一种加权梯度方向共生矩阵纹理特征的提取方法技术

本发明专利技术公开了一种加权梯度方向共生矩阵纹理特征的提取方法。该方法包括：预定义一组位移因子；针对待分析的图像计算梯度幅值图像和梯度方向图像；采用局部二值模式算法对梯度幅值图像进行编码得到每个像素的梯度幅值编码值；对预定义的每个位移因子，在梯度方向图像的基础上，以梯度幅值编码为权值计算共生矩阵，得到加权梯度方向共生矩阵；将所有的加权梯度方向共生矩阵进行向量化和归一化处理，得到加权梯度方向共生矩阵纹理特征。本发明专利技术解决了传统的共生矩阵纹理特征提取方法只对单一的图像信息进行统计的局限性，实现了提高目标描述力的目的。

A method for extracting texture features of weighted gradient co-occurrence matrix

The invention discloses a method for extracting the texture features of the weighted gradient direction symbiotic matrix. The method includes: a set of predefined displacement factor; according to image analysis calculation of the image gradient magnitude image and gradient direction; the local two value gradient amplitude encoding mode algorithm encoding the gradient magnitude image of each pixel is obtained; each displacement factor on predefined, based on image gradient direction, the gradient amplitude encoding for the weight calculation of co-occurrence matrix, weighted gradient co-occurrence matrix; weighted gradient co-occurrence matrix for all to quantify and normalized weighted gradient direction co-occurrence matrix texture features. The invention solves the traditional co-occurrence matrix texture feature extraction method, which only has statistical limitation for single image information, and achieves the purpose of improving target description power.

【技术实现步骤摘要】
一种加权梯度方向共生矩阵纹理特征的提取方法
本专利技术涉及图像处理技术，尤其涉及一种加权梯度方向共生矩阵纹理特征的提取方法。
技术介绍
图像特征揭示了图像的本质属性，图像特征提取技术一直是图像应用领域的重要研究内容。图像特征提取实质上是一个排除冗余信息的过程，它是后续图像分割、识别、分类等操作的前提，能有效地提高后续应用中检测和识别的精度，并且能有效地减少运算量，提高运算速度。纹理是物体表面普遍存在的一类特征，它反映了物体表面特有的结构排列信息，对亮度和颜色变化具有较强的鲁棒性。图像纹理信息在图像处理、模式识别等领域占有及其重要的作用，它在遥感图像分析、医学图像分析、视觉检测和图像检索等领域均有广泛的应用。虽然在应用上有许多纹理分析方法都取得了很好的效果，但是不同应用领域和不同图像类型，图像纹理分析所面对的具体要求并不一样。同时，具有复杂性和广泛性的纹理信息，使得其在提取过程中存在一定的难度。因此，如何构建一种描述力强、辨识率高并且鲁棒的纹理特征来髙度区分来自同一类的纹理图像和不同类纹理图像之间的差异，提取有效的特征来描述纹理图像仍然是一个极具挑战性的课题。共生矩阵方法是一种重要的统计类纹理特征提取方法，也是纹理分析中最常用、研究最多的一类方法。出现较早的一种提取纹理特征的统计方法是由Haralick等人提出的灰度共生矩阵方法。传统的灰度共生矩阵主要通过对图像灰度级之间联合条件概率密度的计算来表示纹理。但是灰度共生矩阵统计的是像素的灰度值，因此该算法对图像噪声和外界的光照变化比较敏感，鲁棒性不强。相对于灰度信息来说，图像的梯度信息是一种在光照变化下仍然保持相对稳定的特征量，这使得在梯度图像上建立共生矩阵的方法逐渐受到关注。然而，现有的基于梯度信息的共生矩阵纹理特征提取方法通常只对单一的梯度幅值信息或者梯度角度信息进行统计，没有考虑多信息对图像特征描述上的优越性。
技术实现思路
本专利技术的技术解决问题为：克服现有技术的不足，提出了一种具有光照鲁棒性强的、可区分性高的加权梯度方向共生矩阵纹理特征提取方法。本专利技术的技术解决方案是：一种加权梯度方向共生矩阵纹理特征的提取方法，包括如下步骤：步骤一、对于选定的一幅待分析图像I(x,y)，预定义一组位移因子{(s1,t1),…,(sl,tl),…,(sW,tW)}，其中，W表示位移因子的总数目，s1,…,sl,…,sW表示待分析图像的像素点在水平方向上的位移，t1,…,tl,…,tW表示待分析图像的像素点在竖直方向上的位移；并计算所述一组位移因子{(s1,t1),…,(sl,tl),…,(sW,tW)}中每一个位移因子的加权梯度方向共生矩阵，以得到加权梯度方向共生矩阵集合步骤二、在所述加权梯度方向共生矩阵集合中，将所有加权梯度方向共生矩阵中的元素依次串联起来，以得到所述加权梯度方向共生矩阵集合的向量形式；步骤三、对所述加权梯度方向共生矩阵集合的向量形式进行归一化处理，以得到加权梯度方向共生矩阵纹理特征。进一步地，所述归一化处理采用L2-norm方式。进一步地，所述计算一组位移因子{(s1,t1),…,(sl,tl),…,(sW,tW)}中每一个位移因子的加权梯度方向共生矩阵，包括：当所述位移因子为(sl,tl)时，若待分析图像I(x,y)中像素点(x,y)的灰度值为h(x,y)，利用公式将所述待分析图像I(x,y)转换为梯度幅值图像G(x,y)，利用公式将所述待分析图像I(x,y)转换为梯度方向图像θ(x,y)；dx＝h(x+1,y)-h(x,y)，dy＝h(x,y+1)-h(x,y)；利用局部二值模式算法，将所述梯度幅值图像G(x,y)转换为梯度幅值编码图像GLBP(x,y)；利用公式将所述梯度方向图像θ(x,y)转换为量化的梯度方向图像al(x,y)，其中，K表示像素点(x,y)的梯度方向量化值的最大值；利用公式，计算出所述位移因子为(sl,tl)的加权梯度方向共生矩阵其中，i表示像素点(x,y)的梯度方向量化值，j表示像素点(x+sl,y+tl)的梯度方向量化值，f(GLBP(x,y),GLBP(x+sl,y+tl))为加权函数。进一步地，所述像素点(x,y)的梯度方向量化值的最大值K＝9。本专利技术与现有技术相比具有如下有益效果：(1)、本专利技术提出的加权梯度方向共生矩阵纹理特征通过对梯度幅值信息进行局部二值模式编码，能够很好的表征图像的局部结构特征，有效地提高了特征的光照鲁棒性；(2)、本专利技术提出的加权梯度方向共生矩阵纹理特征将梯度幅值编码信息与梯度方向信息相结合来构建共生矩阵纹理特征，解决了传统的共生矩阵纹理特征提取方法只对单一的图像信息进行统计的局限性。(3)、本专利技术提出的加权梯度方向共生矩阵纹理特征考虑到单个共生矩阵只能从单一的尺度分析图像的纹理特征，利用不同位移因子能从多尺度提取图像特征的特点，有效地解决了传统共生矩阵纹理特征提取方法对目标描述力有限的问题。附图说明图1是本专利技术提出的一种加权梯度方向共生矩阵纹理特征(WGOCM)的提取方法的流程图。图2是实验数据集样本图像，第一行是折角塞门图像，第二行是非折角塞门图像。图3是分析不同方向量化级对加权梯度方向共生矩阵纹理特征(WGOCM)的影响。图4是分析不同加权函数对加权梯度方向共生矩阵纹理特征(WGOCM)的影响。图5是梯度方向直方图特征(HOG)与加权梯度方向共生矩阵纹理特征(WGOCM)比较的结果。图6是梯度编码直方图特征(GEH)与加权梯度方向共生矩阵纹理特征(WGOCM)比较的结果。图7是分析不同位移因子集合对加权梯度方向共生矩阵纹理特征(WGOCM)的影响。具体实施方式下面结合附图和实施例对本专利技术作进一步详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。图1是本专利技术提出的一种加权梯度方向共生矩阵纹理特征的提取方法的流程图。参考图1，本专利技术实施例提出的一种加权梯度方向共生矩阵纹理特征的提取方法，包括如下步骤：步骤一、对于选定的一幅待分析图像I(x,y)，预定义一组位移因子{(s1,t1),…,(sl,tl),…,(sW,tW)}，其中，W表示位移因子的总数目，s1,…,sl,…,sW表示待分析图像的像素点在水平方向上的位移，t1,…,tl,…,tW表示待分析图像的像素点在竖直方向上的位移；并计算所述一组位移因子{(s1,t1),…,(sl,tl),…,(sW,tW)}中每一个位移因子的加权梯度方向共生矩阵，以得到加权梯度方向共生矩阵集合进一步地，所述位移因子的取值要根据纹理周期分布的特性来选择，例如，对于较细的纹理，位移因子选取较小的值。步骤二、在所述加权梯度方向共生矩阵集合中，将所有加权梯度方向共生矩阵中的元素依次串联起来，以得到所述加权梯度方向共生矩阵集合的向量形式。具体地，所述计算一组位移因子{(s1,t1),…,(sl,tl),…,(sW,tW)}中每一个位移因子的加权梯度方向共生矩阵，包括：当所述位移因子为(sl,tl)时，若待分析图像I(x,y)中像素点(x,y)的灰度值为h(x,y)，利用公式将所述待分析图像I(x,y)转换为梯度幅值图像G(x,y)，利用公式将本文档来自技高网...

【技术保护点】
一种加权梯度方向共生矩阵纹理特征的提取方法，其特征在于，包括如下步骤：步骤一、对于一幅待分析图像I(x,y)，预定义一组位移因子{(s1,t1),…,(sl,tl),…,(sW,tW)}，其中，W表示位移因子的总数目，s1,…,sl,…,sW表示待分析图像的像素点在水平方向上的位移，t1,…,tl,…,tW表示待分析图像的像素点在竖直方向上的位移；并计算所述一组位移因子{(s1,t1),…,(sl,tl),…,(sW,tW)}中每一个位移因子的加权梯度方向共生矩阵，以得到加权梯度方向共生矩阵集合

【技术特征摘要】
1.一种加权梯度方向共生矩阵纹理特征的提取方法，其特征在于，包括如下步骤：步骤一、对于一幅待分析图像I(x,y)，预定义一组位移因子{(s1,t1),…,(sl,tl),…,(sW,tW)}，其中，W表示位移因子的总数目，s1,…,sl,…,sW表示待分析图像的像素点在水平方向上的位移，t1,…,tl,…,tW表示待分析图像的像素点在竖直方向上的位移；并计算所述一组位移因子{(s1,t1),…,(sl,tl),…,(sW,tW)}中每一个位移因子的加权梯度方向共生矩阵，以得到加权梯度方向共生矩阵集合步骤二、在所述加权梯度方向共生矩阵集合中，将所有加权梯度方向共生矩阵中的元素依次串联起来，以得到所述加权梯度方向共生矩阵集合的向量形式；步骤三、对所述加权梯度方向共生矩阵集合的向量形式进行归一化处理，以得到加权梯度方向共生矩阵纹理特征。2.根据权利要求1所述的加权梯度方向共生矩阵纹理特征的提取方法，其特征在于，所述归一化处理采用L2-norm方式。3.根据权利要求1所述的加权梯度方向共生矩阵纹理特征的提取方法，其特征在于，所述计算一组位移因子{(s1,t1),…,(sl,tl),…,(sW,tW)}中每一个位移因子的加权梯度方向共生矩阵，包括：当所述位移因子为(sl,tl)时，若待分...

【专利技术属性】
技术研发人员：刘柳，姜海峰，赵龙，陈赓，
申请(专利权)人：北京航天控制仪器研究所，
类型：发明
国别省市：北京,11