基於相位一致的紋理分類方法
2023-06-08 11:23:36 2
專利名稱:基於相位一致的紋理分類方法
技術領域:
本發明涉及一種圖像處理技術領域的方法,具體是一種基於相位一致的紋理分類方法。
背景技術:
紋理是一種視覺感知的圖像局部特徵的綜合,是灰度或顏色在空間以一定的形式變化而產生的圖案。現存的圖像紋理分析方法很多,主要有統計方法、基於模型的方法和信號處理等方法。現存的紋理分析方法都是基於圖像的幅值信息,即圖像的灰度和顏色,且受環境因素如照明度和對比度等的影響,一旦這些條件發生變化,圖像的紋理就會受到影響,從而影響分類結果。
經對現有技術文獻的檢索發現,Liu等在《IEEE Trans.on ImageProcessing》(《IEEE圖像處理學報》)June 2003,12(6)661-670上發表的「Textureclassification using spectral histograms」(「基於譜直方圖的紋理分類」)提出了基於圖像濾波得到的局部特徵和譜直方圖,進行紋理分類的方法。兩個譜直方圖之間的距離由x2-統計測度產生,相同的紋理之間距離小,不同的紋理之間距離大。相位一致的概念可以用方波信號的分解來解釋,方波信號可以由傅立葉分解為一系列正弦波,並且在方波的上升沿和下降沿,所有的正弦波具有相同的相位,稱為相位一致。這個現象也同樣存在於三角形波的峰值和谷底,以及脈衝函數的中心,而這些點都可以作為信號的特徵點。相位一致經Kovesi(1993)進一步改進,由不同尺度和不同相位的二維log-Gabor濾波器擴展到二維(2D)圖像。
發明內容
本發明的目的在於針對現有技術的不足,提供一種基於相位一致的紋理分類方法,使其將圖像的相位信息與支持向量機相結合進行紋理分類,分類精度不受圖像光線明暗和對比度變化的影響。
本發明是通過以下技術方案實現的,本發明先從原始圖像中選取圖像塊,與二維log-Garbor濾波器卷積,得到初始相位一致圖像;再通過極大值抑制和雙閾值法,得到相位一致映射圖,即圖像的紋理邊緣圖;然後計算紋理邊緣共生矩陣的Shannon熵;最後用支持向量機(SVM)作為分類器進行分類。
所述的從原始圖像選取圖像塊,是指對所有要進行分類的圖像選擇同樣大小的圖像塊,綜合考慮分類精度和計算耗時,選擇適當大小的圖像塊。為了提高分類精確度,所選圖像塊應該包含儘可能多的紋理信息,即圖像塊應該儘可能選擇的較大;而圖像塊增大會引起計算量大,計算耗時多,因而應儘可能減小圖像塊大小。本發明選擇64×64像素或128×128像素的圖像塊作為實驗圖像,從分類精度和計算耗時兩個方面的折中可以取得較好效果。
所述的與二維log-Garbor濾波器卷積,得到初始相位一致圖像,是指原圖像在尺度s和方位o與二維log-Garbor濾波器卷積,得到的響應幅值設為Aso(x,y),相位角為φso(x,y),利用相位偏差測度Δφso(x,y),並將估計噪聲T從局部能量中減去,相位一致可以表示為 其中 定義被包圍的量,當其值為正值時保持不變,當其值為負值時則變為0;W(x)是相位一致的權值函數。原圖像塊與公式(1)卷積,得到初始相位一致圖像。
所述的通過極大值抑制和雙閾值法,得到相位一致映射圖,具體為對初始相位一致圖像進行雙線性插值,在每個像素的各個方向上估計其是否為局部最大值。設定兩個閾值來探測特徵點,上閾值T1和下閾值T2,且T1>T2,並將所有大於T1的點都標記為特徵點。本發明採用8臨域,將像素周圍所有標記為特徵點的點和大於T2的點都標記為特徵點,並將它們連接起來,形成特徵映射圖。此時的特徵映射圖可以理解為圖像的紋理邊緣圖。
所述的計算邊緣共生矩陣的Shannon熵,是指對圖像的紋理邊緣圖,分別計算位移為d=1和2(對於θ=0°,90°),以及d=2]]>和 (對於θ=45°)時的邊緣共生矩陣,然後分別計算其Shannon熵,則共有六個值作為支持向量機的輸入。
所述的用支持向量機作為分類器進行分類,是指將六個Shannon熵組成的特徵向量,作為支持向量機(SVM)的輸入進行分類。SVM採用多項式核函數,用leave-one-out方法進行分類實驗。
本發明是基於對圖像相位的分析,其中的特徵點可以理解為信號的傅立葉分解的各次諧波具有最大相位一致的點,並且具有對光線明暗和對比度的不變性。所以本發明能夠獲得較高的分類精度,不受光線明暗和對比度變化的影響。由於結合了相位一致特性和邊緣共生矩陣,由支持向量機進行分類,具有良好穩健性的優點。
圖1本發明實施例中採用的實驗圖像具體實施方式
以下結合具體的實施例對本發明的技術方案作進一步詳細描述。
本發明實施例採用的實驗圖像採用Brodatz自然紋理集的自然圖像。整個發明實現過程如下1.先從原始圖像中選取適當大小的圖像塊。其中四個圖像D19(毛紡布),D29(海灘沙子),D68(木材紋理)以及D84(酒椰葉的纖維)的圖像塊分別如圖1.(a),(b),(c)和(d)所示(為了圖像清楚,以128×128像素的圖像塊為例)。分類實驗中,分別選擇256×256,128×128,64×64,32×32像素和16×16像素的圖像塊作為實驗圖像。
2.計算初始相位一致圖像。將原圖像塊I(x,y)通過以下傳遞函數與2Dlog-Gabor濾波器組進行卷積G=exp(-(log(/0))22(log(k/0))2)---(2)]]>其中,ω0是濾波器的中心頻率,k/ω0對於不同的ω0一定要是一個常數。
定義Msoeven和Msoodd分別為偶對稱和奇對稱濾波器,在尺度s和方位o,響應向量可由圖像與濾波器卷積得到eso(x,y),oso(x,y)=I(x,y)*Msoeven,I(x,y)*Msoodd---(3)]]>響應的幅值是
Aso=eso(x,y)2+oso(x,y)2---(4)]]>相位角為φso(x,y)=atan(oso(x,y)/eso(x,y))(5)定義φo(x,y)為在相位o的相位角均值,相位偏差測度可以由下式求出ΔΦso(x,y)=cos(φso(x,y)-φo(x,y))-|sin(φso(x,y)-φo(x,y))| (6)同時,考慮噪聲對相位一致的影響,將估計噪聲T從局部能量中減去可以消除噪聲產生的偽響應,以及銳化特徵的位置,於是相位一致可以表示為 其中 定義被包圍的量,當其值為正值時保持不變,當其值為負值時則為0;W(x)是相位一致的權值函數。
將原圖像塊與公式(7)進行卷積得到初始相位一致圖像,如圖1.(e),(f),(g)和(h)所示。
3.對初始相位一致圖像,經過極大值抑制和雙閾值細化,產生相位一致特徵映射圖。非極大值抑制指對初始相位一致圖像進行雙線性插值,在每個像素的各個方向上估計其是否為局部最大值。雙閾值細化是指設定兩個閾值,T1和T2,且T1>T2,將所有大於T1的點都標記為特徵。圖像分析採用8臨域,將像素周圍所有標記為特徵的點和值大於T2的點都標記為特徵點,連接起來,形成相位一致特徵映射圖,如圖1.(i),(j),(k)和(l)所示。此時,經過細化的相位一致特徵映射圖,可以理解為圖像的紋理邊緣圖。
4.對相位一致特徵映射圖,通過計算紋理的邊緣共生矩陣來量化紋理特徵。邊緣共生矩陣的定義來源於灰度共生矩陣,如果圖像中相距(d,θ)的兩個灰度像素對同時出現的聯合頻率分布,可用一個灰度共生矩陣H(d,θ)表示,其中矩陣元hij的數值是所有距離為d,與水平方向角度為θ的像素對數目之和。若圖像共有K個灰度級,則灰度共生矩陣的大小為K×K,歸一化的灰度共生矩陣可以用C0(i,j)表示。
在圖像的紋理邊緣圖中,灰度值只有0和1,此時的灰度共生矩陣就變成2×2的邊緣共生矩陣,由Shannon熵可以定義ENT=-i,jGC0(i,j)logC0(i,j)---(8)]]>本發明採用的距離包括d=1和2(對於θ=0°,90°),以及D=2]]>和
(對於θ=45°),於是得到六個熵值。
5.將邊緣共生矩陣的六個Shannon熵組成的特徵向量,作為支持向量機(SVM)的輸入進行分類。SVM採用多項式核函數,用leave-one-out方法進行分類實驗,實驗結果見下表。
從表中可以看出,當實驗圖像大於64×64時,都能得到很好的分類效果。因而作為對實驗精度和計算耗時的折中,易選用64×64像素或128×128像素的圖像塊作為實驗圖像。
權利要求
1.一種基於相位一致的紋理分類方法,其特徵在於,先從原始圖像中選取圖像塊,與二維log-Garbor濾波器卷積,得到初始相位一致圖像;再通過極大值抑制和雙閾值法,得到相位一致映射圖,即圖像的紋理邊緣圖;然後計算紋理邊緣共生矩陣的Shannon熵;最後用支持向量機作為分類器進行分類。
2.根據權利要求1所述的基於相位一致的紋理分類方法,其特徵是,所述的從原始圖像選取圖像塊,是指對所有要進行分類的圖像選擇同樣大小的圖像塊,綜合考慮分類精度和計算耗時,選擇圖像塊的大小,所選圖像塊應該包含儘可能多的紋理信息。
3.根據權利要求1或者2所述的基於相位一致的紋理分類方法,其特徵是,所述的從原始圖像選取圖像塊,選擇64×64像素或128×128像素的圖像塊作為實驗圖像。
4.根據權利要求1所述的基於相位一致的紋理分類方法,其特徵是,所述的與二維log-Garbor濾波器卷積,得到初始相位一致圖像,是指假設原圖像在尺度s和方位o與二維log-Garbor濾波器卷積,得到的響應的幅值是Aso(x,y),相位角為φso(x,y),同時利用一個相位偏差測度Δφso(x,y),並將估計噪聲T從局部能量中減去,則相位一致表示為 其中 定義被包圍的量,當其值為正值時保持不變,當其值為負值時則為0,其中,W(x)是相位一致的權值函數。
5.根據權利要求1所述的基於相位一致的紋理分類方法,其特徵是,所述的通過極大值抑制和雙閾值法,得到相位一致映射圖,具體為非極大值抑制指對初始相位一致圖像進行雙線性插值,在每個像素的各個方向上估計其是否為局部最大值;而雙閾值是指用兩個閾值來探測特徵,上閾值T1和下閾值T2,且T1>T2,所有大於T1的點都標記為特徵點,採用8臨域,將像素周圍所有標記為特徵點的點和值大於T2的點都標記為特徵,並連接起來,形成相位一致映射圖,此時的相位一致映射圖理解為紋理邊緣圖像。
6.根據權利要求1所述的基於相位一致的紋理分類方法,其特徵是,所述的計算紋理邊緣共生矩陣的Shannon熵,是指對相位一致映射圖,當θ=0°和90°時,分別計算位移為d=1和2,以及θ=45°時,位移為d=2]]>及 的邊緣共生矩陣,然後分別計算其Shannon熵。
7.根據權利要求1所述的基於相位一致的紋理分類方法,其特徵是,所述的用支持向量機作為分類器進行分類,是指將六個Shannon熵組成的特徵向量作為支持向量機的輸入進行分類,支持向量機採用多項式核函數,用leave-one-out方法進行分類實驗。
全文摘要
一種圖像處理技術領域的基於相位一致的紋理分類方法,先從原始圖像中選取圖像塊,與二維log-Garbor濾波器卷積,得到初始相位一致圖像;再通過極大值抑制和雙閾值法,得到相位一致映射圖,即圖像的紋理邊緣圖;然後計算紋理邊緣共生矩陣的Shannon熵;最後用支持向量機作為分類器進行分類。本發明是基於對圖像相位的分析,其中的特徵點可以理解為信號的傅立葉分解的各次諧波具有最大相位一致的點,並且具有對光線明暗和對比度的不變性。所以本發明能夠獲得較高的分類精度,不受光線明暗和對比度變化的影響。由於結合了相位一致特性和邊緣共生矩陣,由支持向量機進行分類,具有良好穩健性的優點。
文檔編號G06T7/40GK1776743SQ200510110660
公開日2006年5月24日 申請日期2005年11月24日 優先權日2005年11月24日
發明者曹桂濤, 施鵬飛 申請人:上海交通大學