GLCM纹理特征提取_SVM

第２６卷第７期２００９年７月

计算机应用研究

ＡｐｐｌｉｃａｔｉｏｎＲｅｓｅａｒｃｈｏｆＣｏｍｐｕｔｅｒｓ

Ｖ０１．２６Ｎｏ．７

Ｊｕｌ．２００９

基于纹理特征提取的图像分类方法

研究及系统实现木

谢菲，陈雷霆，邱航

（电子科技大学计算机科学与工程学院，成都６１００５４）

摘要：深入研究灰度共生矩阵算法，结合和差统计法对其进行改进。编码实现改进的图像纹理提取算法，并采用基于径向基内积函数内核的支持向量机方法对图像分类效果进行实验。通过训练和测试证明，该系统能减少特征提取的计算时间和存储空间，并可达到良好的图像分类效果关键词：纹理特征提取；图像分类；灰度共生矩阵；支持向量机中图分类号：ＴＰ３９１．４１

文献标志码：Ａ

文章编号：１００１—３６９５（２００９）０７．２７６７．０４

ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００ｌ－３６９５．２００９．０７．１０７

Ｒｅｓｅａｒｃｈｏｆｉｍａｇｅｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄ

ｂａｓｅｄ

ｏｎ

ｔｅｘｔｕｒｅ

ｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎａｎｄｓｙｓｔｅｍ

ＸＩＥＦｅｉ，ＣＨＥＮ

ｔｏ

ａｃｈｉｅｖｅ

Ｌｅｉ—ｔｉｎｇ，ＱＩＵ

Ｈａｎｇ

（Ｓｃｈｏｏｌ

ｏｆＣｏｍｐｕｔｅｒ

ｐａｐｅｒ

Ｓｃｉｅｎｃｅ＆Ｅｎｇｉｎｅｅｒｉｎｇ，Ｕｎｉｖｅｒｓｉｔｙ

ｏｆＥｌｅｃｔｒｏｎｉｃＳｃｉｅｎｃｅ＆ＴｅｃｈｎｏｌｏｇｙｏｆＣｈｉｎａ。Ｃｈｅｎｇｄｕ６１００５４，Ｃｈｉｎａ）

ｓｕｍ

Ａｂｓｔｒａｄ：Ｔｈｉｓｔｅｄｔｈｅｉｍｐｒｏｖｅｄ

ｓｔｕｄｉｅｄＧＬＣＭａｌｇｏｒｉｔｈｍ，ｃｏｍｂｉｎｅｄｆｅａｍｒｅ

ｅｘｔｒａｃｔｉｏｎ

ａｎｄｄｉｆｆｅｒｅｎｃｅｈｉｓｔｏｇｒａｍｓｍｅｔｈｏｒｄ

ｔｏ

ｉｍｐｒｏｖｅｄｉｔ．Ｉｍｐｌｅｍｅｎ－

ｔｅｘｔｕｒｅ

ｔｏ

ｍｅｔｈｏｄｔｈｒｏｕｇｈｐｒｏｇｒａｍｍｉｎｇ，ａｎｄ

ｐｒｏｖｅｓ

ｃｏｍｂｉｎｅｄ

ＳＶＭｍｅｔｈｏｄｓｗｉｔｈｔｈｅｒａｄｉａｌｂａｓｉｓ

ａ・

ｆｕｎｃｔｉｏｎ（ＲＢＦ）ｃｏｒｅ

ｃｈｉｅｖｅｇｏｏｄｒｅｓｕｌｔｓｉｎ

ｏｌａｓｓｉｆｙｉｍａｇｅｓ．Ｉｔ

ｔｈａｔｔｈｅｓｙｓｔｅｍ

ｃａｎ

ｒｅｄｕｃｅｔｈｅｃｏｍｐｕｔｉｎｇｔｉｍｅｏｆｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎａｎｄ

ｉｍａｇｅｃｌａｓｓｉｆｉｃａｔｉｏｎｔｈｒｏｕｇｈａｎａｌｙｚｉｎｇ，ｔｒａｉｎｉｎｇａｎｄｔｅｓｔｉｎｇ．

ＣＯ—ｏｃｃｕｒｒｅｎｃｅ

Ｋｅｙｗｏｒｄｓ：ｔｅｘｔｕｒｅｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎ；ｉｍａｇｅｃｌａｓｓｉｆｉｃａｔｉｏｎ；ｇｒｅｙｌｅｖｅｌｍａｔｒｉｘ；ｓｕｐｐｏｒｔｖｅｃｔｏｒ

ｍａｃｈｉｎｅ（ＳＶＭ）

随着因特网和图像采集设备技术的飞速发展，数字图像资源呈爆炸性地增长。基于内容的图像检索（ＣＢＩＲ）系统应时而生。在颜色、纹理、形状这五个基本的低层次图像内容中，纹理特征是十分重要的。灰度共生矩阵（ＧＬＣＭ）是被广泛应用的纹理提取算法…。虽然该算法检索纹理图像的精确度高，但生成的灰度共生矩阵在一般情况下都为稀疏矩阵，导致特征值计算有大量冗余。本文改进了此方法，减少了矩阵的存储空间和计算共生纹理特征的计算量；图像分类部分采用基于径向基内积函数内核的支持向量机方法，最终实现基于纹理特征提取的纹理图像分类。

１

定义矩阵第ｉ行Ｊ列元素间距离为ｄ，方向为０的灰度共生矩阵为

只＝Ｐ（ｔ。。，ｊ，ｄ，口）

，（１）

其中：０＝０。，４５。，９００，１３５００

以ｘ轴为起始，逆时针方向计算，对不同的０，矩阵元素的定义为

ｐ（ｉｄ，ｄ。００）＝脊｛（（＆，ｆ）（ｍ，ｎ））Ｅ（缸・ｒｅ）｝（Ｌｘ｝巧）Ｉ

ｋ—ｍ＝０，Ｊｆ—ｎｔ＝ｄ；八☆，Ｚ）＝ｉ√Ｉｍ，，１）＝，｝ｐ（ｉｄ，ｄ，４５０）＝＃｛（（☆，ｆ）（ｍ。ｎ））∈（厶＃Ｌｙ）・（Ｌｘ｝巧）ｌ（ｋ—ｍ＝ｄ，

ｌ—ｒｔ＝一ｄ）或（＾一ｍ＝一ｄ。ｌ—ｎ＝ｄ）；ｆＣ☆，Ｚ）＝ｉ√Ｉｍ，ｎ）＝Ｊ｝

ｐ（ｉ，ｊ，ｄ，９０。）＝＃ｌ（（☆，ｆ）（ｍ，，１））Ｅ（￡“・Ｌｙ）・（Ｌｘ－Ｌｙ）Ｉ

Ｉ女一ｍｌ＝ｄ，ｌ—ｎ＝０；／Ｉ＾，Ｚ）＝ｉ√Ｉｍ，ｎ）＝，｝

ｐ（ｉ√，ｄ，１３５０）＝＃｛（（☆，Ｚ）（ｍ，ｎ））Ｅ（Ｌｘ・ｒｅ）十（Ｉａ｝Ｌｙ）Ｉ

（ｋ—ｍ＝ｄ，ｌ一，Ｉ＝ｄ）或

（ｋ—ｍ＝ｄ，ｚ一，Ｉ＝ｄ）；八☆，ｚ）＝ｉ√Ｉｍ，ｎ）＝，｝

ＧＬＣＭ算法及改进

ＧＬＣＭ基本原理

灰度共生矩阵算法是基于图像中某一灰度级结构重复出

１．１

其中：记号引筇｝表示集合菇的元素数。矩阵的第ｉ行＿『列元素表示所有０方向，相邻间隔为ｄ的像素中有一个取ｉ值，另一个取＿『值的相邻对点个数。

对式（１）作正规化处理：

现的概率情况来描述纹理信息…，反映图像灰度关于方向、相邻间隔、变化幅度的综合信息，是分析图像的局部模式和排列规则的基础。其算法描述如下：

把图像厂作Ｌｘ木ｔｅ到Ｇ的变换，即厶水勿中的每一点对应一个属于Ｇ的灰度，其最高灰度级定义为第札级。

收藕日期：２００８－０９－２５；修回日期：２００８－１１一０３

Ｐ０ｉ，ｊ）／Ｒ－＋ｐｔｉ∞

其中：Ｒ为正规化常数。根据文献［５］中的研究，正规化后的特征值有更高的纹理分辨率。当ｄ＝１，０＝０。或９００时，Ｒ＝

２Ｍ（Ｎｘ一１）；当ｄ＝１，０＝４５。时，Ｒ＝２（以一１）（舰一１）。

基金项目：国家“８６３”计划资助项目（２００７ＡＡ０１０４０７，２００６ＡＡ０１２３３５）

作者简介：谢菲（１９８４一），女，重庆人，硕士研究生，主要研究方向为计算机图形图像、数字媒体（ｆａｉｒｙ＿ｘｉｅ９４２０＠１６３．ｃｏｍ）；陈雷霆（１９６６一），男，

重庆人，教授，博导，主要研究方向为计算机图形图像、数字媒体、虚拟现实；邱航（１９７８一），男，四川成都人，讲师，博士，主要研究方向为计算机图形

学、虚拟现实．

・２７６８・计算机应用研究

第２６卷

１．２纹理特征值描述

根据灰度共生矩阵可计算提取出多个纹理特征值。其中常用的有如下八个‘１・引：

ａ）角二阶矩（ＵＮＵ为ＵＮＩ＝∑三｛ｐ（ｆＪ）ｆ

２。

ｂ）对比度（ｃｏＮ）为ｃｏＮ：笺ｎ２｛兰釜ｐ（ｉ，，）｝。其中：

Ｉｉ－ｊｌ＝，ｌ。

ｃ）相关（ＣＯＲ）为ＣＯＲ＝王乏（扩）ｐ（ｆ，，）一地ｐ，／吒盯，。其中：儿ｐ，和盯。盯，分别是Ｐ，、ｐ，的均值和均方差。

ｄ）逆差距（ＩＤＭ）为ＩＤＭ＝∑∑ｐ（ｉ√）／｝１＋（ｚ—Ｊ）２｝。ｅ）熵（ＥＮＴ）为ＥＮＴ＝一王王ｐ（ｉ，ｊ）ｌｏｇ｛ｐ（ｉ，ｊ）｝。ｆ）最大概率（ＭＡＸ）为ＭＡＸ＝ｍ“｛Ｐ（ｉ√）｝。

ｇ）相异（ＤＩＳ）为ＤＩＳ，薹薹｜ｐ（ｆＪ）ｎ。其中：ｌｉ－ｊｌ＝ｎ。

ｈ）反差（ＩＮＶ）为ＩＮＶ＝∑Ｘｐ（ｉ√）／｛１＋Ｉｉ—ｊｌ／Ｇ）ｏ

２基于ＧＬＣＭ算法的改进

一般情况下，生成的灰度共生矩阵为稀疏矩阵，这会导致

特征值的计算有大量的冗余，浪费大量的存储空间ｍ５１。因此

需要改进ＧＬＣＭ算法，减少计算量和存储量。

首先对灰度共生矩阵作变形。观察灰度共生矩阵可知，矩阵值沿左对角线（１３５。）对称。因此，把生成的灰度共生矩阵沿左对角线对折，重合位置的值相加，可得到一个ｉ≥，的下三角矩阵。遍历此下三角矩阵的时间代价约为原来的一半。

研究Ｕｎｓｅｒ［６１提出的和差统计法。该方法与灰度矩阵的二维表示不同，采用一维向量形式表示共生灰度中纹理特征的和与差。对下三角矩阵进行和差矢量的计算，在相对位移（瓯，６，）一定的情况下，对应的和与差异的定义如下：

Ｓ。。６

２Ｌ。６＋ｋ＋氐．６＋ｂ

ｄ。，６２ｒａ，ｂ—ｒａ＋毛．¨～

和矢量定义为

ｃ（１；疋，也）＝Ｇ（￡）＝

刮，

｛

ｌ’

【１≤口＋占，≤Ａ，１≤６＋艿，≤ＢＪ

其中：ｉ＝０，１，…，２（Ｇ一１）。

对应的差矢量定义为

ｃ瓴¨）划Ｃｄ）．ｃａｒｄ［憾（ａ，毗ｂ）ｅＲ乱，ｄ．’羔氐≤口）

其中√＝０，１，…，Ｇ～１。

正规化的和矢量与差矢量分别定义为

Ｓ（；）＝ｃＩ（ｉ）／ＮｓＤ‘ｊ、＝Ｃｄｔｊ、，ＮＨ

Ｈｓ

Ｈｄ

％＝．三ｃＪ（ｉ）＝．三Ｃａ（』）

其中：只和峨分别表示和矢量与差矢量的长度。ｈａｒａｌｉｅｋ定义的常用纹理特征值中的四种可以由和差统计法直接计算出来，计算公式如下：

ＵＮＩ＝三儿（ｉ）２・暑砌（Ｊ）２

ＣＯＲ＝１／２｛三（ｉ一舢）２・ｐｌ（ｉ）一耵・Ｐａ（，）｝

ＥＮＴ＝一三Ｐ，（ｉ）・ｌｏｇ｛Ｐ，（ｆ）Ｉ一王ｐｄＣ／）・ｌｏｇ｛ｐｄ（，）｝

ＣＯＮ＝耵・ＰｄＵ）

，

其中渺＝（Ｚｉｘｐ．（０／２）。

３系统模块与实现

基于纹理特征提取的图像分类系统在配置为Ｉｎｔｅｌ＠Ｐｅｎｔｉ．

ｕｍ＠ＣＰＵ３．６ＧＨｚ处理器，ＮＶＩＤＩＡＧｅＦｏｒｃｅ７６００ＧＴ显卡，１ＧＢ

内存的Ｐｃ机上，用ＶＣ＋＋６．０和ＯｐｅｎＣＶ库实现。系统模块如图Ｉ所示。

锢黼叫圈圈匿

图像预处珲模块

荚氍弼钉ｎ瓦圈阳唾褥

纹理特征提取模块

知阵牛成｜｜量生成｜｜计算

ｓⅧ训练／分类模块

夏灭ｉ吾司ｒ巧ｉ芬：习ｎ可ｌ爵丽ｉｉ—卜匿型塑些

图１系统模块图

首先，通过图像预处理模块载入图像信息，将图像信息转换为灰度图；灰度图数据进入纹理特征提取模块，生成灰度共生矩阵以及和差矢量；然后分别由这两种方法计算五种典型的特征值，并记录计算时间。得到的特征值写入样本文件或测试文件。ＳＶＭ训练模块对样本文件进行分析，得到最优分类模型；ＳＶＭ分类模块用得到的分类模型对测试文件进行类型判断，返回判断的类型号。３．１图像预处理模块

本模块通过ＯｐｅｎＣＶ库内封装的函数将ＪＰＧ或ＢＭＰ格式的图像读入，并转换为灰度图，存储在Ｉｐｌｌｍａｇｅ书指向的结构中，每个像素值为ｃｈａｒ值。然后将整个灰度图的数据存放到以图像的高和宽作为矩阵行列的ｄｏｕｂｌｅ类型的矩阵中，进行ｃｈａｒ到ｄｏｕｂｌｅ的转换。由上面模块得到的图像矩阵分别得出０。、４５０、９００、１３５。方

向上的共生灰度矩阵。为了比较计算速度，分别实现原始的

／／计算９００的灰度共生矩阵

ｆｏｒ（ｉ＝０；ｉ＜ｈｅｉｇｈｔ—ｄｉｓｔａｎｃｅ；ｉ＋＋）ｆｏｒ（ｊ＝Ｏ；ｊ＜ｗｉｄｔｈ；ｊ＋＋）ｌ

ＰＭａｔｒｉｘＶ［Ｎｅｗｌｍａｇｅ［ｉ］［ｊ］］

［Ｎｅｗｌｍａｇｅ［ｉ＋ｄｉｓｔａｎｃｅ儿ｊ］］＋＝ｌ；

Ｐｈｌａ血Ｖ［ＮｗＩｍ日学ｅ［ｉ＋ｄｉｓｔａｎｃｅ儿ｊ］］［ｎｅｗｋｍｇｖ［ｉ儿Ｊ］］＋＝ｌ；

｝

／／计算和矢量

ｄｏｕｂｌｅ

ｓｕｍ［１２６］＝｛０｝；

ｆａｒ（ｉ＝０；ｉ＜ｄｉｍ：ｉ＋＋）

ｆｏｒ（ｊ＝Ｏ；ｊ＜＝ｉ；ｊ＋＋）｛

ｎ＝ｉ＋ｊ；ｉｆ（ｉ！＝ｊ）

８ｕｌｎ［ｎ］＋＝２・ｐｄＭ“ｘ［ｉ］［ｊ］；

ｅｌｓｅ

￥ｕｌｎ［ｎ］＋＝ｐｄＭａｕ－ｉｘ［ｉ儿ｊ］；｝

／／计算差矢量

３．２纹理特征提取模块

ＧＩＪＣＭ算法和改进的和差统计法来计算纹理特征值。

第７期

ｄｏｕｂｌｅ

谢菲，等：基于纹理特征提取的图像分类方法研究及系统实现

ｄｈ［６３】＝１０Ｉ；

－２７６９・

超平面的问题转换为通过某种事先选择的非线性映射中将输入向量茗映射到一个高维特征空间ｚ；然后在此高维特征空间中构造最优分类超平面。在式（２）的约束下，最大化式（３）。

ｎ

ｆｏｒ（ｉ＝０；ｉ＜ｄｉｍ；ｉ＋＋）

ｆｏｒ（ｊ＝Ｏ；ｊ＜＝ｉ；ｊ＋＋）近ｉ＝＝ｊ）

ｄｉｓ［Ｏ］＋＝ｐｄＭａｔｒｉｘ［ｉ儿ｊ］；

ｅｌｓｅ

｝

ｎ＝ｉ—ｊ；

．Ｅ．ａｊＹｌ＝Ｏ；Ｏ≤口‘≤Ｃ；ｉ＝１，２，…，ｎ

＾

＾

（２）（３）

讲ｎ］＋＝２＋ｐｄＭａｔｒｉｘ［ｉ］［ｊ］；｝

妒（口）＝‘善ｎ；一１／２（舌口ｉ吩，，ｌ乃ｘ（毛，誓））

相应的判别函数为

以ｚ）＝ｓｇｎ三ｏｌｙｉＫ（ｘｉ・膏）＋ｂ’

采用聚类分析和纹理分类实验对特征值的纹理分辨率进行研究口．８】，有如下特点：

ａ）Ａ个常用特征值都具有移位不变性，且可分为三类来分别反映纹理均匀度、纹理平滑度和纹理的线性相关性。

ｂ）特征值ＭＡＸ、ＵＮＩ、ＥＮＴ反映的是纹理的均匀度，且线性不变；ＵＮＩ和ＥＮＴ均反映的是灰度对的重复率，聚类结果接近，但ＵＮＩ的值范围更小，所以与ＥＮＴ相比，ＵＮＩ更有优势。

ｃ）特征值ＤＩＳ、ＣＯＮ、ＩＮＶ、ＩＤＭ反映纹理的平滑度，且ＤＩＳ、ＣＯＮ分别与ＩＮＶ、ＩＤＭ成反比。

ｄ）特征值ＣＯＲ测量的是纹理的线性相关性，反映灰度对之间的相互关联。ＣＯＲ与反映纹理均匀度的特征值有较大的关联性，与反映纹理平滑度的特征值的关联性较低。

ｅ）从单一特征值来看，ＵＮＩ、ＣＯＮ对纹理辨别最有效。另外，考虑图像的旋转因素，应多使用纹理特征值中有着旋转不变特性的特征值，它们是ＵＮＩ、ＥＮＴ、ＳＥＮＴ、ＤＥ、ＩＭＣ、

ＭＣＣ。

常用的核函数有线性内积、多项式内积、径向基内积（ＲＢＦ）和两层神经网络内积函数四种。本系统选用ＲＢＦ，即Ｋ（茗，），）＝ｅｘｐ｛一Ｉ石一ｙｌ２／，｝，原因有以下两点：

ａ）ＲＢＦ内核能够处理类别与属性呈非线性关系的情况，适应图像类别繁多和纹理特征描述复杂的情况，且线性内积函数是径向基内积函数的一种特例。

ｂ）较之多项式内积函数，ＲＢＦ内核有较少的需要定义的参数，仅ｃ和ｇ两个，计算量小。与二层神经网络内积函数相比，ＲＢＦ内核更稳定。

将纹理特征提取模块提取的特征值写入训练样本文件或测试文件。样本文件形如：

ｌａｂｅｌ０：ＸＹ，Ｘ

１：ｘⅪ【２：Ｘ］ｉＸ…９：ｘ“

其中：ｌａｂｅｌ为自定义的该组特征值的类别号，如１、２等。之后为各个特征值。

测试文件只包含各个特征值，无ｌａｂｅｌ，经过测试后ＳＶＭ机会返回ｌａｂｅｌ号。

对于输入的向量都预先作统一比例的缩放处理，将其压缩在［一ｌ，＋１］内。对于参数ｃ和ｇ采用工具Ｗｄ确定得到精确度最高的取值¨１１。

样本文件数据通过核函数找到支持向量，确定分类的最优超平面，得到分类模型。

测试文件通过ＳＶＭ的分类模型判断每组向量所属的类别。

综合以上特点，本系统计算ＵＮＩ、ＥＮＴ、ＤＩＳ、ＣＯＮ、ＣＯＲ五个最典型的特征值。对于和差统计法，五个典型值中的四个可以直接计算得到，ＤＩＳ可由原ＧＬＣＭ算法得到。

３．３

ＳＶＭ分类，训练模块

得到图像的典型纹理特征值后，主要有两种思路来判断被

检索图像的类别：ａ）计算被检索图像与库内某图像之间的相似度。常用的计算方法有欧几里德公式和Ｋ—Ｌ距离一。计算向量各特征值之间的差值。相似度测量法的优势是很容易理解，但在实际应用中会造成大量的数据访问、计算和比较。欧几里德法被证明结果往往与人类的视觉判断不符聃］。ｂ）采用分类算法。如线性函数判别法、最小最大决策规则¨】、概率神经网络（ＰＮＮ）、支持向量机（ＳＶＭ）口们等，根据各类图像的特征值进行分类训练，得到分类模型，再对被检索图像进行类别分析。该方法可避免相似度测量法的缺点，实际应用性强。本系统将采用基于ＲＢＦ内核的ＳＶＭ分类法对图像进行分类。

ＳＶＭ是从线性可分情况下的最优超平面（ｏｐｔｉｍａｌ

ｈｙｐｅｒ－

４实验结果

选用木纹图像、年画图像和民间剪纸图像对该图像纹理特征提取分类系统进行测验。首先分别采用ＧＬＣＭ算法和改进的和差统计法计算五个特征值所用时间，其对比如表１所示。

表１计算时问对比表

ｐｌａｎｅ）发展而来的。其基本思想是：如果训练集中的所有向量均能被某超平面正确划分，即满足Ｉｇ（菇）Ｉ≥１，并且距超平面最近的异类向量之间的距离最大（即边缘最大化），即０埘Ｉｌ（或０加ＩＩ２）最小，则满足上述条件且使０钳０２最小的分类面就是最优超平面，其中距离超平面最近的训练向量，被称为支持向量（ｓｕｐｐｏｒｔｖｅｃｔｏｒ）。一组支持向量可以惟一地确定一个超平面。

由于图像类别众多，特征复杂，多为非线性情况。求最优

由表１可以看出，和差统计法的计算优势明显，总共只需计算长度为２（Ｇ一１）的向量，比ＧＬＣＭ的Ｇ×Ｇ矩阵的计算量和存储空间都要少得多。在灰度级为２５６时，速度提高了约

・２７７０・计算机应用研究

ｔｅｒｌｏｏ：Ｕｎｉｖｅｒｓｉｔｙｏｆ

第２６卷

Ｗａｔｅｒｌｏｏ，１９９６．

ＭＥ．Ａｆａｓｔ

９０％；在灰度级为６４时，速度提高了约８０％；在灰度级为１６时，速度提高了约３０％。可见，灰度级越高，和差统计法的优势越明显。

其次，分别选取每类图像中的１０、５、３、１张作为训练样本，根据计算出来的五个典型特征值，在基于ＲＢＦ内核的ＳＶＭ分类机上进行训练，由得到的分类模型对另外３０张图像（每类ｌＯ张）进行分类测试。测试结果如表２所示。

表２分类测试结果

【３】ＣＬＡＵＳＩ

Ｄ

Ａ，ＪＥＲＮＩＧＡＮ

ｍｅｔｈｏｄ

ｏｎ

ｔｏｄｅｔｅｒｍｉｎｅｃｏ—ｏｃｃｕｒ－

ｌ－ｅｎｃｅｔｅｘｔｕｒｅ

ｆｅａｔｕｒｅｓ［Ｊ］．ＩＥＥＥＴｒａｎｓ

ＧｅｏｓｃｉｅｎｃｅａｎｄＲｅ－

ｍｏｔｅ

Ｓｅｎｓｉｎｇ，１９９８，３６（１）：２９８—３００．

ＤＡ，ＺＨＡＯＹｏｎｇ—ｐｉｎｇ．Ｒａｐｉｄｕｓｉｎｇ

ａ

［４】ＣＬＡＵＳＩ

ｅｘｔｒａｃｔｉｏｎ

ｃｏ－ｏｃｃｕｒｒｅｎｃｅ

ｔｅｘｔｕｒｅｆｅａｔｕｒｅ

ｈｙｂｒｉｄ

ｄａｔａ

ｓｔｒｕｃｔｕｒｅ［Ｊ］．Ｃｏｍｐｕｔｅｒｓ＆Ｇｅｏｓｃｉ・

ｅｎｃｅｓ，２００２．２８（６）：７６３—７７４．［５］ＣＬＡＵＳＩ

ＤＡ，ＺＨＡＯＹｏｎｇ・ｐｉｎｇ．Ｇｒｅｙｌｅｖｅｌ

ｓｕｐｅｒｉｏｒ

ｃｏ—ｏｃｃｕｒｒｅｎｃｅ

ｉｎｔｅｇｒａｔｅｄｄｅｔｅｒｍｉｎｅ

ａｌｇｏｒｉｔｈｍ（ＧＬＣＩＡ）：ａ

ｃｏｍｐｕｔａｔｉｏｎａｌ

ｍｅｔｈｏｄ

ｔｏ

ｃｏｎｃｕｒｒｅｎｃｅ

［６】ＵＮＳＥＲ

ｐｒｏｂａｂｉｌｉｔｙｔｅｘｔｕｒｅ

ｆｅａｔｕｒｅｓ［Ｊ］．Ｃｏｍｐｕｔｅｒｓ＆Ｇｅｃ－

ｓｃｉｅｎｃｅｓ，２００３，２９（７）：８３７－８５０．

Ｍ．Ｓｕｍ

ａｎｄｄｉｆｆｅｒｅｎｃｅｈｉｓｔｏｇｒａｍｓ

ｆｏｒｔｅｘｔｕｒｅｃｌａｓｓｉｆｉｃａｔｉｏｎ

［Ｊ】．ＩＥＥＥ

Ｔｒａｎｓｏｎ

ＰａｔｔｅｍＡｎａｌｙｓｉｓａｎｄＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅ，

１９８６，８（１）：１１８－１２５．［７］ＢＡＲＡＬＤＩＡ，ＰＡＭＩＧＧＩＡＮＩ

ａｃｔｅｒｉｓｔｉｃｓ

Ｆ．Ａｎ

ｌｅｖｅｌ

ｏｎ

ｉｎｖｅｓｔｉｇａｔｉｏｎ

ｏｆｔｈｅｔｅｘｔｕｒａｌｍａｔｒｉｘ

ｃｈａｒ－

ａｓｓｏｃｉａｔｅｄｗｉｔｈ

ｇｒａｙ

ｃｏ－ｏｃｃｕＩＴｃｎｅｅ

ｓｔａｔｉｓｔｉｃａｌ

ｐａｒａｍｅｔｅｒｓ［Ｊ］．ＩＥＥＥＴｒａｎｓ

ＧｅｏｓｃｉｅｎｃｅａｎｄＲｅｍｏｔｅＳｅｎｓ—

由表２可知，对五个典型特征值进行基于ＲＢＦ内核的ＳＶＭ分类效果较好，且样本数越多，测试精度越高。但样本的典型性和异类图像的相似性也会影响分类结果。

ｉｎｇ，１９９５，３３（２）：２９３—３０４．

［８］ｗｕＣｈｅｎｇ—ｙｕ，ＴＡＩＸｉａｏ—ｙｉｌＩｇ．Ｉｌｎａｇｅ

ｔｅｘｔｕｒｅ［Ｃ］／／Ｐｍｃ

ｔｅｒｎｓ

ｒｅｔｒｉｅｖａｌｂａｓｅｄ

Ｃｏｎｆｅｒｅｎｃｅ

ｏｎｃｏｌｏｒ

ａｎｄ

ｏｆｔｈｅ４ｔｈＩｎｔｅｒｎａｔｉｏｎａｌｏｎ

ＦｕｚｚｙＳｙｓ—

ａｎｄ

ＫｎｏｗｌｅｄｇｅＤｉｓｃｏｖｅｒｙ．２００７：３７９－３８４．Ｌ，ＣＬＡＳＴＥＬＬＩＶ．Ｄｅｒｉｖｉｎｇ

ｏｆｓａｔｅｌｌｉｔｅｉｍａｇｅＩｍａｇｅ

ｔｅｘｔｕｒｅ

５结束语

改进的ＧＬＣＭ算法能够明显缩短纹理特征值的计算时间，尤其在灰度级越大时，效果越明显。将ＵＮＩ、ＥＮＴ、ＤＩＳ、ＣＯＮ、ＣＯＲ五个典型特征值作为入口参数，在基于ＲＢＦ内核的ＳＶＭ分类机中能得到很好的分类效果。参考文献：

【１］ＨＡＲＡＬＩＣＫ

ｆｏｒｉｍａｇｅ

Ｒ

Ｍ，ＳＨＡＮＭＵＧＡＮＫ，ＤＩＮＳＴＥＩＮ

ｏｎ

［９】ＳＧＥＮＧ

ｆｅａｔｕｒｅｓｅｔｆｏｒｃｏｎｔｅｎｔ—

ｂａｓｅｄｒｅｔｒｉｅｖａｌＣｏｎｆｅｒｅｎｃｅ５７６．５７９．

ｏｎ

ｄａｔａｂａｓｅ［Ｃ］／／Ｐｒｏｃ

ｏｆＩｎｔｅｒｎａｔｉｏｎａｌ

Ｐｒｏｃｅｓｓｉｎｇ．Ｗａｓｈｉｎｇｔｏｎ

ＤＣ：ＩＥＥＥ№，１９９７：

ａ１．Ｔｅｘｔｕｒｅ—ｂａｓｅｄ

ｏｆ

［１０］ＮＥＯＦＹＴＯＵＭＳ，ＴＡＮＯＳＶ，ＰＡＴＨＣＨＩＳＭＳ，ｅｔ

ｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆ

ｈｙｓｔｅｒｏｓｅｏｐｙ

ｉｍａｇｅｓｏｆｔｈｅｅｎｄｏｍｅｔｒｉｕｍ［Ｃ］／／Ｐｒｏｃ

ＥＭＢＳＡｎｎｕａｌＩｎｔｅｒｎａｔｉｏｎａｌ

Ｉ．Ｔｅｘｔｕｒｅ

ｆｅａｔｕｒｅｓ

３００５．３００８．

Ｃｏｎｆｅｒｅｎｃｅ．［Ｓ．１．］：ＩＥＥＥ

Ｐｒｅｓｓ，２００６：

ｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓＳｙｓｔｅｍｓ，Ｍａｎａｎｄ【１１］ＣＨＡＮＧ

Ｃ

Ｃ，ＬＩＮ

ＣＪ．ＬＩＢＳＶＭ：ａｌｉｂｒａｒｙｆｏｒｓｕｐｐｅｄ

ｖｅｃｔｏｒｉｎａ－

Ｃｙｂｅｍｏｔｉｃｓ，１９７３，３（６）：６１０—６２１．［２］ＣＬＡＵＳＩ

ＤＡ．ＴｅｘｔｕｒｅｓｅｇｍｅｎｔａｔｉｏｎｏｆＳＡＲ

ｓｅａ

ｃｈｉｎｅｓ［ＥＢ／ＯＬ］．（２００８）．ｈｔｔｐ：／／ｗｗｗ．ｅｓｉｅ．ｎｔｕ．ｅｄｕ．ｔｗ／一ｅｊｌｉｎ／

ｉｃｅ

ｉｍａｇｅｒｙ［Ｄ］．Ｗａ－

ｌｉｂＢｖ脚／．

（上接第２７６６页）连续检测结果建立了概率模型，综合进行火焰目标评判，以提高算法火焰判别的准确性。

ｔｈｅ１７山ＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅ

ｏｎＰａｔｔｅｒｎ

Ｒｅｃｏｇｎｉｔｉｏｎ．【Ｓ．

１．］：ＩＥＥＥ

Ｐｒｅｓｓ，２００４：６７３—６７６．

［３］张进华，庄健，杜海峰，等．一种基于视频多特征融合的火焰识别

４结束语

火焰的动态特征是火焰识别的一个重要依据。本文选取了相邻帧火焰目标的边界矩不变量的动态变化作为火焰动态特征的描述，然后利用支持向量机对火焰目标进行识别。边界矩不变量对平移、旋转和比例缩放几何变化不敏感，且比区域矩计算简单，同时支持向量机对火焰分类又能做到经验风险的最小化，因此本算法具有较好的实时性和抗干扰能力。实验结果表明该方法能较好地从场景中识别出火焰目标。增加火焰训练样本，精确选取核函数参数，同时采用概率模型对一段时间区域内的检测结果进行综合评判，可以进一步提高火焰识别的性能。参考文献：

［１】ＨＯＲＮＧＷ

ａｌ—ｔｉｍｅ

Ｂ，ＰＥＮＧ

算法［Ｊ］．西安交通大学学报，２００６，４０（７）：８１１．８１４．［４】ＴＯＲＥＹＩＮ

ｖｉｄｅｏ

ｕｓｉｎｇ

Ｂ

Ｕ，ＤＥＤＥＯＧＬＵｈｉｄｄｅｎＭａｒｋｏｖ

ｏｉｌ

Ｙ，ＣＥＴＩＮ

ＡＥ．Ｆｌａｍｅ

ｏｆＩＥＥＥ

ｄｅｔｅｃｔｉｏｎｉｎＩｎｔｅｒｎａｔｉｏｎａｌ

ｍｏｄｅｌｓ［Ｃ］／，／Ｐｒｅｃ

Ｃｏｎｆｅｒｅｎｃｅ１２３３．

ＩⅢ铲Ｐｒｏｃｅｓｓｉｎｇ．［ｓ．１．］：１ＥＥＥ

Ｐｒｅｓｓ，２００５：ｉ２３０－

［５］史海山，吕厚余，仲元红，等．基于遗传神经网络的火灾图像识剐

及应用［Ｊ］．计算机科学，２００６，：３３（１１）：２３３－２３６．

［６］段立娟．形状特征的编码描述研究综述［Ｊ］．计算机科学，２００７，３４

（８）：２１５—２１８，２４７．［７】ＣＨＥＮ

ＣＣ，ＴＳＡＩＴ

Ｉ．Ｉｍｐｒｏｖｅｄ

ｍｏｍｅｎｔｉｎｖａｒｉａｎｔｅｆｏｒ

ｓｈａｐｅｄｉｓｅｒｉｍ－

ｉｎａｔｉｏｎ［Ｊ】．ＰａｔｔｅｍＲｅｃｏｇｎｉｔｉｏｎ，１９９３，２６（５）：６８３—６８６．

［８］孙见青，汪荣贵，胡琼，等．基于特征和基于图像相结合的快速人

脸检测［Ｊ］．计算机应用研究，２００８，２５（１）：２９４—２９６．

［９］艾青，刘洋，秦玉平．支持向量训练算法研究［ｊ】．渤海大学学报：

Ｊｉａｎ．ｗａｎ，ＣＨＥＮＣｍｅｔｈｏｄｕｓｉｎｇ

ｏｌｌ

Ｙ．Ａ

ｎｗｉｍａｇｅ．ｂａｓｅｄ》

０ｆ

ａｎｄ

Ｃｏｎｔｒ０１．

自然科学技术学版，２００６。２７（３）：２６６—２６８．

［１０］吴涛．核函数的性质、方法及其在障碍检测中的应用［Ｄ］．长沙：

国防科学技术大学，２００３．

［１１】王枚，王国宏，房培玉，等．基于ＰＥＡ与不变矩的车标定位与识剐

ｆｌａＩｎｅｄｅｔｅｃｔｉｏｎｃｏｌｏｒ

ａｎａｌｙｓｉｓ［Ｃ］／／Ｐｒｏｃ

ＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅ

Ｎｅｔｗｏｒｋｉｎｇ，Ｓｅｎｓｉｎｇ

Ｔｕｃｓｏｎ。Ａｒｉｚｏｎａ：ＩＥＥＥＰｒｅｓｓ，２００５：１００・１０５．

Ｎ．Ｖｉｓｉｏｎ

【２】ｕｕＣｈｅ－ｈｉｎ，ＡＨＵＪＡ

ｂａｓｅｄｆｉｒｅ

ｄｅｔｅｃｔｉｏｎ［Ｃ］／／Ｐｍ

０ｆ

【Ｊ］．武汉大学学报：信息科学版，２００８，３．３（１）：３６－４０．

基于纹理特征提取的图像分类方法研究及系统实现

作者：作者单位：刊名：英文刊名：年，卷(期)：引用次数：

谢菲， 陈雷霆， 邱航， XIE Fei， CHEN Lei-ting， QIU Hang电子科技大学,计算机科学与工程学院,成都,610054计算机应用研究

APPLICATION RESEARCH OF COMPUTERS2009，26(7)0次

参考文献(11条)

1.HARALICK R M.SHANMUGAN K.DINSTEIN I Texture features for image classification 1973(6)2.CLAUSI D A Texture segmentation of SAR sea ice imagery 1996

3.CLAUSI D A.JERNIGAN M E A fast method to determine co-occurrence texture features 1998(1)4.CLAUSI D A.ZHAO Yong-ping Rapid co-occurrence texture feature extraction using a hybrid datastructure 2002(6)

5.CLAUSI D A.ZHAO Yong-ping Grey level co-occurrence integrated algorithm (GLCIA):a superiorcomputational method to determine co-occurrence probability texture features 2003(7)6.UNSER M Sum and difference histograms for texture classification 1986(1)

7.BARALDI A.PAMIGGIANI F An investigation of the textural characteristics associated with gray levelco-occurrence matrix statistical parameters 1995(2)

8.WU Cheng-yu.TAI Xiao-ying Image retrieval based on color and texture 2007

9.SGENG L.CLASTELLI V Deriving texture feature set for content-based retrieval of satellite imagedatabase 1997

10.NEOFYTOU M S.TANOS V.PATTICHIS M S Texture-based classification of hysteroscopy images of theendometrium 2006

11.CHANG C C.LIN C J LIBSVM:a library for support vector machines 2008

相似文献(10条)

1.学位论文 章智儒 纹理特征提取算法及其在面向对象分类技术中的应用研究 2009

纹理是图像在局部区域内表现出来的一个重要特征，纹理特征提取方法的好坏，将直接影响图像分类的效果。本文在传统的纹理提取方法基础上，设计了两种纹理特征提取方法：灰度．最大变化共生矩阵纹理特征提取方法和基于小波的起伏矩阵纹理特征提取方法，并将它们应用于面向对象的图像分类技术中。本文的研究内容主要包括以下几个方面： 1．灰度．最大变化共生矩阵纹理特征提取方法是一种基于统计法的纹理分析方法。首先构造能反映纹理图像粗糙特性的最大变化矩阵，与灰度矩阵一起构成灰度—最大变化共生矩阵，然后从该矩阵中提取其统计量作为纹理特征值，组成纹理特征向量。选取标准纹理图像库Brodatz中的纹理图像进行分类实验，验证了灰度—最大变化共生矩阵方法比常用的灰度—梯度共生矩阵和灰度．基元共生矩阵方法更有效且表达式简单易于实现。 2．基于小波的起伏矩阵纹理特征提取方法是一种结合频谱法和统计法的纹理分析方法。本文利用小波的多尺度分析将图像进行多尺度分解，进而构造能反应纹理图像方向特性和粗糙特性的纹理起伏矩阵，从纹理起伏矩阵中提取统计量作为纹理特征，组成纹理特征向量。相对于基于小波的尺度共生矩阵方法和非抽样小波方法，该方法更充分的表现了纹理图像的方向特性和粗糙特性，能更好的表征图像的纹理特征且算法直观。选取标准纹理图像库Brodatz中的纹理图像进行分类实验，验证了基于小波的起伏矩阵方法要优于基于小波的尺度共生矩阵方法和非抽样小波纹方法。 3．将灰度．最大变化共生矩阵方法和基于小波的起伏矩阵方法应用于面向对象的图像分类技术中，设计了“投票机制”类别判断方法以进一步提高分类精度，利用实际的航拍图像进行分类实验，取得了较好的分类结果，避免了利用传统的基于像素分类方法的结果零碎，后处理复杂等缺点。

2.学位论文 潘辉 一种抗几何形变的纹理特征提取算法研究 2007

随着信息技术的飞速发展，数字进入高速发展时期。多媒体数据库及互联网上的海量图像信息需要有效而快速的方法实现检索。由于图像数据库变得越来越庞大，传统的基于关键字的图像检索技术已经无法满足检索需求。为了解决这一矛盾，人们提出了基于内容本身的图像检索技术

(CBIR：content-basedimage retrival)。在这种检索技术中，图像是通过自身的可视化内容被标记和区分的，因而图像的特征提取和匹配就变得非常重要了。图像的特征包括颜色、形状、纹理及其结构等，其中纹理特征是非常重要的特征之一，人们利用纹理特征进行了大量关于图像检索、图像分类的研究。纹理特征的重要性在于它存在于许多现实世界获取的图像中，如：云朵、树木、头发、砖块等等。 针对纹理特征提取已经做过大量的研究，但大多数基于一个前提假设，即：所有的图像都是从同一个视角获得的，即图像的角度，大小，位置都一样。而在实际的应用中，这个假设显然是不成立的，因而这些方法实现的检索效果就变得比较差了。已经有一些学者提出了用于图像分类的具有旋转不变性的纹理特征提取方法。但这些方法是针对图像分类这一应用领域提出的。基于他们提出的算法的启发，本文将研究一种用于图像检索的纹理特征提取方法，该方法具有旋转、伸缩、平移不变性，能更好的适应实际应用的需要，较传统的方法在检索发生了几何失真的图像时能取得更好的检索效果。 本文总体上分为三个部分，第一部分介绍了图像检索技术的发展现状及用于图像检索的几种主要的特征提取实现方法，第二部分基于典型算法提出本文算法，第三部分对本文算法进行测试，并给出与典型算法的比较结果。最后做出总结，并提出后续工作内容。本文算法的独特之处主要在于，在特征提取的过程中，对数-极值域的自相关图

计值将作为特征值来衡量图像之间的相似度，区别与典型的小波变换算法，后者直接将原始图像做小波变换得到的统计量作为特征值。在验证过程中，采用较简单的欧氏距离(也称L2距离)法作为检索的模式识别方法，从而证明即使在简单的识别算法下，本文的特征提取方法较之与传统的特征提取算法确实具有较高的抗几何失真的检索能力。

3.学位论文 张轶琼 基于纹理特征的金相图像分类研究与实现 2006

已有的定量金相分析技术多建立在背景与目标的分割上，它对于分析诸多目标粘连在一起的情况显得困难重重。本文根据金相图像的纹理特征，把计算机技术、图像处理和模式识别的相关知识结合起来，建立了一套具有实际应用价值的金相图像纹理分类系统，该系统具有位移不变性、尺度不变性、旋转不变性和光照不敏感性等优点。 纹理特征提取算法多种多样，本文主要介绍了微分计盒分形维数法、多重分形相关维数法、小波变换法、不完全树小波变换法，并在此基础上提出了小波分形联合分析法，它充分利用了小波“数学显微镜”的特性和分形的自相似特性，在纹理特征提取方面取得了较好效果。在分类器设计方面，本文对BP神经网络分类器的结构设计、训练方法进行了详细介绍，采用动量法、S函数输出限幅和训练集重组相结合的方法优化，提高了分类器的精度和训练速度；采用隐节点自生成法改进了分类器的泛化能力。实验表明，使用小波分形联合分析法结合改进的BP神经网络分类器对金相图像进行分类可以达到很好的效果。 设计的金相纹理分类系统集显微镜、CCD摄像头、视频图像采集卡、计算机显示系统于一体，实现了从金相图像采集、预处理到特征参数提取、结果分析和打印等一系列功能。较好地解决了常规图像处理方法在分析金相图像时遇到的难题，实现了计算机对金相图像的自动分类和识别。

4.会议论文 高卫平.汪西莉 对偶树复小波变换域的图像纹理特征提取及分类 2007

本文提出了用Gamma分布和Lognormal分布描述对偶树复小波变换(DT-CWT)双系数的模，采用Gamma分布参数和Lognormal分布参数作为纹理图像的特征，基于相似性度量实现纹理图像分类的方法。实验结果表明，该方法是切实有效的，分类结果要优于利用对偶树复小波变换复系数的能量特征进行分类的结果，能极大地提高纹理图像的识别分类能力。

5.学位论文 李晓辉 基于纹理特征和神经网络的SAR图像分类研究 2008

合成孔径雷达(Synthetic Aperture Radar，SAR)图像分类是实现SAR图像自动解译的关键步骤。如何选择区分性较好的特征和设计有效的分类算法，是SAR图像分类的两项关键技术。纹理是各种地表的固有属性，为SAR图像分类提供了大量有用的信息，尤其对于单波段、单极化的SAR图像，纹理特征就显得格外重要。与传统统计方法的分类器相比较，人工神经网络方法应用于SAR图像分类时，不需预先假设样本空间的参数化统计分布，能够描述复杂的映射关系，分类性能优于传统方法。本文主要针对纹理特征和神经网络技术在SAR图像分类中的应用进行了相关研究。 为了提高SAR图像分类的分类率和稳定性，本文提出一种有效的SAR图像分类方法：首先，利用Brushlet变换进行纹理特征提取。Brushlet作为多尺度分析方法，具有良好的方向性，其能量和相位特征能够很好地描述图像的纹理信息。其次，采用学习速度快、不易陷入局部极小的径向基函数(Radial Basic Function，RBF)网络进行分类。将Brushlet变换后所提取的特征作为网络输入，进行RBF网络的训练和分类，实现对整个SAR图像的分类。利用MSTAR SAR图像数据的实验表明，此方法的分类率高达95.33％，优于灰度共生矩阵以及BP网络等传统分类方法，同时通过窗口优化进一步改善了分类效果。将对原始图像训练好的RBF网络应用至多幅同一地区的SAR图像进行分类，也都较好地区分了各类地物，说明此方法还具有较好的泛化性．

6.学位论文 谢菲 图像纹理特征的提取和图像分类系统研究及实现 2009

随着互联网的普及，数字媒体技术及智能信息处理技术的迅速发展和广泛应用，大规模图像资源不断涌现。面对如此海量的图像信息，搜索和查询内容匹配的图像会变得越来越困难，形式有效的管理和查询媒体的需求也越来越迫切。基于内容的图像检索技术引起了图像处理、模式识别、机器学习等研究领域的广泛关注。图像信息的描述与提取，图像的分类方法是基于内容的图像检索中两个重要的过程。针对这两个方面，本文研究了基于图像纹理特征的图像分类方法，采用改进的灰度共生矩阵算法及多类支持向量机分类技术实现较好的图像分类。 首先，针对图像特征提取的问题，本文研究了图像内容中纹理特征的多种描述及提取方法。从纹理的特点和图像内容检索技术的实际应用出发，着重分析了统计法中的灰度共生矩阵算法。针对该方法有大量冗余计算，需求大量存储空间的缺点，进一步研究了现有的几种基于灰度共生矩阵算法的改进算法，包括和差统计法、GLCLL和GLCHS算法。综合几类方法的特点与思路，本文提出了一种改进算法一统计灰矩链表法。从理论上可以看出，统计灰矩链表法解决了存储空间需求量大的问题。通过实现传统的灰度共生矩阵算法以及改进算法，并对三组图像分别进行提取纹理特征的实验，证明了统计灰矩链表法计算8个典型的纹理特征值所需要的时间大大少于传统的灰度共生矩阵算法所需要的时间。 其次，针对图像分类问题，本文研究了几种重要的模式分类方法。由于支持向量机具有坚实的理论基础与良好的分类性能等优势，本文着重研究了支持向量机方法。在支持向量机的统计理论原理和分类原理基础上，结合图像分类的特点，从核函数、训练算法和多类分类器算法三个重要的影响分类效果和速度的方面进行研究与分析，提出了适合于图像分类的多类支持向量机分类模型。在此基础上，设计了基于纹理特征的图像分类系统，结合改进的灰度共生矩阵算法和多类支持向量机分类模型，对图像进行纹理特征提取、训练和分类。采用三类图像进行实验，证明了该系统能够达到良好的图像分类效果。 最后，本文从特征提取，监督学习，分类反馈等几个方面对基于内容的图像检索技术进行了展望。

7.期刊论文 杨敏.杨峰.刘臻.郭韡.郑岚.YANG Min.YANG Feng.LIU Zhen.GUO Wei.ZHENG Lan 基于小波包和分形相结合的纹理分类 -现代电子技术2008,31(9)

纹理是图像内容的重要特征之一,纹理图像分类中最重要的步骤是纹理特征的提取.纹理图像利用空间-频率域分析法时,纹理特征主要集中在中、高频段,纹理图像边缘包含着丰富的纹理特征信息.利用小波包和分形相结合的方法提取纹理特征值进行纹理图像分类,实验结果表明此算法是合理有效的,纹理分类的正确识别率较高.

8.学位论文 寿亦萱 模式识别技术及其在气象研究中的应用 2004

模式识别是随着人工智能和计算机视觉研究的兴起而得到迅速发展的新理论和新技术,在图像技术和遥感研究等很多领域中都发挥着重要的作用.对模式识别进行研究,具有重要的理论意义和应用价值.该文对模式识别领域中的图像纹理特征提取、遥感图像分类、BP神经网络与纹理特征组合分类等方法,以及它们在云团属性识别、云迹风反演和暴雨过程分析等气象问题中的应用作了研究.针对过去利用图像光谱亮度特征进行识别分析气象卫星图像准确度不高的问题,该文提出了发展混合像元的分解模型,以图像的纹理特征为基础,提高图像识别的智能水平,以实现在分析决策模型的支持下,快速准确的复合分析的解决方案.并以2003年7月4日-5日发生在江淮流域的特大暴雨过程为例,对该方案进行了验证.论文的第一部分介绍了进行纹理特征研究的一些典型的方法,利用其中的基于统计的纹理分析法中的灰度共生矩阵以及灰度—梯度共生矩阵法,分析了卫星云图上五类区域的纹理特性;第二部分主要介绍了遥感图像分类原理以及神经网络中的BP算法,在对算法原理进行深入理解的基础上,把纹理特征与神经网络进行组合,实现对卫星云图进行分类分析;第三部分内容是在前面图像分类结果的基础上,对序列图像用相关匹配法进行运动分析,反演云迹风风场.通过对2003年7月4-5日暴雨过程的试验分析发现,使用纹理特征作为整个分析决策模型的基础是十分合理的,另外改进的基于纹理分类的云迹风反演技术,由于精度的提高,使诊断水平有了很大的改善.由它所表示的2003年7月5日07-08时的高空风场上,可以清楚地看到一个北边辐散,南边辐合的反气旋环流,这些细节有效地帮助了常规方法,使其对天气过程做出合理的诊断分析.

9.学位论文 李晓华 小波压缩域图像检索技术的初步研究 2004

该论文针对JPEG2000压缩图像,以纹理特征提取、语义对象检测等为研究切入点,从检索和压缩相结合的角度研究基于小波压缩域的图像检索技术.主要研究成果包括:(1)研究了一种基于小波压缩域的高效纹理特征提取新方法.针对目前基于小波的纹理分类方法的局限性,充分考虑与图像压缩标准的兼容,突破以往对各子带独立分析、仅利用子带内统计特性提取纹理特征的常规思路,引入子带间的统计特征,大大提高了小波压缩域纹理图像分类的准确性.对2个典型纹理图象库分类测试结果表明该方法具有良好的分类性能.(2)研究了图像中常见语义对象——字符的压缩域定位技术.依据字符的纹理特点及其在小波压缩域的表现,从边缘图提取、字符点检测及自适应多阈值边界确定等关键环节着手,提出了一种压缩域字符定位方法.该方法可在不完全解压的情况下,快速、准确、鲁棒的定位复杂背景下的字符区域.与其他定位方法相比,此方法的优势是在确保检测正确率较高、误检率较低的前提下,定位时间显著缩短.(3)作为图像中另一种典型语义对象,人脸检测也是图像检索中的一项重要研究内容.该论文从压缩域的角度出发,对基于小波压缩域的人脸检测进行了研究.通过分析可变尺寸人脸模式在小波压缩域的表现形式,提出利用多级梯度能量描述来表征人脸模式,从而使不同尺寸的人脸具有基本一致的特征描述.同时,提出了缩放检测窗口与多级特征描述相结合的搜索策略,首次解决了压缩域人脸检测中尺寸未知的问题,实现了基于小波压缩域的具有尺度不变性的快速、准确人脸检测.提出的人脸模式多级特征描述思路也可推广至其他压缩域,避免压缩域人脸检测中复杂的图像缩放平移操作.试验结果表明

,提出的基于压缩域的人脸检测方法是高效可行的.(4)提出一种直接基于JPEG2000压缩码流的快速图像检索方法.通过分析JPEG2000压缩码流中的包头信息与子带能量的关系,直接从包头提取码块零位平面数,码块编码通道数及码块编码长度信息,进而基于这些信息以子带为单位构建与小波子带能量具有相似内容描述的特性矢量,实现了基本无需解码的压缩图像快速检索.实验结果表明该方法是快速有效的.利用这种检索技术,对以压缩格式存放的图象数据库,无需额外的特征库,可在检索过程中快速计算特征量,极大地提高动态图像数据库的管理效率,利于进行基于因特网的图像检索与查询.

10.期刊论文 李金莲.刘晓玫.李恒鹏.LI Jin-lian.LIU Xiao-mei.LI Heng-peng SPOT5影像纹理特征提取与土地利用信息识别方法 -遥感学报2006,10(6)

本文以太湖流域西苕溪上游安吉地区SPOT5影像600像元×600像元为试验区,首先采用主成分分析对SPOT5影像进行数据压缩和几何信息增强,再采用小波分析方法对影像进行滤波和噪音处理,利用灰度共生矩阵对高分辨率图像的纹理信息进行分析,以对比度和熵为统计指标,确定对比度和熵的最佳阈值,进行边界匹配和图像的分割,将此分割结果与NDVI阈值法分类结果进行叠合,得到最终的分类结果.试验结果表明:将纹理分析方法应用于图像分类中可区分光谱混淆的地物,光谱与纹理特征结合得到的分类精度高于单纯依靠光谱特征进行分类和单纯依靠纹理分类的分类精度.

本文链接：http://d.g.wanfangdata.com.cn/Periodical_jsjyyyj200907107.aspx

下载时间：2010年3月13日