波器也被用于以上兩例。我們使用4個方向，2個頻率的共8個濾波器。首先，計算它們和原圖像的卷積圖像，對每幅卷積圖像的像素在27*27的窗口中計算兩個特征統(tǒng)計量平均和方差。因此，紋理特征向量共有16個分量。然后，同樣用K-means算法進行分割。從計算時間考慮，我們的紋理特征向量計算時間是13秒，而一幅Gabor卷積圖像的兩個特征統(tǒng)計量的計算時間是34秒，8幅圖像即為272秒。再看照明對分割的影響，我們把兩種方法在一般照明(case A)和用式(7)改變后的照明情況下(case B)的分割精度列于表1。從表1可看出，Gabor特征是由灰度圖像直接計算出來的，因而受照明影響很明顯。
表1模式圖特征和Gabor特征的分割精度比較pattern map Gabortexture featuresfeaturesimages A B A Bimage1 5.415.797.7335.6image2 2.512.872.3213.7image3 2.532.587.2456.5(2)紋理圖像的檢索基于內(nèi)容的圖像檢索，根據(jù)圖像的性質(zhì)通常使用色彩，形狀和紋理特征作為檢索的依據(jù)。作為模式圖紋理特征的一個應(yīng)用實例，我們這里只考慮用紋理特征進行檢索。必要時可以和其他特征聯(lián)合使用。檢索對象是108種不同的Brodatz紋理圖像(圖7所示)。每一幅512×512的Brodatz紋理圖像被順從分成16幅128×128的不相迭的子圖像。這樣就生成了有1728幅子圖像的紋理圖像庫。每一幅子圖像都可作為檢索對象，在理想情況下檢索結(jié)果應(yīng)該是來自于同一幅大圖像的其他15幅子圖像。檢索依據(jù)是和目標圖像在特征空間的距離。其定義如下
dis(i,j)=Σm=1Mdm(i,j)]]>dm(i,j)=|cm(i)-cm(j)α(cm)|...(8)]]>i是目標圖像，j是檢索圖像，dm是它們在第m個特征分量cm上的差距，α(cm)是所有圖像在cm上的標準方差，用于對距離進行正則化。我們使用15個PCA模板，因此有15個模式圖特征分量。另外，我們還使用了原圖像的平均及方差兩個特征，因而共有17個特征分量。
檢索時，按照式(8)計算的距離從小到大進行排序，取最前面的15個作為檢索結(jié)果，這15個圖像中和目標圖像是同一紋理的圖像所占比例作為評價標準(檢索正確率)。對每一種紋理，16幅子圖像的檢索正確率的平均值作為此種紋理的檢索率。我們將模式圖特征的檢索結(jié)果與被報道的用Gabor特征得到的結(jié)果總結(jié)于表2。
表2計算時間，特征向量長度和檢索正確率的比較

表中的結(jié)果差距不大，這是因為標準Brodatz紋理圖像沒有太多的照明變化情況。若考慮實際圖像有很多是在照明并不相同也不均勻的情況下拍攝的話，我們的方法是很有意義的。圖8是一個包含照明不同的圖像的檢索例子，其中有一部分圖像的照明被變化了。左上角是目標圖像，檢索結(jié)果從上往下，從左往右按與目標圖像的距離從小到大排列。我們可以看出照明沒有影響到檢索，其正確率是100％。
權(quán)利要求
1.一種基于模式圖的紋理特征表示方法，包括步驟對原圖像的每個像素取其5*5的領(lǐng)域塊b；設(shè)有M個反映圖像灰度梯度變化的模板，其中，M是大于1的正整數(shù)；計算M個模板和b的內(nèi)積；用內(nèi)積最大的模板的編號作為這一像素在模式圖的輸出值。
2.按權(quán)利要求1所述的方法，其特征在于光照在5*5的范圍內(nèi)是均勻的。
3.按權(quán)利要求1所述的方法，其特征在于還包括步驟紋理特征向量的分量是特征窗口內(nèi)各類模式數(shù)量的統(tǒng)計。
4.按權(quán)利要求3所述的方法，其特征在于所述的特征窗口是5*5的特征窗口。
5.按權(quán)利要求1所述的方法，其特征在于所述的模板是由主成分分析法獲得的基函數(shù)。
全文摘要
一種基于模式圖的紋理特征表示方法，包括步驟對原圖像的每個像素取其5*5的領(lǐng)域塊b；設(shè)有M個反映圖像灰度梯度變化的模板，其中，M是大于1的正整數(shù)；計算M個模板和b的內(nèi)積；用內(nèi)積最大的模板的編號作為這一像素在模式圖的輸出值。本發(fā)明的特征統(tǒng)計量的計算時間比常規(guī)方法要短的多，而且本發(fā)明去除了圖像中光照的影響，只要光照在一定范圍內(nèi)是均勻的，即使在廣域上有不同的光照，模式圖也不受影響。
文檔編號G06T5/50GK1484200SQ02142419
公開日2004年3月24日 申請日期2002年9月17日 優(yōu)先權(quán)日2002年9月17日
發(fā)明者陳延偉, 曾湘燕, 盧漢清 申請人:中國科學(xué)院自動化研究所