纹理

纹理特征和模型

１，基于纹理谱的纹理特征

图像纹理分析中，最重要的问题是提取能够描述纹理的特征信息；这些特征可被用来分

类和描述不同的纹理图像。在实际中常用到的方法有结构法和统计法；本文提出一种新的统

计方法，每个纹理单元表征该位置及其领域象素的特征，整幅图像的纹理特征用纹理谱来表

征，用这种方法进行分析较为简单。

定义纹理谱：纹理单元的频率分布。

基于纹理频谱的纹理特征：

3×３领域：权重：

originalreferencecalculatebymylf

（1）、黑白对称性

()(3281)

1*100

()

siSi

BWS

Si





















反映频谱的对称性，不随纹理单元中起始计数位置的不同而不同。

（2）、几何对称性

()4()

1

1*100

4

2*()

SjiSji

GS

Sji























反映图像旋转180度后，纹理谱的相似性；

（3）、方向度

()()

1

1*100

6

2*()

SmiSni

DD

Smi























反映线性结构的角度。大的DD说明纹理谱对图像的方向模式较为敏感；即图

像中有线性机构纹理单元存在。

以上三个特征都是图像的几何特征，可描述原始图像的宏观纹理；下面介绍几个描

述图像微观纹理的特征。

（4）、方向特征

微观水平结构特征：

()*()MHSSiHMi

()(,,)*(,,)HMiPabcPfgh

同样，我们可以得到其它方向的方向纹理特征MVS，MDS1，MDS2

（5）中心对称性

2()*[()]CSSiKi

２．常用统计特征：

把图像看成是一个二维随机过程的一次实现，可得到图像的直方图、均值、方差、

偏度、峰度、能量、墒、自相关、协方差、惯性矩、绝对值、反差分等特征量。常用来

描述纹理的统计特征的技术有子相关函数、功率谱、正交变换、灰度级同时事件、灰度

级行程长、灰度级差分、滤波模板、相对极值密度、离散马尔可夫随机场模型、自回归

模型、同时自回归模型等。

原图：

１、２、３、４阶矩

1、一维统计特征

1.1、一维直方图为：

()

()

Nl

Pl

M

l＝1，2，…L-1

M为象素总数，N(l)为灰度值为l的象素数，l＝1，2，…L-1为图像的灰

度级。

1.2、均值

1

0

*()

l

l

llpl







1.3、方差

1

22

0

()*()

l

l

llpl







直方图相对于均值的分布，是灰度对比度的度量，可用来描述直方图的相

对平滑程度。

1.4、偏度

1

3

3

0

1

()*()

l

b

l

lllpl









直方图相对于均值的对称性。

1.5、峰度

1

4

4

0

1

()*()3

l

f

l

lllpl









直方图的相对平坦性。

1.6、能量

1

2

0

[()]

l

n

l

lpl







1.7、墒

1

0

log(())*()

l

s

l

lplpl







直接基于图像像素：

对比度：描述图像灰度分布，可检测图像中局部的灰度变化，与图像中局部灰度动态范围，

边缘的尖锐程度相关。

1/4

44

[/]

contrast







为图像标准差，

4

为四阶中心矩。

粗糙度：测量纹理尺寸

1

2(,)k

ij

coarnessfij

mn



方向性：描绘纹理的方向性。

相位一致性特征：

下面是对于纹理较为简单的灰度图像，应用相位一致性方法提取边缘的结果。相位一致

性最大点可等效为局部能量函数中的峰值，其最大的优点在于提取的特征受光照条件的影响

较小，能较为细腻地描述有灰度跃便的图像边缘。

定义：对一维信号I(x)的傅立叶展开为：

是n次分量的相位偏移量或初始相位（相位偏移

量还可使得该级数用正弦项表示）。函数表示x点的傅立叶分量的局部相位（Local

pha）。相位一致性可定义为：

分数维特征：

在自然界中，很多现象都是粗略、不规则、和多尺度的；用分数维可被用来描述这些模型；

纹理图像的分数维可被认为是纹理在不同的空间尺寸上相对现象的一个索引表示。

图像的熵特征：直接根据图像邻域像素的分布计算图像熵，窗口尺寸：7×7

1

0

log(())*()

l

l

entropyplpl







Gabor小波模型

gabor滤波系数提取：

提取特征值，均值和方差：

各个特征组合得到特征向量：

滤波器尺寸：16×16，空间频率：4～6，方向：6个：

输出数据的5×5窗口熵；

entropy:

standardvariance:

average:

goboroutput:

瑞利分布概率密度函数：

只存在一个参数，减小了特征维数。

Gabor滤波输出的ＩＣＡ特征处理：

Loggabor滤波器的传递函数：

Loggabor滤波器与gabor滤波器的传递函数比较：

基于栅格元的特征描述：

栅格元模型运算(如图1)包括2个阶段,第一阶段,在接收场的一定范围内,将若干个简

单元在相应方向、频率和位置的输出响应作为栅格子单元的输入,计算栅格子单元的响应;

第二阶段,栅格元在给定的方向和频率参数下,接收来自某一范围内的栅格子单元输出响应,

经过加权累加后作为栅格元的输入,通过栅格元运算产生的响应,即可提取图像在不同方向

和周期参数下的纹理特征。栅格元模型这种对不同方向和周期输入产生不同响应的特性,类

似于Gabor滤波器,但栅格元模型对方向和周期的变化更敏感。将纹理图像作为栅格元模型

中简单元的输入,经过栅格元模型运算后,相应方向和周期下的输出响应即可作为描述图像

纹理的特征向量,提取的特征向量经过降维和分类,实现纹理图像的区域分割。

NormalizedCuts

根据像素间的相似性连接图像，连接的边为相似性强度，是一种基于图像全局考虑的分割模

式：

分割公式：

分割结果：

均值漂移模型（meanshift）：

均值漂移算法的主要思想是：假设数据是按某种模式分布（一般假设为高斯分布），根据

这种模式拟合出数据分布的概率密度函数，迭代求出最大密度点作为聚类中心。算法的过程

中使用分布密度的梯度值来确定作为窗口移动步长，在低密度区域梯度值大，移动步长大，

在高密度区步长小，在最大值处梯度为零。

Wij

i

j

)deg(

),(

)deg(

),(

),(min

B

BAcut

A

BAcut

BANcut







AiBj

jiSBAcut),(),(







AiGj

jiSA),()deg(

特征概率密度分布以及得到的局部极大值点：

窗口尺寸为13时分割结果

此外常见的图像描述模型还有：

马尔可夫随机场模型；

小波模型；

期望最大（ＥＭ）模型；

最近几年有ＩＣＡ模型；