圖像紋理檢測與特征提取技術(shù)研究綜述

李秀怡

[摘 要] 圖像紋理作為圖像數(shù)據(jù)的重要信息，是符合人類視覺特征的重要信息之一。紋理檢測與特征提取是紋理分類與分割的基礎(chǔ)前提，可以應(yīng)用到醫(yī)療、工業(yè)、農(nóng)業(yè)、天文等多個(gè)領(lǐng)域，也是近幾十年來一個(gè)經(jīng)久不衰的熱點(diǎn)研究。隨著圖像處理領(lǐng)域各種技術(shù)的發(fā)展，紋理特征分析提取方法也得到不斷創(chuàng)新。文章在對(duì)相關(guān)文獻(xiàn)進(jìn)行調(diào)研的基礎(chǔ)上，敘述了紋理特征提取方法的發(fā)展歷程及研究現(xiàn)狀，并重點(diǎn)對(duì)近十年紋理特征提取方法進(jìn)行了論述，最后指出了該領(lǐng)域的發(fā)展趨勢及問題。

[關(guān)鍵詞] 圖像紋理；特征提??；小波；支持向量機(jī)

doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2017. 23. 088

[中圖分類號(hào)] TP311 [文獻(xiàn)標(biāo)識(shí)碼] A [文章編號(hào)] 1673 - 0194（2017）23- 0175- 04

1 引 言

隨著大數(shù)據(jù)時(shí)代的到來，相對(duì)于一般數(shù)據(jù)，圖像信息作為一種更直觀更形象的數(shù)據(jù)表現(xiàn)形式，其應(yīng)用已經(jīng)深入到醫(yī)學(xué)、工業(yè)、航空、農(nóng)業(yè)等各行業(yè)領(lǐng)域中。而紋理作為圖像的重要特征之一，可以充分反映圖像的整體特征，因此也成為了諸多圖像后處理技術(shù)所必備的研究條件。但是，紋理的復(fù)雜多樣性使得研究者們對(duì)其分析和準(zhǔn)確識(shí)別是非常困難。而解決這個(gè)困難的方法之一是對(duì)圖像提取紋理，然后對(duì)提取的紋理進(jìn)行分析研究。這也是模式識(shí)別、圖像檢索、和計(jì)算機(jī)視覺等研究的基礎(chǔ)。在紋理研究的每個(gè)階段內(nèi)，隨著國內(nèi)外學(xué)者研究對(duì)圖像紋理提取模型及算法的不斷創(chuàng)新，以及紋理提取的廣泛的應(yīng)用價(jià)值，促使著大家對(duì)這一領(lǐng)域進(jìn)行更深入的研究。

2 紋理的基本定義及特性

目前，人們對(duì)紋理的精確定義還沒有完全統(tǒng)一，當(dāng)前幾個(gè)類別的定義基本上按不同的應(yīng)用類型形成相對(duì)的定義。一般認(rèn)為，紋理是圖像色彩或者灰度在空間上的重復(fù)或變化形成紋理。通常，人們將組成紋理的基本單元稱為紋理基元或紋元（texture element）。

盡管關(guān)于紋理的定義尚未統(tǒng)一，但人們對(duì)紋理信息所具有的如下特性達(dá)成共識(shí)：

（1）紋理基元是紋理存在的基本元素，并一定是按照某種規(guī)律排列組合形成紋理；（2）紋理信息具有局部顯著性，通?？梢员憩F(xiàn)為紋理基元序列在一定的局部空間重復(fù)出現(xiàn)； （3）紋理有周期性、方向性、密度、強(qiáng)度和粗糙程度等基本特征，而與人類視覺特征相一致的周期性、粗糙性和方向性也更多的被用于進(jìn)行紋理分類； （4）紋理區(qū)域內(nèi)大致是均勻的統(tǒng)一體，都有大致相同的結(jié)構(gòu)。

紋理的分類有很多種，根據(jù)紋理定義域的不同，紋理可以分為二維紋理和三維紋理；根據(jù)紋理的表現(xiàn)形式不同，紋理可以分為結(jié)構(gòu)型紋理和隨機(jī)性紋理。根據(jù)形成方式不同，可以分為自然紋理、人工紋理和混合紋理。

3 已有的綜述類文獻(xiàn)

截至目前，就圖像紋理特征提取方法進(jìn)行全面論述的只有劉麗等人的“圖像紋理特征提取方法綜述”。該文章回顧了紋理特征提取方法的早期發(fā)展歷程，對(duì)截至到2009年這個(gè)時(shí)間節(jié)點(diǎn)的紋理特征研究現(xiàn)狀、分類模型以及提取方法進(jìn)行了較為全面的綜述，并預(yù)測了該時(shí)間節(jié)點(diǎn)之后的發(fā)展趨勢。自此后至今尚未出現(xiàn)類似更新的全面綜述文章。本文重點(diǎn)梳理了近十年來在紋理特征提取技術(shù)的最新進(jìn)展。

4 紋理特征提取研究現(xiàn)狀

4.1 國外

目前對(duì)紋理的分析研究已經(jīng)近50年的歷史。從以前的發(fā)展來看，國外學(xué)者的研究主要集中在紋理特征提取方法的創(chuàng)新方面，也有算法的改進(jìn)應(yīng)用研究。

真正意義上的紋理研究是從20世紀(jì)80年代開始。當(dāng)時(shí)出現(xiàn)的馬爾可夫隨機(jī)場（MRF）理論和分形（Fractal）理論為紋理特征研究開辟了新方向。許多國外學(xué)者基于這方面做出了開創(chuàng)性的研究成果。比較典型的是Chaudhuri和Sarker提出的簡單、快速并且具有高精度特性的差分計(jì)盒方法。這種方法也成為了后續(xù)研究者采用較多的一種方法。

自20世紀(jì)90年代開始，上述傳統(tǒng)的紋理研究方法出現(xiàn)了一個(gè)瓶頸，即無法從多尺度實(shí)現(xiàn)紋理特征的描述。1986年左右開始出現(xiàn)的小波理論研究熱潮，為更精細(xì)的紋理特征研究開辟了新思路。1989年，Mallat首先將小波理論應(yīng)用于紋理分析中，隨后引發(fā)了基于小波分析的紋理研究熱潮。隨著小波理論不斷發(fā)展，出現(xiàn)了樹結(jié)構(gòu)小波、小波框架以及小波包等多個(gè)分支?；谶@些分支的圖像紋理研究也相應(yīng)出現(xiàn)。比較典型的有Chang等人提出的基于樹結(jié)構(gòu)小波的紋理分類方法，Unser研究的基于小波框架的紋理分類方法。這些研究成果的出現(xiàn)均在圖像紋理特征分析領(lǐng)域中起到了積極地推動(dòng)作用。

進(jìn)入21世紀(jì)后，研究者們針對(duì)紋理以及紋理特征的分析進(jìn)入了相對(duì)成熟的階段，見圖1。比較典型的是Ojala等人在2002年提出的基于局部二進(jìn)制模式（LBP）的紋理分析方法。該算法由于具有計(jì)算復(fù)雜度小、多尺度以及旋轉(zhuǎn)不變等特性而得到廣泛認(rèn)可。

2010年，Shao-Hu Peng等人提出了一種基于均勻估計(jì)方法（Uniformity Ustimation Method）的紋理特征提取算法，并將該方法應(yīng)用于胸部CT圖像中亮度和結(jié)構(gòu)描述。2011年，Kemal IhsanKilic等人提出了一種利用分形尺寸和空隙度來提高紋理識(shí)別性能。Yeong-Yuh Xu等人提出了一種基于神經(jīng)網(wǎng)絡(luò)的廣義概率決策實(shí)現(xiàn)紋理識(shí)別方法。2013年，Rodrigo Pereira Ramos等人提出了一種利用強(qiáng)度梯度的特征值分析和多分辨率分析實(shí)現(xiàn)具有旋轉(zhuǎn)不變性的紋理特征提取方法，用于圖像檢索。2015年，Tiecheng Song等人提出了一種基于局部量化模型，利用空頻域共生性來實(shí)現(xiàn)紋理表征的一種方法。Hadi Hadizadeh提出了一種利用多分辨率局部Gabor小波二進(jìn)制模型來實(shí)現(xiàn)灰度級(jí)紋理描述方法。2016年，Liming Tang等人提出了一種多級(jí)變化分解模型來實(shí)現(xiàn)不同尺度下紋理特征的提取。Deepshikha Tiwari等人提出了一種使用多分辨率帶權(quán)邊型的局部結(jié)構(gòu)模式實(shí)現(xiàn)動(dòng)態(tài)紋理識(shí)別的方法。2017年，Jo？觀o Batista Florindo等人提出了一種使用離散薛定諤變換（Discrete Schroedinger Transform）進(jìn)行紋理識(shí)別的方法。Shervin Rahimzadeh Arashloo等人提出了一種使用深多尺度卷積網(wǎng)絡(luò)來實(shí)現(xiàn)動(dòng)態(tài)紋理表示的方法。

4.2 國內(nèi)

近十年，國內(nèi)學(xué)者在相關(guān)研究方向主要是改進(jìn)各種算法，把某種具體方法應(yīng)用于實(shí)際領(lǐng)域，論文發(fā)表如圖2所示。

由圖2可見，2005年之前，國內(nèi)在紋理研究方面論文相對(duì)較少，在紋理特征提取方面更是寥寥。自2005年開始相關(guān)研究熱度有明顯上升，主要研究方向集中于基于信號(hào)處理、模型和統(tǒng)計(jì)等。本文從2005年開始，對(duì)紋理特征提取方面的主要文章進(jìn)行梳理。

4.2.1 基于信號(hào)處理的方法

2005年，張志龍等人提出的利用局部沃爾什變換（Local Walsh Transform）提取圖像紋理特征的方法。尚趙偉等人提出的基于不同復(fù)小波變換方法的一階和二階統(tǒng)計(jì)矩（共生矩陣）特性來實(shí)現(xiàn)紋理特征提取的方法。葛曉菁等人提出的利用Gbaor小波變換與高斯歸一化的綜合方法來實(shí)現(xiàn)紋理特征提取的算法。王麗亞等人提出的利用紋理信息頻域分布以及尺度特性實(shí)現(xiàn)紋理特征提取的算法。陳洋、黃百鋼等人均提出的結(jié)合Gabor濾波和ICA技術(shù)進(jìn)行紋理特征的提取方法。趙一凡等人提出的利用方向可控濾波器（steerable filter）和輪廓波（contourlet）分解的方向性及能量變化特性實(shí)現(xiàn)紋理特征提取方法。2009年，汪閩等人提出的基于模板分解與遞歸式濾波的遙感圖像快速Gabor紋理特征提取方法。劉明霞等人提出的基于非下采樣輪廓波（contourlet）變換的紋理特征提取方法。2010年，劉金平等人提出的基于Gabor濾波的泡沫圖像紋理特征提取方法。周平等人提出的基于小波分解的紋理特征提取方法。

4.2.2 基于統(tǒng)計(jì)的方法

張濤等人提出的基于多分辨率差分矩陣（Multi-resolution Difference Matrix）來提取紋理特征的方法。2006年，趙珊等人提出的基于方塊編碼（Block Truncation Coding）的圖像紋理特征提取算法。王耀南等人提出的基于分形維數(shù)的圖像紋理分析方法。趙瑩等人提出的基于分形理論的多尺度多方向紋理特征提取方法。2011年，唐朝暉等人提出的基于LBPV（local binary pattern variance）的泡沫圖像紋理特征提取方法。2012年，王國德等人提出的融合LBP和GLCM的紋理特征提取方法。周書仁等人提出的基于Haar特性局部二值模式（Haar local binary pattern，簡稱 HLBP）的圖像紋理特征提取方法。2014年，何楚等人提出的基于局部重要性采樣二進(jìn)編碼的圖像紋理特征描述方法，并將該方法應(yīng)用于合成孔徑雷達(dá)（Synthetic aperture radar， SAR）圖像的紋理特征提取。喬雙等人提出的新型的快速紋理提取算法C-LBP來實(shí)現(xiàn)射線圖像的紋理特征提取。

4.2.3 基于模型的方法

李杰等人提出的基于Wold模型和支持向量機(jī)的紋理識(shí)別方法，有效解決了方向和尺度變化給紋理識(shí)別帶來的困難。華淼等人提出的基于多尺度網(wǎng)格劃分及直方圖分析的主紋理提取方法。

4.2.4 基于結(jié)構(gòu)的方法

2013年，陳寧等人提出的基于顏色共生混合結(jié)構(gòu)（color co-occurrence hybrid structure， CCHS）的浮選泡沫圖像紋理特征提取方法。黃穎等人提出的基于代數(shù)多重網(wǎng)格（AMG）分析提取紋理特征的方法。賈建華等人提出的基于質(zhì)心不變特性（Invariant Centroid）的仿射不變紋理特征提取算法。

4.2.5 其他

2015年，梅浪奇等人提出的基于多特征的紋理特征提取算法，該方法主要通過將基于灰度共生矩陣算法、基于局部二值模式算法和基于小波變換算法所提取的特征進(jìn)行融合進(jìn)而實(shí)現(xiàn)紋理特征提取。

5 紋理特征提取算法的評(píng)價(jià)指標(biāo)

目前針對(duì)紋理特征提取方法性能評(píng)估標(biāo)準(zhǔn)的研究文獻(xiàn)還鮮有出現(xiàn)，一方面是因?yàn)楦鞣N算法之間的比較工作確實(shí)很難進(jìn)行，另一方面也是因?yàn)楫?dāng)然還沒有一個(gè)或幾個(gè)公認(rèn)統(tǒng)一的指標(biāo)作為評(píng)價(jià)算法有效性的共性標(biāo)準(zhǔn)。

現(xiàn)有的對(duì)算法的實(shí)用性和有效性比較，主要是從算法的魯棒性、與人眼視覺感受的差異度、提取紋理特征過程的計(jì)算復(fù)雜度、提取的紋理特征的特征分離度、在紋理分類與分割中的分類正確率幾方面進(jìn)行。而現(xiàn)有各類算法在各類指標(biāo)性能評(píng)價(jià)上各有優(yōu)劣。

6 紋理特征提取發(fā)展趨勢及未來主要問題

紋理分析作為圖像處理領(lǐng)域經(jīng)久不衰的熱點(diǎn)研究領(lǐng)域，學(xué)術(shù)界在該領(lǐng)域已取得一定的成功。迄今為止，在基于統(tǒng)計(jì)、模型、信號(hào)處理和結(jié)構(gòu)等方面雖然已經(jīng)出現(xiàn)了很多提取圖像紋理特征的方法，但是它們在現(xiàn)有的各種性能評(píng)價(jià)指標(biāo)上無法同時(shí)實(shí)現(xiàn)理想化效果，而往往人們也只能根據(jù)自身實(shí)際應(yīng)用的需求，去選擇相對(duì)更適合的紋理提取方法。

總結(jié)對(duì)紋理特征提取方法的研究，本文認(rèn)為存在如下一些亟待解決的問題：

大多數(shù)紋理特征提取方法主要是以方法本身和實(shí)驗(yàn)性研究為主，在視覺可區(qū)分的紋理上進(jìn)行實(shí)驗(yàn)和驗(yàn)證，并且針對(duì)紋理邊緣相對(duì)簡單的圖像，而對(duì)于含有多種紋理類型的復(fù)雜的邊界問題的研究較少，此外對(duì)視覺上是不可區(qū)分的紋理的研究和實(shí)驗(yàn)也不多見。許多算法應(yīng)用于測試圖像還可以取得較好的效果，但是應(yīng)用到實(shí)際的、大尺寸的圖像，卻還存在一定問題。

而在實(shí)際研究中，巧妙的對(duì)基礎(chǔ)算法進(jìn)行改進(jìn)或組合，已達(dá)到更理想的效果，也是紋理分析的一個(gè)重要研究方向。

主要參考文獻(xiàn)

[1]王耀南，王紹源，毛建旭. 基于分形維數(shù)的圖像紋理分析[J].湖南大學(xué)學(xué)報(bào)：自然科學(xué)版，2006，33（5）.

[2]陳洋，王潤生. 結(jié)合Gabor濾波器和ICA技術(shù)的紋理分類方法[J].電子學(xué)報(bào)，2007（2）.

[3]賈建華，焦李成，黃文濤. 一種基于質(zhì)心不變特性的仿射不變紋理特征提取算法[J].電子學(xué)報(bào)，2008（10）.

[4]黃百鋼，李俊山. 應(yīng)用 ICA 濾波器技術(shù)提取圖像紋理特征[J].光電工程，2008，35（6）.

[5]汪閩，張星月.基于模板分解與遞歸式濾波的遙感圖像快速Gabor紋理特征提取[J].測繪學(xué)報(bào)，2009，38（6）.

[6]劉明霞，侯迎坤，郭小春，等.新的紋理圖像特征提取方法[J].計(jì)算機(jī)應(yīng)用，2009（12）.

[7]劉金平，桂衛(wèi)華，牟學(xué)民，等. 基于Gabor小波的浮選泡沫圖像紋理特征提取[J].儀器儀表學(xué)報(bào)，2010，31（8）.

[8]周平，李傳富，符志鵬.基于小波分解的腦CT圖像紋理特征提取[J].儀器儀表學(xué)報(bào)，2010，31（3）.

[9]唐朝暉，朱楚梅，劉金平. 基于LBPV的浮選泡沫圖像紋理特征提取[J].計(jì)算機(jī)應(yīng)用研究，2011，28（10）.

[10]華淼，陳昕，王文成. 簡捷的主紋理提取方法[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2011，21（1）.

[11]王國德，張培林，任國全，等. 融合LBP和GLCM的紋理特征提取方法[J].計(jì)算機(jī)工程，2012，38（11）.

[12]陳寧，林霞，桂衛(wèi)華，等. 基于 CCHS 的浮選泡沫圖像紋理特征提取[J].中南大學(xué)學(xué)報(bào)：自然科學(xué)版，2013，44（11）.

[13]周書仁，殷建平. 基于Haar特性的LBP紋理特征[J].軟件學(xué)報(bào)， 24（8）：1909-1926.

[14]黃穎，李偉生，周麗芳，等. 使用圖割方法提取圖像的紋理特征[J].計(jì)算機(jī)工程與應(yīng)用，2013，49（11）.

[15]何楚，尹莎，許連玉，等. 基于局部重要性采樣的 SAR 圖像紋理特征提取方法[J].自動(dòng)化學(xué)報(bào)，2014，4（2）.

[16]梅浪奇，郭建明，劉清. 基于多特征的紋理特征提取方法研究與應(yīng)用[J].交通信息與安全，2015，33（2）.

[17]喬雙，李健，孫佳寧. 射線圖像的快速紋理提取算法[J].原子能科學(xué)技術(shù)，2015，33（5）.