图像纹理特征提取及其分类性能分析(2)
Keywords Texture; Feature extraction; Gray level co-occurrence matrix; LBP; Gabor transform; Classification; SVM
目 次
1 绪论 1
1.1 研究背景1
1.2 研究现状和发展趋势1
1.3 本文结构2
2 基础知识概述3
2.1 纹理特征3
2.1.1 纹理的定义3
2.1.2 纹理的分类3
2.2 纹理特征提取技术4
2.2.1 灰度共生矩阵4
2.2.2 LBP5
2.2.3 gabor变换方法7
2.2.4 其它纹理特征提取方法9
2.3 SVM分类器9
3 实验数据及结果11
3.1 图像特征提取11
3.1.1 灰度共生矩阵13
3.1.2 LBP18
3.1.3 gabor变换21
3.2 图像分类25
3.2.1 对水果图像的分类25
3.2.2 对遥感图像的分类26
3.3 实验结果和分析26
结论 28
致谢 29
参考文献30
1 绪论
1.1 研究背景
随着信息可视化时代的到来，人们对外界事物的认识正向着形象化和多元化的方向发展。视觉作为人类获取信息的重要途径，使得图像在人类对事物的认识中起到了非常重要的作用。
计算机视觉就是通过计算机对图形图像的框架、结构和抽象层次的内容进行处理和分析，从而获得人们所需要的信息。随着计算机在医疗、遥感等领域的不断普及，数字图像处理、人工智能、模式识别和计算机视觉等学科正在不断进步。尽管图像处理技术已经应用于各个行业之中，但是随着云计算的到来，大量的数据，图像处理技术提出了更高的要求[1]。
纹理是普遍存在于自然界中的物体表面所体现出的一种基本属性，是人类通过视觉系统对自然界中物体表面特征的一种感知[1]，它是人们区别与表述不同事物的重要标志之一。纹理分析的研究内容包括：纹理的分割与分类、纹理的检索、纹理的合成和通过纹理恢复原有形状等。纹理分析已经广泛应用于遥感图像分析、医学图像处理、生物特征识别等领域[4]。纹理特征的提取是这些研究的首先要解决问题。
1.2 研究现状和发展趋势
1.3 本文结构
本文总体分为3章，从第2章开始布局如下。
第2章介绍了纹理的定义、纹理的分类以及三种经典的纹理特征提取算法，对每个算法的原理做了简要的阐述。最后，简单介绍了libsvm分类器以及其工作原理、数据格式和参数设置。
第3章以前面介绍的三种纹理特征提取算法和libsvm分类器为基础，选取了不同的图像，提取了纹理特征，并对三种特征做了比较以及利用三种特征向量对图像做了分类。
2 基础知识概述
2.1 纹理特征
纹理特征是一种不依赖于颜色或亮度的视觉特征，是隐藏于所有物体表面的内在特性，它反映了图像中的同质现象。至今，人们仍然没有办法对纹理做出准确的描述和分类，对于纹理的研究在计算机视觉和图像处理领域一直是一个研究的热点和难点[2][5]。
2.1.1 纹理的定义
纹理是一种视觉现象，而且普遍存在[4]，纹理可以被人们所感受到，但是人们却很难对纹理做出精确的、统一的定义。但是，纹理是普遍存在于人类世界中的，是人们联系人类的触觉与视觉，然后形成的一个视觉信息，是人视觉重要的组成部分。由于在形式上，图像纹理具有多样性和广泛性，因此很多学者很据不同的环境提出了不同的定义。其中，有很多经典的、具有代表性的定义[7]：
（1） 纹理是一种视觉特征，它反映图像中的同质现象，涵盖了物体表面结构分布的重要信息。