圖像紋理特征分析及提取方法

雷雨果 梁楠 劉春梅

摘 ?要：將計(jì)算機(jī)機(jī)器視覺、圖像處理及圖像分析技術(shù)緊密結(jié)合起來并用于圖像紋理特征的分析，通過總結(jié)已有的研究成果，研究分析圖像在區(qū)域化、邊緣化、數(shù)學(xué)變換化等不同算法思想下提取的紋理特征，并總結(jié)提出了一種計(jì)算成本趨向?qū)崟r(shí)處理的圖像紋理特征處理方案。該方案研究了更為精細(xì)的紋理分類、紋理分割、紋理拼接和紋理配準(zhǔn)等算法，并可實(shí)現(xiàn)圖像紋理特征提取的準(zhǔn)確性和良好的擴(kuò)展性，實(shí)現(xiàn)后續(xù)分類、分割、拼接和配準(zhǔn)等基本應(yīng)用的及時(shí)性、準(zhǔn)確性和高效性。

關(guān)鍵詞：圖像紋理特征分析;計(jì)算機(jī)機(jī)器視覺;圖像處理

中圖分類號(hào)：TP391.4 ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

Image Texture Feature Analysis and Extraction Method

LEI Yuguo1，2， LIANG Nan1，2， LIU Chunmei1，2

（1.Institute of Applied Physics， Henan Academy of Sciences， Zhengzhou 450008，China;

2.Henan Province Internet of Things Perception Technology and Systems Key Laboratory， Zhengzhou 450008， China）

710952005@qq.com; 149016898@qq.com; 49072544@qq.com

Abstract： This paper proposes to closely combine computer machine vision， image processing and image analysis technologies， which is used for analyzing image texture features. By summarizing the existing research results， image texture features， which are extracted by different algorithm ideas such as regionalization， marginalization and mathematical transformation， are studied and analyzed. An image texture feature processing scheme whose computational cost tends to be processed in real time is proposed. More refined algorithms of texture classification， texture segmentation， texture splicing and texture registration are studied in this scheme， which can achieve the accuracy and good scalability of image texture feature extraction. This scheme also achieve timeliness， accuracy and efficiency of subsequent essential applications， such as classification， segmentation， splicing and registration， etc..

Keywords： analysis of image texture features; computer machine vision; image processing

1 ? 引言（Introduction）

近年來，圖像紋理特征分析得到了越來越多研究人員的關(guān)注，并且在許多領(lǐng)域得到應(yīng)用，如圖像紋理分類、圖像紋理分割、圖像紋理檢索和圖像紋理匹配，具體到人臉識(shí)別、自然圖像拼接、自然圖像合成、道路檢測(cè)、圖像目標(biāo)搜索匹配和醫(yī)學(xué)影像分析等，并使許多行業(yè)受益，包括工業(yè)、農(nóng)業(yè)、教育、醫(yī)學(xué)、交通、航空、娛樂、環(huán)境等[1]。同時(shí)，新的圖像紋理技術(shù)的出現(xiàn)又會(huì)使一些應(yīng)用得到完善和不斷推廣，另外還會(huì)開拓出更多、更新的應(yīng)用領(lǐng)域。

本文從圖像紋理分類、圖像紋理分割、圖像紋理合成、圖像紋理檢索、圖像紋理拼接配準(zhǔn)五個(gè)方面進(jìn)行圖像紋理特征分析關(guān)鍵技術(shù)研究，并提出了一種圖像紋理特征處理方案。

2 ? 圖像紋理分類（Image texture classification）

應(yīng)用圖像紋理特征分類可以有效地區(qū)分不同紋理特征信息的目標(biāo)，其差異化的定量可以通過有效的計(jì)算分析方法來獲取。目前，統(tǒng)計(jì)分析法、結(jié)構(gòu)分析法、模型法以及基于數(shù)學(xué)變換的分析法是常用的紋理分析方法。基本的統(tǒng)計(jì)分析法中包括灰度共生矩陣（GLCM）和局部二元模式（LBP）[2]，灰度共生矩陣反映了圖像灰度關(guān)于方向、相鄰間隔、變化幅度的綜合信息;而局部二元模式計(jì)算簡(jiǎn)單，紋理信息反映較準(zhǔn)確?；镜慕Y(jié)構(gòu)分析法[3]是建立在紋理基元（基本的紋理元素）理論基礎(chǔ)上的一種紋理特征分析方法。基本的模型法以圖像的構(gòu)造模型為基礎(chǔ)，采用模型的參數(shù)作為紋理特征，典型的方法是隨機(jī)場(chǎng)模型法[4]，如馬爾可夫（Markov）隨機(jī)場(chǎng)（MRF）模型法?；镜臄?shù)學(xué)變換常采用傅里葉變換、Gabor變換和小波變換等。

圖1（a）為一幅5×5像素大小的四級(jí)灰度水平的GLCM特征向量描述圖，其中為間距，為方向，灰度共生矩陣特征參數(shù)選取依據(jù)分析GLCM計(jì)算問題中得到的幾個(gè)不相關(guān)且分辨力最好的特征：對(duì)比度、熵、相關(guān)性。圖1（b）為局部二元模式中點(diǎn)的不同個(gè)數(shù)和半徑的LBPPR的描述。

3 ? 圖像紋理分割（Image texture segmentation）

紋理分割是計(jì)算機(jī)視覺與圖像處理的一個(gè)基礎(chǔ)研究課題，其要求同質(zhì)紋理區(qū)內(nèi)區(qū)域一致性好，無誤分;另一方面，要求不同紋理區(qū)域間的邊界保持良好，無誤判。共有四種紋理特征的統(tǒng)計(jì)法，包括粗糙度、對(duì)比度、方向性和梯度四種特征，其采用形態(tài)學(xué)的一些方法消除目標(biāo)孔洞和平滑邊界，并保留更完整的信息，然后從背景中分割出感興趣的陶瓷目標(biāo)。離散Gabor小波變換是一種很好的分析信息特質(zhì)能量分布的工具，采用Gabor濾波器的紋理分析是一種空間-頻率域聯(lián)合分析的方法，通過Gabor濾波器提取紋理特征的前期要設(shè)置合適的尺度和方向參數(shù)，使得提取的紋理特征具有最佳紋理信息表征能力。由于紋理圖像具有微觀不規(guī)則但宏觀存在某種統(tǒng)計(jì)規(guī)律性的特點(diǎn)，因此人們?cè)絹碓疥P(guān)注紋理圖像的多尺度特征[5]，從不同的尺度層次來捕捉紋理的微觀和宏觀特性。

灰度共生矩陣[6]是從圖像中提取紋理特征的一種方法，主要以條件概率提取紋理的特征，獲取像素級(jí)灰度紋理在空間上的相互關(guān)系。而馬爾可夫隨機(jī)場(chǎng)是從另一途徑的空間依存關(guān)系來進(jìn)行有效處理的，通過高斯馬爾可夫隨機(jī)場(chǎng)計(jì)算像素之間的空間依賴關(guān)系，建立紋理圖像的強(qiáng)度場(chǎng)模型，然后對(duì)二維紋理圖像建模表示一維隱馬爾可夫自回歸模型的行列，在Brodatz紋理庫(kù)中的Mosaic 1#圖像的分割實(shí)驗(yàn)中達(dá)到了預(yù)期的正確識(shí)別率，如圖2所示。

圖像紋理特征提取既可以在空域中進(jìn)行，又可以在變換域中進(jìn)行。在變換域中是對(duì)變換系數(shù)值進(jìn)行某種操作以提取特征，如傅里葉變換、Gabor變換和小波變換等，不僅魯棒性強(qiáng)，而且能很好地反映紋理信息。利用小波變換獲取圖像的紋理特征也得到了廣泛的應(yīng)用及良好的效果[7]。

4 ? 圖像紋理合成（Image texture synthesis）

二維紋理[8]的合成在近幾年不斷地得到了發(fā)展，由于還缺乏統(tǒng)一的參數(shù)化方法，紋理合成還不夠成熟，在研究方法上，一般分為基于像素點(diǎn)的合成方法和基于像素塊的合成方法?；谙袼攸c(diǎn)的合成在計(jì)算新點(diǎn)的顏色時(shí)，根據(jù)該點(diǎn)周圍已經(jīng)合成出來的鄰居點(diǎn)，在種子紋理中尋找擁有和該點(diǎn)最大相似的鄰居點(diǎn)的像素點(diǎn)，然后用種子紋理中的對(duì)應(yīng)點(diǎn)的顏色賦給該像素點(diǎn)?；谙袼貕K的合成首先根據(jù)人眼的視覺特性，然后根據(jù)優(yōu)選工具從樣本紋理中抽取不規(guī)則塊，最后將其合成到目標(biāo)紋理中。研究人員整理出隨機(jī)相位信號(hào)和漸近離散點(diǎn)信號(hào)模型的隨機(jī)相位紋理合成方法，并對(duì)給定的任意尺寸樣本合成紋理圖像，如圖3所示。

5 ? 圖像紋理檢索（Image texture retrieval）

在醫(yī)學(xué)領(lǐng)域，神經(jīng)性疾病和老齡化人口的增加使得腦部MRI圖像紋理的特征分析研究受到極大的重視，提出了兩種互補(bǔ)特征的圖像分析方法，即局部二元模式（LBP）和Kanade-Lucas-Tomasi特征（KLT），通過自動(dòng)提取DLBP（Dominant LBP）特征在MRI圖像紋理分析上取得了較好的效果[9]，如圖4所示。

然而，由于在病理影像數(shù)據(jù)資料中存在非常相似的物質(zhì)，這給圖像的紋理檢索研究帶來了很大的困難，同時(shí)，這一固有難題在沒有找到很好的解決辦法之前也給后面的研究者提供了空間。紋理特征分類在臨床病理學(xué)中的皮膚外傷和皮下組織損傷方面也有廣泛的應(yīng)用。

在道路交通領(lǐng)域，道路作為地理數(shù)據(jù)庫(kù)中的重要元素之一，廣泛應(yīng)用于區(qū)域規(guī)劃、汽車導(dǎo)航、交通管理等方面，因此，自動(dòng)快速地提取精確的道路信息是該領(lǐng)域的研究熱點(diǎn)。道路的檢測(cè)配準(zhǔn)常用的方法有基于形態(tài)學(xué)的方法和基于多光譜融合信息的方法等，通過兩個(gè)主要步驟實(shí)現(xiàn)圖像中道路的檢測(cè)，首先對(duì)主干道的沒影點(diǎn)進(jìn)行估計(jì)，然后就檢測(cè)估計(jì)到的沒影點(diǎn)道路進(jìn)行有效分割。其主要利用Gabor濾波計(jì)算出圖像的紋理特征方向，并用于估算局部道路區(qū)域，而道路邊界的檢測(cè)用到了有約束沒影點(diǎn)邊界檢測(cè)技術(shù)[10]，該方案在大量的道路圖像檢測(cè)試驗(yàn)中有良好的檢測(cè)效果。

6 ?圖像紋理拼接配準(zhǔn)（Image texture splicing registration）

近年來，動(dòng)態(tài)場(chǎng)景紋理的視頻序列配準(zhǔn)[11]吸引了許多研究者的注意。動(dòng)態(tài)場(chǎng)景包括但不限于一些非剛性目標(biāo)，如煙花、風(fēng)中飛舞的旗幟等，由于這些動(dòng)態(tài)場(chǎng)景的復(fù)雜多變使得這一工作極具挑戰(zhàn)性。張衛(wèi)國(guó)等提出了一種動(dòng)態(tài)紋理的視頻影像配準(zhǔn)方法[12]，它不要求攝像機(jī)是同步的，也不是基于逐幀的或是逐列的配準(zhǔn)，而是將視頻看作線性動(dòng)態(tài)系統(tǒng)的輸出，并將視頻的配準(zhǔn)任務(wù)變換到相關(guān)的動(dòng)態(tài)模型參數(shù)配準(zhǔn)。由于這些參數(shù)不能唯一定義，因此并不能直接將這些參數(shù)與視頻影像配準(zhǔn)相對(duì)照，還要變換成標(biāo)準(zhǔn)形式才可行。

7 ?圖像紋理特征處理方案及結(jié)果（Image texture feature processing scheme and results）

本文提出的研究方案是在熟悉圖像處理、圖像分析、機(jī)器視覺和模式識(shí)別的基本理論、基本方法的基礎(chǔ)上，研究目標(biāo)圖像紋理特征的提取算法，具體方案如圖5所示。

具體實(shí)施步驟如下：

（1）圖像紋理分類。研究的首要任務(wù)就是要從圖像中找到能夠有效表征圖像紋理特征的方法，這是后續(xù)紋理分類處理的基礎(chǔ)。提取圖像紋理特征因目標(biāo)對(duì)象（人臉、織物、道路、核磁共振影像等）不同，可以通過采用與之對(duì)應(yīng)的單一方法或是融合的方法來進(jìn)行。一般來說，融合的方法效果會(huì)更好一些，但單一的方法時(shí)效性更好，可根據(jù)具體的問題來展開。由于背景環(huán)境和圖像本身的局部周期性或非周期性等諸多可變復(fù)雜因素的干擾，會(huì)給圖像的有效紋理特征提取帶來新的挑戰(zhàn)。另外，紋理分類也應(yīng)考慮前期特征提取的方案而采用合適的分類規(guī)則（二分類或多分類識(shí)別算法），在傳統(tǒng)的分類方法基礎(chǔ)上研究新穎的分類模式。

（2）圖像紋理分割。在上一階段得到的圖像紋理特征可以直接用作圖像紋理分割的特征，這只是一種包含關(guān)系，但并不限于上一階段的工作。這一階段還可以繼續(xù)研究某一局部所需的紋理特征（往往只是要找出某個(gè)具體的目標(biāo)，如人臉、道路等），也會(huì)涉及全局的多模式的紋理特征分割（如街道、居民區(qū)、學(xué)校等）。在圖像的紋理分割過程中，需要研究有監(jiān)督和無監(jiān)督兩種不同場(chǎng)合的圖像紋理分割途徑。

（3）圖像紋理拼接和配準(zhǔn)。這一階段是在前面兩個(gè)階段的工作理論基礎(chǔ)之上進(jìn)行的，在掌握?qǐng)D像的紋理特征提取、紋理分類和分割理論之后，能夠?qū)⒏信d趣區(qū)域的目標(biāo)紋理檢索（給定樣本中檢索出與目標(biāo)紋理相似的子樣本集）出來，其與紋理分類有一定的相似性，但又有本質(zhì)的區(qū)別。紋理的拼接和配準(zhǔn)與紋理的有效特征提取和分析性能密切相關(guān)，在前期的基礎(chǔ)之上，研究數(shù)學(xué)變換和自適應(yīng)分類相結(jié)合的紋理檢索方法，研究半自動(dòng)的或全自動(dòng)的結(jié)合了相位特征和線特征的紋理配準(zhǔn)方法。

在理論分析基礎(chǔ)上，本文利用圖像處理、圖像分析、機(jī)器視覺和模式識(shí)別的基本理論，從基礎(chǔ)的圖像建庫(kù)、圖像紋理特征提取的效果和適用性、圖像分類分割、圖像拼接配準(zhǔn)等方面逐一深入地通過不同的測(cè)試環(huán)境驗(yàn)證研究的成果，最后應(yīng)用算法解決問題的實(shí)際應(yīng)用。該方案縮短了圖像紋理特征處理的時(shí)間，使得研究結(jié)果更加及時(shí)、準(zhǔn)確，提高了研究效率。

8 ? 結(jié)論（Conclusion）

本文對(duì)圖像紋理分析技術(shù)進(jìn)行了研究與總結(jié)，并介紹了一種整體解決方案。該方案研究了更為魯棒精細(xì)的紋理分類、紋理分割、紋理拼接和紋理配準(zhǔn)等算法，并可實(shí)現(xiàn)圖像紋理特征提取的準(zhǔn)確性和良好的擴(kuò)展性，實(shí)現(xiàn)后續(xù)分類、分割、拼接和配準(zhǔn)等基本應(yīng)用的實(shí)時(shí)性、高效性。

經(jīng)過以上的研究探討，在一定的基礎(chǔ)上對(duì)圖像紋理分析技術(shù)的一些關(guān)鍵問題做出如下展望：研究出一種能夠最佳合理地表示各種不同紋理對(duì)象的紋理特征參數(shù)化模型，根據(jù)對(duì)象的不同，該紋理特征參數(shù)化模型是可調(diào)的，有較好的泛化能力，計(jì)算復(fù)雜度能降低到可實(shí)時(shí)操作，同時(shí)該紋理特征參數(shù)化模型應(yīng)具有較好的穩(wěn)定性，不會(huì)同化也不會(huì)異化;研究如何提高不同應(yīng)用領(lǐng)域紋理分類、分割的性能，找出不同應(yīng)用領(lǐng)域紋理分類、分割的存在關(guān)系和可能存在的制約因素，促使圖像紋理分類和分割的能力進(jìn)一步增強(qiáng);圖像的拼接和配準(zhǔn)有很大的相似性，需要找到有效的相位特征和線特征，細(xì)微的誤差都會(huì)導(dǎo)致效果不好或失敗，因此，前期的特征提取是關(guān)鍵，后期的有效匹配算法也尤為重要，這些都要注意。

參考文獻(xiàn)（References）

[1] 劉麗，趙凌君，郭承玉.圖像紋理分類方法研究進(jìn)展和展望[J].自動(dòng)化學(xué)報(bào)，2018，44（04）：584-607.

[2] 朱葉，申鉉京，陳海鵬.基于彩色LBP的隱蔽性復(fù)制-粘貼篡改盲鑒別算法[J].自動(dòng)化學(xué)報(bào)，2017，43（03）：390-397.

[3] 劉光宇，黃懿，曹禺.基于灰度共生矩陣的圖像紋理特征提取研究[J].科技風(fēng)，2021，12（03）：61-64.

[4] 孟月波，劉光輝，徐勝軍.一種具有邊緣保持的多尺度馬爾可夫隨機(jī)場(chǎng)模型圖像分割方法[J].西安交通大學(xué)學(xué)報(bào)，2019，53（03）：56-65.

[5] 郭恒光，朱默，趙亮.基于多尺度方向分解的紋理特征提取方法研究[J].計(jì)算技術(shù)與自動(dòng)化，2021，40（04）：102-107.

[6] LIU L Y， FAN X J. The design of system to texture feature analysis based on gray level co-occurrence matrix[J]. Applied Mechanics and Materials， 2015， 3759（727）：904-907.

[7] 時(shí)慶濤，朱興宇，于超.多光譜圖像紋理特征數(shù)據(jù)挖掘方法仿真[J].計(jì)算機(jī)仿真，2020，37（02）：247-250.

[8] 吳俊.基于計(jì)算機(jī)視覺的彩色圖像二維紋理識(shí)別方法[J].黑龍江工業(yè)學(xué)院學(xué)報(bào)，2020，20（1）：31-36.

[9] 舒明軍，樊曉明，徐世道.不同級(jí)別腦膠質(zhì)瘤患者M(jìn)RI圖像紋理特征分析[J].河南醫(yī)學(xué)研究，2021，30（9）：1679-1681.

[10] 郭航宇，景曉軍，尚勇.基于小波變換和數(shù)學(xué)形態(tài)法的車牌定位方法研究[J].計(jì)算機(jī)技術(shù)與發(fā)展，2010，20（5）：13-16.

[11] 張琳娜，陳建強(qiáng)，吳妍.基于雙匹配配準(zhǔn)算法的多重復(fù)紋理圖像拼接[J].數(shù)據(jù)采集與處理，2021，36（02）：334-345.

[12] 張衛(wèi)國(guó)，李景妹.改進(jìn)的基于紋理特征的圖像配準(zhǔn)算法[J].計(jì)算機(jī)工程與應(yīng)用，2016，52（06）：214-218.

作者簡(jiǎn)介：

雷雨果（1994-），女，本科，工程師.研究領(lǐng)域：電子信息.本文通信作者.

梁 ?楠（1981-），男，博士，副研究員.研究領(lǐng)域：控制科學(xué)與工程.

劉春梅（1983-），女，本科，實(shí)驗(yàn)師.研究領(lǐng)域：計(jì)算機(jī)科學(xué)與電子技術(shù)研究.