基于矩和分形的纹理分类方法技术

一种图像处理技术领域的基于矩和分形的纹理分类方法。本发明专利技术先对原图像选择图像块，计算其二阶矩，产生矩特征图像；再对原图像块和矩特征图像估计其分形维数；将原图像块和六个矩特征图像的分形维数形成特征向量，作为支持向量机的输入进行分类。现有技术单独地利用图像的矩特性和分形特性对图像的纹理进行分类都有一定的局限性，因而本发明专利技术将两种特性结合起来进行图像纹理的分类，能够获得较高的分类精度。由于结合了图像的矩特性和分形特性，能够获得大量的纹理特征，且具有良好稳健性的优点。

【技术实现步骤摘要】

本专利技术涉及一种图像处理
的方法，具体是一种。
技术介绍
双变量函数f(x，y)关于原点(0，0)的(p+q)阶矩定义为mpq=∫-∞∞∫-∞∞f(x,y)xpyqdxdy]]>如果将灰度图像作为一双变量函数f(x，y)，对图像中的每一个像素计算其二阶矩。由于不同的纹理会有不同的矩分布，常用的方法是引入非线性转换器的方法将矩影射为纹理特征，再进行纹理分类。分形(Fractal)是纹理分类的另一种方法。假设A是欧几里得空间Rn的有界集，如果测量尺度变为r(r＜1)，A变为Nr个与本身相似的互不重叠的自似形的集合，则分形维(Hausdorff-Besicovitch维数)就可由下式定义Df=log(Nr)log(1r)]]>自然界中的分形的自相似性只是统计意义上的，常用的分形维数的估计方法有盒计数法、差分盒计数法、分数布朗运动等。经对现有技术文献的检索发现，刘泓等在《光学学报》1999，101406-1410上发表的“基于分维特征和反向传播神经网络的自然纹理识别”中提出一种利用分维特征进行纹理识别的研究，其中原始图像、高灰度图像、低灰度图像、四个方向(0°，45°，90°，135°)的梯度图像及二阶多分维共八个分维数作为特征值，再利用反向传播(BP)神经网络进行纹理的分类识别。但是因为自然图像的分形特性只在有限的范围内存在，而这个范围的选择并没有客观规则，因而分类结果可能存在较大的误差。特别是在多纹理分割实验中，不规则边界处的纹理分维特征的计算方法及特征平滑算法都需要进一步研究。
技术实现思路
本专利技术的目的在于克服现有技术的局限性，提供一种，使其将图像的矩和分形特性结合起来，用矩特征图像的分形维数作为分类特征，由支持向量机进行分类，提高了分类精度，增强了稳健性。本专利技术是通过以下技术方案实现的，本专利技术先对原图像选择图像块，计算其二阶矩，产生矩特征图像；再对原图像块和矩特征图像估计其分形维数；将原图像块和六个矩特征图像的分形维数形成特征向量，作为支持向量机的输入进行分类。所述的对原图像选择适当大小的图像块，计算其二阶矩，产生矩特征图像，是指采用窗口宽度为3的二阶矩模板m00=111111111,m10=-1-1-1000111,m01=-101-101-101]]>m20=111000111,m11=10-1000-101,m02=101101101]]>将原图像块分别与模板m00，m10，m01，m20，m11，m02卷积，得到相应的图像分别为M1，M2，M3，M4，M5和M6，称为矩特征图像。所述的对原图像块和矩特征图像估计其分形维数，是指对原图像块和其六个矩特征图像用差分盒计数法估计其分形维数。具体实现如下如果大小为M×M像素的图像，按比例缩小为s×s像素，1＜s≤M/2，s为整数，则变换尺度r为s/M；把图像看成是一个三维空间，(x，y)为图像的空间位置，第三个坐标Z定义为它的灰度值f(x，y)，把(x，y)空间分为s×s的网格，在每一个网格中定义一个s×s×h的盒子，如果图像的总的灰度级为G，则h由＝确定，第(i，j)个正方柱中的最大和最小灰度分别落在顶端盒子k和底部盒子l中，则 nr(i，j)＝l-k+1在同一尺度r下，移动正方柱遍及所有像素点，则图像包含的总的盒子数为Nr=Σi,jnr(i,j)]]>分形维数Df用最小二乘法由log(Nr)～log(1/r)的斜率近似估计。所述的将原图像块和六个矩特征图像的分形维数作为支持向量机的输入进行分类，是指所述的将原图像块和六个矩特征图像的分形维数形成特征向量，作为支持向量机的输入进行分类，是指将原图像以及六个矩特征图像的分形维数形成特征向量，并将全部样本随机分成两组样本A集和样本B集，用A集作为训练样本，B集作为测试样本，用支持向量机进行交叉验证。SVM采用多项式核函数。本专利技术将两种特性结合起来进行图像纹理的分类，克服了单独地利用图像的矩特性和分形特性对图像的纹理进行分类都有一定的局限性，能够获得较高的分类精度。由于结合了图像的矩特性和分形特性，能够获得大量的纹理特征，且具有良好稳健性的优点。附图说明图1本专利技术实施例中采用的试验图像图2本专利技术实施例nr(i，j)的确定方法图3本专利技术实施例矩特征图像图4本专利技术实施例效果图具体实施方式以下结合具体的实施例对本专利技术的技术方案作进一步详细描述。本专利技术实施例采用的试验图像为选自Brodatz纹理图像集的自然纹理图像。图1所示为六个512×512像素的自然图像D9(草地)，D15(青草)，D19(毛纺布)，D29(沙滩的沙子)，D68(木材纹理)以及D84(酒椰叶的纤维)。整个过程实现如下1.在每个图像上随机选取40个同样大小的图像块，然后对每个图像块计算其二阶矩，形成特征图像。将灰度图像作为一双变量函数f(x，y)，对图像中的每一个像素计算其二阶矩(p+q≤2)，并围绕每个像素在一个较小的窗口内进行计算。对于给定像素和一个有限长方形窗口矩的离散计算与像素的邻域操作相对应，可以由图像和模板的卷积来实现。窗口宽度为3的二阶矩模板为m00=111111111,m10=-1-1-1000111,m01=-101-101-101]]>m20=111000111,m11=10-1000-101,m02=101101101]]>本专利技术用选取的图像块分别与模板m00，m10，m01，m20，m11，m02卷积，得到相应的图像分别为M1，M2，M3，M4，M5和M6，称为矩特征图像，如图2所示。2.用差分盒计数法估计原图像块和六个矩特征图像的分形维数。对大小为M×M像素的图像块，按比例缩小为s×s像素(1＜s≤M/2，s为整数)，则变换尺度r为s/M。把图像看成是一个三维空间，(x，y)为图像的空间位置，第三个坐标Z定义为它的灰度值f(x，y)。把(x，y)空间分为s×s的网格，在每一个网格中定义一个s×s×h的盒子。如果图像的总的灰度级为G，则h由＝确定。第(i，j)个正方柱中的最大和最小灰度分别落在顶端盒子k和底部盒子l中，如图3所示，则nr(i，j)＝l-k+1 (3)在同一尺度r下，移动正方柱遍及所有像素点，则图像包含的总的盒子数为Nr=Σi,jnr(i,j)---(4)]]>于是，分形维数Df就可以根据公式(2)用最小二乘法由log(Nr)～log(1/r)的斜率近似估计。3.将原图像块及其六个矩特征图像的分形维数形成特征向量，输入支持向量机。将全部样本随机分成两组样本A集(120个样本)和样本B集(120个样本)，用A集作为训练集，用B集作为测试集，进行交叉验证。SVM采用多项式核函数 K(x，y)＝(γxTx+c)d，γ＞0，其中，γ，c为常数，本方法中取γ＝1，c＝1。当分别选用256×256像素，128×128像素，64×64像素，32×32像素，16×16像素以及8×8像素的图像块，SVM的多项式指数由1～9变化时的分类结果如图4所示。从图中可以看出，随着图像块的减小分本文档来自技高网...

【技术保护点】
一种基于矩和分形的纹理分类方法，其特征在于，先对原图像选择图像块，计算其二阶矩，产生矩特征图像；再对原图像块和矩特征图像估计其分形维数；将原图像块和六个矩特征图像的分形维数形成特征向量，作为支持向量机的输入进行分类。

【技术特征摘要】

【专利技术属性】
技术研发人员：曹桂涛，施鹏飞，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：31[中国|上海]