纹理基元字典的规模是指纹理基元字典中含有纹理基元的个数，纹理基元字典规模的大小在字典学习算法中具有重要的影响，主要体现在以下两个方面。所以，纹理基元字典的规模过大会使纹理基元字典的学习过程和纹理基元编码过程非常耗时，导致算法的实时性降低。因此，必须为本章方法确定一个最佳的纹理基元字典规模，以便充分有效地提取原始纹理图像中所包含的特征信息，同时能获得良好的纹理图像识别精度和实时性。......
2023-06-29
纹理基元编码与特征向量构建
【摘要】：在获得输入图像I的纹理基元编码图像之后，为了方便送入分类器进行类别的判断，需要将编码图像转换成一个特征向量，将其作为原始纹理图像的最终特征描述。显然，利用纹理基元编码图像计算出的直方图特征向量，其特征维数和纹理基元字典的规模是相同的，即每个直方条对应纹理基元字典中的一种纹理基元，直方图的数值则体现了纹理基元编码图像中每个纹理基元出现的频率大小。
对于一个纹理图像I，利用纹理基元字典对其进行编码的具体过程如下所述。
（1）选择纹理图像I中的一个像素，将其作为当前像素，按照本章第2.3.1节的方法以当前像素为中心选择一个局部邻域图像，然后分别计算当前像素所在局部邻域图像的宏观特征（熵Ent、方差Var、最大变化幅度MR）和微观特征（半径R=2和6时对应的LDSC、LDMC分量），将上述宏观特征和微观特征分量进行级联，使当前像素获得一个7维的局部特征向量标记LF，用于描述当前像素所在邻域图像的局部特征。
（2）根据式（2-8）计算当前像素的局部邻域特征向量LF与纹理基元字典中每个纹理基元向量的L2范数距离，用这个L2范数距离表示当前像素局部邻域特征向量与每个纹理基元的特征相似度，即
式中：
LF —— 当前像素的局部邻域特征向量（7维向量）；
Textonj —— 纹理基元字典中第j个纹理基元的特征向量（7维向量）。
（3）根据最近邻（即特征最相似）原则，将L2范数距离最小的那个纹理基元在整个纹理基元字典中对应的序号作为当前像素局部邻域特征的编码值，即
式中：
dj —— 当前像素的局部特征向量LF与第j个纹理基元的L2范数距离；
j —— 纹理基元字典中第j个纹理基元的序号。
图2-9展示了利用纹理基元字典对一个像素（白色圆点）的局部邻域特征进行编码的过程，即通过特征相似度的对比，将整个纹理基元字典中与LF最相似的那个纹理基元的序号作为当前像素的标记，在上述纹理基元编码之后，当前像素获得一个编码值（如图2-9所示，当前像素的局部邻域特征向量与纹理基元字典中第6个纹理基元的特征最相似，所以当前像素的编码值就赋值为6），该编码值与原始图像中的灰度值具有不同的特征描述能力，即原始图像中当前像素的灰度值仅表示单独一个像素点的灰度信息，而编码值能够表示当前像素及其局部邻域图像的统计特征，这是因为每一个编码值的背后都有一个7维的纹理基元特征向量的支撑，这使编码值所包含的信息更加丰富。
图2-9 对一个像素进行纹理基元编码的过程
（4）按照上述步骤（1）～（3）的方法，对纹理图像I中的每个像素都计算一个纹理基元编码值，从而获得原始纹理图像I对应的纹理基元编码图像。
在获得输入图像I的纹理基元编码图像之后，为了方便送入分类器进行类别的判断，需要将编码图像转换成一个特征向量，将其作为原始纹理图像的最终特征描述。因为图像的直方图能够很好地反映图像的统计特征，具有较强的鉴别能力，并且计算简单高效，对图像的旋转也具有不变性，所以用本章方法计算纹理基元编码图像的直方图，可以获得每个类型纹理基元发生的频率特征，将其作为原始纹理图像的特征向量，用于纹理图像的识别。同时，为了避免直方图中频率过大模式的不良影响，本章对纹理基元编码图像的直方图进行了开平方运算，然后将其送入分类器进行纹理识别。显然，利用纹理基元编码图像计算出的直方图特征向量，其特征维数和纹理基元字典的规模是相同的，即每个直方条对应纹理基元字典中的一种纹理基元，直方图的数值则体现了纹理基元编码图像中每个纹理基元出现的频率大小。
有关纹理图像的特征提取和识别的文章
- 详细阅读
-
学习纹理基元字典的方法与应用详细阅读
图2-7展示了本章所采取的逐类学习纹理基元，最终构建纹理基元字典的实现过程。按照上述步骤的方法，依次从每个类别的训练样本中学习Nt个纹理基元，然后把从所有类别学习到的纹理基元进行合并，将其作为纹理基元字典。最后，需要对纹理基元字典中非常相似的纹理基元进行删除。因此，必须删除纹理基元字典中冗余的纹理基元。......
2023-06-29
-
现有纹理基元学习方法的优化详细阅读
例如，对于一个7×7像素的图像块，把所有像素的灰度值排成一列，构成一个49维的列向量，将其作为纹理基元的学习对象，最终学习到的每个纹理基元也是一个49维的列向量，可见，VZ-Joint算法中49维的图像块向量相当于VZ-MR8算法中的局部MR8响应特征。总体来说，将VZ-MR8算法和VZ-Joint算法相比，这两种纹理基元学习方法各有优劣之处，主要体现在以下几个方面。......
2023-06-29
-
运用纹理构建情绪意象详细阅读
纹理组织能够反映物质表面状态，通过明暗值的对比关系，可以表达一定的空间状态，同时，纹理组织也具有传达情感的意向。运用纹理进行定向组织，传达某一特定情绪或意境的表现，构成情绪意象。纹理组织依附建筑来传情达意，形成建筑的表面形象，影响人们的情绪表现。图6-2纹理的空间形式图6-3纹理组织的情绪表现质感，广泛是指材料、材质及表面肌理。......
2023-10-12
-
突破传统：纹理基元学习方法的描述和原理详细阅读
图2-5本章提出的纹理基元学习方法的原理图本章所提出的纹理基元学习方法把纹理图像的局部特征视为潜在的纹理基元，通过对局部纹理图像的特征进行描述，来获取潜在纹理基元的特征向量。因此，本章所提出的纹理基元学习方法预期能够超越传统的纹理基元学习方法，在识别精度和实时性方面实现新的突破。......
2023-06-29
-
乡村景观基因的编码与表达详细阅读
景观基因图谱的图谱单元管理，需要通过分析、显示和查询三个路径实现，因此，景观基因的文本体系需要更为简单有效的表达方式，如编码。图3-4交叉十字法提取基因符号依据国家相关标准，以及景观基因信息库的构建需求，本书最终采用英文字母与阿拉伯数字结合的编码形式对景观基因进行文字符号化的处理。......
2023-10-18
-
纹理特征研究的历史与现状详细阅读
人类对纹理特征的研究最早可追溯到1962年Julesz[44]对纹理视觉感知模型的研究，时至今日，人们对纹理图像的研究已经有50多年的历史。在国内，清华大学的郭振华[52-57]、国防科技大学的刘丽[1，2， 58-61]、重庆邮电大学的宋铁成[62-64]等也在该方面进行了深入的研究。图1-7展示了当选择距离d=1、方向θ=0°时根据输入图像计算GLCM矩阵的基本原理。例如，将原始图像量化为32或16个灰度等级，则GLCM方法的计算量会大大降低。......
2023-06-29
-
互联网编码与传播-再造与重构详细阅读
网络极大地丰富了信息传播的内容与形态。网页成为承载网络传播者信息编码的主体单元。根据霍尔的研究，传者与受者意义结构不完全相同，编码与解码的符码不完全对称是产生传播误解的一个重要因素。网络传播者识别受众个体的意义结构，根据意义结构调整自己编码的意义结构，并实行指向性明确的网络传播策略，是网络传播获取更好传播效果的关键。......
2023-11-17
相关推荐