专利名称：基于模式图的纹理特征表示方法
技术领域：
本发明涉及模式识别，特别涉及基于模式图的纹理特征表示方法。
背景技术：
纹理是由某种基元在较大范围内大致作均匀重复排列而构成。如草地之类的图像，表现的是自然纹理。而编织物等图像，表现的是人工纹理。纹理信息是一个重要的图像特征，广泛应用于模式分类和识别。
比较成熟的纹理表示框架之一是多通道滤波技术。它的基本思想是用一组滤波器对图像进行线性分解，目的是抽取一些代表图像视觉特征的成份，如边沿和线条， 然后在滤波后的灰度特征图像中计算统计量，如平均，方差等。这种方法的核心在于滤波器的设计。由于反映了人类视觉系统的的特性，Gabor滤波器近年来被广泛使用。这类方法能比较好地表示纹理特征，但有两个缺点1要对每一幅滤波后的图像计算特征统计量，计算时间比较昂贵。2由于滤波后的图像是原图像与滤波器的卷积，不可避免要受原图像的亮度的影响，当图像照明改变或不均匀时，同一纹理可导致两种相差甚远的特征值。尤其第二点是很多纹理分析法无法克服的。
发明内容
本发明的目的是提供一种基于模式图的纹理特征表示方法。
为实现上述目的，基于模式图的纹理特征表示方法包括步骤对原图像的每个像素取其5*5的领域块b；设有M个反映图像灰度梯度变化的模板，其中，M是大于1的正整数；计算M个模板和b的内积；用内积最大的模板的编号作为这一像素在模式图的输出值。
本发明的特征统计量的计算时间比常规方法要短的多，而且本发明去除了图像中光照的影响，只要光照在一定范围内是均匀的，即使在广域上有不同的光照，模式图也不受影响。
图1是本发明的模型匹配图；图2是特征窗口及特征向量；图3是特征量抽取流程，a是常规的多通道滤波技术，b是本发明的方法；图4是PCA模板，按照特征值从大到小顺序从上往下、从左往右排列；图5是纹理分割图，其中，a表示图1，b表示图2，c表示图3；图6是非均匀照明情况下的纹理分割，其中，a表示图1，b表示图2，c表示图3；图7是108 Brodatz纹理图像；图8是有照明变化图像的检索例子。
具体实施例方式
首先把原图像用模式匹配方法映射成一幅模式图。其流程可表示为如图1。对原图像的每一个像素，取其5*5的邻域块b。设有M个反映图像灰度梯度变化的模板，计算M个模板和b的内积，用内积最大的模板的编号作为这一像素在模式图的输出值。因此，这个模式图的像素值不再是光强度的反映(灰度值)，而代表灰度的梯度变化模式。同时模板的数目决定了模式图的像素值范围。这种模式图的值域比原来的灰度图像小得多，而且经过匹配得到的像素值能区分不同方向的线条和边沿。更为有意义的是，通过这种局域匹配，模式图去除了原图像中的光照影响。只要光照在5*5的模板范围内是均匀的，即使在广域上有不同光照，模式图应该不受影响。
基于模式图，我们提出了一种计算简便而且不受光照影响的纹理特征表示方法。设有M个模板，因为模式图中的像素表示模式种类，所以模式图的值域范围为[1，M]。对每一像素(x，y)，可以在周围S1×S1的窗口内计算它的纹理特征值。
fl(x,y)=Σm=-(S1-1)/2(S1-1)/2Σm=-(S1-1)/2(S1-1)/2hl(m+x,n+y)...(1)]]>hl是一个二值函数 fl是特征窗口内属于第l类模式的像素数目，以此作为成分，可构成特征向量F＝(f1，f2.…fN)(3)例如，我们使用6个模板对原图像进行模型匹配，得到模式图，取一个5*5的特征窗口，则其特征向量F如图2中所示。
这种模式图特征向量的计算比传统的多通道滤波技术要节省很多。我们把两种方法的特征获取流程表示如图3。如果计算一个特征统计量的时间为T，采用M个滤波器，则多通道滤波器的特征量分别在M个滤波后的图像中计算，时间为M*T。我们的特征量计算大约只需要T。在图中特征分量被放在一个框中，因为在对图像一次扫描后，这些分量可以全部得到。
本方法的精度取决于能否设计一组合适的模板。与设计过滤器一样，适当的数学公式可以导出相宜的模板。我们采用的是避免设计模块的复杂数学过程，从真实图像的统计分析中获取的办法。主成份分析是一个被广泛应用于图像压缩和图像特征抽取的技术。我们的思想是受视觉领域的研究成果的启发。研究者们发现主成份分析图像块得到的基函数类似于偏导数，而这是人类视觉系统的一个重要功能。此外，这一组基函数内部有自然的关系。它们反映了训练样本数据的空间特性，并且按照协方差矩阵的特征值从大到小排列。如果训练样本数据比较完备的话，这一组基函数是能反映各种空间模式的。因此，我们可以用图像统计分析得到的基函数作为模板。
以下是主成份分析的数学描述。设有向量空间x＝(x1，x2，…xM)，x的各成份之间有相关，为了去除这些相关性，将x通过线性变换W映射到一个新空间yy＝Wx (4)
使得y的各成份之间是不相关的。亦即yyT＝WxxTWT(5)成为一个对角矩阵。因此，W的各行将是xxT的特征向量。在已知x的样本数据的情况下，W可通过以下学习算法获取(Sanger algorithm)ΔW＝η*(yxT-(LT(yyT))W) (6)其中，η是一个小的正实数，LT是一个取矩阵的上三角部份的函数。在我们的应用中，每一个图像块作为x的一列，所得到的W的每一行被表示成一个二维的模板。这些模板按照特征值从大到小的顺序排列。因为后面部分受噪音影响较大，我们将前16个模板示于图4。除了第一个类Gaussian模板外，这些模板都可用来得到模式图。
实施例(1)纹理图像分割图5是256*256的三幅纹理图像。其中每幅图像包含几种纹理。分割是将图像按照纹理分成不同区域。应用本方法时，模板的选择会影响精度。因为PCA基函数大致是按照频率从小到大排列的，所以可根据纹理的粗细选择模板数量。我们对图5(a)，(b)，(c)各使用了10，15，13个模板。得到的模式图如图6所示。这些模式图的值域范围由模板数目决定，虽然比原来的灰度级(0，255)要小得多，但是它们的纹理视觉效果仍然很好。基于模式图，我们在35×35的特征窗口内计算式(3)的特征向量，然后用无监督学习算法K-Means对特征进行分类，得到的分割结果中，不同灰度级代表不同的纹理种类。
为了显示照明对纹理识别的影响，我们对原图像乘以一个随位置平滑变化的照明参数Ic1(x，y)＝I(x，y)*(fabs(x-128)+(fabs(y-128))(7)得到的图像如图6所示。改变后的照明在整幅图像上是非均匀的。我们采用和上面同样的方法，对图像进行转换和识别。得到的模式图和分割结果也示于图6。可以看出虽然原图像受照明影响很大，模式图还是很好地反映了纹理。因此，分割结果也基本没有变化。
作为对比，Gabor多通道滤波器也被用于以上两例。我们使用4个方向，2个频率的共8个滤波器。首先，计算它们和原图像的卷积图像，对每幅卷积图像的像素在27*27的窗口中计算两个特征统计量平均和方差。因此，纹理特征向量共有16个分量。然后，同样用K-means算法进行分割。从计算时间考虑，我们的纹理特征向量计算时间是13秒，而一幅Gabor卷积图像的两个特征统计量的计算时间是34秒，8幅图像即为272秒。再看照明对分割的影响，我们把两种方法在一般照明(case A)和用式(7)改变后的照明情况下(case B)的分割精度列于表1。从表1可看出，Gabor特征是由灰度图像直接计算出来的，因而受照明影响很明显。
表1模式图特征和Gabor特征的分割精度比较pattern map Gabortexture featuresfeaturesimages A B A Bimage1 5.415.797.7335.6image2 2.512.872.3213.7image3 2.532.587.2456.5(2)纹理图像的检索基于内容的图像检索，根据图像的性质通常使用色彩，形状和纹理特征作为检索的依据。作为模式图纹理特征的一个应用实例，我们这里只考虑用纹理特征进行检索。必要时可以和其他特征联合使用。检索对象是108种不同的Brodatz纹理图像(图7所示)。每一幅512×512的Brodatz纹理图像被顺从分成16幅128×128的不相迭的子图像。这样就生成了有1728幅子图像的纹理图像库。每一幅子图像都可作为检索对象，在理想情况下检索结果应该是来自于同一幅大图像的其他15幅子图像。检索依据是和目标图像在特征空间的距离。其定义如下
dis(i,j)=Σm=1Mdm(i,j)]]>dm(i,j)=|cm(i)-cm(j)α(cm)|...(8)]]>i是目标图像，j是检索图像，dm是它们在第m个特征分量cm上的差距，α(cm)是所有图像在cm上的标准方差，用于对距离进行正则化。我们使用15个PCA模板，因此有15个模式图特征分量。另外，我们还使用了原图像的平均及方差两个特征，因而共有17个特征分量。
检索时，按照式(8)计算的距离从小到大进行排序，取最前面的15个作为检索结果，这15个图像中和目标图像是同一纹理的图像所占比例作为评价标准(检索正确率)。对每一种纹理，16幅子图像的检索正确率的平均值作为此种纹理的检索率。我们将模式图特征的检索结果与被报道的用Gabor特征得到的结果总结于表2。
表2计算时间，特征向量长度和检索正确率的比较
表中的结果差距不大，这是因为标准Brodatz纹理图像没有太多的照明变化情况。若考虑实际图像有很多是在照明并不相同也不均匀的情况下拍摄的话，我们的方法是很有意义的。图8是一个包含照明不同的图像的检索例子，其中有一部分图像的照明被变化了。左上角是目标图像，检索结果从上往下，从左往右按与目标图像的距离从小到大排列。我们可以看出照明没有影响到检索，其正确率是100％。
权利要求
1.一种基于模式图的纹理特征表示方法，包括步骤对原图像的每个像素取其5*5的领域块b；设有M个反映图像灰度梯度变化的模板，其中，M是大于1的正整数；计算M个模板和b的内积；用内积最大的模板的编号作为这一像素在模式图的输出值。
2.按权利要求1所述的方法，其特征在于光照在5*5的范围内是均匀的。
3.按权利要求1所述的方法，其特征在于还包括步骤纹理特征向量的分量是特征窗口内各类模式数量的统计。
4.按权利要求3所述的方法，其特征在于所述的特征窗口是5*5的特征窗口。
5.按权利要求1所述的方法，其特征在于所述的模板是由主成分分析法获得的基函数。
全文摘要
一种基于模式图的纹理特征表示方法，包括步骤对原图像的每个像素取其5*5的领域块b；设有M个反映图像灰度梯度变化的模板，其中，M是大于1的正整数；计算M个模板和b的内积；用内积最大的模板的编号作为这一像素在模式图的输出值。本发明的特征统计量的计算时间比常规方法要短的多，而且本发明去除了图像中光照的影响，只要光照在一定范围内是均匀的，即使在广域上有不同的光照，模式图也不受影响。
文档编号G06T5/50GK1484200SQ02142419
公开日2004年3月24日 申请日期2002年9月17日 优先权日2002年9月17日
发明者陈延伟, 曾湘燕, 卢汉清 申请人:中国科学院自动化研究所