纹理是一种重要的视觉线索是圖像中普遍存在而又难以描述的特征。纹理分类与分割是图像处理领域 一个经久不衰的热点研究领域纹理特征提取作为纹理分类与分割嘚首要问题．一直是人们关注的焦点，各种纹理 特征提取方法层出不穷在广泛文献调研的基础上，回顾了纹理特征提取方法的发展历程分析了其研究现状，对 纹理特征提取方法进行了较为全面的综述对其进行分类和比较，最后给出了纹理研究领域的主要发展趋势
624 中國图象图形学报 第14卷 小波理论发展的许多分支,如多进制小波小波包以理解为一些基元类型和它们的空间关系,这个定义 及小波框架等等,它们均在图像纹理分析中发挥了的一个重要部分是属性必须在恒定的纹理区域内重 积极的作用。如 Chang等人(提出的基于树结构复出现定义3通过纹悝基元的局部模式的数目和 小波的纹理分类方法, Unser1研究的基于小波框类型以及它们的空间关系来描述纹理。其余定义都 架的纹理分类方法 強调了随机性、重复性、规律性等特征并存于纹理 近年来较引人瞩目的是Oaa等人1于2002总之,上述诸定义都是基于特定应用背景的,其中的 年提出的局部二进制模式(LBP),该方法分析纹理共识是①纹理不同于灰度和颜色等图像特征,它通 的吸引人的地方在于其计算复杂度小,具有多尺度过像素及其周围空间邻域的灰度分布来表现,即局 特性和旋转不变特性,在纹理检索领域得到应用。部纹理信息;②局部纹理信息不同程度的重复性,即 总嘚来讲,纹理特征提取在国际范围内呈现更加灿全局纹理信息 烂的局面,一方面,人们对已有经典的纹理特征提取 对纹理的认识或定义决定了紋理特征提取采用 方法进行深入研究与扩展;另一方面新的纹理特征的方法,由于难以对纹理给出一个精确和统一的定 提取方法以及纹理特征提取方法的融合亦在蓬勃发义,不能对纹理做出完整的表达,一方面使纹理分析 展,主要集中在纹理多尺度特征、旋转不变特征的提中的问题更為错综复杂、更具有挑战性;另一方面, 取以及纹理特征的选择与融合如GLCM与MRF的图像的研究者们不断引人各种模型从不同侧面来描 融合,小波方法與MRF的融合等等。 述纹理的多种属性,使得对纹理的研究缤纷多彩 22纹理的有关定义 纹理的定义一直为人们所关注,但是图像纹理3纹理特征提取方法分类 定义问题至今没有得到圆满的解决,仍然不存在为 众人所公认的定义,这正是由于图像纹理形式上的 许多学者对纹理特征提取方法展開研究并试图 广泛性和多样性所造成的,从而也使得研究者针对对其进行分类。堪称经典的分类方法之一的是 不同的应用提出了自己的概念與定义下面是几个1979年, Haralick3对纹理特征提取方法进行综述, 具有代表性的定义 将其分为两类:统计方法和结构方法。当时一些重 定义131纹理是一种反映图像中同质现象要方法如马尔可夫模型的方法初见端倪,小波方法 的视觉特征,体现了物体表面共有的内在属性包含尚未出现1991年,Re-31总结了自1980姩以来 了物体表面结构组织排列的重要信息以及它们与周的纹理特征提取方法,将其分为3类:基于特征的, 围环境的联系。 基于模型的和基于结構的1993年,此时各种理论 定义21如果图像内区域的局域统计特征或或方法在纹理特征提取中的应用已经基本成形, 其他一些图像的局域属性变化緩慢或呈近似周期性 Tuceryan和Jan10将纹理特征提取方法归为5类, 变化,则可称为纹理 即统计方法、几何方法结构方法、模型方法和信号 定义39纹理就是指在圖像中反复出现的处理方法,这种分类方法广为流传。其中几何方法 局部模式和它们的排列规则 是利用统计几何特征描述纹理,此类方法的應用和 定义420)纹理被定义为一个区域属性,区域发展极其受限,且后继研究很少。本文按照纹理特 内的成分不能进行枚举,且成分之间的相互关系鈈征提取方法所基于的基础理论和研究思路的不同, 十分明确 并借鉴非常流行的 Tuceryan和Jain的分类方法,将 定义521纹理是一种反映像素的空间分布纹理特征提取方法分为四大家族:统计家族模型家 属性的图像特征,通常表现为局部不规则而宏观有族、信号处理家族和结构家族,如图2所示 规律的特性。 统计家族的方法是基于像元及其邻域的灰度属 定义621纹理具有三大标志:某种局部序列性,研究纹理区域中的统计特性,或像元及其邻域内 性不断重复、非随机排列和纹理区域内大致为均匀的灰度的一阶、二阶或高阶统计特性;在模型家族 的统一体 中,假设纹理是以某种参数控淛的分布模型方式形 定义1从物质的组成及人类对物体的视觉感知成的,从纹理图像的实现来估计计算模型参数,以参 的角度审视纹理。定义2中,局部属性的集合可以数为特征或采用某种分类策略进行图像分割,因此 万方数据 第4期 刘丽等:图像纹理特征提取方法综述 625 模型参数的估计是该镓族方法的核心问题;信号处纹理基元、不同的方向及数目等,决定了纹理的表现 理的方法是建立在时频分析与多尺度分析基础之形式信号處理家族的方法从变换域提取纹理特 上,对纹理图像中某个区域内实行某种变换后,再提征,其他3个家族直接从图像域提取纹理特征。各 取保持楿对平稳的特征值,以此特征值作为特征表个家族的方法既有区别,又有联系正如许多分类 示区域内的一致性以及区域间的相异性;结构家族方法一样,只能认为某一种方法更大程度地属于某 的方法基于“纹理基元”分析纹理特征,着力找出纹一家族,较小程度地属于其他家族。下面汾别对各 理基元,认为纹理由许多纹理基元构成,不同类型的大家族的方法予以阐述 交叉对角矩阵 灰灰灰交灰局自半理 灰度梯度矩阵 |套|2套1魔苐 自相关函数 生程分角度度米 矩统统矩矩统统 阵计计阵阵 同步白回归模型 矩阵方法 其他方法 空间域 自回归滑动平均 句法纹理分析 空间域 滑動平均模型 统计家族 数学形态学法 马尔可大模型 型 垮纹理特征 aws纹理测量 吉布斯模型 型提取方法 其 族 他 广义长相关模型 空间域 变 特征滤波器 換 方 正交镜像滤波 分形模型 信号处理家族∠么 优化FIR滤波器 复杂网络模型 马赛克模型 空间域变换域 般图像变换方法 小波变换方法 部 多进 塔‖樹 沃 制制 小小 波‖波 换 环形和楔形滤波 离散余弦变换 局部傅里叶变换 单,易于实现。实践证明,CLCM在该家族中一支独概率显然GICM是一个对称矩阵,昰距离和方向 秀,具有旺盛的生命力其次是半方差图方法。以下的函数,其阶数由图像中的灰度级N决定,由 主要阐述前两种方法此外,纹理谱方法24,比cLCM能够导出14种纹理特征。尽管由ccM 如LBp7,因其计算复杂度小,并且具有旋转不变提取的纹理特征具有较好的鉴别能力,但是这个方 性和多尺度特性,吔备受关注但是像灰度行程长法在计算上是昂贵的,尤其是对于像素级的纹理分 度法灰度差分统计交叉对角矩阵等方法由于类更是应用受限。首先计算GLCM很耗时,再者需 提取的纹理特征鉴别能力一般,有些甚至很差,加上 要提取14个纹理特征,其所需时间可想而知 计算量大,故其应用极為有限,后续研究很少 因此,不断有研究者尝试对其改进。①通过减 3.1.1 GLCM 该方法是建立在估计图像的二阶组合条件概率少图像的灰度级,可以减少计算量,但是这种做法会 万方数据 626 中国图象图形学报 第14卷 损失一定的灰度的空间依赖信息②方向θ和距离机场方法和分形方法。 d的选择。大蔀分研究者在应用时,d一般取1, 3.2.1随机场模型 般选择为0°45°90°135°③计算GLCM的窗口 随机场模型方法试图以概率模型来描述纹理的 选择如Soh和 Tsatsoulis201通过对不哃尺度和方随机过程,它们对随机数据或随机特征进行统计运 向的GLCM进行平均来降低计算量。④研究提取算估计纹理模型的参数,然后对一系列嘚模型参数 的纹理特征之间的相关性,选择最有鉴别能力的纹进行聚类,形成和纹理类型数一致的数类模型参数; 理特征 Ulaby等人研究发现:在基于GLCM嘚14由估计的模型参数对灰度图像可以进行逐点的最大 个纹理特征中,仅有4个特征(对比度、逆差矩,相后验概率估计,确定像素及其邻域情况下该潒素点 关性、能量)是不相关的,这4个特征既便于计算又最可能归属的概率。随机场模型实质上是描述图像 能给出较高的分类精度2;文献[28]详细研究了6中像素对其邻域像素的统计依赖关系,其中最重要 个纹理特征,认为对比度和熵是最重要的两个特征;的、应用最广泛的是MRF模型 文献[29]通过分析CLCM的计算问题,得到3个不 (1)MRF模型MRF建模纹理的基本思想是 相关且分辨力最好的特征为:对比度、熵和相关性。通过任意像素关于其邻域像素的条件概率分布来描 前三种改进方式可以减少计算量,但是并不能解决述纹理的统计特性该模型的主要优点是提供了 CLCM方法存在的问题。 Clausi对CLCM方法囿深种一般而自然的用来表达空间上相关随机变量之间 入的研究,从算法实现上对其做了较好的改进0)的相互作用的模型。用MRF模型来描述纹悝,首先 此外,较引人注意的还有 Walker等人3提出起源于纹理合成领域31,也可用于纹理分类与分 适应多尺度的GLCM方法,同时,还提出基于遗割由 Hammersley-Clifford理论13,MRF和Cibs 传算法的GLCM方法,其通过实验得出两种分类错随机场之间具有对等特性,因此便于描述图像的空 误率明显低于传统的CLCM方法,并减轻了特征选间约束关系,鈳以通过条件概率函数或者联合分布。 择的计算负担最后值得一提的是,2005年,对于MRF来说,由于大多数应用场合需要联合分 Kandaswamy131分析了GLCM的计算复杂度,受统计布,而由条件分布推导联合分布通常比较困难, 占有模型的启发,提出一种提高纹理分析效率的方 MRF-GRF对等理论为此找到出路。 法,通过相似度評估,采用近似纹理特征分析雷达图 基于以上理由,加上有优化算法的支撑,如模拟 像纹理特征,描述了如何提取近似纹理特征,其结论退火、递归優化、贪婪优化、多尺度优化、条件迭代模 为:近似纹理特征可以提高图像纹理分析的效率,并式等等,使MRF得以广泛应用,通过选取恰当的基 没有引起分类正确率的下降 团势函数,可以给期望的空间特征结构指定一个较 3.1.2半方差图( semivariogram) 高的概率。与统计决策理论与估计理论结合,MRF 该方法是一種基于变差函数的方法,由于变差为各种各样的纹理图像建模问题提供了一个基本的 函数反映图像数据的随机性和结构性,因而能很好理论框架 地表达纹理图像的特征。 Miranda等人3对该方法 传统形式的Cbb模型多以空间灰度信息的线 用于图像纹理分类做了较为深入的研究,他们认为性干涉關系为描述基础,由于实际图像中空间灰度 该方法较适用于分析雷达图像纹理吴刚等人信息的非线性关系,这类模型在诸如多纹理分割这 根據变差函数的这种性质将单步长变差函数值作为样的应用中,有较大的局限性。 Derin和Eiot)讨 图像纹理特征进行分割,其实验结果表明它对人造论了纹悝分割中的另一种 Gibbs模型(MML),他们 纹理以及大多数自然纹理的分割效果是十分有效设定了Gibb模型的能量函数的参数形式,然后以 的,对结果做进一步的後处理工作以精确定位纹理最小二乘法估计相应的参数这种方法同样难以应 边缘有待进一步研究。 用于多灰度自然纹理图像的非监督分割中Chen 3.2模型家族 和 Kundu131.工作涉及了纹理特征分布概率的估 该家族的方法对纹理图像建模后,将纹理特征计问题,试图将1维HMRF引入图像分割,遗憾的 提取歸结为参数估计问题,如何采用各种优化参数忽略了Gibb分布及其2维形式。文献[39]摆脱了 估计的方法进行参数估计是模型家族研究的主要内传统Gibb模型中包含的线性干涉、高斯、参数对称 容该家族的主要方法见图2,本文将主要介绍随相等假设等的束缚,提出利用 Gabor滤波和矢量量 万方数据 第4期 刘丽等:图像纹理特征提取方法综述 化技术完成模型参数的估计。 Pentland.的假设,自然界中的分形与图像的灰度 早期的MRF将纹理图像中像素的空间交互建表示之间存在着一定的对应关系研究表明,人类 模为基于平面网格上的MRF,通过迭代的算法将纹视觉系统对于粗糙度和凹凸性的感受与分形维数有 理的局部信息逐步传递到整个图像,但算法的计算着非常密切的联系,因此可以利用图像区域的分形 量相当大,且还会随着图像尺寸的增大或噪声的增维数来描述图像区域的纹理特性。分数维描述纹理 多而增加 Cohen(、 Chellappa等人42对MRF的核心问题是如何准确地估计分数维,目前人们已 做叻很好的研究,使得基于线性空间干涉模型的经提出了一些分数维的估计方法,但在估计精度和 GMRF得到了成功应用,CMRF受到后续研究者的计算复杂度の间还没有一个很好的折中方法,这也 关注,他们认为在降低MRF的计算量方面,有两种是人们在分数维方面所一直探讨的问题。分数维最 思路:①采鼡非最优的、确定性的方法,收敛于局部常用的算法有 Keller4的盒维数以及 Sarkar和 最优点;②采用多分辨技术多分辨方法的几种解 Chaudhuri2)提出差分计盒法等。 決方案是:①分而治之;②长程作用;③分层MRF; 最重要的分形模型之一是由 Mandelbrot描述的 ④引人小波的MRF 分数布朗运动模型,它把自然的粗糙表面看成随机 (2)洎回归模型。自回归模型用于纹理分析最游走( random walk)的最终结果重要的是,纹理的 先由 McCormick等人6提出。像素灰度级从它们的亮度表面也可以看作是随機游走的结果,因此分数 邻域中的灰度级来估计,其中使用了线性估计参数,布朗运动模型可以用于描述纹理尽管自然纹理可 参数的估计采用朂小均方误差准则或最大似然估计以在大范围的尺度内呈现出相似的粗糙度,但是在 方法。模型的参数在细微纹理中变化显著,但是对实际中假设粗糙度在任何尺度上都是恒常的并不合 于粗糙纹理则基本不变 适。于是很多不同的扩展分数布朗运动(FBM)模 对图像纹理模型的研究很多采用具有自回归形型的方法被提出来,比较常用的是从扩展自相似 式,由独立的噪声驱动的模型,即图像中的一个像素(ES)模型导出的特征——扩展汾形特征,由ESs 值表示为其邻域像素值的线性组合再加上一个噪声引入的多尺度 Hurst参数提供了表达不同尺度上纹 变量,不同像素的噪声变量是相互獨立的一般来理粗糙度的一种特征。多尺度 Hurst参数特征可 讲,自回归并不需要随机变量的状态是递归的定义,被用来发展比单个 Hurst参数更好的特征矢量来表 随机变量所有的状态由噪声场的值同时指定,这就达自然纹理,因为不要求粗糙度的尺度不变性,所以 是SAR模型,SAR在纹理特征提取中应用朂多,其能够区分大多数自然纹理,对于纹理分类与分割是 average)模型但也存在问题:①是一种旋转变化进行评估,其结论是广义 Hurst参数特征用于纹理 模型;②由于计算量的原因,不宜取大的核邻域;分类效果能够媲美 Gabor方法,明显优于传统 Hurst ③反映的纹理图像信息不全面,使用范围小;④邻域参数。此外,針对单一分数维的缺陷,研究者们根据 中核元素的选择问题针对这些问题,毛建昌等多重分形理论,引入多重分形理论中的广义维数谱 人引入高斯金字塔图像模型提出多分辨率自回归作为分类特征,它对于由不同分数维的子集构成的 模型;Mao和Jain141用多分辨旋转不变SAR模型提纹理图像有很好嘚分类效果。 取纹理特征 3.3信号处理家族 3.2.2分形模型 信号处理家族方法的共同之处在于用某种线性 1975年,美国数学家 Mandelbrot首次提出了分变换、滤波器戓滤波器组将纹理转到变换域,然后应 形。分数维作为分形的重要特征和度量,把图像的用某种能量准则提取纹理特征们信号处理方法 空间信息和灰度信息简单而又有机地结合起来,因也称滤波方法。大多数信号处理方法的提出基本 而在图像处理中备受人们的关注分数维在图潒处 基于这样一个假设:频域的能量分布能够鉴别纹理 理中的应用是以两点为基础的:一是自然界中不同基于该家族方法的常规的纹理分类流程如图3。 种类的形态物质一般具有不同的分数维;二是由于 首先对图像进行滤波,各滤波通道的输出即为 万方数据 628 中园图象图形学报 第14卷 响应 性处理方法作用的详细分析参见文献[48]常用 滤波 图像 特征 图像 的平滑滤波器是矩形的14和高斯的3,经验 镱入 输出 图像 表明高斯滤波器是较好的選择。平滑滤波器的窗囗 滤 线 征训练选 分/图像 的选择也很值得考虑,通常根据图像的频谱自适应 器 的确定 3.3.1数字图像变换方法 局部能量函数 圖像通常被划分为不重叠的nxn的方形子图 图3滤波方法纹理分类流程 像(子图像的大小通常为3×3的纹理单元),将像 Fig 3 Texture classification flow by filtering methods 素排列成n2维的向量,则图像可以表礻为向量的 初始特征,初始特征的方差差异载有纹理信息的差集合,再对这些向量做变换,如图4所示。离散余 异;接下来的局部能量估计目的是估計局部区域中弦变换方法),周烽提出的傅里叶级数方法, 滤波器输出的能量然而,精确的边缘保持和精确Yu提出的局部傅里叶变换方法以及张志龍6提 的能量估计是矛盾的。对边缘定位而言,需要高的出的基于局部沃尔什变换的方法,都属于这一类 空间分辨率,而能量估计要求高的频率分辨率,两者方法其差别主要体现在:①提取纹理单元中的 之间需要通过平滑滤波器进行折衷。局部能量估计局部纹理信息时采用了不同的变換方法;②根据 包括非线性处理和平滑处理恰当的非线性操作可局部纹理信息统计得到全局纹理特征时采用了不 以优化纹理鉴别的性能,非線性处理方法的选择不同的方法。 是很明确,大多数情况下都是根据经验关于非线 f(0,=6 局部傅里叶变换LFTn (u1联离散余弦变换cT) 从(1, 局部沃尔什变换WT) 后6乐 ∫(71,)2 离散KL变换PCA) W(7i,D) 图4提取纹理特征的数字图像变换方法 Fig, 4 Extract texture feature by digital image transform 3.3.2小波变换方法 频率和带宽可以设计一组 Gabor滤波器对纹理图像 纹理是一种视觉直接感受到的自嘫特征。人类进行滤波,每个 Gabor滤波器只允许与其频率相对 的知识、生活经验使其在头脑中建立起为数巨大的应的纹理顺利通过,而使其他纹理嘚能量受到抑制, 物体模型和常识供识别使用,但指望计算机能代替从各滤波器的输出结果中分析和提取纹理特征,用 人类完成各种复杂工作和識别任务,就必须赋予它于尔后的分类或分割任务 Gabor滤波器提取纹理 有近于人的视觉功能和识别能力。随着对人类视觉特征主要包括两个过程:①设计滤波器(例如函数、 机理的研究,人们逐渐认识到统计方法和结构方法数目、方向和间隔);②从滤波器的输出结果中提取 均与人类视觉機理相脱节,难以进行更精确的纹理有效纹理特征集 描述,由于大量自然纹理图像可以看作准周期信号, 因此,首当其冲的就是 Gabor滤波器的设计,构 加上基于多通道滤波方法与人类的视觉机理相近,建一个成功的设计方案必须考虑:单个滤波器参数 激发研究者研究多分辨纹理分析方法。 的設计和滤波器组的布局参数设计经典的两种方 (1) Gabor滤波方法。该方法利用了 Gabor滤法分别是①有监督方法即事先通过分析纹理样本 波器的良好性質即具有时域和频域的联合最佳分的傅里叶谱来确定滤波器参数的,Dun和 Higgins 辨率,并且较好地模拟了人类视觉系统的视觉感受做了令人瞩目的研究,其在文献[62]中绐岀了单个 特性,在图像纹理特征提取中备受青睐该方法以 Gabor滤波器的详细设计准则;②无监督方法则首 纹理是窄带信号153为基础的,其主要思想是:不先根据一些生理学假设确定一大组滤波器,然后再 同纹理一般具有不同的中心频率及带宽根据这些通过分析滤波后的图像筛選出合适的滤波器。 万方数据 第4期 刘丽等:图像纹理特征提取方法综述 629 滤波器组要覆盖整个空间/频率域,尺度和位置参数的方法实现的,这种方法随着多进制小波阶数的增 的选取应该使在频域中同一半径圆周上的各 Gabor加,计算复杂度将迅速增长,这对多进制小波的应用 滤波器的频带不重疊,在同一径向上不同半径的圆是一个很重要的限制 周上的 Gabor滤波器的频带也不重叠。 传统的金字塔小波分解变换仅对低频部分进 接下来是洳何从 Gabor滤波器的输出结果中提行分解随着分解层数的增加而逐渐向低频方向聚 取纹理特征实际纹理图像并非严格意义上周期信焦,仅利用叻纹理图像低频子带的信息,已有的研究 号,因此需要对 Gabor滤波后的图像进行非线性操结果告诉人们,纹理图像的中、高频子带仍含有有关 作和能量计算来得到特征图像,并用建立的特征矢纹理的重要特征信息,因此这种情况对于纹理分类 量做分类。可以直接利用 Gabor滤波结果作为纹理往往效果欠佳树结构的小波变换和小波包分析则 特征,但是纹理特征向量的维数高数据量庞大,因此克服了这一缺点,它们可以同时对高频信息进荇分 研究者们集中在如何减少所用的滤波器的个数和对解,为纹理分析提供了一种更加精细的分析方法。 Gabor滤波的结果进行后处理等方面典型的后处但是并非所有的子带图像信息都是有用的,对具体 理方法有3,3,06:基于 Gabor滤波器的输出的幅纹理图像进行分解时,可选择一个判据以确定哪些 喥响应高斯平滑处理、 Gabor能量特征复矩特征、子带图像是需要进行分解的1.60),从而避免不必 栅格元特征、独立成分分析法等等。 要的使计算复杂囮的图像全分解树结构小波又分 (2)小波方法。由于图像纹理往往展现出多尺为完全树结构小波变换和不完全树结构小波变换两 度特征,小波變换为多尺度思想提供了一个清晰的种前者虽然能较全面地反映纹理特征,但是随着 数学框架。多尺度方法应用于纹理分割的基本思想分解级数的增加,完全分解树的节点树呈指数增长, 就是要在低分辨率下获得稳定的纹理特征,快速可特征空间维数很大,对后续的特征分类带来困難 靠地识别不同纹理区域;在高分辨率下精确定位,以后者具有更大的选择灵活性,可以根据需要决定对 得到纹理边缘的真实位置;再由粗到细進行跟踪,获各节点小波分解与否,这样得到的特征维数大大减 得图像的实际纹理区域。利用小波变换提取图像的少小波包的分解方法不但鈳以对纹理图像信息集 多尺度纹理信息的思想步骤可简述如下:首先借助中的高频区域进行分析,而且得到的分解子图也保 正交小波,对图像进荇小波分解得到不同分辨率的持了原始图像的大小,如Uner1的纹理分类方法 一系列图像。分辨率越低,具有的是原图像上越低采用一种不对分解输絀进行子抽样的小波分解方 频的信息与此同时,每种分辨率的图像由代表不法—离散小波框架,采用树结构和离散小波框架 同方向信息的一系列高频子带图像组成,使用小波则会使小波分解的计算量和所提取的特征矢量的维 高频子带特征的目的在于它们可以反映图像的纹理数增加,可采用主成分分析等方法进行一定的优化 特性。 处理 二进制小波是最容易实现也是目前最普遍的方 尽管基于小波理论的纹理描述方法嘚到了很好 法,但是二进制小波变换不具备多频段特征,不适合的研究,但是滤波器组的选择问题仍然有待解决 用于分析窄带高频信号。多进制尛波的最大优点是小波基的构造会直接影响到图像纹理分析的效果, 将一个信号的高频分量缩小到窄的带宽,并能分出但有关这方面的研究报噵并不多见, Unser指出滤 更多的频段,同时有比二进制小波变换更好的能量波器的选择可能会影响图像纹理描述的质量, 紧凑性正因为纹理重要的信息也大都集中在中、 Mojsilovic讨论了用于纹理描述的最优小波基的 高频子带所以多进制小波变换多频段特征正好适选择问题,建立了基于小波纹理描述算法的滤波器 合于纹理分析,这也激发了研究者尝试采用多进制选择的相关准则; Rajpoot2论了纹理分析中自适 小波变换进行纹理分类和分割的研究。较有代表性应小波基选择问题,采用通过动态规划方法从正交 的有: Chitre和 Dhawan3)多进制小波进行纹理小波基库中寻找鉴别能力最好的基 分类, Acharyya等人吔做出了一系列很有成效的 前面两节的方法可以严格认为是信号处理家族 工作李峰给出了一种采用四进制小波变换计算的方法,并且应用广泛,研究也较为深人。此外如 局部纹理特征测度的方法得到了较好的分类效果Laws纹理测量份、正交镜像滤波器等,其思想简 由于多进制小波的構造目前主要是通过共轭滤波器单易懂,但是后继研究较少,在各种参考文献和期刊 万方数据 中国图象图形学报 第14卷 杂志中也很少找得到对此方面的研究著作,应用非4.1纵向比较 常有限。 (1)统计家族1976年, Weszka等人比较了 3.4结构家族 GLCM灰度差分统计和灰度行程长度统计法,采用 结构分析方法认为纹悝是由纹理基元的类型和 Landsat图像进行地物分类,认为GLCM性能最优; 数目以及基元之间的“重复性”的空间组织结构和1980年, Conners和How16同样比较了这四种方 排列規则来描述,且纹理基元几乎具有规范的关系,法,得出的结论与 Weszka-致。1998年,Cam和 假设纹理图像的基元可以分离出来,以基元特征和 Miranda(7比较了半方差图方法囷GCM方法用于 排列规则进行纹理分割显然确定与抽取基本的纹遥感图像分类,得出GCM方法对于光学图像分类 理基元以及研究存在于纹理基元之間的“重复性”效果较好,而半方差图较适用于雷达图像的结论。 结构关系是结构方法要解决的问题由于结构方法可见GLCM方法在统计家族中占主导地位,其次是 强调纹理的规律性,较适用于分析人造纹理,而真实半方差图方法。而灰度行程长度法是一种高阶统计 世界的大量自然纹理通常是不规则的,且结构的变方法,这种方法还没有被证明是一种提取纹理特征 化是频繁的,因此对该类方法的应用受到很大程度的有效方法;灰喥差分统计提取的对比度特征与 的限制,相应的研究没有其他三个家族的方法那么CLCM是一样的;交叉对角矩阵将CLcM方法和纹 广泛和深人下面简单介绍几种具有代表性的结构理谱方法巧妙的结合起来,其实验结果表明cDTM 方法。 方法的性能要好于CLCM方法和纹理谱方法,但是 (1)句法( syntactic)纹理描述方法基于纹理这种方法的最大缺点是计算量太大。 基元的空间关系与形式语言结构之间的类比,来自 (2)模型家族勿庸置疑,MRF在该家族中占 个类别的紋理描述形成了一个可以由它的语法表统治地位。然而,从本人搜集的资料来看,该家族内 示的语言,语法可以从一个语言词汇的训练集中推部嘚比较工作很少 Bennett等人在分析比较 导,纹理识别过程则为纹理描述词汇的句法分析,对MRF模型和SAR模型的基础上,提出一种广义长相 描述词汇做句法汾析的语法就确定了纹理类别。纯关模型(GLC),描述了该模型与SAR模型和MRF 句法的纹理描述模型是基于纹理由在位置上具有几模型之间的关系,作者称SAR模型和MRF模型是 乎是规范关系的基元所组成的想法句法分析方法GLC模型的两种特殊形式,该模型可以对低频纹理 主要有形状链语法和图语法。呴法方法的价值图像即具有长相关性质的纹理图像很好的建模作 在于其在若干层次上描述纹理的能力,但是纯句法者将其成功用于纹理合荿,但是对于纹理分类与分 方法应用起来很困难,通常与统计家族的方法结合。割问题,该模型有待进一步验证 2)数学形态学方法。数学形态学方法在二值 (3)信号处理家族199年F, Randen1撰文详 图像中使用结构基元寻找形状的空间重复性。当二细总结了提取纹理特征的滤波方法,其结论为:“N 值纹悝图像由结构元素所腐蚀时,纹理属性就会表 single approach did perform best or very close to the 理特征进行了比较研究,分别是: Gabor能量特征, Gabor复数矩特征,栅格算子特征,针对各种自然纹 前文对目前已囿的各类纹理特征提取方法已经理图像,主要结论是:栅格算子特征具有相对最好的 做了较为全面的阐述在此主要是对已有的纹理特纹理鉴別性能。利用 Gabor滤波器分析纹理也是一 征提取方法的比较工作进行总结,由于纹理特征提个研究热点,尽管 Gabor能量谱能捕获纹理中大量 取方法种类佷多,但是比较工作做得不够,尤其是在有用信息,但变换窗口的大小固定,很难获得纹理在 国内,从目前搜集的资料来看,极为有限由于结构频率囷方向上微小的变化信息,难以满足实际应用 家族的发展和应用很受限制,本文主要关注前三大的需求。另外,由于纹理特征提取时通常借助由哆 家族便于总结,称家族内部方法的比较为纵向比个 Gabor滤波器组成的滤波器组,加上需要很多参 较,称家族之间方法的比较为横向比较。 数的确萣,并且 Gabor滤波在实现上还没有行之有 万方数据 第4期 刘丽等:图像纹理特征提取方法综述 效的快速算法,所以它们都需要大量的计算与分层理论,發展了分层MRF方法、多分辨率MRF方 Gabor滤波器相比,小波变换继承和发展了 Gabor变法等,不但可以提高处理效率,而且研究纹理尺度间 换,不仅时频窗口可以移動,而且窗口形状也随窗口像素的遗传或依赖关系以取得纹理特征。 中心频率的变化而自动调整主要表现为在高频处 不足:①由于主要是通過模型系数来标识纹理 时间分辨率高,在低频处频率分辨卒髙,有“聚焦”特征,模型系数的求解有难度;②由于基于MRF模 特性,所以又叫“数字显微鏡”,并且存在快速算法。型的纹理图像分割是一个迭代的优化过程,它由局 4.2横向比较 部到全局的收敛速度很慢(即使条件迭代模式 纹理特征提取一般都是通过设定一定大小的窗(IcM)能加速寻找解),因而需要很大的计算量,通 口取得纹理特征,窗口的选择,存在着相互矛盾的要常需要迭代数百佽才能收敛;③参数调节不方便,模 求:一方面,纹理是一个区域概念,它必须通过空间型不宜复杂 上的一致性来体现,观察窗口取的越大,能检测出哃 (3)信号处理家族的优势与不足 性的能力愈强反之,能力食弱;另一方面,由于不 优势:对纹理进行多分辨表示,能在更精细的尺 同纹理的边界对应于區域纹理同一性的跃变因此,度上分析纹理;小波符合人类视觉特征,由此提取的 为了准确地定位边界,要求将观察窗口取得小一些。特征也是有利于纹理图像分割的;能够空间/频域结 窗口太小会在同一种纹理内部出现误分割,而分析合分析纹理特征 窗太大则会在纹理边界区域出现许哆误分割。这也 不足:正交小波变换的多分辨分解只是将低频 是各大家族共同的难点下面从4个角度:①计算部分进行进一步的分解而对高频蔀分不予考虑,而 复杂度,②是否与人类视觉感受相一致,③是否利用真实图像的纹理信息往往也存在于高频部分,小波 了全局信息,④是否具有多汾辨特性,本文试图给出包分析虽然克服了这一缺点,但对非规则纹理又似 各大家族的一些优势与不足。 乎无能为力,小波多应用于标准或规则紋理图像,而 (1)统计家族的优势与不足 对于背景更复杂的自然图像,由于存在噪声干扰,或 优势:方法简单,易于实现,尤其是GLCM方法者某一纹理区域内的潒素并非处处相似,因此往往 是公认的有效方法,具有较强的适应能力和鲁棒性效果不佳。另外,也存在计算量大的问题 0 hanian等人对四种纹理特征提取方法的分类性 综上所述,在提取纹理特征的有效性方面,统计 能进行评估,分别是MRF、 Gabor滤波、分形特征和家族模型家族和信号处理家族可以說相差无几,都 GLCM,结果是GLCM表现最好,当图像较小时无疑获得了人们的认可,未来哪一个家族占上风,目前尚 先尝试GLCM方法,当纹理呈现某种自相似性时,难預料。此时研究者们2开始注意到纹理特征 建议采用分形方法 Clausal0比较了GLCM、MRF提取方法的融合。由于 Gabor滤波器能精确捕获低 和 Gabor方法在分类SAR海冰图像時的性能,发现频和中频纹理信息,加上GLCM对高频纹理信息的 GLCM分类正确率最高,其次是 Gabor方法,CLCM获取能力,2005年, Clausi等人设计了一种融合 对纹理边界要较MRF敏感 Gabor滤波器和GLCM的纹理特征提取方法,以改 不足:①与人类视觉模型脱节缺少全局信息的进纹理识别该融合方法产生较高的特征空间分 利用,难以研究紋理尺度间像素的遗传或依赖关系;离,并且分类正确率较单独的特征集有了提高。文 ②缺乏理论支撑;③计算复杂度很高,制约了其实际献[87]融合叻多尺度GLCM方法和半方差图方法 应用 用于雷达图像纹理分类。GLCM是像素距离和角度 (2)模型家族的优势与不足 的函数因此完整的CICM的计算,其参数的選取 优势:模型家族的方法能够兼顾纹理局部的随范围很广,计算量很大,为了解决这个问题,文献 机性和整体上的规律性,并且具有很大的灵活性;采[29]应用马尔可夫链的性质,从理论上证明了当像 用随机场模型法对遥感影像纹理特征进行描述并在素距离足够大的时候,CLCM的计算结果趋于一致 此基础上进行分割,在很大程度上符合或反映了地性,由此纹理计算中参数的简化选择有了一定的 学规律;MRF的主要优点是提供了一种一般而自然依据 的用来表达空间上相关随机变量之间的相互作用的 为了能够准确地描述小波系数间的相关性,要 模型。它注意到纹理的多分辨率特性,結合图像的解决的问题是分析并建立适当的数学模型研究者 万方数据