第8章图像处理课件.ppt

《第8章图像处理课件.ppt》由会员分享，可在线阅读，更多相关《第8章图像处理课件.ppt（107页珍藏版）》请在三一办公上搜索。

1、第8章 图像特征分析,8.1 颜色特征分析 8.2 形状特征分析 8.3 纹理特征分析 8.4 其他特征或描述8.5 图像特征分析的MATLAB实现,数字图像分析和理解是图像处理的高级阶段，目的是使用计算机分析和识别图像，为此必须分析图像的特征，图像特征是指图像中可用作标志的属性，可以分为视觉特征和统计特征。图像的视觉特征是指人的视觉直接感受到的自然特征（如区域的颜色、亮度、纹理或轮廓等）；统计特征则是需要通过变换或测量才能得到的人为特征（如各种变换的频谱、直方图、各阶矩等）。本章主要介绍颜色、形状、纹理等图像特征。,8.1 颜色特征分析,8.1.1 颜色直方图,1特征直方图,设s(xi)为图

2、像P中的某一特征值为xi的像素的个数， 为P中的总像素数，对s(xi) 做归一化处理，即,（8.1.1）,图像P的该特征的直方图为,（8.1.2）,式中，n为某一特征取值的个数，事实上，直方图就是某一特征的概率分布，对于灰度图像，直方图就是灰度的概率分布。,2累加特征直方图,假设图像P某一特征的特征直方图为 ，令,（8.1.3）,该特征的累加直方图为,（8.1.4）,设图像 大小为MN，由X采用33或55点阵平滑得到的图像为 ，它的大小也为MN，由X和Y构成一个二元组，称二元组 为图像X的“广义图像”，广义图像的直方图就是二维直方图。,二维直方图中含有原图像颜色的空间分布信息，对于两幅颜色组成

3、接近而空间分布不同的图像，它们在二维直方图空间的距离相对传统直方图空间就会被拉大，从而能更好地区别开来。,3. 二维直方图,8.1.2 直方图不变特征量,假设非负函数P(x)的积分为1，即,（8.1.5）,否则，可以对P(x)进行归一化，使得式（8.1.5）成立。把P(x)看成x的概率密度函数。,x的k阶矩定义为：,（8.1.6）,k阶中心矩定义为：,（8.1.7）,令x的线性变换为：,（8.1.8）,则 的概率密度函数为：,可以证明， 的一阶矩与k阶中心矩分别为：,（8.1.9）,（8.1.10）,（8.1.11）,式（8.1.12）定义的3个矩函数对x的线性变换具有不变性。若把P(x)看成

4、图像灰度直方图，则式（8.1.12）定义的3个矩函数对图像灰度的线性变换具有不变性。,从中心矩构造几个不变量,（8.1.12）,类似地，对于二维非负函数P(x,y)，假设P(x,y)的能量为1，即,（8.1.13）,否则，可以对P(x,y)进行归一化，使得式（8.1.13）成立，把P(x,y)看成(x,y)的联合概率密度函数。,定义(x,y)的阶数为(j，k)的矩为：,（8.1.14）,(j，k)阶中心矩定义为：,（j，k=0,1,）,（8.1.15）,令x，y的线性变换为：,（8.1.16）,则 的联合概率密度函数为：,（8.1.17）,可以证明， 的阶数为（1，0）和（0，1）的矩，以及(

5、j，k)阶中心矩分别为：,（ 8.1.18 ）,（ 8.1.19 ）,从中心矩构造几个不变量,（ 8.1.20 ）,式（8.1.20）定义的3个矩函数对x，y的线性变换具有不变性。广义图像中，若对原图作线性变换，则相应地对平滑图作了同样的线性变换。若把P(x,y)看成二维直方图，则式（8.1.20）定义的3个矩函数对图像灰度的线性变换具有不变性。,8.1.3 颜色矩,颜色矩是一种简单有效的颜色特征，以计算HIS空间的H分量为例，如果 记为图像P的第i个像素值的H值，则其前三阶颜色矩（中心矩）分别为：,式中，N为像素的个数。类似地，可以定义另外两个分量的颜色矩。,（ 8.1.22 ）,（ 8.1

6、.23 ）,（ 8.1.21 ）,8.2 形状特征分析,8.2.1 链码,1链码,链码在图像处理和模式识别中是常用的一种表示方法，它最初是由Freeman于1961年提出来的，用来表示线条模式，至今它仍被广泛使用。根据链的斜率不同，常用的有4方向和8方向链码，其方向定义分别如图8.2.1（a）、（b）所示。在4方向链码中，四个方向码的长度都是一个像素单位；在8方向链码中，水平和垂直方向的方向码的长度都是一个像素单位，而对角线方向的四个方向码为 倍的像素单位，因此它们的共同特点是直线段的长度固定，方向数有限，因此可以利用一系列具有这些特点的相连的直线段来表示目标的边界，这样只有边界的起点需要用绝

7、对坐标表示，其余点都可只用接续方向来代表偏移量。由于表示一个方向数比表示一个坐标值所需比特数少，而且对每一个点又只需一个方向数就可以代替两个坐标值，因此链码表达可大大减少边界表示所需的数据量，所以常常用链码来作为对边界点的一种编码表示方法。,图8.2.1 链码值与方向的对应关系,从在物体边界上任意选取的某个起始点坐标开始，跟踪边界并赋给每两个相邻像素的连线一个方向值，最后按照逆时针方向沿着边界将这些方向码连接起来，就可以得到链码。因此链码的起始位置和链码完整地包含了目标的形状和位置信息。,例如，在图8.2.2所示的以a为起点、箭头为走向的闭合边界（小圆点处表示各像素点），其8方向链码为0017

8、11222433445676656。,使用链码时，起点的选择常是很关键的。对同一个边界，如用不同的边界点作为链码的起点，得到的链码则是不同的。为解决这个问题可把链码归一化，具体做法如下： 给定一个从任意点开始产生的链码，把它看作一个由各方向数构成的自然数。首先，将这些方向数依一个方向循环，以使它们所构成的自然数的值最小；然后，将这样转换后所对应的链码起点作为这个边界的归一化链码的起点。,图8.2.2 以a为起点、箭头为走向的闭合边界,2链码的旋转不变性,用链码表示给定目标的边界时，如果目标平移，链码不会发生变化，而如果目标旋转，则链码会发生变化。为解决这个问题，可利用链码的一阶差分来重新构造一

9、个表示原链码各段之间方向变化的新序列，这相当于把链码进行旋转归一化。差分可用相邻两个方向数按反方向相减（后一个减去前一个）得到。如图8.2.3所示，上面一行为原链码（括号中为最右一个方向数循环到左边），下面一行为上面一行的数两两相减得到的差分码。左边的目标在逆时针旋转90后成为右边的形状，可见，原链码发生了变化，但差分码并没有变化。,图8.2.3 链码旋转归一化,8.2.2 傅立叶描述子,对边界的离散傅立叶变换表达，可以作为定量描述边界形状的基础。采用傅立叶描述的一个优点是将二维问题简化为一维问题。即将x-y平面中的曲线段转化为一维函数f(r)(在r-f(r)平面上)，也可将x-y平面中的曲线

10、段转化为复平面上的一个序列。具体就是将x-y平面与复平面u-v重合，其中，实部u轴与x轴重合，虚部v轴与y轴重合。这样可用复数u+jv的形式来表示给定边界上的每个点(x，y)。这两种表示在本质上是一致的，是点点对应的，如图8.2.4所示。,图8.2.4 边界点的两种表示方法,对于xy平面上一个由K个点组成的边界来说，任意选取一个起始点 ，然后沿着顺时针方向绕行一周，可以得到一个点序列： ， ， 。如果记 ， 并把它们用复数形式表示，则得到一个坐标序列：,s(k)=x(k)+jy(k) k=0, 1, , K-1,（ 8.2.1 ）,s(k)的离散傅立叶变换是,u=0, 1, , K-1,（ 8

11、.2.2 ）,其中，傅立叶系数S(u)可称为边界的傅立叶描述子，它的傅立叶逆变换是：,k=0，1，K-1,（ 8.2.3 ）,由于傅立叶变换的高频分量对应一些细节，而低频分量对应基本形状，因此只利用S(u)的前M个系数来重构原来的图像，从而可以得到对s(k)的一个近似而不改变其基本形状，即：,k=0，1，K-1,（ 8.2.4 ）,注意：式（8.2.4）中k的范围不变，即在近似边界上的点数不变，但u的范围缩小了，即为重建边界点所用的频率项少了。,8.2.3 几何特征的描述,1质心,由于目标在图像中总是有定的面积大小，通常不是一个像素的，因此有必要定义目标在图像中的精确位置。定义目标面积中心点就

12、是该目标物在图像中的位置，面积中心就是单位面积质量恒定的相同形状图形的质心，如图8.2.5所示。,图8.2.5 质心表示物体的位置,对大小为MN的数字图像f(x,y)，其质心坐标定义为：,（ 8.2.5 ）,对二值图像，其质量分布是均匀的，故质心和形心重合，其质心坐标为：,（ 8.2.6 ）,2周长,区域的周长即区域的边界长度，一个形状简单的物体用相对较短的周长来包围它所占有面积内的像素，周长就是围绕所有这些像素的外边界的长度。通常，测量这个长度时包含了许多90的转弯，从而夸大了周长值。区域的周长在区别具有简单或复杂形状物体时特别有用。由于周长的表示方法不同，因而计算方法也不同，常用的简便方法

13、如下：,（1）隙码表示：当把图像中的像素看作单位面积小方块时，则图像中的区域和背景均由小方块组成，区域的周长即为区域和背景缝隙的长度和，交界线有且仅有水平和垂直两个方向。,（2）链码表示：当把像素看作一个个点时，周长定义为区域边界像素的8链码的长度之和。当链码值为奇数时，其长度记作 ；当链码值为偶数时，其长度记作1。则周长p表示为：,（ 8.2.7 ）,式中，Ne和No分别是8方向边界链码中走偶数步与走奇数步的数目。,（3）边界所占面积表示：即周长用区域的边界点数之和表示。,例8.2.1 图8.2.6中所示的区域，阴影部分为目标区域，其余部分为背景区域，请采用上述三种计算周长的方法分别求出区域

14、的周长。,图8.2.6 区域周长示例,采用上述三种计算周长的方法求得边界的周长分别是： （1）隙码表示，周长为26； （2）链码表示，周长为； （3）面积表示，周长为12。,3 面积 面积是物体的总尺寸的一个方便的度量。面积只与该物体的边界有关， 而与其内部灰度级的变化无关。一个形状简单的物体可用相对较短的周长来包围它所占有的面积。 （1） 像素计数面积 最简单的(未校准的)面积计算方法是统计边界内部(也包括边界上)的像素的数目。在这个定义下面积的计算非常简单， 求出域边界内像素点的总和即可，计算公式如下：,对二值图像而言，若用1表示物体，用0表示背景，其面积就是统计f (x , y) =1的

15、个数。,（ 8.2.8 ）,对于一帧图像，设有k个区域，即i=1，2，3,，k，其总面积A就是各个区域面积之和。,（ 8.2.9 ）,（2）链码计算面积,若给定封闭边界的某种表示，则相应连通区域的面积应为区域外边界包围的面积与内边界包围的面积（孔的面积）之差。 下面以用边界链码表示面积为例，说明通过边界链码求出所包围面积的方法。,设屏幕左上角为坐标原点，起始点坐标为（x0, y0），第k段链码终端的y坐标为,式中,i=1, 2, 3i=0,4i=5, 6, 7,（ 8.2.10 ）,（ 8.2.11 ）,i是第i个码元。设,i=0, 1, 7i=2,6i=3, 4, 5,i=1, 5i=0,2

16、,4,6i=3, 7,则相应边界所包围的面积为,用上述面积公式求得的面积，即用链码表示边界时边界内所包含的单元方格数。,（ 8.2.12）,（ 8.2.13 ）,（ 8.2.14 ）,（ 3） 用边界坐标计算面积 Green（格林）定理表明，在x-y平面中的一个封闭曲线包围的面积由其轮廓积分给定，即,其中，积分沿着该闭合曲线进行。将其离散化，式（9-8）变为,式中，Nb为边界点的数目。,（ 8.2.15 ）,（ 8.2.16 ）,4. 距离 度量图像中两点P(i,j)和Q(h,k)之间的距离，常用的有以下三种方法： （1） 欧几里德距离：,（2） 市区距离（4邻域距离） ：,（ 8.2.17

17、）,（ 8.2.18 ）,（3）棋盘距离：,（ 8.2.19 ）,图8.2.7 三种距离示例,8.2.4 形状特征的描述,1长轴和短轴,当物体的边界已知时，用其外接矩形的尺寸来刻画它的基本形状是最简单的方法， 如图9-4(a)所示。求物体在坐标系方向上的外接矩形， 只需计算物体边界点的最大和最小坐标值，就可得到物体的水平和垂直跨度。但是，对任意朝向的物体， 水平和垂直并非是我们感兴趣的方向。这时，就有必要确定物体的主轴， 然后计算反映物体形状特征的主轴方向上的长度和与之垂直方向上的宽度，这样的外接矩形是物体的最小外接矩形（Minimum Enclosing Rectangle， MER）。,计

18、算MER的一种方法是，将物体的边界以每次3左右的增量在90范围内旋转。每旋转一次记录一次其坐标系方向上的外接矩形边界点的最大和最小x、y值。旋转到某一个角度后，外接矩形的面积达到最小。取面积最小的外接矩形的参数为主轴意义下的长度和宽度，如图9-4(b)所示。此外，主轴可以通过矩（Moments）的计算得到，也可以用求物体的最佳拟合直线的方法求出。,图8.2.8 MER法求物体的长轴和短轴,2. 矩形度 图像区域面积AO与其最小外接矩形的面积AMER之比即为矩形度。,（8.2.20）,矩形度反映区域对其最小外接矩形的充满程度，当区域为矩形时，矩形度R1.0；当区域为圆形时，R/4；对于边界弯曲、

19、呈不规则分布的区域，0R1。,3长宽比,长宽比r 是将细长目标与近似矩形或圆形目标进行区分时采用的形状度量。长宽比r 为最小外接矩形的宽与长的比值，定义式为：,（8.2.21）,4圆形度,圆形度用来刻画物体边界的复杂程度，有四种圆形度测度。,(1). 致密度C 度量圆形度最常用的是致密度， 即周长(P)的平方与面积(A)的比：,（8.2.22）,致密度描述了区域单位面积的周长大小，致密度大，表明单位面积的周长大，即区域离散，则为复杂形状；反之，致密度小，则为简单形状。当图像区域为圆时，C有最小值4；其他任何形状的图像区域，C4；且形状越复杂，C值越大。例如不管面积多大，正方形区域致密度C=l6

20、，正三角形区域致密度为 。,(2). 边界能量E 假定物体的周长为P，用变量p表示边界上的点到某一起始点的距离。边界上任一点都有一个瞬时曲率半径r(p)，它是该点与边界相切圆的半径(见图9-6)。p点的曲率函数是,（8.2.23）,函数K(p)是周期为P的周期函数。,图8.2.9 曲率半径,定义单位边界长度的平均能量：,（8.2.24）,在面积相同的条件下，圆具有最小边界能量 ，其中R为圆的半径。边界能量更符合人感觉上对边界复杂性的理解。,(3). 圆形性 圆形性（Circularity）C是一个用区域R的所有边界点定义的特征量，即,（8.2.25 ）,式中, R是从区域重心到边界点的平均距离

21、，R是从区域重心到边界点的距离均方差：,（8.2.26）,（8.2.27）,当区域R趋向圆形时，特征量C是单调递增且趋向无穷的，它不受区域平移、旋转和尺度变化的影响，可以推广用于描述三维目标。,(8.2.28 ),式中，xi是从具有N个点的物体中的第i个点到与其最近的边界点的距离。相应的形状度量为,(8.2.29),5 球状性 球状性(Sphericity) S既可以描述二维目标也可以描述三维目标，其定义为,（ 8.2. 30）,在二维情况下，ri代表区域内切圆的半径， 而rc代表区域外接圆的半径，两个圆的圆心都在区域的重心上，如图8.2.10所示。 当区域为圆时, 球状性的值S达到最大值1.

22、0，而当区域为其他形状时，则有S1.0。S不受区域平移、旋转和尺度变化的影响。,图8.2.10 球状性定义示意图,8.2.5 不变矩,矩特征是利用力学中矩的概念，将区域内部的像素作为质点，像素的坐标作为力臂，从而以各阶矩的形式来表示区域的形状特征。,1矩的定义,对于二维连续函数f(x,y)，其p+q阶矩为：,p,q=0,1,2,（ 8.2. 31）,矩之所以能被用来表征一幅二维图像是基于帕普利斯（Papoulis，1965）唯一性定理：若f(x,y)是分段连续的，即只要在xy平面的有限区域有非零值，则所有的各阶矩均存在，且矩序列Mpq唯一地被f(x,y)所确定。反之，Mpq也唯一地确定了f(x

23、,y)。,对于大小为MN的数字图像f(i,j)，上述条件是满足的，因此其(pq)阶矩定义为：,p,q=0,1,2,（ 8.2. 32）,式中，f(i,j)相当于一个像素的质量，Mpq为不同p、q值下的图像的矩。,当p,q取不同的值时，可以得到阶数不同的矩：,零阶矩（p=0，q=0）：,（ 8.2. 33）,一阶矩（pq1）：,（ 8.2. 34）,M10为图像对j轴的矩；M01为图像对i轴的矩。,二阶矩（pq2）：,M20为图像对j轴的矩；M02为图像对i轴的惯性矩。,（ 8.2. 35）,2中心矩,（1）质心,（ 8.2. 36）,零阶矩M00是区域密度的总和，可以理解为厚度为1的物体的质量

24、，所以阶矩M10和M01分别除以零阶矩M00所得到的便是物体质量中心的坐标，或者说是区域灰度重心的坐标，故也称为质心。,（2）中心矩,（ 8.2. 37）,中心矩mpq反映了区域中的灰度相对于灰度重心是如何分布的度量。例如m20和m02分别表示围绕通过灰度重心的垂直和水平轴线的惯性矩，如果m20m02，则可能所计算的区域为一个水平方向拉长的区域；又如m30和m03的幅值可以度量所分析的区域等于垂直和水平轴线的不对称性，如果某区域为垂直和水平对称，则m30和m03之值为零。,为了得到矩的不变特征，定义归一化的中心矩为：,（ 8.2. 38）,式中 ，p+q=2,3,4,3不变矩,利用归一化的中心

25、矩，可以获得利用 表示的7个具有平移、比例和旋转不变性的矩不变量（注意， 只具有比例和平移不变性）。,由于图像经采样和量化后会导致图像灰度层次和离散化图像的边缘表示的不精确，因此图像离散化会对图像矩特征的提取产生影响，特别是对高阶矩特征的计算影响较大，这是因为高阶矩主要描述图像的细节，而低阶矩主要描述图像的整体特征，如面积、主轴等，相对而言影响较小。 不变矩及其组合具备了好的形状特征应具有的某些性质，已经用于印刷体字符的识别、飞机形状区分、景物匹配和染色体分析的应用中。,8.3 纹理特征分析,纹理的概念，至今还没有一个公认的确切的定义。一般认为类似于布纹、犬毛、鹅卵石、软木塞、草地、砖砌墙面等

26、具有重复性结构的图像叫纹理图像。纹理图像在局部区域内可能呈现不规则性，但整体上则表现出某种规律性，其灰度分布往往表现出某种周期性。通常，把图像中这种局部不规则，而宏观有规律的特性称为纹理。纹理可分为人工纹理和天然纹理。人工纹理是由自然背景上的符号排列组成，这些符号可以是线条、点、字母、数字等。自然纹理是具有重复排列现象的自然景像，如砖墙、种子、森林、草地之类的照片。人工纹理往往是有规则的，而自然纹理往往是无规则的，如图8.3.1所示。,图8.3.1 自然纹理与人工纹理图像,图像的纹理分析已在许多学科得到了广泛的应用。气象云图多是纹理型的，在红外云图上，各种云类呈现的纹理特征完全不同，所以几种不

27、同纹理特征的云类，如卷云、积雨云、积云和层云的机器识别就可以用纹理作为一大特征。 卫星遥感地表图像，相当于人们站在宇宙空间来看地球，地表的山脉、草地、沙漠、大片森林、城市建筑群等均表现了不同的纹理特征。分析卫星遥感图像的纹理特征可以进行区域识别，国土整治，森林利用、城市发展，土地荒漠化等在国民经济中各方面很有价值的宏观研究及应用。 在显微图像中，如细胞图像、金相图像、催化剂表面图像等均具有明显的纹理特征，对于它们的纹理结构的分析，可以得到细胞性质的鉴别的信息，金相结构物理信息和催化剂的活性信息。,通过观察不同物体的图像，可以抽取出构成纹理特征的两个要素：（1）纹理基元：纹理基元是一种或多种图像

28、基元的组合，纹理基元有一定的形状和大小，例如花布的花纹。（2）纹理基元的排列组合：基元排列的疏密、周期性、方向性等的不同，能使图像的外观产生极大的改变。例如在植物长势分析中，即使是同类植物，由于地形的不同，生长条件及环境的不同，植物散布形式亦有不同，反映在图像上就是纹理的粗细（植物生长的稀疏）、走向（如靠阳和水的地段应有生长茂盛的植被）等特征的描述和解释。,纹理特征提取指的是通过一定的图像处理技术抽取出纹理特征，从而获得纹理的定量或定性描述的处理过程。因此，纹理特征提取应包括两方面的内容：检测出纹理基元和获得有关纹理基元排列分布方式的信息。,纹理分析方法，大致分为统计方法和结构方法。统计方法适

29、用于分析象木纹、森林、山脉、草地那样的纹理细而且不规则的物体；结构方法则适用于象布料的印刷图案或砖花样等一类纹理基元排列较规则的图像。本节将着重介绍几种最常用的方法。,8.3.1 自相关函数,图8.3.2是两幅由分布规律相同而大小不同的圆组成的图像。如果在两张图上分别放上一个与原图相同的透明片，并将该透明片朝同一方向移动同样距离 。如果令SL表示尺寸较大的圆的重叠面积，SR表示尺寸较小的圆的重叠面积，则SR比SL下降的速度快。而重叠面积的数学含义就是图像的自相关函数，因此可以用自相关函数来描述纹理结构。,图8.3.2 测量不同粗细纹理的实验,设图像为f（m, n），自相关函数可由下式定义：,（

30、 8.3. 1）,由上式可求出窗口为（2w+1）（2w+1）内每一个像素点(j,k)的自相关函数。在 范围内，如果自相关函数散布宽，则说明像素间的相关性强，此时对应较粗的纹理；相反，则对应较细的纹理。因此，利用自相关函数随 、 大小而变化的规律，可以描述图像的纹理特征。,设(x, y)为图像中的一点，该点与和它只有微小距离的点(x+x, y+y)的灰度差值为,g称为灰度差分。设灰度差分的所有可能取值共有m级，令点(x, y)在整个画面上移动，累计出g(x, y)取各个数值的次数， 由此便可以作出g(x, y)的直方图。由直方图可以知道g(x, y)取值的概率p(i)。,8.3.2 灰度差分统计

31、法,（ 8.3. 2）,当采用较小i值的概率p(i)较大时，说明纹理较粗糙；概率较平坦时，说明纹理较细。 该方法采用以下参数描述纹理图像的特征： （1） 对比度：,（2） 角度方向二阶矩:,（3） 熵:,（4）平均值:,在上述公式中，p(i)较平坦时， ASM较小，ENT较大；若p(i)分布在原点附近，则MEAN值较小。,（ 8.3. 3）,（ 8.3. 4）,（ 8.3. 5）,（ 8.3. 6）,8.3.3 行程长度统计法 设点(x , y)的灰度值为g，与其相邻点的灰度值也可能为g， 统计出从任一点出发沿方向上连续n个点都具有灰度值g这种情况发生的概率，记为p(g, n )。在同一方向上

32、具有相同灰度值的像素个数称为行程长度。由p(g, n)可以定义出能够较好描述纹理特征的如下参数： （1） 长行程加重法：,（ 8.3. 7）,（2） 灰度值分布：,（3）行程长度分布：,（4）行程比：,式中，N2为像素总数。,（ 8.3. 10）,（ 8.3. 9）,（ 8.3. 8）,834 灰度共生矩阵法,1基本原理,由于纹理是由灰度分布在空间位置上反复出现而形成的，因而在图像空间中相隔某距离的两像素间会存在一定的灰度关系，这种关系被称为是图像中灰度的空间相关特性，通过研究灰度的空间相关性来描述纹理，这正是灰度共生矩阵的思想基础。 从灰度级为i的像素点出发，距离为 的另一个像素点的同时发生

33、的灰度级为j，定义这两个灰度在整个图像中发生的概率分布，称为灰度共生矩阵。灰度共生矩阵用（i，j=0，1，2，L1）符号 表示，其中i，j分别为两个像素的灰度；L为图像的灰度级数； 决定了两个像素间的位置关系，用 表示，即两个像素在x方向和y方向上的距离分别为 和 ，如图8.3.3所示。不同的 决定了两个像素间的距离和方向，这里所说的方向，一般取值0、45、90和135等4个方向，如图8.3.4所示。,这样，两个像素灰度级同时发生的概率就将（x，y）的空间坐标转换为（i，j）的“灰度对”的描述。灰度共生矩阵可以理解为像素对或灰度级对的直方图，这里所说的像素对和灰度级对是有特定含义的，一是像素对

34、的距离不变，二是像素灰度级不变。,图8.3.3 两个像素间的位置关系,图8.3.4 常用的四种方向上的位置关系,可以看出，灰度共生矩阵反映了图像灰度关于方向、相邻间隔、变化幅度的综合信息，它确实可以作为分析图像基元和排列结构的信息。目前一幅图像的灰度级数目一般是256，这样计算出来的灰度共生矩阵过大，为了解决这个问题，常常在求灰度共生矩阵之前，将图像变换为16级的灰度图像。,例8.3.1 针对如图8.3.5所示的纹理图像A和B，求出常用的4个方向位置关系下的灰度共生矩阵。,(a) 纹理A (b) 纹理B 图8.3.5 纹理图像,（1）0方向（水平方向）,位置关系为水平方向，即 。现令 ，则 。

35、若统计 值，就是指位置关系分别为 和 的两像素灰度都为0出现的次数之和。 表示了某像素与其右像素的位置关系； 表示了某像素与其左像素的位置关系，则对于纹理A， ；同理可求出 矩阵中其他的值，这样就可得到位置关系为的纹理A和B的灰度共生矩阵为：,（2）90方向（垂直方向）,（3）45方向,（4）135方向,2矩阵特点,（1）归一化,为了分析方便，灰度共生矩阵元素常用概率值来表示，即将各元素 除以各元素之和S，得到各元素都小于1的归一化值 ，即：,（8.3.11）,由此得到的共生矩阵为归一化矩阵，灰度共生矩阵中各元素之和S表示了图像上一定位置关系下像素对的总组合数，对于确定的位置关系 ，像素对总组

36、合数是一个常数。若图像的大小为MN，当 时，每一行形成的像素对组合数为2(N-1)，M行的像素对总组合数为S2M(N-1)，图8.3.6为上述共生矩阵的归一化表示。,图8.3.6 归一化共生矩阵（ 或0， 或0）,（2）对称性,在LL矩阵中，i=j的元素连成的线称为主对角线，对于在上述常用的4个方向的位置关系下生成的灰度共生矩阵，各元素值必定对称于主对角线，即 ，故称为对称矩阵。共生矩阵中形成对称性是由于在这4种方向的位置关系中，每一种方向实际上都包含了两种对称的位置关系，如0方向中，包含了 和 两种位置，如果位置关系不是上述情况，则生成的灰度共生矩阵并非一定是对称的。,（3）主对角线元素的作

37、用,灰度共生矩阵中主对角线上的元素是一定位置关系下的两像素同灰度组合出现的次数，由于存在沿纹理方向上相近像素的灰度基本相同，垂直纹理方向上相近像素间有较大灰度差的一般规律，因此，这些主对角线元素的大小有助于判别纹理的方向和粗细，对纹理分析起着重要的作用。如图8.3.5中的两种纹理，纹理A为90方向，纹理B为45方向，当采用 或0， 或0的4种方向位置关系生成共生矩阵时，不难发现，沿着纹理方向的共生矩阵如图8.3.6中的 、 中，主对角线元素值很大，而其他元素值全为零，这正说明了沿着纹理方向上没有灰度变化。可见，大的主对角线元素提供了识别纹理方向的可能性。垂直纹理方向如图8.3.6中的 、 ，对

38、于纹理B，主对角线元素全为零，说明在垂直纹理的方向上相邻像素的灰度都不相同。那就是说，灰度变化频繁，纹理较细。相对来说，纹理A较粗，共生矩阵主对角线上的元素不为零，表明了相邻像素的灰度变化缓慢。,（4）元素值的离散性,灰度共生矩阵中元素值相对于主对角线的分布可用离散性来表示，它常常反映纹理的粗细程度。离开主对角线远的元素的归一化值高，即元素值的离散性大，也就是说，一定位置关系的两像素间灰度差大的比例高。仍以 或0， 或0的位置关系为例，离散性大意味着相邻像素间灰度差大的比例高，说明图像上垂直于该方向的纹理较细；相反，图像上垂直于该方向上的纹理较粗。当非主对角线上的元素的归一化值全为零时，元素值

39、的离散性最小，即图像上垂直于该方向上不可能出现纹理。比较图8.3.6中的元素值的离散性可知，纹理B的 的离散性较纹理A的的离散性大，因而纹理A 较粗，纹理B较细。,3特征参数,从灰度共生矩阵抽取出的纹理特征参数有以下几种：,（1）角二阶矩,（8.3.12）,角二阶矩是图像灰度分布均匀性的度量。当灰度共生矩阵中的元素分布较集中于主对角线时，说明从局部区域观察图像的灰度分布是较均匀的。从图像整体来观察，纹理较粗，此时角二阶矩值f1则较大，反过来则角二阶矩值f1较小。角二阶矩是灰度共生矩阵元素值平方的和，所以，它也称为能量。粗纹理角二阶矩值f1较大，可以理解为粗纹理含有较多的能量。细纹理f1较小，也

40、即它含有较少的能量。,（2）对比度,（8.3.13）,式中， 。,图像的对比度可以理解为图像的清晰度，即纹理清晰程度。在图像中，纹理的沟纹越深，则其对比度f2越大，图像的视觉效果越是清晰。,（3）相关,（8.3.14）,式中， 分别定义为：,相关是用来衡量灰度共生矩阵的元素在行的方向或列的方向的相似程度。例如，某图像具有水平方向的纹理，则图像在 的灰度共生矩阵的相关值f3往往大于 、 、 的灰度共生矩阵的相关值f3。,（4）熵,（8.3.15）,熵值是图像所具有的信息量的度量，纹理信息也属图像的信息。若图像没有任何纹理，则灰度共生矩阵几乎为零阵，则熵值f4接近为零。若图像充满着细纹理，则 的数

41、值近似相等，该图像的熵值f4最大。若图像中分布着较少的纹理， 的数值差别较大，则该图像的熵值f4较小。 上述4个统计参数为应用灰度共生矩阵进行纹理分析的主要参数，可以组合起来成为纹理分析的特征参数使用。,8.3.5 基于邻域特征统计的纹理分析方法,基于邻域特征统计的纹理分析方法是把计算某一局部区域内灰度的统计特征作为图像纹理的测度，主要方法包括：最大最小值法、方差法、绝对差法、信息熵法及高斯滤波差值法。其中，局部区域一般都选择正方形窗口。假设原图像为f(x,y)，x=1，2，M；y=1，2，N。,1最大最小值法,最大最小值法是以像素(i，j)为中心的窗口(2k+1)(2k+1)内的灰度最大值与

42、最小值的差值来作为窗口中心的纹理统计值，即,（8.3.16）,式中，窗口大小决定了被检测的纹理尺度， 反映了纹理的强度。此外，该方法也可以按方向进行。,2方差法,方差法就是以像素(i,j)为中心的窗口(2k+1)(2k+1)内的灰度方差作为窗口中心的纹理特征统计值，即,（8.3.17）,式中， 为窗口内灰度平均值， 反映了纹理强度信息。,3绝对差法,绝对差法就是以像素(i,j)为中心的窗口(2k+1)(2k+1)内的每个像素灰度值与窗口内的灰度平均值的绝对差值的和作为窗口中心的纹理特征统计值，即,（8.3.18）,式中， 为窗口内灰度平均值， 反映了纹理强度信息。,（8.3.19）,4信息熵法

43、,信息熵法是以像素(i,j)为中心的窗口(2k+1)(2k+1)内的每个像素的灰度值百分比熵之和作为窗口中心的纹理特征统计值，即,式中， ， 反映灰度变化速度。,（8.3.20）,5高斯滤波差值法,高斯滤波差值法就是选择如下的高斯模板,式中， 为模板中心坐标， 为标准偏差，用于控制模板的作用宽度。采用两个不同的标准偏差 与 对应的高斯模板，对原始图像进行滤波，把两个滤波输出的差值图像作为纹理统计值。标准偏差控制着被检测出的纹理尺度， 与 相差越大，检测出的纹理尺度也就越大，该方法能检测出尺度较小的纹理。,8.3.6 频谱法,频谱法借助于傅立叶频谱的频率特性来描述周期的或近乎周期的二维图像模式的

44、方向性。常用的三个性质是：（1）傅立叶频谱中突起的峰值对应纹理模式的主方向；（2）这些峰在频域平面的位置对应模式的基本周期；（3）如果利用滤波把周期性成分除去，剩下的非周期性部分可用统计方法描述。,实际检测中，为简便起见可把频谱转化到极坐标系中, 此时频谱可用函数S(r, )表示，如图8.3.7所示。对每个确定的方向， S(r, )是一个一维函数S(r)；对每个确定的频率r，S(r, )是一个一维函数Sr()。对给定的，分析S(r)得到的频谱沿原点射出方向的行为特性；对给定的r，分析Sr()得到的频谱在以原点为中心的圆上的行为特性。如果把这些函数对下标求和可得到更为全局性的描述，即,(8.3.

45、21),(8.3.22),式中，R是以原点为中心的圆的半径。,S(r)和S()构成整个图像或图像区域纹理频谱能量的描述。图8.3.7(a)、 (b) 给出了两个纹理区域和频谱示意图，比较两条频谱曲线可看出两种纹理的朝向区别，还可从频谱曲线计算它们的最大值的位置等。,图8.3.7 纹理和对应的频谱示意图,8.4 其他特征或描述,8.4.1 标记,标记(Signature)的基本思想是把二维的边界用一维的较易描述的函数形式来表达。产生标记最简单的方法是先求出给定物体的重心，然后把边界点与重心的距离作为角度的函数就得到一种标记。图8.4.1(a)、(b)给出了两个标记的例子。通过标记，就可把二维形状

46、描述的问题转化为一维波形分析问题。,图8.4.1 两个标记的例子,上述方法产生的标记不受目标平移的影响，但与尺度变换及旋转都有关。尺度变换会造成标记的幅度值发生变化，这个问题可用把最大幅值归一化到单位值的方法来解决。解决旋转影响常用的一种方法是选离重心最远的点作为标记起点；另一种方法是求出边界主轴，以主轴上离重心最远的点作为标记起点。后一种方法考虑了边界上所有的点，因此计算量较大但也比较可靠。,842 拓扑描述符,拓扑学（Topology）研究图形不受畸变变形（不包括撕裂或粘贴）影响的性质。区域的拓扑性质对区域的全局描述很有用，这些性质既不依赖距离，也不依赖基于距离测量的其他特性。 如果把区域

47、中的孔洞数H作为拓扑描述子，显然，这个性质不受伸长、旋转的影响，但如果撕裂或折叠时孔洞数会发生变化。如图8.4.2所示,图8.4.2 具有2个孔洞的区域,区域内的连接部分C的个数是区域的另一拓扑特性。一个集合的连通部分就是它的最大子集，在这个子集的任何地方都可以用一条完全在子集中的曲线相连接，如图8.4.3中有2个连通部分。,图8.4.3 有两个连接部分的区域,图8.4.4 欧拉数为1的图形,欧拉数也是一个区域的拓扑描述符，欧拉数E定义如下：ECH （8.4.1）对于图8.4.4所示的图像中字母B有1个连接部分和2个孔，所以它的欧拉数E为1。,8.5 图像特征分析的MATLAB实现,1计算图像

48、经过膨胀运算之后图像面积的改变。BW1 = imread(circbw.tif);subplot(121),imshow(BW1)title(原始图像);SE=ones(5) ;BW2 = imdilate(BW1,SE);subplot(122),imshow(BW2)title(膨胀后图像);zengjia=(bwarea(BW2)-bwarea(BW1)/bwarea(BW1)运行结果：zengjia = 0.3456,图8.5.1 程序运行结果图,A=0 1 1 1 0 1 1 0; . 0 1 1 1 1 1 1 0; . 0 1 1 1 0 0 0 0; . 1 1 1 1 1 1

49、 0 0; . 1 1 1 1 1 1 1 1; . 1 1 1 1 1 0 0 0; . 0 1 1 1 1 1 1 0; . 0 0 0 1 1 1 1 1regionprops(A,area)regionprops(A,centroid),2求矩阵A的面积和质心坐标,运行结果：A = 0 1 1 1 0 1 1 0 0 1 1 1 1 1 1 0 0 1 1 1 0 0 0 0 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 1 1 1 1 1 1 0 0 0 0 1 1 1 1 1ans = Area： 44ans = Centroi

50、d： 4.2500 4.5909,BW = imread(circles.png);figure, imshow(BW)eulernum=bweuler(BW)运行结果：eulernum = -3,3测量图像的欧拉数,图8.5.2 程序运行结果图,4对一幅图像，分别对其进行逆时针旋转5、垂直镜像、尺度缩小为原图的一半，分别求出原图及变换后的各个图像的七阶矩，可以得出这七个矩的值对于旋转、镜像、及尺度变换不敏感。主程序清单：clcI=imread(pout.tif);I1=I;imshow(I1);I2=imrotate(I,5,bilinear);figure,imshow(I2)I3=fli