图像纹理特征提取方法

精品文档安徽大学本科毕业 论文 政研论文下载论文大学下载论文大学下载关于长拳的论文浙大论文封面下载 （ 设计 领导形象设计圆作业设计ao工艺污水处理厂设计附属工程施工组织设计清扫机器人结构设计 、创作） 题 快递公司问题件快递公司问题件货款处理关于圆的周长面积重点题型关于解方程组的题及答案关于南海问题 　　目：　　　图像纹理特征提取 方法 快递客服问题件处理详细方法山木方法pdf计算方法pdf华与华方法下载八字理论方法下载 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、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(LocalBinaryPattern，LBP)来进行图像的基本纹理基元的提取，并用灰度共生矩阵(GrayLevelCo．occurrenceMatrix，GLCM)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。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；MatlabStudyontheextractionmethodof imagetexturefeatureAbstractInrecentyears,alongwithinformationmultimediatimearrival,aswellasnetworkinworldwidescaledaybydaypopular,cloudcomputationbeinginfashion,thepeoplearemoreandmorebiggerinthedailylifeworkcontactinformationcontent.Theimagetooktheinformationonekindofcarrier,has,theinformationcontentintuitivelybig,isadvantageousforthecharacteristicwhichbetweenthedifferentcountryexchanges,isthenetworkmultimediaimportantconstituent.Basedonthetextimageretrievalisbasedonthecontentimageretrievalfoundation,withtheartificialwayexplanationpictorialinformation,itsworkloadweimagineswithdifficulty,thefeasibilityisalsoworthdiscussing.ThereforeCBIRmethodeffectiveaddressingthisdifficultproblem.Basedoncontentimageretrieval(CBIR)includingfourstages,respectivelyis:Gainimage,extractioncharacteristic,classifiedimage,retrievalimage.Theimageretrievalmainlyisacorequestion:Whichonekindofimagecharacteristicselectswhatalgorithmtowithdraw,fasteffectivecarriesontheimagethediscriminationandtheexamination.ThetexturecharacteristicextractionisoneofCBIRkeyquestion,thepresentpaperalsoisbasedontheimagetexturecharacteristicextractionisafoundation.First,thispaperusedtheco-occurrencematrixbasedontextureprimitivetoextracttexturefeatureofimage．Inthismethod，itextractedbasictextureprimitiveofimagebyLocalBinaryPattem(LBP),andusedco-ccurrencematrixofgraylevelco-occurrencematrix(GLCM)toanalyzethetextureprimitiveimage.Themethodoftexturefeatureextractionbasedongraylevelco-occurrencematrix(GLCM)wasstudied.Analyzedtheeffectofeachparameteronconstructingtheco-occurrencematrixandimplementedthefeatureextractionusingMatlab.TheanalyticalresultsprovidevaluablereferenceforcreatingGLCMbetterandextractingtexturefeaturesofspecifickindsofimages．Keywords:texturefeature；graylevelco－occurrencematrix；basedoncontentimageretrieval；Matlab目　　录1第1章绪论11.1前言11.2研究背景和意义11.3国内外研究现状21.4研究方法3第2章纹理的概念和表达方式32.1纹理的概念和特征42.2纹理特征的描述方法42.2.1统计分析法52.2.1.1自相关函数52.2.1.2边界频率52.2.1.3灰度共生矩阵法62.2.2频谱法62.2.3结构法7第3章灰度共生距阵算法的具体分析与实现73.1灰度共生矩阵基本原理和特征73.2灰度共生矩阵的二次统计特征量93.3灰度共生矩阵的Matlab实现93.3.1图像的前期处理93.3.2Matlab实验获取二次统计特征量93.4试验结果分析11第4章结束语12主要参考文献13致谢第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，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。CBIR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。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）、Gibbs模型、高斯马尔可夫随机场模型、同步自回归模型（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GLCM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。VisualSEEK/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。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。NETRA：有加利福利亚大学亚历山大数字图书馆开发。采用基于Gabor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，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。本章首先对纹理的定义及特性做简要介绍，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，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 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 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(texels)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.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的细致和粗糙程度的另外一种统计方法.边界频率越高说明纹理越精细，相反，低的边界频率与粗糙的纹理息息相关。此外，统计分析方法还从描述空间灰度依赖关系的角度出发来分析和描述图像纹理.常用的统计纹理分析方法有，自相关函数(AutocorrelationFeatures)边界频率(EdgeFrequency)，空间灰度依赖矩阵(theSpatialGreyLevelDependenceMatrix,SGLDM)等。相对于结构分析方法，统计分析方法并不刻意去精确描述纹理的结构。从统计学的角度来看，纹理图像是一些复杂的模式，可以通过获得的统计特征集来描述这些模式。2.2.1.1自相关函数自相关函数(AutocorrelationFeatures}ACF)就是一种常用的空间频率纹理描述方法。在这个方法中，纹理的空间组织用评价基元间线性空间关系的相关系数来描述。自相关函数是用来度量在给定一个位移下的纹理与原来位置的纹理的相似程度.如果在给定方向下，自相关值下降的越快，那么移动后的纹理与原来的纹理就越不相关，也就是移动后的纹理与原来的纹理越不相似，这说明纹理的基元就很小；反之，如果自相关值下降的越慢，那么移动后的纹理与原来的纹理就越相关，也就是移动后的纹理与原来的纹理越相似，纹理的基元就越大。如果纹理基元较大，当距离增加时，自相关函数的值就会缓慢的减小，然而如果纹理由小基元构成，它就会很快的减小。如果纹理的基元具有周期性，那么自相关函数就会随着距离而周期地变化。自相关函数纹理分析方法通过计算图像纹理的自相关系数来描述纹理，纹理的自相关系数的变化趋势反映了纹理的粗细程度，然而，对于同样粗糙(细致)但完全不同的两种纹理，它们的自相关系数很可能比较相近，很难将这两种纹理区分开来。2.2.1.2边界频率与自相关函数方法中用空间频率来区分纹理的粗细不同，边界频率认为纹理可以用每单位面积内边界来区分纹理。粗糙的纹理由于局部领域内的灰度相似，并没有太大的变化，因而每单位面积内的边界数会较小；细致的纹理由于局部邻域内的灰度变化较快，所以每单位面积内的边界数会较大。图像区域的边界频率在一定程度上反映了该区域内纹理的粗细程度，边界频率函数就是从这种思路出发来描述纹理的，这种纹理分析方法的缺点是虽然边界频率能部分反映纹理的微结构信息，但这种描述是粗略的，缺乏微结构形状方面的信息描述。另外，边界频率函数对图像的大小非常敏感，一个改进的办法是用图像的大小去归一化该边界频率函数。2.2.1.3灰度共生矩阵法共生矩阵用两个位置的象素的联合概率密度来定义，它不仅反映亮度的分布特性，也反映具有同样亮度或接近亮度的象素之间的位置分布特性，是有关图象亮度变化的二阶统计特征。它是定义一组纹理特征的基础。一幅图象的灰度共生矩阵能反映出图象灰度关于方向、相邻间隔、变化幅度的综合信息，它是分析图象的局部模式和它们排列规则的基础。设f(x,y)为一幅二维数字图象，其大小为M×N，灰度级别为Ng,则满足一定空间关系的灰度共生矩阵为：P(i,j)=#｛(x1,y1),(x2,y2)∈M×N｜f(x1,y1)=i,f(x2,y2)=j｝（1）　　其中#(x)表示集合x中的元素个数，显然P为Ng×Ng的矩阵，若(x1,y1)与(x2,y2)间距离为d,两者与坐标横轴的夹角为θ，则可以得到各种间距及角度的灰度共生矩阵P(i,j,d,θ)。纹理特征提取的一种有效方法是以灰度级的空间相关矩阵即共生矩阵为基础的，因为图像中相距(Δx，Δy)的两个灰度像素同时出现的联合频率分布可以用灰度共生矩阵来表示。若将图像的灰度级定为N级，那么共生矩阵为N×N矩阵，可表示为M(Δx，Δy)(h,k)，其中位于(h,k)的元素mhk的值表示一个灰度为h而另一个灰度为k的两个相距为(Δx，Δy)的像素对出现的次数。对粗纹理的区域，其灰度共生矩阵的mhk值较集中于主对角线附近。因为对于粗纹理，像素对趋于具有相同的灰度。而对于细纹理的区域，其灰度共生矩阵中的mhk值则散布在各处。2.2.2频谱法心理物理学研究得到证实，人们在观察图像时，大脑对图像进行了频率分析，因此，对图像纹理进行频率分析也是合适的。频谱法是建立在时、频技术与多尺度技术基础之上的纹理分析方法，利用信号处理的方法，主要借助傅里叶变换将空间域的纹理图像变换到频率域中，通过计算峰值处的面积、峰值与原点的距离平方、峰值处的相位、两个峰值间的相角差等来获得在空间域不易获得的纹理特征，如周期、功率谱信息等。通常，傅立叶频谱中突起的峰值对应纹理的主方向信息，峰值在频域平面的位置对应纹理的周期信息，粗纹理的频率分量集中在低频部分，细纹理对应的频率分量集中在高频部分。常用的频谱法主要包括傅立叶功率谱法、Gabor变换、塔式小波变换、树式小波变换等。2.2.3结构法结构法是把复杂的纹理拆分成许多简单的纹理基元，并且这些简单基元按照某一规律重复排列组合成复杂纹理。根据纹理基元的形状和排列特点分析图像纹理特征的方法统称为结构法，结构分析方法的基本思想是认为复杂的纹理可由一些简单的纹理基元以一定的有规律的形式重复排列组合而成。结构分析法使用形式语言对纹理的排列规则进行描述，这需要计算出纹理基元的偏心度、面积、方向、矩、延伸度等特征，并需要应用模式识别和编译原理中的句法理论。结构分析法需要形态学、离散数学等方法描述纹理基元的立体特征以及排列的规律。结构分析法需要对纹理基元的形态进行描述，所以这种方法在人工纹理研究中应用的比较广泛。结构分析法得到的纹理特征比较清楚，易于检索。但是在自然纹理中，纹理基元的排列没有规律性或者规律性不强，很难对某一个具体的纹理基元进行描述，建立数学模型，因此在自然纹理中，结构法应用并不广泛，仅仅作为一个研究的辅助手段。第3章灰度共生距阵算法的具体分析与实现3.1灰度共生矩阵基本原理和特征在第2章中已经简单介绍了灰度共生矩阵的一些信息，现在来具体分析。灰度共生矩阵就是一种通过研究灰度的空间相关特性来描述纹理的常用方法。灰度直方图是对图像上单个象素具有某个灰度进行统计的结果，而灰度共生矩阵是对图像上保持某距离的两象素分别具有某灰度的状况进行统计得到的。取图像(N×N)中任意一点（x，y）及偏离它的另一点（x+a，y+b），设该点对的灰度值为（g1，g2）。令点（x，y）在整个画面上移动，则会得到各种（g1，g2）值，设灰度值的级数为，则（g1，g2）的组合共有k2种。对于整个画面，统计出每一种（g1，g2）值出现的次数，然后排列成一个方阵，在用（g1，g2）出现的总次数将它们归一化为出现的概率P（g1，g2），这样的方阵称为灰度共生矩阵。距离差分值（a，b）取不同的数值组合，可以得到不同情况下的联合概率矩阵。（a，b）取值要根据纹理周期分布的特性来选择，对于较细的纹理，选取（1，0）、（1，1）、（2，0）等小的差分值。当a=1，b=0时，像素对是水平的，即0度扫描；当a=1，b=0时，像素对是垂直的，即90度扫描；当a=1，b=1时，像素对是右对角线的，即45度扫描；当a=-1，b=-1时，像素对是左对角线，即135度扫描。这样，两个象素灰度级同时发生的概率，就将（x，y）的空间坐标转化为“灰度对”（g1，g2）的描述，形成了灰度共生矩阵。实验中对灰度共生矩阵进行了如下的归一化：（2）灰度共生矩阵中元素值相对于主对角线的分布可用离散性来表示，它常常反映纹理的粗细程度。离开主对角线远的元素的归一化值高，即元素的离散性大，也就是说，一定位置关系的两象素间灰度差的比例高。若以|△x|=1或0，|△y|=1或0的位置关系为例，离散性大意味着相邻象素间灰度差大的比例高，说明图像上垂直于该方向的纹理较细；相反，则图像上垂直于该方向上的纹理较粗。当非主对角线上的元素的归一化值全为0时，元素值的离散性最小，即图像上垂直于该方向上不可能出现纹理。灰度共生矩阵中主对角线上的元素是一定位置关系下的两象素同灰度组合出现的次数。由于沿着纹理方向上相近元素的灰度基本相同，垂直纹理方向上相近象素间有较大灰度差的一般规律，因此，这些主对角线元素的大小有助于判别纹理的方向和粗细，对纹理分析起着重要的作用。3.2灰度共生矩阵的二次统计特征量灰度共生矩阵不能反映出纹理特特征，它仅仅反映了图像在变化幅度、角度、一定邻域的综合信息，因此还需要计算出相关、熵值、对比度、差异等值，用这项特征值来反映整幅图像的纹理特征。由于各个特征值的物理意义不同，需要给它们相同的权重进行归一化。为了能更直观地以共生矩阵描述纹理状况，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：纹理能量：（3）是灰度共生矩阵元素值的平方和，所以也称能量，反映了图像灰度分布均匀程度和纹理粗细度。如果共生矩阵的所有值均相等，则其能量值小；相反，如果其中一些值大而其它值小，则能量值大。当共生矩阵中元素集中分布时，此时能量值大。其值大表明一种较均一和规则变化的纹理模式。纹理惯性：（4）反映了图像的清晰度和纹理沟纹深浅的程度。纹理沟纹越深，其对比度越大，视觉效果越清晰；反之，对比度小，则沟纹浅，效果模糊。灰度差即对比度大的象素对越多，这个值越大。灰度公生矩阵中远离对角线的元素值越大，则其越大。纹理相关性：（5）相关性是度量灰度共生矩阵元素在行或列方向上的相似程度。如果图像在某一方向上的值大于其它方向，那么在这个方向上的纹理性也比其它方向强，因此其可以表示纹理的方向。其中：，（6）纹理熵：（7）熵是图像所具有的信息量的度量，纹理信息也属于图像的信息，是一个随机性的度量，当共生矩阵中所有元素有最大的随机性、空间共生矩阵中所有值几乎相等时，共生矩阵中元素分散分布时，熵较大。它表示了图像中纹理的非均匀程度或复杂程度。3.3灰度共生矩阵的Matlab实现3.3.1图像的前期处理基于灰度共生矩阵的图像纹理特征分析，其实现过程需要经过对图像前期的简单预处理之后才能进行其纹理分析。图像的预处理主要包括图像格式的转换和图像的直方图均衡以及对图像的灰度级压缩三个方面。图像格式的转换由我们实际获得的图像来转化为灰度级数为256级的图片格式。直方图均衡化是通过灰度变换将一幅图象转换为另一幅均衡直方图，即在每个灰度级上都具有相同的象素点数的过程。这种方法通常用来增加许多图像的局部对比度，尤其是当图像的有用数据的对比度相当接近的时候。通过这种方法，亮度可以更好地砸直方图上分布。这样就可以拥有增强局部的对比度而不影响整体的对比度，直方图均衡化通过有效地扩展常用的亮度来实现这种功能。而对于灰度级压缩，实际情况下一幅图像的灰度级是256级。在研究图像纹理特征的前提下我们需要将原图像的灰度级在不影响其纹理特征的前提下压缩到较小范围，一边减小共生矩阵的尺寸。本实验将图像压缩为16级。3.3.2Matlab实验获取二次统计特征量利用Matlab对进行了图像预处理的图像进行处理，获得其二次统计量。3.4试验结果分析本实验采用了四种不同类型地物的图像，有由Matlab进行实验。实验数据如下：原始图片：图1：沙地图2：地砖图3：草地图4：水面格式转化后的灰度图像：图5：沙地图6：地砖图7：草地图8：水面由Matlab对图像处理可得到各个图像的二次统计特征量，分别包括能量、熵、惯性矩、相关性和四种二次统计特征量的均值，如表1、表2所示。表1：四种地物的灰度共生矩阵的纹理特征 能量 熵 惯性矩 相关性 沙地： 0.054934 3.190475 0.288939 0.121265 0.034726 3.634086 0.760804 0.117769 0.034823 3.625137 0.746924 0.117697 0.029769 3.770994 1.014880 0.115825 地砖： 0.183693 2.190297 0.593135 0.766411 0.167975 2.260415 0.706739 0.688752 0.192497 2.120838 0.443775 0.872807 0.167158 2.272310 0.745551 0.661505 草地： 0.045806 3.461457 0.826464 0.191562 0.034198 3.764212 1.605927 0.173980 0.045866 3.487686 0.888472 0.190053 0.036469 3.693210 1.365801 0.179229 水面： 0.248995 1.913379 0.333969 1.127422 0.214449 2.109850 0.683055 0.727520 0.216824 2.087994 0.621432 0.804121 0.213831 2.089601 0.605431 0.824233表2：二次统计特征量均值 能量 熵 惯性矩 相关性 沙地 0.038563 3.555173 0.702887 0.118139 地砖 0.177831 2.210965 0.622300 0.747369 草地 0.040585 3.601641 1.171667 0.183706 水面 0.223525 2.050206 0.560972 0.870824由以上实验数据分析可得，地砖地物的能量值较大，纹理较粗。水面的熵值和相关性较小，说明水面图像的局部变化小，同时由于水面图像灰度局部变化小，所以其惯性矩也偏小。草地和沙地图像的各个特征值比较相似，所以会难以区分。第4章结束语随着计算机网络技术、云计算、物联网的迅速发展，数字图像技术的广泛应用，对与大规模图像数据库、多媒体信息的有效管理和分类检索已经成为最为图像处理领域最需要解决的问题之一，图像的纹理特征提取以及根据提取的纹理特征对图像就行检索是解决这一纹理的重要方法。本文主要采用基于统计法的灰度共生矩阵法，运用Matlab提取各种地物的纹理特征并进行分析,达到了实验预期效果，实现了算法和对各种地物的识别。主要参考文献：[1]龚声蓉.基于内容的图像检索方法研究.[D]北京，北京航空航天大学，2001.[2]胡昌华，张军波，夏军等.基于MATLAB的系统分析与设计--小波分析[M].西安：西安电子科学技术出版社，2000.[3]谢菲，陈雷霆，邱航等.基于纹理特征提取的图像分类方法研究及系统实现[J].计算机应用研究,2009.[1]刘莹.图像纹理的特征提取和分类方法研究[D].华中科技大学,2013.[2]张伟伟.图像纹理特征提取及分类方法研究[D].天津大学,2012.[3]田玉敏，乃学尚,高有行等.基于整数小波系数的纹理图像检索方法研究[J].西安电子科技大学学报(自然科学版),2003.[4]宋琳琳，王相海.小波域颜色和纹理特征提取及图像检索方法研究[J].小型微型计算机系统,2009.[5]王晅.图像旋转与尺度变换不变性识别方法研究[D].西安电子科技大学，2008.[6]刘丽，匡纲要.图像纹理特征提取方法综述[J].中国图象图形学报A，2009.[7]黄战华，刘正，李金晶等.一种基于多通道Gabor滤波的纹理提取方法[J].仪器仪表学报，2009.[8]M．Simard,G．Degrandi，K．EB．Thomson．AdaptationoftheWaveletTransformfortheConstructionofMultiscaleTextureMapsofSARImages．CanadianJournalofRemoteSensing,Sep．1998，24(3)：264-285．[9]K．Chang，A．Hsu．Imageinformationsystems：wheredowegofromhere?IEEETrans．OnImageProcessing，V01．2’No．4，PP．429441，Oct．1993．[10]Hursehka,Harald’Natter,Martin．ComparingperformanceoffeedforwardneuralnetsandK-menasofclusterbasedmarketsegmentation．EuropeanJournalofOperationalResearch．Volume：114，Issue：2，Aprill6，1999，PP：346—353．致　谢时光匆匆，转眼大学四年的学习生活就要走到尽头。大学四年让我不论在思想、生活、学习上都得到了很大的成长，我要感谢同学和老师在学习和生活中对我的帮助，这四年是充实的四年，在以后的日子里这将是一段美好并值得怀念的记忆。同时在此我要非常感谢在我的论文写作过程中给我提供支持和帮助的老师、朋友和同学们。特别感谢我的导师寻丽娜老师，在我的论文撰写过程中，从论文的选题、拟定提纲、构思、初稿的修改直至最后的定稿，倾注了大量的心血，提出了众多宝贵意见和建议，给予了精心的指导，让我的论文得以最终完稿。另外，在校图书馆查找资料的时候，图书馆的老师也给我提供了很多方面的支持与帮助。在此向帮助和指导过我的各位老师表示最中心的感谢！欢迎您的下载，资料仅供参考！致力为企业和个人提供合同协议，策划案计划书，学习资料等等打造全网一站式需求。_1234567897.unknown_1234567901.unknown_1234567905.unknown_1234567907.unknown_1234567909.unknown_1234567910.unknown_1234567908.unknown_1234567906.unknown_1234567903.unknown_1234567904.unknown_1234567902.unknown_1234567899.unknown_1234567900.unknown_1234567898.unknown_1234567893.unknown_1234567895.unknown_1234567896.unknown_1234567894.unknown_1234567891.unknown_1234567892.unknown_1234567890.unknown