基于分?jǐn)?shù)傅里葉變換的紋理分類方法
【專利摘要】本發(fā)明提供的是一種基于分?jǐn)?shù)傅里葉變換的紋理分類方法。（1）獲取一幅圖像，計(jì)算所述圖像各像素在四個(gè)方向上的一維離散FrFT；（2）將得到的各一維離散FrFT按幅值降序排列；（3）計(jì)算分?jǐn)?shù)傅里葉頻率直方圖；（4）利用χ2-統(tǒng)計(jì)距離分類器對(duì)紋理圖像進(jìn)行分類。本發(fā)明提供的是一種基于分?jǐn)?shù)傅里葉變換的、綜合利用分?jǐn)?shù)傅里葉頻率直方圖和χ2-統(tǒng)計(jì)距離分類器的紋理文類方法。本發(fā)明所提出的紋理分類方法的主要效果在于避免了Wigner分布的交叉項(xiàng)問(wèn)題。
【專利說(shuō)明】基于分?jǐn)?shù)傅里葉變換的紋理分類方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及的是一種紋理圖像的分類方法。
【背景技術(shù)】
[0002]紋理是一種不依賴于顏色或者亮度變化的、反映圖像中同質(zhì)現(xiàn)象的視覺(jué)特征。紋理刻畫(huà)了圖像像素鄰域灰度空間的分布規(guī)律。在現(xiàn)實(shí)世界中，紋理無(wú)處不在，從大自然的天空、草地，到生活中常見(jiàn)的磚墻、布匹等都具有明顯的紋理特征。在計(jì)算機(jī)視覺(jué)領(lǐng)域，紋理分類作為理解真實(shí)視覺(jué)模式的重要手段而被廣泛應(yīng)用于醫(yī)學(xué)圖像處理、農(nóng)業(yè)圖像分割、食品質(zhì)量監(jiān)督、以及衛(wèi)星圖像分析等領(lǐng)域。
[0003]紋理分類的關(guān)鍵問(wèn)題是如何對(duì)紋理進(jìn)行描述。現(xiàn)有的紋理描述方法包括:灰度共生矩陣[I]、雙向紋理函數(shù)[2]、局部二值模式[3]、仿射自適應(yīng)方法[4]、模型方法(包括隨機(jī)域模型[5]、自回歸模型[6]、以及分形模型[7]等)、變換域方法(包括Gabor變換[8]、小波變換[9]等)、不變特征描述算子(例如Zernike矩[10])等等。
[0004]由于紋理大多具有很強(qiáng)的頻譜特性和方向性，而紋理分割又要求特征的表達(dá)具有局部性。因此紋理分類方法要求所采用的變換/濾波工具同時(shí)具有高的時(shí)間和頻率分辨率。顯然短時(shí)傅立葉變換、小波變換、Gabor變換、Wigner變換等時(shí)-頻分析工具是理想之選。然而，包括Wigner變換和Gabor變換在內(nèi)的許多時(shí)-頻分析工具都希望所分析的信號(hào)是窄帶信號(hào)。實(shí)際的紋理由于自身的形態(tài)或受到其它干擾，在頻域或者空域中并不表現(xiàn)為窄帶形式。另一方面，如果時(shí)-頻變換中包含非線性項(xiàng)，則該方法將不可避免的受到交叉項(xiàng)的影響，有時(shí)這種影響是相當(dāng)嚴(yán)重的以至于無(wú)法實(shí)現(xiàn)正確分割。雖然象Gabor這樣的線性變換不受交叉項(xiàng)影響，但是通常來(lái)說(shuō)這些線性方法的時(shí)-頻分辨率卻又不高。
[0005]分?jǐn)?shù)傅里葉變換(FractionalFourier Transform, FrFT)理論可以追溯到 1937年。Candon首先提出了廣義傅里葉變換的概念，1980年Namias明確提出了 FrFT的概念，并給出了其數(shù)學(xué)定義和性質(zhì)，討論了變換的本征函數(shù)，1987年，McBirde和Kerr建立起了FrFT的理論體系。自此，F(xiàn)rFT的理論不斷完善，并在光學(xué)、信號(hào)處理、圖像加密等領(lǐng)域發(fā)揮作用。FrFT是傅立葉變換的推廣形式，通過(guò)一種簡(jiǎn)單的方式實(shí)現(xiàn)了信號(hào)的從純時(shí)間域到純頻率域的全過(guò)程的綜合描述，能夠展示出信號(hào)從純時(shí)間域到純頻率域的所有變化特征。
[0006]研究表明FrFT與Cohen類時(shí)-頻分布具有密切關(guān)系，信號(hào)的許多重要時(shí)頻特性可以從其FrFT譜中獲得?；贔rFT與信號(hào)時(shí)-頻表示的密切，本發(fā)明提出一種基于分?jǐn)?shù)傅里葉變換的紋理分類方法。
[0007]相關(guān)參考文獻(xiàn)包括:
[0008][1]R.Haralick, Statistical and structural approaches totexture, Proceedings of the IEEE, 67(5)，pp786_804, 1979 ；
[0009][2]J.Filip, and M.Haindl, Bidirectional texture function modeling:astate of the art survey, IEEE Transactions on Pattern Analysis and Machine Intelligence, 31(11)，ppl921_1940, 2009 ；[0010][3]Τ.0jala，Μ.Pietikainen5 and D.Harwood, A comparative study of texturemeasures with classification based on featured distributions, Pattern Recognition, 29 (I)，pp.51-59，1996 ；
[0011][4]S.Lazebnikj S.M.-C.Schmid, and F.-J.Ponce, A sparse texturerepresentation using local affine regions, IEEE Transactions on Pattern Analysisand Machine Intelligence,27 (8)，pp.1265-1278，2005 ；
[0012][5]F.S.Cohen,，Z.Fan, et al，Classification of rotated and scaledtextured images using Gaussian Markov random field models.1EEE Transactions onPattern Analysis and Machine Intelligence,13 (2)，ppl92_202，1991 ；
[0013][6]J.Mao and A.K.Jain, Texture classification and segmentation usingmultiresolution simultaneous autoregressive models, Pattern Recognition，25(2)，pp.173-188， 1992 ；
[0014][7]A.P.Pentlandj Fractal-based description of natural scenes.1EEETransactions on Pattern Analysis andMachine Intelligence，PAM1-6(6)，pp661_674， I984 ；
[0015][8] A.K.Jain and F.Farrokhniaj Unsupervised texture segmentation usingGabor filters, Pattern Recognition, 24(12)pp.1167-1186，1991 ；
[0016][9]A.Lainej and J.Fan.Texture classification by wavelet packetsignatures, IEEE Transactions on Pattern Analysis and Machine Intelligence, 15(Il)，ppll86-1191，1993 ；
[0017][10] A.Khotanzad and Y.H.Hong, Invariant image recognition by Zernikemoments, IEEE Transactions on Pattern Analysis and Machine Intelligence，PAMI—12(5) ,pp.489-497，1990。

【發(fā)明內(nèi)容】

[0018]本發(fā)明的目的在于提供一種能夠避免Wigner分布的交叉項(xiàng)問(wèn)題的基于分?jǐn)?shù)傅里葉變換的紋理分類方法。
[0019]本發(fā)明的目的是這樣實(shí)現(xiàn)的:
[0020](I)獲取一幅圖像，計(jì)算所述圖像各像素在四個(gè)方向上的一維離散FrFT ；
[0021](2)將得到的各一維離散FrFT按幅值降序排列；
[0022](3)計(jì)算分?jǐn)?shù)傅里葉頻率直方圖；
[0023](4)利用X2-統(tǒng)計(jì)距離分類器對(duì)紋理圖像進(jìn)行分類。
[0024]本發(fā)明提供的是一種基于分?jǐn)?shù)傅里葉變換的、綜合利用分?jǐn)?shù)傅里葉頻率直方圖和X2-統(tǒng)計(jì)距離分類器的紋理文類方法。本發(fā)明所提出的紋理分類方法的主要效果在于避免了 Wigner分布的交叉項(xiàng)問(wèn)題。
【專利附圖】

【附圖說(shuō)明】
[0025]附圖是像素P的方向鄰域?！揪唧w實(shí)施方式】
[0026]下面舉例對(duì)本發(fā)明做更詳細(xì)的描述:
[0027]步驟1:獲取一幅圖像I，所述圖像I是一幅大小為NXN灰度紋理圖像，(x，y)為紋理圖像中的一個(gè)位置坐標(biāo)，其中x=l, 2，…，N ；y=1, 2，…，N, I (x, y)表示紋理圖像I在(x, y)處的灰度值，d=0，1，2，3分別表示圖1所示的O度方向、45度方向、90度方向和135度方向，Id(X，y，m)表示像素(X，y)在d方向的第m個(gè)鄰域像素的灰度值,其中m=1, 2，3, 4, 5 ；
[0028]計(jì)算圖像各像素在四個(gè)方向上的一維離散FrFT:
[0029]首先，對(duì)于圖像I中的點(diǎn)(x，y)根據(jù)圖1得到(x，y)在O度、45度、90度和135度方向上的鄰域序列，所得到的鄰域像素序列用{Id(x，y，m) d=0, I, 2, 3, m=l, 2, 3, 4, 5}表示； [0030]其次，將{Id(x,y, m) I d=0, 1，2，3，m=1, 2，3，4，5}用下式作中心化處理:
[0031]Id{(x,y,m)-Id(x.ym)-I(x,y),d= 0, 1,2,3, m=1,2, 3,4, 5
[0032]其中Id(x,y,m)表示像素(x，y)在d方向的第m個(gè)鄰域像素的中心化處理結(jié)果；
[0033]再次，分別計(jì)算d=0，I, 2，3時(shí)序列|m =1,2,3,4,5}的一維離散分?jǐn)?shù)傅里葉變換，得到的變換結(jié)果用I /7 = 1,2,3,4,51及示，其中α =0.1，0.7為分?jǐn)?shù)傅里葉變換的階數(shù)，及示{/"(.X，少V") I m = 1,2,3,4,5}的α階分?jǐn)?shù)傅里葉變換序列中的第n個(gè)元素；
[0034]最后將每一個(gè)d和α對(duì)應(yīng)的分?jǐn)?shù)傅里葉變換序列合并為一個(gè)序列，得到:{(λ% Ji',/7) I d = 0,1,2,3;/7 二 1,2,3,4,5, α = 0.1,0.7)}；
[0035]步驟2:將得到的各一維離散FrFT按幅值降序排列，
[0036]對(duì)d的每一個(gè)取值以及α的每一個(gè)取值，根據(jù)彳/；；(4少，/7) I n = 1,2,3,4,5}幅值的大小’將序列的匕凡幻丨^^乂習(xí)降序排列’得到.! {/f(x, V,;) Ij = 1,2,3,4,5},其中|`(x, y, 0) l^ I `(x, y, I) I≥...≥I `(x, y, 5),將每一個(gè)j所對(duì)應(yīng)的η值記為分?jǐn)?shù)傅里葉頻率集合(U,)) e {1,2,3,4,5} I _/= 1,2,3,4,5}，其中=e {1，2，3，4，5}
表示{I'f(x，y，j) I j = 1,2,3,4,5 | 中的第 j 個(gè)元素對(duì)應(yīng)于{/tfa(x，jv0 | η = 1,2,3,4,5}中的第 nj 個(gè)
元素；
[0037]步驟3:計(jì)算分?jǐn)?shù)傅里葉頻率直方圖，
[0038]首先，對(duì)圖像I中每一個(gè)像素點(diǎn)，重復(fù)步驟I~步驟2，得到矩陣
[0039]
ZJ ?(0,0,1) <(0,1,1)./?；((), AM)...R:[NM)."
R:；(0i),2) /?；((), 1,2)...^(0,^,2)...R:;(NA2)…R:；(N^N,2)
<(0,0,5) ^(0,1,5)...R】(m.R】(N,Q,5)...A^,5)]
[0040]其中d=0, 1, 2, 3,并且 a =0.1,0.7 ；
[0041]然后，根據(jù)Z?中元素的取值，利用下式得到分?jǐn)?shù)傅里葉頻率直方圖，[0042]
【權(quán)利要求】
1.一種基于分?jǐn)?shù)傅里葉變換的紋理分類方法，其特征是: (1)獲取一幅圖像，計(jì)算所述圖像各像素在四個(gè)方向上的一維離散FrFT; (2)將得到的各一維離散FrFT按幅值降序排列； (3)計(jì)算分?jǐn)?shù)傅里葉頻率直方圖； (4)利用X2-統(tǒng)計(jì)距離分類器對(duì)紋理圖像進(jìn)行分類。
2.根據(jù)權(quán)利要求1所述的基于分?jǐn)?shù)傅里葉變換的紋理分類方法，其特征是:所述獲取一幅圖像是獲取一幅圖像I，所述圖像I是一幅大小為NXN灰度紋理圖像，(X，y)為紋理圖像中的一個(gè)位置坐標(biāo)，其中x=l, 2，…，N ；y=l, 2，…，N, I (x, y)表示紋理圖像I在(x, y)處的灰度值，d=0，1，2，3分別表示O度方向、45度方向、90度方向和135度方向，Id(x，y, m)表示像素(x，y)在d方向的第m個(gè)鄰域像素的灰度值，其中m=l，2，3，4，5 ; 所述計(jì)算所述圖像各像素在四個(gè)方向上的一維離散FrFT具體包括: 首先，對(duì)于圖像I中的點(diǎn)(x，y)得到(x，y)在O度、45度、90度和135度方向上的鄰域序列，所得到的鄰域像素序列用{Id(x, y, m) I d=0, 1，2，3，m=l，2，3，4，5}表示；
其次，將{Id(x, y, m) I d=0, I, 2, 3, m=l, 2, 3, 4, 5}用下式作中心化處理: Ι(?(χ,\\πι) -— /(.\\；')，I5 25 3, m=l, 2, 3，45 5 其中t(x，>>，w)表示像素(x，y)在d方向的第m個(gè)鄰域像素的中心化處理結(jié)果； 再次，分別計(jì)算d=0，I, 2，3時(shí)序列A(Uw) I m = 1,2,3,4,5}的一維離散分?jǐn)?shù)傅里葉變換，得到的變換結(jié)果用W(AW) I η = 1.2，3，4，5';表示，其中α =0.1，0.7為分?jǐn)?shù)傅里葉變換的階數(shù)，=α階分?jǐn)?shù)傅里葉變換序列中的第η個(gè)元素； 最后將每一個(gè)d和α對(duì)應(yīng)的分?jǐn)?shù)傅里葉變換序列合并為一個(gè)序列，得到:{/'J(χ,Y,η) I (I = 0,1,2,3;/7 = 1,2,3,4,5,α = 0.1,0.7)}。
3.根據(jù)權(quán)利要求2所述的基于分?jǐn)?shù)傅里葉變換的紋理分類方法，其特征是所述將得到的各一維離散FrFT按幅值降序排列具體包括: 對(duì)d的每一個(gè)取值以及α的每一個(gè)取值，根擬IZj (λ-, V,/?) I n = 1,2,3,4,5]幅值的大小，將序列{G(W0I" = 1，2，3，4,5}降序排列，得到{ {/7(^,^,7)17 = 1,2,3,4,5}，其中 |(x, y,O) I ^ I (X，y, I) I≥...≥I (X，y, 5) I,將每一個(gè)j所對(duì)應(yīng)的η值記為分?jǐn)?shù)傅里葉頻率集合 mx’y’j) e {1,2,3,4,5} | j = 1,2,3,4,5}，其中= ? / 且 n」e {1，2，3，4，5}表示{I'f(x,y,j) I j = 1,2,3,4,5 }中的第 j 個(gè)元素對(duì)應(yīng)于{/f (χ,ν,π) I η = 1,2,3,4,5}中的第 nj 個(gè)元素。
4.根據(jù)權(quán)利要求3所述的基于分?jǐn)?shù)傅里葉變換的紋理分類方法，其特征是所述計(jì)算分?jǐn)?shù)傅里葉頻率直方圖具體包括: 首先，對(duì)圖像I中每一個(gè)像素點(diǎn)，得到矩陣= [^((),0,1) c(0,1,1)...C(0,:V,1)...C(iv,/v,i)R:；((HU) R:；(0X2)...R:; [OH R?2)...R；；(N^N,2)
RfJ {0,0,5) /(6((),1,5)./?；((),/V,5)..,^(Ν,Νρ)]
其中 d=0, 1,2, 3,并且 α=0.1,0.7 ； 然后，根據(jù)中元素的取值，利用下式得到分?jǐn)?shù)傅里葉頻率直方圖，
其 φ?1 = 0，1，2，3，α=0.1，0.7，Μ = ΝΧΝ，1?=1，2，3，4，5，馨/H) = !丨離,)' 最后，將每一個(gè)d和α對(duì)應(yīng)的分?jǐn)?shù)傅里葉頻率直方圖合并成一個(gè)新的集合，用G表示，即 G = {/-/:/(々)I d = (),1,2,3.α = 0.1.0.7, A- 二 l，2,3，4,5j。
5.根據(jù)權(quán)利要求4所述的基于分?jǐn)?shù)傅里葉變換的紋理分類方法，其特征是所述利用X2-統(tǒng)計(jì)距離分類器對(duì)紋理圖像進(jìn)行分類具體包括:首先，假設(shè)一共有C類紋理，第C類紋理中包含Ne個(gè)訓(xùn)練樣本，其中，c=l，2，…C，第i個(gè)訓(xùn)練樣本所對(duì)應(yīng)的分?jǐn)?shù)傅里葉頻率直方圖為(長(zhǎng)用如下平均分?jǐn)?shù)傅里葉頻率直方圖表示第c類紋理:
I Ni HAc =—Y Cj ;
Nc tt 然后，輸入一幅大小為NXN未知類型的灰度紋理圖像WI，利用分?jǐn)?shù)傅里葉頻率直方圖G，利用式下計(jì)算G與第c類紋理之間的X2-統(tǒng)計(jì)距離:
Us (;(/) +財(cái)(/) 其中，c=l，2，*"，C; 其中 T=NXNX4X5X2 最后，利用最小距離分類器進(jìn)行分類，將WI分為與其X2-統(tǒng)計(jì)距離最小的一個(gè)類別c，e {I, 2,...,C}。
【文檔編號(hào)】G06K9/62GK103530647SQ201310470171
【公開(kāi)日】2014年1月22日 申請(qǐng)日期:2013年10月10日 優(yōu)先權(quán)日:2013年10月10日
【發(fā)明者】鄭麗穎, 石大明, 田凱 申請(qǐng)人:哈爾濱工程大學(xué)