基于計算機視覺的彩色圖像二維紋理識別方法

吳 俊

(安徽醫(yī)學高等專科學校，安徽 合肥 230601)

隨著圖像處理技術的發(fā)展，采用計算機視覺的圖像處理方法進行彩色圖像二維紋理識別，結合對彩色圖像的二維紋理特征提取和分析方法，進行彩色圖像的紋理特征分析，提高彩色圖像的成像質量和檢測能力，研究彩色圖像二維紋理識別方法，提高了彩色多重紋理圖像的準確分析和三維特征分辨能力，相關的彩色圖像二維紋理識別方法研究受到人們的極大關注[1]。對彩色圖像二維紋理的識別方法主要采用邊緣銳化特征分解方法，結合尺度分解方法和多模特征重構方法，實現(xiàn)對彩色圖像二維紋理識別。但傳統(tǒng)方法進行彩色圖像二維紋理識別存在精度不高和自適應不好的問題，對此，提出基于計算機視覺的彩色圖像二維紋理識別方法，對采集的彩色多重紋理圖像采用超分辨融合方法進行顯著性區(qū)域紋理特征檢測，根據(jù)彩色多重紋理圖像的紋理和顏色特征分量進行二維紋理識別，最后進行仿真實驗分析，展示了本文方法在提高彩色圖像二維紋理識別能力方面的優(yōu)越性能。

一、彩色多重紋理圖像采集和區(qū)域融合濾波

1. 彩色多重紋理圖像采集

為了實現(xiàn)基于計算機視覺的彩色圖像二維紋理識別，首先構建彩色多重紋理圖像的采集模型，用局域窗口特征檢測方法提取彩色多重紋理圖像的輪廓特征點，結合相關性的融合規(guī)則[2]，得到彩色多重紋理圖像的二維邊緣像素特征分量的最大值為：

(1)

采用局部信息熵融合模型進行彩色多重紋理圖像采集，提取彩色多重紋理圖像的輪廓點，對彩色多重紋理圖像進行局部信息熵融合處理[3]，提取彩色多重紋理圖像的活動輪廓模型，結合彩色多重紋理圖像的活動輪廓的區(qū)域特征進行邊緣像素特征匹配，提取局域信息熵，得到彩色多重紋理圖像采集的像素特征量輸出為：

(2)

圖1 彩色多重紋理圖像的二維紋理識別的實現(xiàn)流程

2. 圖像的區(qū)域融合濾波處理

在鄰域內采用超像素特征分解方法進行彩色多重紋理圖像區(qū)域融合濾波處理，將圖像的前一幀作為參考幀，在輸出圖像的邊緣區(qū)域和平坦區(qū)域，得到彩色多重紋理圖像二維紋理點檢測的拓撲結構用如下4個向量量化函數(shù)x1，x2，x3和x4表示為：

(1)

其中，m為鄰域內的彩色多重紋理圖像透射圖的嵌入維數(shù)，彩色多重紋理圖像的像素差值為：

(2)

采用小波變換方法進行彩色多重紋理圖像的二維區(qū)域融合濾波[5]，通過圖像中的照射分量結果進行彩色多重紋理圖像的雙邊濾波處理，得到設彩色多重紋理的邊緣像素點分布：

(3)

(4)

式中，xi和xj分別為彩色多重紋理圖像的聯(lián)合共享稀疏分配點(i,j)處的紋理信息分量，dist(xi,xj)表示彩色多重紋理圖像稀疏融合特征標記特征點xi和xj之間的歐式距離；參數(shù)σ表示彩色多重紋理圖像的空間信息增加分量，采用廣義多核學習方法[7]，將全局特征表征到彩色多重紋理圖像空間區(qū)域，得到彩色多重紋理圖像在像素間內的二維紋理特征量表示為：

P(yw3|xw3,θ,β)∝P(yw3|xw3,θ)(yw3|βi)

(5)

在4×4子塊內重構彩色多重紋理圖像的二維紋理特征點，通過融合圖像中不同模態(tài)信息進行區(qū)域融合濾波，得到濾波矩陣為：

(6)

運用稀疏表示和壓縮感知原理，計算圖像中的二維紋理特征集，得到彩色多重紋理圖像的邊緣像素值為：

Eext(V(i))=γ(i)Eimage(V(i))+δ(i)Econ(V(i))

(7)

其中Eimage表示彩色圖像中RGB顏色空間信息，結合小波變換方法進行彩色多重紋理圖像的融合濾波，根據(jù)融合濾波結果進行二維紋理識別[8]。

二、彩色圖像二維紋理識別優(yōu)化

1. 彩色多重紋理圖像的顏色分量合并和模板匹配

在對采集的彩色多重紋理圖像采用超分辨融合方法進行顯著性區(qū)域紋理特征檢測的基礎上，進行彩色圖像二維紋理識別優(yōu)化，本文提出基于計算機視覺的彩色圖像二維紋理識別方法，結合小波變換方法進行彩色多重紋理圖像的顏色分量合并和模板匹配，求得在每個尺度下彩色多重紋理圖像的特征模態(tài)值為：

(8)

采用經驗模態(tài)分解方法進行顏色分量合并，在鄰域內采用多模態(tài)多變量稀疏表示方法進行彩色多重紋理圖像的特征匹配[9]，考慮雙模態(tài)分類問題，得到背景噪聲的稀疏系數(shù)描述如下：

v(x)=g-1(g(1)-g(u(x)))

(9)

其中u(x)為彩色多重紋理圖像的三維特征分布區(qū)域的灰度，g(·)為相關性隸屬度函數(shù)，滿足g: [0,1]→[0,1]。提取彩色多重紋理圖像沿梯度方向的色彩強度，得到彩色多重紋理圖像像素點匹配值：

(10)

(11)

2. 二維紋理識別輸出

在目標塊和重建高分辨率圖像塊之間，得到彩色多重紋理圖像的紋理特征提取結果，構建彩色多重紋理圖像的相關性檢測模板匹配函數(shù)f(gi)為：

(12)

由此獲得彩色多重紋理圖像三維動態(tài)區(qū)域分布模型，采用顏色分塊區(qū)域融合檢測方法進行彩色多重紋理圖像三維重構，進行彩色多重紋理圖像的邊緣輪廓檢測，得到二維紋理的RGB分量分別為：

(13)

彩色多重紋理圖像的區(qū)域像素強度為：

(14)

采用圖像RGB值匹配方法進行彩色多重紋理圖像的分塊檢測，采用多重紋理重建方法，得到彩色多重紋理圖像三維尺度信息特征量為：

S={s=(x,y)|1≤i≤M,1≤j≤N}

(15)

根據(jù)彩色圖像的二維紋理的規(guī)則性進行融合，得到彩色多重紋理圖像的活動輪廓分布集為：

(16)

根據(jù)彩色多重紋理圖像融合結果進行二維紋理識別，得到彩色多重紋理圖像的超像素區(qū)域重構結果為：

(17)

式中，w3表示彩色多重紋理圖像的3×3像素塊區(qū)域，xij∈w3表示像素特征點在dγ0方向上的峰值信噪比，Θ表示GMM中所有未知參數(shù)的集合[11]。結合彩色多重紋理圖像的最小特征分辨方法，得到彩色二維紋理集為：

(18)

三、仿真實驗與結果分析

為了驗證本文方法在實現(xiàn)彩色多重紋理圖像 二維紋理識別中的應用性能，進行實驗分析，在Matlab中進行彩色圖像的二維紋理識別，彩色多重紋理圖像的邊緣輪廓調節(jié)參數(shù)為1.23，二維紋理的低頻系數(shù)為0.56，圖像采樣的像素尺寸為1200×2000像素，塊相似性特征匹配的模值分量為1.24，對圖像的離散特征采樣率為400KHz，根據(jù)上述仿真參數(shù)設定，進行彩色圖像的二維紋理識別仿真，得到原始的彩色圖像如圖2所示。

(a)樣本1

(b)樣本2圖2 原始的彩色圖像

根據(jù)圖像采集結果，結合小波變換方法進行彩色多重紋理圖像的顏色分量合并和模板匹配，提取彩色多重紋理圖像的關聯(lián)規(guī)則像素點，得到特征提取結果如圖3所示。

(a)樣本1

(b)樣本2圖3 特征提取結果

在圖3的特征提取基礎上，根據(jù)彩色多重紋理圖像的顏色特征分量進行多層次融合和視覺特征重構，根據(jù)彩色多重紋理圖像的紋理和顏色特征分量進行二維紋理識別，得到紋理識別結果如圖4所示。

(a)樣本1

(b)樣本2圖4 紋理識別結果

分析圖4得知，采用本文方法進行彩色多重紋理圖像二維紋理識別的準確度較高，對二維紋理特征匹配性較好，提高了彩色多重紋理圖像的二維紋理辨識能力，在彩色圖像紋理識別和特征采樣中具有很好的應用價值。

結語

研究彩色圖像二維紋理識別方法，提高了彩色多重紋理圖像的準確分析和三維特征分辨能力，結合尺度分解方法和多模特征重構方法，實現(xiàn)對彩色圖像二維紋理識別。本文提出基于計算機視覺的彩色圖像二維紋理識別方法，對采集的彩色多重紋理圖像采用超分辨融合方法進行顯著性區(qū)域紋理特征檢測，在鄰域內采用超像素特征分解方法進行彩色多重紋理圖像區(qū)域融合濾波處理，結合小波變換方法進行彩色多重紋理圖像的顏色分量合并和模板匹配，提取彩色多重紋理圖像的關聯(lián)規(guī)則像素點，根據(jù)彩色多重紋理圖像的顏色特征分量進行多層次融合和視覺特征重構，根據(jù)彩色多重紋理圖像的紋理和顏色特征分量進行二維紋理識別。研究得知，本文方法進行彩色多重紋理圖像識別準確性較高，二維紋理辨識能力較好。