[发明专利]基于拓扑树的局部形状模式的图像纹理基元特征提取方法

说明书

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于拓扑树的局部形状模式的图像纹理基元特征提取方法。

背景技术

在计算机视觉和图像处理中，图像的纹理分析是一个基础性的问题，然而，到目前为止，人们却没有对纹理的精确定义形成统一的认识，一般认为，纹理是图像灰度或色彩在空间上的变化或重复。纹理图像中灰度分布一般具有某种规律性，对于随机纹理，它也具有一些统计意义上的特征。目前人们对纹理已有下列共识：

a)纹理表现为某种局部序列性在该序列更大的区域内不断地重复；

b)纹理存在引起视觉感知的基本构成单元，即纹理基元；

c)纹理不能处理成一个点过程，更多地表现为区域特性；

d)纹理区域各个部分大致是均匀的统一体，各部分有大致相同的尺寸；

e)纹理有强度、密度、方向和粗糙程度等特征。

基于以上共识，认为纹理有两个要素：(1)纹理具有引起视觉感知的基本单元，即纹理基元。纹理基元的形态多样，表现为某些图像色彩或者灰度模式。(2)纹理基元有一定的排列规则，这些规则可能表现为某种规律性，也可能表现为随机性(参见文献1)。

纹理分析是纹理研究的主要内容之一，也是机器视觉里一个重要的研究领域，有着非常广阔的应用背景，其应用领域包括图像处理(Image Processing)、人工智能(ArtificialIntelligence)、遥感图像分析(Remotely-sensed Image Analysis)、医学图像分析(Medical ImageAnalysis)、工业表面检测(Industrial Surface Inspection)、文档处理(Document Processing)等领域。

纹理分析的一个核心问题是纹理描述(Texture Description)，在模式识别领域即为纹理特征提取(Texture Feature Extraction)。目前已经有许多纹理特征提取方法。Tuceryan和Jain将这些方法大致归为四大类：结构分析方法、统计分析方法、模型化分析方法以及信号处理方法。其中统计分析方法和信号处理方法在纹理分析中担任着非常重要的角色。

纹理分析在国内的研究主要在于某一种方法的具体应用。对于统计的方法，共生矩阵法比较常用。基于模型的方法里，分形方法应用比较多，大多采用Fractal Brown函数，也有对分形方法进行改进的；马尔可夫随机场(MRF)的应用也有一些，主要困难在于参数的确定。在数学变换的方法里，常见的是基于小波变换的方法。国外主要是对几种纹理分析方法提取的纹理特征结合常规分类方法，对不同的图像进行分类比较。

早期的纹理分析使用统计或结构的方法提取特征。最近的主要进展是使用多分辨率(例如Gabor变换)及多通道(几个波段结合分析纹理特征)的纹理特征描述。过去对纹理分析缺乏对不同尺度的纹理有效分析，这里的不同尺度是指同一幅图像，在不同尺度上进行纹理分析。这样可以获得同一区域的不同纹理特征，增加了信息量，最终可以提高分类的精度。

基于滤波的纹理描述可以分为两种方法：滤波后横向拼接成直方图，如GIST方法(参见文献2)、滤波后纵向串成一个向量，再进行统计，称为纹理基元方法(参考文献3)、纹理基元是指自然图像中基本的微观结构，它是视觉感知初始阶段(预注意阶段)的基本元素。纹理基元的研究是是利用稀疏编码(sparse coding)的思想试图从自然图像中学习超完备的图像基底纹理基元s，再用纹理基元来表达纹理图像。

不同于基于滤波、统计及结构等纹理描述方法对图像经过滤波或者某种变换结果进行描述，本发明在图像拓扑树表达的基础上直接对纹理基于进行描述，这样可以避免间接描述过程中纹理信息的损失，从而更加有效、全面得到纹理特征描述。

文献1：刘晓民，纹理研究综述.计算机应用研究，2008，Vol.25，No.8

文献1：Aude Oliva，“Gist of the Scene”，Neurobiology of Attention 2005

文献3：Manik Varma，Andrew Zisserman，“A Statistical Approach to Texture Classificationfrom Single Images”，Kluwer Academic Publishers.Printed in the Netherlands，2004

发明内容