專利名稱：基于矩和分形的紋理分類方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種圖像處理技術(shù)領(lǐng)域的方法，具體是一種基于矩和分形的紋理分類方法。
背景技術(shù)：
雙變量函數(shù)f(x，y)關(guān)于原點(diǎn)(0，0)的(p+q)階矩定義為mpq=∫-∞∞∫-∞∞f(x,y)xpyqdxdy]]>如果將灰度圖像作為一雙變量函數(shù)f(x，y)，對圖像中的每一個(gè)像素計(jì)算其二階矩。由于不同的紋理會(huì)有不同的矩分布，常用的方法是引入非線性轉(zhuǎn)換器的方法將矩影射為紋理特征，再進(jìn)行紋理分類。
分形(Fractal)是紋理分類的另一種方法。假設(shè)A是歐幾里得空間Rn的有界集，如果測量尺度變?yōu)閞(r＜1)，A變?yōu)镹r個(gè)與本身相似的互不重疊的自似形的集合，則分形維(Hausdorff-Besicovitch維數(shù))就可由下式定義Df=log(Nr)log(1r)]]>自然界中的分形的自相似性只是統(tǒng)計(jì)意義上的，常用的分形維數(shù)的估計(jì)方法有盒計(jì)數(shù)法、差分盒計(jì)數(shù)法、分?jǐn)?shù)布朗運(yùn)動(dòng)等。
經(jīng)對現(xiàn)有技術(shù)文獻(xiàn)的檢索發(fā)現(xiàn)，劉泓等在《光學(xué)學(xué)報(bào)》1999，101406-1410上發(fā)表的“基于分維特征和反向傳播神經(jīng)網(wǎng)絡(luò)的自然紋理識別”中提出一種利用分維特征進(jìn)行紋理識別的研究，其中原始圖像、高灰度圖像、低灰度圖像、四個(gè)方向(0°，45°，90°，135°)的梯度圖像及二階多分維共八個(gè)分維數(shù)作為特征值，再利用反向傳播(BP)神經(jīng)網(wǎng)絡(luò)進(jìn)行紋理的分類識別。但是因?yàn)樽匀粓D像的分形特性只在有限的范圍內(nèi)存在，而這個(gè)范圍的選擇并沒有客觀規(guī)則，因而分類結(jié)果可能存在較大的誤差。特別是在多紋理分割實(shí)驗(yàn)中，不規(guī)則邊界處的紋理分維特征的計(jì)算方法及特征平滑算法都需要進(jìn)一步研究。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服現(xiàn)有技術(shù)的局限性，提供一種基于矩和分形的紋理分類方法，使其將圖像的矩和分形特性結(jié)合起來，用矩特征圖像的分形維數(shù)作為分類特征，由支持向量機(jī)進(jìn)行分類，提高了分類精度，增強(qiáng)了穩(wěn)健性。
本發(fā)明是通過以下技術(shù)方案實(shí)現(xiàn)的，本發(fā)明先對原圖像選擇圖像塊，計(jì)算其二階矩，產(chǎn)生矩特征圖像；再對原圖像塊和矩特征圖像估計(jì)其分形維數(shù)；將原圖像塊和六個(gè)矩特征圖像的分形維數(shù)形成特征向量，作為支持向量機(jī)的輸入進(jìn)行分類。
所述的對原圖像選擇適當(dāng)大小的圖像塊，計(jì)算其二階矩，產(chǎn)生矩特征圖像，是指采用窗口寬度為3的二階矩模板m00=111111111,m10=-1-1-1000111,m01=-101-101-101]]>m20=111000111,m11=10-1000-101,m02=101101101]]>將原圖像塊分別與模板m00，m10，m01，m20，m11，m02卷積，得到相應(yīng)的圖像分別為M1，M2，M3，M4，M5和M6，稱為矩特征圖像。
所述的對原圖像塊和矩特征圖像估計(jì)其分形維數(shù)，是指對原圖像塊和其六個(gè)矩特征圖像用差分盒計(jì)數(shù)法估計(jì)其分形維數(shù)。具體實(shí)現(xiàn)如下如果大小為M×M像素的圖像，按比例縮小為s×s像素，1＜s≤M/2，s為整數(shù)，則變換尺度r為s/M；把圖像看成是一個(gè)三維空間，(x，y)為圖像的空間位置，第三個(gè)坐標(biāo)Z定義為它的灰度值f(x，y)，把(x，y)空間分為s×s的網(wǎng)格，在每一個(gè)網(wǎng)格中定義一個(gè)s×s×h的盒子，如果圖像的總的灰度級為G，則h由[G/h]＝[M/s]確定，第(i，j)個(gè)正方柱中的最大和最小灰度分別落在頂端盒子k和底部盒子l中，則
nr(i，j)＝l-k+1在同一尺度r下，移動(dòng)正方柱遍及所有像素點(diǎn)，則圖像包含的總的盒子數(shù)為Nr=Σi,jnr(i,j)]]>分形維數(shù)Df用最小二乘法由log(Nr)～log(1/r)的斜率近似估計(jì)。
所述的將原圖像塊和六個(gè)矩特征圖像的分形維數(shù)作為支持向量機(jī)的輸入進(jìn)行分類，是指所述的將原圖像塊和六個(gè)矩特征圖像的分形維數(shù)形成特征向量，作為支持向量機(jī)的輸入進(jìn)行分類，是指將原圖像以及六個(gè)矩特征圖像的分形維數(shù)形成特征向量，并將全部樣本隨機(jī)分成兩組樣本A集和樣本B集，用A集作為訓(xùn)練樣本，B集作為測試樣本，用支持向量機(jī)進(jìn)行交叉驗(yàn)證。SVM采用多項(xiàng)式核函數(shù)。
本發(fā)明將兩種特性結(jié)合起來進(jìn)行圖像紋理的分類，克服了單獨(dú)地利用圖像的矩特性和分形特性對圖像的紋理進(jìn)行分類都有一定的局限性，能夠獲得較高的分類精度。由于結(jié)合了圖像的矩特性和分形特性，能夠獲得大量的紋理特征，且具有良好穩(wěn)健性的優(yōu)點(diǎn)。


圖1本發(fā)明實(shí)施例中采用的試驗(yàn)圖像圖2本發(fā)明實(shí)施例nr(i，j)的確定方法圖3本發(fā)明實(shí)施例矩特征圖像圖4本發(fā)明實(shí)施例效果圖具體實(shí)施方式
以下結(jié)合具體的實(shí)施例對本發(fā)明的技術(shù)方案作進(jìn)一步詳細(xì)描述。
本發(fā)明實(shí)施例采用的試驗(yàn)圖像為選自Brodatz紋理圖像集的自然紋理圖像。圖1所示為六個(gè)512×512像素的自然圖像D9(草地)，D15(青草)，D19(毛紡布)，D29(沙灘的沙子)，D68(木材紋理)以及D84(酒椰葉的纖維)。整個(gè)過程實(shí)現(xiàn)如下1.在每個(gè)圖像上隨機(jī)選取40個(gè)同樣大小的圖像塊，然后對每個(gè)圖像塊計(jì)算其二階矩，形成特征圖像。將灰度圖像作為一雙變量函數(shù)f(x，y)，對圖像中的每一個(gè)像素計(jì)算其二階矩(p+q≤2)，并圍繞每個(gè)像素在一個(gè)較小的窗口內(nèi)進(jìn)行計(jì)算。對于給定像素和一個(gè)有限長方形窗口矩的離散計(jì)算與像素的鄰域操作相對應(yīng)，可以由圖像和模板的卷積來實(shí)現(xiàn)。窗口寬度為3的二階矩模板為m00=111111111,m10=-1-1-1000111,m01=-101-101-101]]>m20=111000111,m11=10-1000-101,m02=101101101]]>本發(fā)明用選取的圖像塊分別與模板m00，m10，m01，m20，m11，m02卷積，得到相應(yīng)的圖像分別為M1，M2，M3，M4，M5和M6，稱為矩特征圖像，如圖2所示。
2.用差分盒計(jì)數(shù)法估計(jì)原圖像塊和六個(gè)矩特征圖像的分形維數(shù)。對大小為M×M像素的圖像塊，按比例縮小為s×s像素(1＜s≤M/2，s為整數(shù))，則變換尺度r為s/M。把圖像看成是一個(gè)三維空間，(x，y)為圖像的空間位置，第三個(gè)坐標(biāo)Z定義為它的灰度值f(x，y)。把(x，y)空間分為s×s的網(wǎng)格，在每一個(gè)網(wǎng)格中定義一個(gè)s×s×h的盒子。如果圖像的總的灰度級為G，則h由[G/h]＝[M/s]確定。第(i，j)個(gè)正方柱中的最大和最小灰度分別落在頂端盒子k和底部盒子l中，如圖3所示，則nr(i，j)＝l-k+1 (3)在同一尺度r下，移動(dòng)正方柱遍及所有像素點(diǎn)，則圖像包含的總的盒子數(shù)為Nr=Σi,jnr(i,j)---(4)]]>于是，分形維數(shù)Df就可以根據(jù)公式(2)用最小二乘法由log(Nr)～log(1/r)的斜率近似估計(jì)。
3.將原圖像塊及其六個(gè)矩特征圖像的分形維數(shù)形成特征向量，輸入支持向量機(jī)。將全部樣本隨機(jī)分成兩組樣本A集(120個(gè)樣本)和樣本B集(120個(gè)樣本)，用A集作為訓(xùn)練集，用B集作為測試集，進(jìn)行交叉驗(yàn)證。SVM采用多項(xiàng)式核函數(shù)
K(x，y)＝(γxTx+c)d，γ＞0，其中，γ，c為常數(shù)，本方法中取γ＝1，c＝1。
當(dāng)分別選用256×256像素，128×128像素，64×64像素，32×32像素，16×16像素以及8×8像素的圖像塊，SVM的多項(xiàng)式指數(shù)由1～9變化時(shí)的分類結(jié)果如圖4所示。從圖中可以看出，隨著圖像塊的減小分類正確率明顯下降，而受多項(xiàng)式指數(shù)大小的影響不大。當(dāng)圖像塊大于64×64像素時(shí)，能獲得滿意的分類正確率。
權(quán)利要求
1.一種基于矩和分形的紋理分類方法，其特征在于，先對原圖像選擇圖像塊，計(jì)算其二階矩，產(chǎn)生矩特征圖像；再對原圖像塊和矩特征圖像估計(jì)其分形維數(shù)；將原圖像塊和六個(gè)矩特征圖像的分形維數(shù)形成特征向量，作為支持向量機(jī)的輸入進(jìn)行分類。
2.根據(jù)權(quán)利要求1所述的基于矩和分形的紋理分類方法，其特征是，所述的對原圖像選擇圖像塊，計(jì)算其二階矩，產(chǎn)生矩特征圖像，是指采用窗口寬度為3的二階矩模板m00=111111111]]>m10=-1-1-1000111]]>m01=-101-101-101]]>m20=111000111]]>m11=10-1000-101]]>m02=101101101]]>將原圖像分別與模板m00，m10，m01，m20，m11，m02卷積，得到相應(yīng)的圖像分別為M1，M2，M3，M4，M5和M6，稱為矩特征圖像。
3.根據(jù)權(quán)利要求1所述的基于矩和分形的紋理分類方法，其特征是，所述的對原圖像塊和矩特征圖像估計(jì)其分形維數(shù)，是指對原圖像塊和矩特征圖像用差分盒計(jì)數(shù)法估計(jì)其分形維數(shù)。
4.根據(jù)權(quán)利要求1或者3所述的基于矩和分形的紋理分類方法，其特征是，所述的對原圖像塊和矩特征圖像估計(jì)其分形維數(shù)，具體實(shí)現(xiàn)如下如果大小為M×M像素的圖像，按比例縮小為s×s像素，1＜s≤M/2，s為整數(shù)，則變換尺度r為s/M；把圖像看成是一個(gè)三維空間，(x，y)為圖像的空間位置，第三個(gè)坐標(biāo)Z定義為它的灰度值f(x，y)，把(x，y)空間分為s×s的網(wǎng)格，在每一個(gè)網(wǎng)格中定義一個(gè)s×s×h的盒子，如果圖像的總的灰度級為G，則h由[G/h]＝[M/s]確定，第(i，j)個(gè)正方柱中的最大和最小灰度分別落在頂端盒子k和底部盒子l中，則nr(i，j)＝l-k+1在同一尺度r下，移動(dòng)正方柱遍及所有像素點(diǎn)，則圖像包含的總的盒子數(shù)為Nr=Σi,jnr(i,j)]]>分形維數(shù)Df用最小二乘法由log(Nr)～log(1/r)的斜率近似估計(jì)。
5.根據(jù)權(quán)利要求1所述的基于矩和分形的紋理分類方法，其特征是，所述的將原圖像塊和六個(gè)矩特征圖像的分形維數(shù)形成特征向量，作為支持向量機(jī)的輸入進(jìn)行分類，是指將原圖像以及六個(gè)矩特征圖像的分形維數(shù)形成特征向量，并將全部樣本隨機(jī)分成兩組樣本A集和樣本B集，用A集作為訓(xùn)練樣本，B集作為測試樣本，用支持向量機(jī)進(jìn)行交叉驗(yàn)證。
6.根據(jù)權(quán)利要求1或者5所述的基于矩和分形的紋理分類方法，其特征是，所述的支持向量機(jī)采用多項(xiàng)式核函數(shù)。
全文摘要
一種圖像處理技術(shù)領(lǐng)域的基于矩和分形的紋理分類方法。本發(fā)明先對原圖像選擇圖像塊，計(jì)算其二階矩，產(chǎn)生矩特征圖像；再對原圖像塊和矩特征圖像估計(jì)其分形維數(shù)；將原圖像塊和六個(gè)矩特征圖像的分形維數(shù)形成特征向量，作為支持向量機(jī)的輸入進(jìn)行分類?，F(xiàn)有技術(shù)單獨(dú)地利用圖像的矩特性和分形特性對圖像的紋理進(jìn)行分類都有一定的局限性，因而本發(fā)明將兩種特性結(jié)合起來進(jìn)行圖像紋理的分類，能夠獲得較高的分類精度。由于結(jié)合了圖像的矩特性和分形特性，能夠獲得大量的紋理特征，且具有良好穩(wěn)健性的優(yōu)點(diǎn)。
文檔編號G06T7/40GK1776744SQ20051011066
公開日2006年5月24日 申請日期2005年11月24日 優(yōu)先權(quán)日2005年11月24日
發(fā)明者曹桂濤, 施鵬飛 申請人:上海交通大學(xué)