riyu
基于GLCM与自适应Gabor滤波器组的纹理图像分割
闵永智;程天栋;殷超;岳彪;肖本郁;马宏锋
【摘 要】基于Gabor滤波器的纹理图像分割算法存在参数难以选择的问题.为此,提出一种预测图像纹理类型数与Gabor滤波器组参数的分割算法.将图像分割成大小相等的区域块,根据各类纹理特性预测Gabor滤波器组参数,利用各区域块的纹理特征向量预测纹理类型数,并使用预测的滤波器组提取图像纹理特征,通过预测的纹理类型数对图像进行聚类分割.实验结果表明,该算法能以较高的精度与较快的速度分割纹理图像,且受纹理类型数量影响较小.%To solve the problem of parameter lection in the algorithm of texture image gmentation bad on Gabor filter,a texture image gmentation algorithm is propod in this paper,which predicts the number of texture types and the parameters of Gabor filter bank.Firstly,the image is divided into regional blocks.Then,the number of texture types is predicted by the texture feature vector of regional blocks,and the parameters of Gabor filter bank are predicted by the characteristics of various texture features.Finally,texture features of the original image is extracted by using the predicted filter bank,and the image is clustered and
gmented bad on the predicted number of texture types.Experimental results show that the propod algorithm can process the gmentation in the texture image with higher precision and faster speed,and is less affected by the number of texture types.
【期刊名称】adherencescreening《计算机工程》
【年(卷),期】2017(043)001
【总页数】7页(P280-286)
凑热闹的意思
【关键词】Gabor滤波器;纹理图像;纹理类型;灰度共生矩阵;模糊C均值聚类
【作 者】六年级上册英语书翻译闵永智;程天栋;殷超;岳彪;肖本郁;马宏锋
chess怎么读【作者单位】兰州交通大学自动化与电气工程学院,兰州730070;兰州交通大学自动化与电气工程学院,兰州730070;兰州交通大学自动化与电气工程学院,兰州730070;兰州交通大学自动化与电气工程学院,兰州730070;兰州交通大学自动化与电气工程学院,兰州730070;兰州工业学院电子信息工程学院,兰州730050
翻译员
【正文语种】中 文
【中图分类】TP391.4
善意的谎言故事作为图像分割中的一种,纹理图像分割已在医疗诊断、地理统计、地质勘探、视频分析、目标识别以及气象预测等领域有了广泛的应用,其目的是将图像根据其纹理特征与一致性准则进行分割[1]。近年来,基于Gabor滤波器的纹理图像分割算法受到了越来越多的重视[2-5]。然而对于滤波器的参数选择,传统算法往往是通过经验确定,或选择一组尽可能覆盖整个待分割图像集频率与方向空间的滤波器组[6-7];而对于待分割的类型数,则是通过经验或人为观察确定。显然,当待分割图像集的纹理类型、数量变化时,传统算法在精度与速度方面就受到了限制。由此,文献[8]提出结合Gabor滤波器与核密度函数预测纹理类型数,进而计算自适应分割阈值,该方法预测了纹理类型数,但在分割图像时采用阈值分割显然忽略了一种纹理中往往包含有多种不同灰度值的事实;文献[9]针对纹理变化的图像集提出了通过图像灰度共生矩阵(Gray Level Co-occurrence Matrix,GLCM)预测纹理类型数,然后结合Gabor滤波器与模糊C-均值 (Fuzzy C-means,FCM)聚类算法对图像进行聚类分割,此方法通过采用多种聚类有效性函数来提高纹理类型数预测的准确性,但却容易造成相互之间矛盾,且该算法依然采用固
定的滤波器组提取图像的纹理特征向量;文献[10]利用8个尺度(1.5～5,步长为0.5)和17个方向(0°～170°,步长为10°)的Gabor滤波器组提取图像纹理特征,然后通过简单的叠加得到目标与背景对比度明显的图像,最后再通过形态学重构与区域生长法对处理后的图像进行分割,虽然通过纹理特征的叠加避免了滤波后数据量过大的问题,但滤波器数量显然过多,滤波时间太长,且分割阶段的参数设置对分割结果影响较大。
本文提出基于GLCM与自适应Gabor滤波器组的图像分割算法,该算法在执行顺序上分为预测阶段和分割阶段。在预测阶段,首先将原始图像分割为若干个一定大小的区域块,再利用GLCM的5个特征值构成各区域块的纹理特征向量,然后结合FCM聚类算法与聚类有效性函数预测图像纹理类型数,根据各类纹理特征预测Gabor滤波器组参数;在聚类分割阶段,采用预测的Gabor滤波器组提取原始图像纹理特征,并结合主元分析法(Principal Components Anal-ysis,PCA)得到降维后的图像纹理特征向量,然后利用优化的FCM算法,根据预测的纹理类型数与降维后的图像纹理特征向量对图像进行聚类分割。
Gabor于1946年通过将短时傅里叶变换的窗函数取为高斯函数而提出了Gabor函数。二维Gabor滤波器由Daugman提出[11-13],可以看作是二维高斯包络下的有向复变正弦函数,其数学表达式为:
u=xcosθ+ysinθ,v=-xsinθ+ycosθ
F(x,y) =Gabor(x,y)×I(x,y)my man
=[(GaborR(x,y)×I(x,y))2
传统的纹理图像分割算法主要是通过构造一个Gabor滤波器或Gabor滤波器组对纹理类型基本不变的图像集进行滤波,每个滤波器只允许与其频率和方向相对应的纹理通过,最后根据各滤波器的输出结果,结合聚类算法对纹理图像进行聚类分割。显然,对于纹理类型变化的图像集,若采用单一的Gabor滤波器提取图像的纹理特征无疑会降低图像的分割精度;而采用固定的Gabor滤波器组又会造成数据量大、分割速度慢,同时也可能导致分割精度的下降,且人为确定图像纹理类型数存在主观性高、效率低下等问题。
america ferrera
事实上,图像在空间上是由具有某些共同特征、大小不同的区域块构成的[9],而纹理图像则由相同纹理特征、大小不同的区域块构成。因此,可根据图像区域块纹理特征预测图像的纹理类型数与Gabor滤波器组的参数。
纹理是由分布在空间位置上的灰度值反复出现而形成的,不同纹理一般具有不同的频率或方
向,因此,在图像空间中相隔一定距离的两像素之间存在灰度关系,即图像的灰度空间相关特性。GLCM就是一种通过研究图像灰度空间相关特性来描述图像纹理特征的常用方法。通过将图像割为一系列M×M大小的区域块,计算各区域块在给定距离与方向下的GLCM,利用GLCM的5个特征值[14-15](对比度coi,方差vai,熵eni,同质性hoi和角二矩ani)来描述各区域块纹理的粗细、深浅、均匀度等特征,以构成区域块的纹理特征向量fi=(cni,vai,eni,hoi,ani),进而可构成图像区域块纹理特征向量集FI。由于一种纹理通常含有多种不同纹理,因此当某一纹理的直径小于20个像素,且与邻近区域属于不同纹理时,可认为其与邻近区域属于同一纹理;反之,当某一纹理的直径大于20个像素,且与邻近区域属于不同纹理时,可认为其与邻近区域属于不同纹理。由此可以得到:当分块大小小于等于20×20时,分割后的区域块可完整地表达该区域块的纹理信息,因此,本文取最大值M=20。
采用FCM算法对区域块纹理特征向量集FI从聚类数为2到最大聚类数为K快速完成一次聚类分析,再利用聚类有效性评价函数对各聚类结果给出定量评价。文献[16]从模糊划分测度和不确定性两方面给出了一种有效性评价函数VFM,由于其不仅能对模糊聚类的有效性给出准确的评价,且该评价函数受FCM算法中的权重系数m影响较小,因此本文直接采用VFM对各聚类结果给出一个客观的评价,其表达式如下式所示:
由Gabor滤波器原理可知,改变ω,σ和θ这3个参数可以获得不同形式的Gabor滤波器。而ω与σ的关系为:
显然,图像GLCM的WV及WA受图像纹理方向影响较小,而与纹理宽度有明显的关系。因此,可根据图像GLCM的WV及WA值判断出纹理宽度,进而预测出Gabor滤波器组的窗口大小,本文得到的预测公式如式(7)～式(9)所示,其中,WVt为根据GLCM的WV值得到预测的窗口大小;WAt为根据GLCM的WA值得到预测的窗口大小;WT为根据预测的WVt与WAt值得到最终预测的窗口大小。由于图像的纹理方向多为复杂、多变的,因此本文滤波器的方向选择6个方向:θ1=0,θ2=π/6,θ3=π/3,θ4=π/2,θ5=2π/3,θ6=5π/6(方向数可根据图像集的实际情况调整)。
