摘要:
图像的纹理是自然景物图像,遥感图像和医学图像等的一个重要特征.运用各种观测系统获得的图像大多是纹理型的,所以在识别这些图像中的界面或者目标时,通常先要进行纹理分割.该文运用正交矩(勒让德矩)对纹理分割进行了深入的研究.纹理分割是纹理分析中...
展开
图像的纹理是自然景物图像,遥感图像和医学图像等的一个重要特征.运用各种观测系统获得的图像大多是纹理型的,所以在识别这些图像中的界面或者目标时,通常先要进行纹理分割.该文运用正交矩(勒让德矩)对纹理分割进行了深入的研究.纹理分割是纹理分析中的难点.纹理分割就是要把纹理图像划分成不相交的区域,同一区域内的纹理具有相同或相似的性质,不同区域间的纹理其性质差别很大.进行分割时,先在图像的小窗口中计算勒让德矩,然后用一个非线性变换器将这些矩转化成纹理特征,再用这些纹理特征组成特征向量作为分类器的输入数据.最后采用RBF(Radial Basis Function)人工神经网络对提取的特征向量进行分割.我们用k均值算法训练RBF人工神经网络的隐层,采用梯度下降法训练输出层.试验结果表明,该算法对具有相同二阶统计的二值纹理图像和许多灰度级纹理图像进行分割非常有效.和基于几何矩的纹理分割相比,采用勒让德矩提取纹理特征,可以有效的降低分割错误率.在对采用的勒让德矩的阶数进行研究时,分别比较了用零到二至六阶勒让德矩提取纹理特征时得到的不同纹理图像的特征图及分割结果.结果表明,对于该文中用到的自然纹理和具有相同二阶统计的纹理来说,用零到四阶矩提取特征时得到的分割结果最好.整个实验过程中,有两处涉及选取窗口的问题:1.图像的矩是在一个小窗口中计算的;2.非线性变换前,有一个对矩值求平均的过程,该平均值是在矩图像的小窗口中计算得到的.针对这两个窗口,我们研究了窗口大小的选取以及阶数的提高对窗口大小选取的影响.实验结果进一步证实了:对于更加细密的纹理我们需要选取较小的窗口,对于比较粗糙的纹理我们需要选取较大的窗口.同时实验中我们发现,特征提取时所选窗口的大小没有因为阶数的提高而需要改变,随着阶数的提高,求平均时窗口的大小需要减小.由于随着矩的阶数的提高,整个程序的运算量也增加很多,为此在用正交矩提取特征时我们引入了两个快速算法.试验结果表明:这两个快速算法在减少程序运行时间的同时,仍然可以有效地完成分割.
收起