一种图像纹理特征提取分类方法技术

本发明专利技术公开了一种图像纹理特征提取分类方法，包括以下步骤：对输入的图像进行gamma校正；将校正后的图像进行自适应对比度增强算法(ACE)处理；使用基于T

【技术实现步骤摘要】
一种图像纹理特征提取分类方法


[0001]本专利技术涉及图像纹理提取方法领域，具体为一种图像纹理特征提取分类方法。

技术介绍

[0002]纹理特征提取是图像处理、图像分析、计算机视觉等诸多领域的基础研究之一。纹理特征的类内差异性及类间相似性决定了仅依靠单一的提取算法无法准确真实的表现图像的纹理特征，因此，通过多种纹理特征提取算法的融合来提高提取的效率和准确率是当前研究的热点。这些年随着研究的不断深入，图像纹理的分类在诸多领域都得到了很重要的应用，例如在虚拟现实触觉再现领域，通过再现设备可以识别不同的材质，得到更加真实的触觉体验，增加使用者的沉浸感和真实感。
[0003]现有的纹理特征提取方法采用单一的纹理提取算法，此举不能准确的描述图像纹理的问题，而且冗余信息较多，现有的纹理特征提取方法的计算效率低、鲁棒性差、提取精度低，较难对错误的图像进行有效的区分，为此，提出一种图像纹理特征提取分类方法。

技术实现思路

[0004]本专利技术的目的在于提供一种图像纹理特征提取分类方法，以解决上述
技术介绍
中提出的现有的纹理特征提取方法采用单一的纹理提取算法，此举不能准确的描述图像纹理的问题，而且冗余信息较多，现有的纹理特征提取方法的计算效率低、鲁棒性差、提取精度低，较难对错误的图像进行有效的区分的问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：一种图像纹理特征提取分类方法，包括以下步骤：
[0006]S1、对输入的图像进行gamma校正，将部分灰度区域映射到更宽或更窄的区域，对输入图像的灰度值进行指数变换；
[0007]S2、将校正后的图像进行自适应对比度增强算法(ACE)处理，采用反锐化掩膜技术，把图像分为低频的反锐化掩膜以及高频部分，用原图减去反锐化掩膜获取高频部分，最后将高频部分加入反锐化掩膜并加上增益系数G(i,j)，得到增强的图像；
[0008]S3、使用基于T
‑
GLCM和Tamura融合的特征提取方法，对经过gamma校正和自适应对比度增强的图像使用基于T
‑
GLCM和Tamura融合的特征提取方法对图像纹理特征进行提取并生成特征矩阵；
[0009]S4、采用支持向量机(SVM)对纹理材质进行分类，通过带高斯径向基函数的支持向量机对不同材质的纹理图像进行分类。
[0010]优选的，在S1中，gamma校正的表达式为:
[0011][0012]其中，A为常数，V
in
为原图像，V
out
为校正后的图像，γ为校正值。
[0013]优选的，在S2中，设x(i,j)是原像素，通过自适应对比度增强后的像素值为：
[0014]f(i,j)＝m
x
(i,j)+G(i,j)[x(i,j)
‑
m
x
(i,j)][0015]获取图像的反锐化掩膜即低频部分通过求取图像中心各像素点为中心的局部区域的像素平均值求得，中心像素点的低频部分的像素值通过下列公式计算得到：
[0016][0017]其中，(i,j)、(k,l)分别为像素点和像素点周围邻域的坐标；
[0018]局部增益G(i,j)的值是恒大于1的，所以[x(i,j)
‑
mx(i,j)]就会变大，局部增益的计算公式如下：
[0019][0020][0021]其中，D为一个常数，D取值为图像的全局均方差；σ
x
(i,j)为局部均方差。
[0022]优选的，在S3中，对图像纹理特征进行提取并生成特征矩阵的此阶段分为如下两个步骤：
[0023]S3.1、基于改进的灰度共生矩阵(T
‑
GLCM)特征提取：
[0024]首先对传统的灰度共生矩阵(GLCM)进行转置操作后与GLCM取平均值得到GLCM1；
[0025]然后对GLCM1从0
°
、45
°
、90
°
和135
°
四个方向上得到的各个矩阵进行相加取平均值得到最终的共生矩阵T
‑
GLCM；采用的四种纹理特征统计量分别为能量(ASM)、熵(ENT)、对比度(CON)和逆差分矩(IDM)；
[0026]S3.2、基于Tamura特征提取，通过计算对比度、方向度和粗糙度三个特征对图像纹理进行分析。
[0027]优选的，在S3.1中，所述能量(ASM)、熵(ENT)、对比度(CON)和逆差分矩(IDM)，四个特征统计量的计算方法公式分别为：
[0028]能量(ASM)：
[0029][0030]熵(ENT)：
[0031][0032]对比度(CON)：
[0033][0034]逆差分矩(IDM)：
[0035][0036]优选的，在S3.2中，对比度是图像中最亮与最暗两部分的灰度之差，对比度的计算步骤如下：
[0037]a、像素(x,y)的3*3邻域像素的平均值为：
[0038][0039]其中，f(i,j)为像素点，(i,j)为灰度值，
[0040]b、标准差为：
[0041][0042]c、四阶矩为：
[0043][0044]d、对比度为：
[0045][0046]优选的，在S3.2中，方向度是图像中的纹理沿着某个方向呈现出某种形态，具有一定的方向性，通过计算梯度向量来计算出方向度，方向度的计算步骤如下：
[0047]a、像素点(x,y)的梯度向量的模以及方向如下：
[0048]|ΔG(x,y)|＝(|Δ
H
|+|Δ
V
|)/2
[0049][0050]其中，Δ
H
和Δ
V
分别表示对图像进行卷积后的结果，矩阵分别为：
[0051]和
[0052]b、设定阈值t＝12，像素点(x,y)的方向角d(x,y)计算公式如下：
[0053][0054]c、像素点(x,y)的3*3邻域所有像素的方向角均值：
[0055][0056]d、像素点(x,y)的方向角为：
[0057]d'(x,y)＝|d(x,y)
‑
μ(x,y)|。
[0058]优选的，在S3.2中，粗糙度的计算方法是用线性量化代替指数量化又可以降低算法的复杂度，粗糙度的计算步骤如下：
[0059]a、以像素(i,j)为中心，水平方向平均灰度方差为：
[0060]E
n,u
(i,j)＝|A
n
(i
‑
n,j)
‑
A
n
(i+n,j)|
[0061]b、垂直方向平均灰度方差为：
[0062]E
n,v
(i,j)＝|A
n
(i,j
‑
n)
‑
A
n
...

【技术保护点】

【技术特征摘要】
1.一种图像纹理特征提取分类方法，其特征在于：包括以下步骤：S1、对输入的图像进行gamma校正，将部分灰度区域映射到更宽或更窄的区域，对输入图像的灰度值进行指数变换；S2、将校正后的图像进行自适应对比度增强算法(ACE)处理，采用反锐化掩膜技术，把图像分为低频的反锐化掩膜以及高频部分，用原图减去反锐化掩膜获取高频部分，最后将高频部分加入反锐化掩膜并加上增益系数G(i,j)，得到增强的图像；S3、使用基于T
‑
GLCM和Tamura融合的特征提取方法，对经过gamma校正和自适应对比度增强的图像使用基于T
‑
GLCM和Tamura融合的特征提取方法对图像纹理特征进行提取并生成特征矩阵；S4、采用支持向量机(SVM)对纹理材质进行分类，通过带高斯径向基函数的支持向量机对不同材质的纹理图像进行分类。2.根据权利要求1所述的一种图像纹理特征提取分类方法，其特征在于：在S1中，gamma校正的表达式为:其中，A为常数，V
in
为原图像，V
out
为校正后的图像，γ为校正值。3.根据权利要求1所述的一种图像纹理特征提取分类方法，其特征在于：在S2中，设x(i,j)是原像素，通过自适应对比度增强后的像素值为：f(i,j)＝m
x
(i,j)+G(i,j)[x(i,j)
‑
m
x
(i,j)]获取图像的反锐化掩膜即低频部分通过求取图像中心各像素点为中心的局部区域的像素平均值求得，中心像素点的低频部分的像素值通过下列公式计算得到：其中，(i,j)、(k,l)分别为像素点和像素点周围邻域的坐标；局部增益G(i,j)的值是恒大于1的，所以[x(i,j)
‑
mx(i,j)]就会变大，局部增益的计算公式如下：公式如下：其中，D为一个常数，D取值为图像的全局均方差；σ
x
(i,j)为局部均方差。4.根据权利要求1所述的一种图像纹理特征提取分类方法，其特征在于：在S3中，对图像纹理特征进行提取并生成特征矩阵的此阶段分为如下两个步骤：S3.1、基于改进的灰度共生矩阵(T
‑
GLCM)特征提取：首先对传统的灰度共生矩阵(GLCM)进行转置操作后与GLCM取平均值得到GLCM1；然后对GLCM1从0
°
、45
°
、90
°
和135
°
四个方向上得到的各个矩阵进行相加取平均值得到最终的共生矩阵T
‑
GLCM；采用的四种纹理特征统计量分别为能量(ASM)、熵(ENT)、对比度(CON)和逆差分矩(IDM)；S3.2、基于Tamura特征提取，通过计算对比度、方向度和粗糙度三个特征对图像纹理进
行分析。5.根据权利要求4所述...

【专利技术属性】
技术研发人员：陈旭，高亚洲，陈守静，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：