纹理特征及其在图像处理中的应用

2023-06-28 理论教育版权反馈

【摘要】：纹理是人类视觉系统对自然界物体表面现象的一种感知，是人们描述和区分不同物体的重要特征之一。同时，纹理是一个区域特征，与观察尺度相关。所以，纹理特征可以认为是图像中灰度、颜色或细小的结构形状在空间上呈现规律的变化［70］。纹理基元具有面积、周长、偏心率、方向、延伸度、矩等特征。

纹理是人类视觉系统对自然界物体表面现象的一种感知，是人们描述和区分不同物体的重要特征之一。如图2-14所示，常见的纹理有以下三种类型：

1）自然纹理。这类纹理来源于真实物体表面，大多呈现不规则性、随机性强。

2）人工合成纹理。是用计算机算法模拟或人为生成的表面纹理，一般形状规则、确定，分布均匀。

3）混合纹理。由人工纹理随机分布于物体表面或自然景物中构成^［69］。

图2-14 常见纹理的示例

a）自然纹理 b）人工合成纹理 c）混合纹理

纹理最明显的视觉特征是粒度或粗糙性、方向性、重复性或周期性。同时，纹理是一个区域特征，与观察尺度相关。从人们的视觉感知来说，纹理有两个要素：引起视觉感知的像素灰度／颜色变化模式的基本单元，即纹理基元；纹理基元按一定规律排列，变现为某种规律性，也可以表现为随机性。所以，纹理特征可以认为是图像中灰度、颜色或细小的结构形状在空间上呈现规律的变化^［70］。描述纹理的方法可以分为统计方法、结构化方法和基于模型的方法三大类。

1.统计方法

从区域统计的角度去分析纹理图像的方法称之为基于统计的纹理分析方法，该类方法可以在空域和频域中进行。在图像空间域中包括矩、自相关函数、灰度共生矩阵、边缘频率、游程长度等；在频域中有频谱分析法。

基于空间域的纹理统计方法：纹理矩是与纹理基元形状和灰度空间分布有关的几何特征；空间自相关函数的基本思想是利用像素之间的灰度相似性计算描述图像纹理的规则度和粗糙度；灰度共生矩阵克服了直方图不反映空间位置信息的弱点，是图像灰度变化的二阶统计度量；边缘频率通过检测边缘分布的一阶和二阶统计量，可以度量出纹理的粗糙度、对比度、随机性、方向性等属性。

频谱技术利用傅里叶变换将空间域的纹理图像变换到频率域中，从而获得在空间域不易提取的纹理特征，主要用于通过识别频谱中高能量的窄波峰寻找图像中的整体周期性^［8］。利用统计的方法对频率特性进行度量，可以派生出许多纹理特征的描述子（直方图、熵、均值、方差、斜度等）。

2.结构化方法

结构化方法有两个步骤：一是纹理基元的提取；二是发现图像纹理中基元的排列规则。通常纹理基元由图像中具有均匀灰度的区域构成。纹理基元具有面积、周长、偏心率、方向、延伸度、矩等特征。结构化分析方法通常首先确定纹理基元，然后根据句法模式识别理论，利用形式语言对纹理的排列规则进行描述^［68］。图2-15所示为纹理的结构化描述。

图2-15 纹理的结构化描述

a）纹理基元 b）由规则S→aS生成的模式 c）由S→aS和其他规则生成的二维纹理模式

结构化方法的优点是有利于对纹理构成的理解和高层检索使用，适合于描述人工规则纹理。而对于自然纹理来说，纹理分布的随机性使得纹理基元提取相当困难，基元之间的排布规则不易用确定的数学模型描述。因此，结构化方法在随机纹理描述中应用不多。

3.基于模型的方法

基于纹理模型的方法是通过所建立的图像模型来描述纹理的。常见的纹理模型方法有Markov随机场、自回归模型和分形维模型^［69］。Markov随机场（简称MRF）是广泛使用的纹理模型，该模型在二维空间分析纹理图像的灰度变化，获得图像中局部空间上下文信息。自回归模型的系数表征纹理的特点和类型，对于粗纹理来说，自回归模型的邻域系数是相近的，而对于细纹理来说，自回归模型的邻域系数具有很大的不同。

许多自然物体表面在不同尺度上呈现粗糙性和自相似性，分形维模型是度量这些特性的有力工具。分形维模型的重要特征包括：分形维大小与人们对物体表面粗糙程度的视觉感知具有一致性，即光滑的物体表面具有较小的分形维值，而较为粗糙的表面具有较大的分形维值；分形维具有尺度不变性，物体表面的分形维模型广泛应用于物体的粗糙度、不规则性、自然纹理的分析。

纹理特征及其在图像处理中的应用

相关推荐