数字图像处理第8章.ppt

《数字图像处理第8章.ppt》由会员分享，可在线阅读，更多相关《数字图像处理第8章.ppt（72页珍藏版）》请在三一办公上搜索。

1、本章重点：图像特征及特征提取的基本概念。常见的图像特征提取与描述方法，如颜色特征、纹理特征和几何形状特征提取与描述方法。,第8章 图像特征提取与分析,8.1 基本概念 8.2 颜色特征描述 8.3 形状特征描述 8.4 图像的纹理分析技术8.5 小结,8.1 基本概念,目的 让计算机具有认识或者识别图像的能力，即图像识别。特征选择是图像识别中的一个关键问题。特征选择和提取的基本任务是如何从众多特征中找出最有效的特征。特征形成 根据待识别的图像，通过计算产生一组原始特征，称之为特征形成。,特征提取原始特征的数量很大，或者说原始样本处于一个高维空间中，通过映射或变换的方法可以将高维空间中的特征描述

2、用低维空间的特征来描述，这个过程就叫特征提取。特征选择从一组特征中挑选出一些最有效的特征以达到降低特征空间维数的目的，这个过程就叫特征选择。选取的特征应具有如下特点：可区别性可靠性独立性好数量少,8.2 颜色特征描述,8.2.1 颜色矩 8.2.2 颜色直方图 8.2.3 颜色集8.2.4 颜色相关矢量,8.2.1 颜色矩,颜色矩是以数学方法为基础的，通过计算矩来描述颜色的分布。颜色矩通常直接在RGB空间计算 颜色分布的前三阶矩表示为：,8.2.2 颜色直方图,设一幅图像包含M个像素，图像的颜色空间被量化成N个不同颜色。颜色直方图H定义为：（8-4）为第i种颜色在整幅图像中具有的像素数。归一化

3、为：(8-5),由于RGB颜色空间与人的视觉不一致，可将RGB空间转换到视觉一致性空间。除了转换到前面提及的HSI空间外，还可以采用一种更简单的颜色空间：这里，max=255。彩色图像变换成灰度图像的公式为：其中R,G,B为彩色图像的三个分量，g为转换后的灰度值。,8.2.3 颜色集,颜色直方图和颜色矩只是考虑了图像颜色的整体分布，不涉及位置信息。颜色集表示则同时考虑了颜色空间的选择和颜色空间的划分 使用颜色集表示颜色信息时，通常采用颜色空间HSL定义：设BM是M维的二值空间，在BM空间的每个轴对应唯一的索引m。一个颜色集就是BM二值空间中的一个二维矢量，它对应着对颜色m的选择，即颜色m出现时

4、，cm=1,否则，cm=0。,实现步骤：对于RGB空间中任意图像，它的每个像素可以表示为一个矢量。变换T将其变换到另一与人视觉一致的颜色空间，即。采用量化器QM对 重新量化，使得视觉上明显不同的颜色对应着不同的颜色集，并将颜色集映射成索引m。,颜色集可以通过对颜色直方图设置阈值直接生成，如对于一颜色m，给定阈值，颜色集与直方图的关系如下：因此，颜色集表示为一个二进制向量,8.2.4 颜色相关矢量,颜色相关矢量CCV(Color Correlation Vector)表示方法与颜色直方图相似，但它同时考虑了空间信息。,设H是颜色直方图矢量，CCV的计算步骤：图像平滑：目的是为了消除邻近像素间的小

5、变化的影响。对颜色空间进行量化，使之在图像中仅包含n个不同颜色。在一个给定的颜色元内，将像素分成相关或不相关两类。根据各连通区的大小，将像素分成相关和不相关两部分。,8.3 形状特征描述,8.3.1 几个基本概念8.3.2 区域内部空间域分析 8.3.3 区域内部变换分析 8.3.4 区域边界的形状特征描述,几个基本概念,邻域与邻接 对于任意像素(i,j),(s,t)是一对适当的整数，则把像素的集合(i+s,j+t)叫做像素(i,j)的邻域.直观上看，这是像素(i,j)附近的像素形成的区域.最经常采用的是4-邻域和8-邻域,4-邻域和8-邻域,邻域与邻接 互为4-邻域的两像素叫4-邻接。互为8

6、-邻域的两像素叫8-邻接。,对于图像中具有相同值的两个像素A和B，如果所有和A、B具有相同值的像素序列 存在，并且 和 互为4-邻接或8-邻接，那么像素和叫做4-连接或8-连接，以上的像素序列叫4-路径或8-路径。,像素的连接,像素的连接,在图像中，把互相连接的像素的集合汇集为一组，于是具有若干个0值的像素和具有若干个l值的像素的组就产生了。把这些组叫做连接成分，也称作连通成分。在研究一个图像连接成分的场合，若1像素的连接成分用4-连接或8-连接，而0像素连接成分不用相反的8-连接或4-连接就会产生矛盾。假设各个1像素用8-连接，则其中的0像素就被包围起来。如果对0像素也用8-连接，这就会与左

7、下的0像素连接起来，从而产生矛盾。因此0像素和1像素应采用互反的连接形式，即如果1像素采用8-连接，则0像素必须采用4-连接。,连接成分,连接性矛盾示意图,在0-像素的连接成分中，如果存在和图像外围的1行或1列的0-像素不相连接的成分，则称之为孔。不包含有孔的1像素连接成分叫做单连接成分。含有孔的l像素连接成分叫做多重连接成分。,区域内部空间域分析是不经过变换而直接在图像的空间域，对区域内提取形状特征。1.欧拉数图像的欧拉数是图像的拓扑特性之，它表明了图像的连通性。下图(a)的图形有一个连接成分和一个孔，所以它的欧拉数为0，而下图（b）有一个连接成分和两个孔，所以它的欧拉数为-1。可见通过欧拉

8、数可用于目标识别。,区域内部空间域分析,具有欧拉数为0和-1的图形,用线段表示的区域，可根据欧拉数来描述。如下图中的多边形网，把这多边形网内部区域分成面和孔。如果设顶点数为W，边数为Q，面数为F，则得到下列关系，这个关系称为欧拉公式。图中的多边形网，有7个顶点、11条边、2个面、1个连接区、3个孔，因此，由上式可得到。,包含多角网络的区域,一幅图像或一个区域中的连接成分数C和孔数H不会受图像的伸长、压缩、旋转、平移的影响，但如果区域撕裂或折叠时，C和H就会发生变化。可见，区域的拓扑性质对区域的全局描述是很有用的，欧拉数是区域一个较好的描述子。,2.凹凸性 凹凸性是区域的基本特征之一，区域凹凸性

9、可通过以下方法进行判别：区域内任意两像素间的连线穿过区域外的像素，则此区域为凹形。相反，连接图形内任意两个像素的线段，如果不通过这个图形以外的像素，则这个图形称为是凸的。任何一个图形，把包含它的最小的凸图形叫这个图形的凸闭包。凸图形的凸闭包就是它本身。从凸闭包除去原始图形的部分后，所产生的图形的位置和形状将成为形状特征分析的重要线索。凹形面积可将凸封闭包减去凹形得到。,区域的凹凸性,3.距离 距离在实际图像处理过程中往往是作为一个特征量出现，因此对其精度的要求并不是很高。所以对于给定图像中三点A,B,C，当函数D(A,B)满足下式的条件时，把D(A,B)叫做A和B的距离，也称为距离函数。第一个

10、式子表示距离具有非负性，并且当A和B重合时，等号成立；第二个式子表示距离具有对称性第三个式子表示距离的三角不等式。,计算点(i,j)和(h,k)间距离常采用的几种方法：（1）欧氏距离，用 来表示。（2）4-邻域距离，也称为街区距离。（3）8-邻域距离，也称为棋盘距离。这三种距离之间的关系：，如图所示。街区距离和棋、盘距离都是欧式距离的一种近似。,下图中表示了以中心像素为原点的各像素的距离。从离开一个像素的等距离线可以看出，在欧氏距离中大致呈圆形，在棋盘距离中呈方形，在街区距离中呈倾斜45度的正方形。街区距离是图像中两点间最短的4连通的长度，而棋盘距离则是两点间最短的8连通的长度。此外，把4-邻

11、域距离和8-邻域距离组合起来而得到的八角形距离有时也被采用，它的等距线呈八角形。,4.区域的测量区域的大小及形状表示方法主要包括以下几种：（1）面积S：图像中的区域面积S可以用同一标记的区域内像素的个数总和来表示。按上述表示法区域R的面积S=41。区域面积可以通过扫描图像，累加同一标记像素得到，或者是直接在加标记处理时计数得到。,区域的面积和周长,（2）周长L：区域周长L是用区域中相邻边缘点间距离之和来表示。采用不同的距离公式，周长L的计算不同。常用的有两种：一种计算方法是采用欧式距离，在区域的边界像素中，设某像素与其水平或垂直方向上相邻边缘像素间的距离为1，与倾斜方向上相邻边缘像素间的距离为

12、。周长就是这些像素间距离的总和。这种方法计算的周长与实际周长相符，因而计算精度比较高。另一种计算方法是采用8邻域距离，将边界的像素个数总和作为周长。也就是说，只要累加边缘点数即可得到周长，比较方便，但是，它与实际周长间有差异。根据这两种计算周长的方式，以区域的面积和周长图为例，区域的周长分别是 和22。,（3）圆形度R0：圆形度R0用来描述景物形状接近圆形的程度，它是测量区域形状常用的量。其计算公式为：式中为S区域面积；L为区域周长R0值的范围为，R0值的大小反映了被测量边界的复杂程度，越复杂的形状取值越小。R0值越大，则区域越接近圆形。,（4）形状复杂性e：形状复杂性常用离散指数表示，其计算

13、公式为：该式描述了区域单位面积的周长大小，e值越大，表明单位面积的周长大，即区域离散，则为复杂形状；反之，则为简单形状。e值最小的区域为圆形。典型连续区域的计算结果为：圆形e=12.6；正方形e=16.0；正三角形e=20.8。此外，常用的特征量还有区域的幅宽、占有率和直径等。,8.3.3 区域内部变换分析,区域内部变换分析是形状分析的经典方法,它包括求区域的各阶统计矩、投影和截口等。矩法 具有两个变元的有界函数f(x,y)的p+q阶矩定义为 这里p和q可取所有的非负整数值。参数称为p+q矩的阶。由于p和q可取所有的非负整数值，它们产生一个矩的无限集。而且，这个集合完全可以确定函数f(x,y)

14、本身。换句话说，集合mpq对于函数是唯一的，也只有f(x,y)才具有该特定的矩集。对于大小为 的数字图像f(i,j)的矩为:,（1）区域形心位置 0阶矩m00是图像灰度f(i,j)的总和。二值图像的m00则表示对象物的面积。如果用m00来规格化1阶矩m10及m01，则得到一个物体的重心坐标：,（2）中心矩 中心矩是以重心作为原点进行计算：,中心矩具有位置无关性，利用中心矩可以提取区域的一些基本形状特征。,利用中心矩计算公式可以计算出三阶以下的中心矩：,把中心矩再用零阶中心矩来规格化，叫做规格化中心矩，记作，表达式为：式中：,（3）不变矩 为了使矩描述子与大小、平移、旋转无关，可以用二阶和三阶规

15、格化中心矩导出七个不变矩组。不变矩描述分割出的区域时，具有对平移、旋转和尺寸大小都不变的性质。,利用二阶和三阶规格中心矩导出的7个不变矩组为：,投影和截口 对于区域为 的二值图像和抑制背景的图像f(i,j)，它在i轴上的投影为：在j轴上的投影为：由以上两式所绘出的曲线都是离散波形曲线。这样就把二维图像的形状分析转化为对一维离散曲线的波形分析。,固定i0，得到图像f(i,j)的过i0而平行于轴的截口。固定j0，得到图像f(i,j)的过j0而平行于i轴的截口。二值图像f(i,j)的截口长度为以上公式均是区域的形状特征。,区域边界的形状特征描述,区域外部形状是指构成区域边界的像素集合。链码描述通过边

16、界的搜索等算法的处理，所获得的输出最直接的方式是各边界点像素的坐标，也可以用一组被称为链码的代码来表示，这种链码组合的表示既利于有关形状特征的计算，也利于节省存储空间。,用于描述曲线的方向链码法是由Freeman提出的，该方法采用曲线起始点的坐标和斜率(方向)来表示曲线。对于离散的数字图像而言，区域的边界轮廓可理解为相邻边界像素之间的单元连线逐段相连而成。对于图像某像素的8-邻域，把该像素和其8-邻域的各像素连线方向按八链码原理图所示进行编码，用0，1，2，3，4，5，6，7表示8个方向，这种代码称为方向码。,八链码原理图,八链码例子,其中偶数码为水平或垂直方向的链码，码长为1；奇数码为对角线

17、方向的链码，码长为。八链码例子图为一条封闭曲线，若以s为起始点，按逆时针的方向编码，所构成的链码为556570700122333，若按顺时针方向编码，则得到链码与逆时针方向的编码不同。边界链码具有行进的方向性，在具体使用时必须加以注意。,(1)区域边界的周长 假设区域的边界链码为，每个码段ai所表示的线段长度为，那么该区域边界的周长为 式中ne为链码序列中偶数码个数；n为链码序列中码的总个数。(2)计算区域的面积 对x轴的积分S就是面积。,式中，是初始点的纵坐标，ai0和ai2分别是链码第i环的长度在k=0（水平），k=2（垂直）方向的分量。对于封闭链码（初始点坐标与终点坐标相同），y0能任意

18、选择。按顺时针方向编码，根据面积计算公式得到链码所代表的包围区域的面积。（3）对x轴的一阶矩(k=0),(4)对x轴的二阶矩（k=0）(5)形心位置(xc,yc)S,是链码关于y轴的一阶矩。它的计算过程为：先将链码的每个方向码做旋转90o的变换，得 然后利用(3)中的公式进行计算。,（6）两点之间的距离 如果链中任意两个离散点之间的码为，那么这两点间的距离是 根据链码还可以计算其他形状特征。,2.傅里叶描述子 傅立叶描述子是区域外形边界变换的一种经典方法，在二维和三维的形状分析中起着重要的作用。区域边界可以用简单曲线来表示。设封闭曲线在直角坐标系表示为y=f(x)，其中x为横坐标，y为纵坐标。

19、若以y=f(x)直接进行傅立叶变换，则变换的结果依赖于坐标x和y的值、不能满足平移和旋转不变性要求。,为了解决上述问题，引入以封闭曲线弧长为自变量的参数表示形式,傅立叶描述图解,若封闭曲线的全长为L，则。若曲线的起始点L=0，则 是曲线上某点切线方向。设 为曲线从起始点到弧长为的点曲线的旋转角度，随弧长l而变化，显然它是平移和旋转不变的。则 把 化为 上的周期函数，用傅立叶级数展开，那么变换后的系数可用来描述区域边界的形状特征。因此 的变化规律可以用来描述封闭曲线r的形状。引入新的变量t，弧长l为：,则。定义那么，为 上的周期函数，且。在封闭曲线r平移和旋转条件下，均为不变，并且 与r封闭曲线

20、是一一对应的关系。由于 为周期函数，可用傅立叶系数对它进行描述，在 上展开成傅立叶级数为,其中n=1,2。曲线r是由多边形折线的逼近构成的，假设曲线r的折线由m个顶点，且该多边形的边长 的长度为，则它的周长。令，那么在多边形的情况下，傅立叶级数的系数分别为:,式中：,3.骨架化骨架化是一种将区域结构形状简化为图形的重要方法。距离变换是把任意图形转换成线划图的最有效方法之。它是求二值图像中各个1像素到0像素的最短距离的处理。,对二值图像，图像中两个像素p和q间的距离可以用适当的距离函数来测量。设P为B(p)1的像素区域，Q为B(q)0的像素区域，求从P中任意像素到Q的最小距离叫做二值图像的距离变

21、换。,一个4-邻接方式的例子 对二值图像)f(i,j)，距离变换k次的图像为gk(i,j)，当(i,j)=1时，g0(i,j)=C(非常大)；f(i,j)=0时，g0(i,j)=0。对图像f(i,j)进行如下处理：对全部i，j取 时，gk便是所求的距离变换图像。在经过距离变换得到的图像中，最大值点的集合就形成骨架，即位于图像中心部分的线状像素的集合。也可以看作是图形各内接圆中心的集合，它反映了原图形的形状。给定距离和骨架就能恢复该图形，但恢复的图形不能保证原始图形的连接性。该方法常用于图形压缩、提取图形幅宽和形状特征等。,一个区域的骨架化还可以采用Blum于1967年提出的中轴变换。找出中轴的

22、另个方法是用腐蚀法，该方法通过依次一层一层的去除外部周边点来找到中轴。中轴变换对于找出细长而弯曲物体的中心轴线很有用。通常，它仅作为一幅图使用，而忽略它所产生的值。其他的形状描述子，如物体具有的分支数和物体的总长，可以从中轴变换图本身计算出来。对二值图像来说，中轴变换能够保持物体的原本形状。这意味着该变换是可逆的，并且物体可以由它的中轴变换重建。对数字图像用矩形采样网格编程处理时，逆变换可能会与原来物体有细小的差别。下图左边是一个染色体的数字图像，右边显示了它的中轴变换。中轴变换还可以对灰度图像进行计算。,4.细化从二值图像中提取线宽为1像素的中心线的操作称为细化。细化从处理方法上分为顺序处理

23、和并行处理，从连接性上分为8-邻接细化和4-邻接细化。像素(i,j)记为p，其8-邻域的像素用pk表示，。二值图像细化步骤如下：（1）按光栅扫描顺序研究二值图像的像素，当完全满足以下6个条件时，把置换成1。但是，条件2、3、5是在并行处理方式中所用的各像素的值。条件4及6是在顺序处理方式中所用的各像素的值。对已置换成1的像素，在不用当前处理结果的并行处理方式中，把该像素的值复原到1，而在用当前处理结果的顺序处理方式中，仍为一l。条件1：B(p)=1,条件2：p是边界像素的条件，即，式中，因为像素是8-邻接，所以对于像素p，假如 中至少有一个是0时，则p就是边界像素。条件3：不删除端点的条件，即

24、，对像素p来说，从p0到p7中只有一个像素为1时，则把p叫做端点。这时。,条件4：保存孤立点的条件，即，当p0到p7 全部像素都不是1时，p是孤立点，这时。条件5：保持连接性的条件，即,像素连接性改变的例子,条件6：对于线宽为2的线段，只单向消除的条件 是 时，像素p的连接数。,线图形,区域边界的Hough变换和广义Hough变换 Hough变换和广义Hough变换的目的是寻找一种从区域边界到参数空间的变换，用大多数边界点满足的对应的参数来描述这个区域的边界。Hough变换方法是利用图像全局特性直接检测目标轮廓，即可将边缘像素连接起来组成区域封闭边界的一种常见方法。在预先知道区域形状的条件下，

25、利用Hough变换可以方便地得到边界曲线而将不连续的边缘像素点连接起来。Hough变换的主要优点是受噪声和曲线间断的影响较小。Hough变换的基本思想是点线的对偶性。,如Hough变换图（a），在直角坐标系中一条直线l，原点到该直线的垂直距离为，垂线与x轴的夹角为，则这条直线方程为：而这条直线用极坐标表示则为点(、)，如图（b）。可见，直角坐标系中的一条直线对应极坐标系中的一点，这种线到点的变换就是Hough变换。在直角坐标系中过任一点的直线系，如图（c），满足：其中：,Hough变换,而这些直线在极坐标系中所对应的点(、)构成图上图（d）中的一条正弦曲线。反之，在极坐标系中位于这条正弦曲线上

26、的点，对应直角坐标系中过点(x0,y0)的一条直线，如上图（e）所示。设平面上若干点，过每点的直线系分别对应于极坐标上的一条正弦曲线。若这些正弦曲线有共同的交点(、)，如上图（f），则这些点共线，且对应的直线方程为：图像空间中共线的点对应于参数空间中相交的线。反过来，在参数空间中相交于同一点的所有线在图像空间中都有共线的点与之对应。这就是点线对偶性。当给定图像空间中的一些边缘点时，就可以通过Hough变换确定连接这些点的直线方程。把在图像空间中的直线检测问题转换到参数空间中对点的检测问题，通过在参数空间里进行简单的累加统计即可完成检测任务。,其算法步骤如下：在、的极值范围内对其分别进行m，n等

27、分，设一个二维数组i的下标与i、j的取值对应；对图像上的边缘点作Hough变换，求每个点在j(i0，1，,n)变换后i，判断（i、j）与哪个数组元素对应则让该数组元素值加1；比较数组元素值的大小，最大值所对应的（i、j）就是这些共线点对应的直线方程的参数。共线方程为：此外Hough变换可推广用于检测图像中是否存在某一特定形状物体，特别对于较难用解析公式表示的某些形状物，可用广义Hough变换去找出图像中这种任意形状的存在位置。例如寻找圆，设圆的方程为：,这时参数空间增加到三维，由a，b，R组成，如像找直线那样直接计算，计算量增大，不合适。若已知圆的边缘点(当然图中还有其他非圆的边缘点混在一起)

28、，而且边缘方向已知，则可减少一维处理，把上式对x取导数，有：这表示参数a和b不独立，利用上式后，解上式只需用两个参数(例如a和R)组成参数空间，计算量就缩减很多。具体计算时，需要在参数空间建立一个二维的累加数组。参数空间中的累加数组,广义Hough变换,例如广义Hough变换图所示的任意形状物，在形状物中可确定一个任意点 为参考点，从边界上任一点(x，y)到参考点 的长度为r。它是 的函数，是(x，y)边界点上的梯度方向。通常是把r表示为 的参数。到边界连线的角度为，则 应满足下式：,对已知形状建立R表格后，开辟一个二维存储区，对未知图像各点都查已建立的R表，然后计算，若未知图像各点计算出的

29、很集中，就表示己找到该形状的边界。集中的程度就是找最大值。具体步骤如下：（1）对将要找寻的某物边界建立一个R 表，这是一个二维表，以 的步进值求r和；（2）在需要判断被测图像中有无已知某物时，也可对该图像某物各点在内存中建立一存储区，存储内容是累加的。把 从最小到最大用步进表示，并作为地址，记作,存储阵列内容初始化为零；,（3）对图像边界上每一点，计算，查原来的R表计算：（4）使相应的存储阵列 加1，即 在阵列中找一最大值，就找出了图像中符合要找的某物体边界。,8.4 图像的纹理分析技术,纹理分析概念指的是图像像素灰度级或颜色的某种变化，主要研究如何获得图像纹理特征和结构的定量描述和解释，以便

30、于图像分析、分割和理解。一般来说，可以认为纹理由许多相互接近、相互编织的元素构成，并常富有周期性。纹理的定义大体可以从三个方面来描述:具有某种局部的序列性，并在该序列更大的区域内不断重复；序列由基本部分非随机排列组成；各个部分大致都是均匀的统一体。,几种纹理图像,纹理分析是指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。纹理特征是从图像中计算出来的一个值，它对区域内部灰度级变化的特征进行量化。纹理分析基本过程是从像素出发，在纹理图像中提取出一些辨识力比较强的特征，作为检测出的纹理基元，并找出纹理基元排列的信息，建立纹理基元模型，然后再利用此纹理基元模型对纹理图像

31、进一步分割、分类或是辨识等处理。,8.4.2 空间灰度共生矩阵,灰度共生矩阵就是从 的图像f(x,y)的灰度为i的像素出发，统计与距离为，灰度为 j的像素同时出现的概率。用数学表达式则为：,灰度共生矩阵的像素对,1.0o方向灰度共生矩阵 当 时，由于所给图像中只有4个灰度级，因此所求得的灰度共生矩阵的大小为。,0o方向灰度共生矩阵计算示意图,一幅数字灰度图像,45o方向灰度共生矩阵 当 时，。,45o方向灰度共生矩阵计算示意图,90o方向灰度共生矩阵 当 时，。,90o方向灰度共生矩阵计算示意图,135o方向灰度共生矩阵 当 时，。,135o方向灰度共生矩阵计算示意图,灰度共生矩阵计算结果,熵

32、值是图像所具有的信息量的度量，纹理信息也属于图像的信息。若图像没有任何纹理，则灰度共生矩阵几乎为零矩阵，则熵值接近为零。若图像为较多的细小纹理，则灰度共生矩阵中的数值近似相等，则图像的熵值最大，若仅有较少的纹理，则灰度共生矩阵中的数值差别较大，图像的熵值就较小。熵值的定义如下：,另外还有惯性、能量等也是常用的纹理特征。其定义分别为：惯性：能量：,8.4.3 纹理能量测量,Laws的纹理能量测量方法是一种典型的一阶分析方法。Laws纹理测量的基本思想是设置两个窗口：一个是微窗口，可能为33,55,77像素，通常取55，用来测量以像元为中心的小区域内灰度的不规则性，以形成属性，也称之为窗口滤波；二

33、是宏窗口，可以为1515或3232，用来在更大的窗口上求属性量的一阶统计特性，常为均值或标准偏差，也称为能量变换。其具体实现就是用定义的一些模板与图像进行卷积，以便于检测出不同的纹理能量信息。,纹理能量检测模板,8.4.4 纹理的结构分析方法和纹理梯度1.纹理的结构分析方法 是除统计方法之外的另一类纹理分析方法。该方法认为纹理是由结构基元按照某种重复性规则而构成的模式，其表述过程实际是对纹理基元的提取以及对基元分布规则的描述。纹理的空间组织可以是随机的，可能一个基元对相邻基元有成对的依赖关系，或者几个基元同时相互关联。这样的关联可能是结构的、概率的或是函数的。,纹理基元可以是一个像素点，也可以

34、是若干个灰度上比较接近的像素点的集合，由基元可以构成较为基本的、同时也是比较小的子纹理，最后由于纹理按某种空间组织规则合成为一幅完整的纹理图像。给出3个纹理基元合成为一个子纹理的过程，对产生的子纹理应用规则的空间组织规则形成了如图(b)所示的纹理图像。如果给出纹理基元 的排列规则，就能够将这些基元按照规定的方式组织成所需的纹理模式。可将纹理 定义为：,纹理的基元,2.纹理梯度纹理基本上是区域特性，图像中的区域对应景物中的表面，纹理基元在尺寸和方向上的变化，可以反映出景物中表面相对于照相机的转动倾斜。通常将利用纹理基元的变化去确定表面法线方向的技术，称为纹理梯度技术，也就是常说的从纹理到形状的研究。,8.5小结,图像特征是指图像的原始特性或属性。常见的图像特征可以分为灰度特征、纹理特征和几何形状特征等。区域内部空间域分析是直接在图像的空间域对区域内提取形状特征，主要有欧拉数、凹凸性、距离和区域的测量。区域内部变换分析是形状分析的经典方法，它包括求区域的各阶统计矩、投影和截口等。区域外部形状是指构成区域边界的像素集合。形状描述子是一种对物体形状的简洁描述。包括区域边界的链码、傅立叶描述算子、骨架化、细化、区域边界的Hough变换和广义Hough变换等。纹理分析的方法大致分为统计方法和结构方法两大类。,