CN107067426A - 一种基于嵌套三角结构的图像纹理特征提取方法 - Google Patents

Abstract

本发明公开了一种基于嵌套三角结构的图像纹理特征提取方法，涉及一种全新的灰度差三角矩阵(GDTM，Gray Different Triangle Matrix)，通过提取图像不同位置和角度嵌套三角形顶点的灰度差对，统计灰度差对的出现次数，归一化计算得到概率三角矩阵。GDTM能反映亮度变化的分布特性，也能反映图像不同方向、不同间隔亮度变化的综合信息，是基于三角几何结构的图像亮度变化二阶统计特征。在本发明基础上计算的纹理特征量能更直观有效表征图像纹理状况，相比传统的纹理统计特征提取方法如灰度共生矩阵等，计算量更少，能抗光照变化及RST变化，且能提高对较大纹理的描述效果，是一种更有效的图像纹理特征提取方法。

Description

一种基于嵌套三角结构的图像纹理特征提取方法

技术领域

本发明涉及一种图像的纹理特征提取方法，具体涉及一种基于嵌套三角结构的图像纹理特征提取方法。

背景技术

纹理是图像中某种特质局部重复模式的宏观表现，对于大多数纹理图像而言，这种重复模式是近似的和复杂的，纹理分析相比其他方法能更充分利用图像信息，较好兼顾图像的微观和宏观特征，是图像分析与检索、计算机视觉等的重要技术手段，广泛应用于军事、医疗、气象、信息安全、工业生产和检测等领域。然而纹理的类型庞杂、形态各异且结构繁复，纹理图像特征提取与分析一直是图像处理领域的一大难题，研究更高效、稳健的纹理特征提取方法是图像处理研究的一个重要方向。

目前纹理特征提取主要是基于统计、几何、信号处理、关键点等方法，每种方法都各有特点和优势但也存在不足，其中统计分析和信号处理方法应用广泛，影响深远，而几何/结构化的特征描述相对缺乏。然而，统计与信号处理特征都存在计算量大，缺乏几何/结构特征描述，缺乏图像特征点空间关系的描述等问题。

在统计特征中，Haralic提出的灰度共生矩阵(GLCM，Gray Level CooccurrenceMatrix)占据主导地位，该方法通过刻画邻域灰度空间的关系来描述图像纹理，能导出较好鉴别能力的效的纹理特征，但比较耗时。众多研究者对GLCM方法不断改进，取得了较好结果。Walker等人提出自适应多尺度及基于遗传算法的GLCM方法，在减少特征选择计算量的同时，还提高了分类准确率。洪继光提出灰度梯度共生矩阵(GGCM，Gray Level andGradient Cooccurrence Matrix)方法能清晰描述图像的灰度及梯度空间分布信息，能更好描述图像的方向性纹理信息。但这些方法更适合微纹理描述，对于较大纹理则描述效果欠佳。

统计方法虽然理论上能够实现对纹理图像信息的全覆盖，但在具体的实验或应用中通常是选取关键参数的几种，即实际使用并不是理论意义上的全覆盖。例如GLCM能表示整幅图像不同步长不同方向的所有成对像素点的灰度对概率统计信息，但在实际应用中科研工作者往往是选取一种或少数几种步长与方向的组合来进行统计，因而得到的纹理图像信息并不完整，基于该特征做的进一步研究存在图像信息缺失，则是有缺陷的。另外，不同种特征的计算量通常都比较大，特别是统计特征。

三角形是具有绝对稳定性的几何结构，在二维平面内，三角形的三条边及三个节点具有理想的稳定性、强度、刚度。在其他学科领域中已将几何三角结构引入到理论知识体系中，如体育学中咏春基本步伐的三角结构，心理学中用于描述人际关系稳固的情感关系三角结构。

发明内容

发明目的：本发明提供一种基于嵌套三角结构的图像纹理特征提取方法，通过嵌套三角结构中心点扫描图像获得灰度差对概率三角矩阵，极大的降低了统计特征计算量，克服了现有技术的不足。

为实现上述目的，本发明采用的技术方案为：一种基于嵌套三角结构的图像纹理特征提取方法，其特征在于，该方法包括以下步骤：

1)对原始图像进行灰度级量化预处理；

2)以嵌套三角结构中心点扫描整幅图像，获得三角顶点坐标矩阵；

3)计算三角顶点的灰度差，获得灰度差对向量；

4)统计灰度差对出现次数，获得灰度差对三角矩阵；

5)由步骤4)获得的获得灰度差对三角矩阵导出图像纹理特征。

进一步的，步骤1)所述预处理，包括将图像灰度级量化为G级灰度；所述G级灰度取值范围包括：

G＝2ⁱ,i∈{3,4,5,6,7,8}。

进一步的，步骤2)所述的扫描整幅图像，是以嵌套三角结构中心点扫描图像所有像素点，取得各像素点的嵌套三角结构中每个三角形的顶点坐标，生成一个三维的坐标矩阵C＝[轴顶点坐标左顶点坐标右顶点坐标]；

所述嵌套三角结构包括多个等腰三角形结构，包括若干层；每个三角形的三个顶点分别位于该三角形的外层三角形的边的中点；嵌套结构中每一层三角形标注为L_i，最内层三角形定义为L1层，层数由内向外依次递增，直到m层。

进一步的，步骤3)中，设置三角顶点P的坐标为P(x,y)，该顶点P的灰度值为灰度图像函数f(x,y)，求得f(C)，并两两计算每一个三角形的轴顶点、左顶点和右顶点灰度差，取最大差值向量D_max和最小差值向量D_min，得到几何三角结构下的灰度差对向量D＝[(D_maxD_min)]。

进一步的，步骤4)中，统计灰度差对出现次数获得L×L大小的矩阵，归一化计算得到获得灰度差对三角矩阵GDTM；所述归一化计算包括求取每个灰度差对的出现概率；所有灰度差对概率之和为1。

进一步的，所述矩阵C包括分层矩阵，C＝{C₁；C₂；……；C_m}，其中m为三角形最大层次数，则C_i中所有顶点均在第i层三角形中。这里的i指的是三角形标注为L_i的第i层。

进一步的，通过所述分层矩阵获得对应的分层向量D＝{D₁；D₂；……；D_m}；所述灰度差对三角矩阵GDTM为一个或m个矩阵。分层量D＝{D₁；D₂；……；D_m}是灰度差对向量D的子集，所有分层量构成D。

进一步的，所述的嵌套三角结构可按中心轴旋转，旋转增量为θ。

进一步的，所述嵌套三角形均为等腰三角形且嵌套三角结构最外层三角形的顶点不能超出图像。

有益效果：为了克服上述统计方法存在的不足并更充分利用图像的几何结构信息，本发明提供一种新颖的更高效稳健的纹理特征提取方法，即为基于嵌套三角结构的图像纹理特征提取方法(GDTM，Gray Different Triangle Matrix)，该方法用嵌套三角结构中心点扫描图像获得灰度差对概率三角矩阵，其理论定义与实际实验操作及应用一致。以嵌套三角结构来获取样本点，能兼顾体现相邻像素及远距离像素的灰度空间关系，特征描述更加全面，同时能减少样本点的选取数量，降低了统计特征计算量。在GDTM基础上，能够导出不同的图像纹理特征，利用这些特征进行图像分类分割等能够获得更好的稳定性及更高的精度。GDTM纹理特征提取方法是对现有纹理特征提取技术的有益补充，是解决现有技术问题的一种有效途径。本发明相比现有技术具有以下改进效果：

1)采样点较少，降低了计算量；

2)本发明提取的纹理特征具有抗光照的效果。

3)本发明对于不同大小纹理基元均能有效描述，克服了统计特征对不同大小纹理基元描述不能兼顾的情况。

4)本发明对较复杂纹理，如杂乱纹理图像、不同视角及变形的纹理图像等，亦有较好的描述效果，应用GDTM特征进行图像分割或分类体现出更好更稳定的性能。

附图说明

图1为基于嵌套三角结构的图像纹理特征提取方法GDTM流程图；

图2为像素点嵌套三角结构定义；

图3为以中心轴分别旋转0°、90°、180°、270°，嵌套三角顶点变化图示；

图4为本发明一个实施例使用的UIUC纹理图像库部分图片示例；

图5为本发明一个实施例中获得一张图片GDTM矩阵的具体执行流程；

图6为采用本发明提取纹理特征，得到的一个灰度差对概率统计三角矩阵示例；

图7为在GDTM灰度差对概率统计三角矩阵基础上，导出的5个纹理特征的一部分特征数据；

图8为基于GDTM的5个纹理特征曲线图；

图9为在UIUC纹理库上GDTM与其他特征的纹理图像分类正确率比较；

具体实施方式

下面结合附图对本发明作更进一步的说明。

基于嵌套三角结构的图像纹理特征提取方法(GDTM，Gray Different TriangleMatrix)，为本发明提出的一种全新的特征提取方法，其特征在于，GDTM特征提取流程如图1，该方法包括以下步骤：

步骤1)：对原始图像进行预处理，将图像灰度级量化为G级灰度。

步骤2)：以嵌套三角结构中心点扫描图像所有像素点，取得各像素点的嵌套三角结构中每个三角形的顶点坐标，生成一个三维的坐标矩阵C＝[轴顶点坐标左顶点坐标右顶点坐标]；

步骤3)：设x和y为像素点P的坐标，灰度图像函数为f(x,y)，则f(x,y)即为像素点P的灰度值，求得f(C)，并两两计算每一个三角形的轴顶点、左顶点和右顶点灰度差，取最大差值向量Dmax和最小差值向量Dmin，即每一个三角形对应形成一个最大最小灰度差对，从而得到几何三角结构下的灰度差对向量D＝[(Dmax Dmin)]。

这里f(c)，是步骤2中的坐标矩阵C，坐标矩阵中的三个顶点，两两计算，一个三角形结构中，共需要计算3次灰度差，在这3个差值中，取最大值和最小值

步骤4)：图像灰度级为G，则灰度差范围为0～G－1，统计灰度差对的出现次数，得到L×L大小的矩阵，归一化计算得到GDTM灰度差对概率三角矩阵。

步骤5)：在1.4所得GDTM矩阵的基础上导出图像纹理特征。

步骤1)所述G级灰度G＝2ⁱ,i∈{3,4,5,6,7,8}。灰度级G的取值应考虑计算量提高运算速度，但随着软硬件环境的不断提升，L的大小实际受限于用户需求及软硬件环境。

进一步的，步骤2)所述嵌套三角结构如图2所示，求得嵌套结构不同层三角形的各顶点，即获得相对于像素点P不同间隔的样本点。设像素点P的坐标为(x,y)，则最内层三角形L1的轴顶点、左顶点和右顶点坐标分别为(x,y+1)、(x-1,y-1)、(x+1,y-1)，第二层三角形L2的轴顶点、左顶点和右顶点坐标分别为(x,y-3)(x-2,y+1)(x+2,y+1)，同理第i+1层三角形L_i+1的坐标如下：

步骤2)所述的嵌套三角结构，其特征在于该三角结构可以按中心轴旋转，旋转增量为θ，从而能取到不同方向三角顶点灰度差对。在实际应用中，当θ＝90°，可以选到旋转角度0°、90°、180°、270°共4个方向，也可以设置θ＝45°从而选择8个方向获得多一倍的样本点，亦可按照实际需要设置不同的旋转增量θ。当θ为0°时第i+1层三角形L_i+1的坐标如公式⑴，当θ分别为90°、180°、270°时第i层三角形L_i的坐标如公式⑵、⑶和⑷。嵌套三角结构以中心轴分别旋转0°、90°、180°、270°，各三角形顶点变化如图3所示。

进一步的，步骤2)所述矩阵C可以是分层矩阵，即C＝{C₁；C₂；……；C_m}，其中m为三角形最大层次数，则C_i中所有顶点均在第i层三角形中。

进一步的，步骤2)所述矩阵D可以是分层向量，由分层矩阵C可以得到对应的分层向量D＝{D₁；D₂；……；D_m}。

进一步的，步骤1)所述GDTM可以是一个矩阵，也可以是由分层向量D导出的m个矩阵GDTM₁、GDTM₂、……、GDTM_m。

进一步的，步骤2)所述三角形均为等腰三角形，其轴顶点为三角形位于中心轴上的顶点，其左顶点为轴顶点方向三角形底边中心轴左侧的顶点，其右顶点为轴顶点方向三角形底边中心轴右侧的顶点。

进一步的，步骤3)所述最大灰度差和最小灰度差定义为：假设轴顶点灰度值为g1，左顶点灰度值为g2，右顶点灰度值为g3，最大最小灰度差分别为d_max＝max{|g1-g2|,|g2-g3|,|g1-g3|}、d_min＝min{|g1-g2|,|g2-g3|,|g1-g3|}，值处于中间的灰度差设为d_mid，则有d_max＝d_min+d_mid。

进一步的，步骤4)所述归一化计算是指求每个灰度差对的出现概率，所有灰度差对概率之和为1。步骤4)所得结果GDTM矩阵亦可直接作为图像特征用于后续的图像处理。

进一步的，步骤5)所述图像纹理特征，其计算公式与灰度梯度共生矩阵(GGCM，Gray and Gradient Co-occurrence Matrix)导出的15种纹理特征计算公式相同或类似，但特征计算公式不限于这15种。

实施例：

如图1所示，一种新的图像纹理特征提取方法GDTM的流程图，为了评价该方法所得特征的稳定性和鉴别能力，实施例仿真实验使用UIUC纹理库，库中包含25类纹理，每类包含40幅640×480像素的灰度纹理图片，图4为本实施例图像示例。实验选择7类图片中的30张为训练图片，剩余的10张图片为测试图片。图5为计算得到一张图片GDTM矩阵的具体执行流程，实施例具体步骤如下：

步骤1：对UIUC库中每个原始纹理图像预处理，将图像灰度级量化为G级灰度，此实施例取G＝16。

步骤2：对预处理后的图片按行列顺序逐像素点扫描，获得每个像素点按中心轴旋转0°、90°、180°、270°的所有嵌套三角结构中各层三角形的顶点，对应得到三维的坐标矩阵C＝[轴顶点坐标左顶点坐标右顶点坐标]。本实施例未对C做分层处理。

步骤3：设x和y为像素点P的坐标，灰度图像函数为f(x,y)，则f(x,y)为P的灰度值，计算f(C)。两两计算轴顶点、左顶点、右顶点的灰度差，取最大和最小值，则每一个三角形对应形成一个最大最小灰度差对，从而得到三角几何结构下的灰度差对向量D＝[(最大灰度差 最小灰度差)]

步骤4：图像灰度级为L，则灰度差范围为0～L－1，统计灰度差对的出现次数，得到L×L大小的矩阵，归一化计算得到GDTM灰度差对概率三角矩阵，此实施例GDTM矩阵大小为16×16。图6为经以上步骤计算得到的一张图片的灰度差对概率三角矩阵GDTM示例。

步骤5：在步骤4所得GDTM矩阵的基础上导出图像纹理特征。本实施例参考GGCM计算了5个纹理特征，分别为能量T₁、对比度T₂、逆差矩T₃、熵T₄和自相关T₅，其计算公式如下，其中步骤4所得矩阵GDTM记为G：

其中

图7为导出的5个纹理特征的一部分特征数据；为更直观分析特征数据，图8展示了具体实施例中280张图片(种类数7×40张)基于GDTM的5个纹理特征曲线图；

图9为本发明一个具体实施例在UIUC纹理库上各种特征分类正确率比较；其中LTP为局部三值模式，CLBP为完整局部二值模式，CLBC为完整局部二值计算，分类器使用支持向量机SVM。结果显示，相比其他方式，使用GDTM分类效果较好，虽然准确率还有较大提升空间，但此实施例仅是本发明最简单基本的执行流程，所取得的结果相比其他方式已略有优势。

应当指出：以下所述仅是本发明的一种具体实施例，对于本领域的技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种基于嵌套三角结构的图像纹理特征提取方法，其特征在于，该方法包括以下步骤：

1)对原始图像进行灰度级量化预处理；

2)以嵌套三角结构中心点扫描整幅图像，获得三角顶点坐标矩阵；

3)计算三角顶点的灰度差，获得灰度差对向量；

4)统计灰度差对出现次数，获得灰度差对三角矩阵；

5)由步骤4)获得的灰度差对三角矩阵导出图像纹理特征。

2.如权利要求1所述的一种基于嵌套三角结构的图像纹理特征提取方法，其特征在于，步骤1)所述预处理，包括将图像灰度级量化为G级灰度；所述G级灰度取值范围包括：

G＝2ⁱ,i∈{3,4,5,6,7,8}。

3.如权利要求1所述的一种基于嵌套三角结构的图像纹理特征提取方法，其特征在于，步骤2)所述的扫描整幅图像，是以嵌套三角结构中心点扫描图像所有像素点，取得各像素点的嵌套三角结构中每个三角形的顶点坐标，生成一个三维的坐标矩阵C＝[轴顶点坐标左顶点坐标右顶点坐标]；

所述嵌套三角结构包括多个等腰三角形结构，包括若干层；每个三角形的三个顶点分别位于该三角形的外层三角形的边的中点；嵌套结构中每一层三角形标注为L_i，最内层三角形定义为L1层，层数由内向外依次递增，直到m层。

4.如权利要求3所述的一种基于嵌套三角结构的图像纹理特征提取方法，其特征在于，步骤3)中，设置三角顶点P的坐标为P(x,y)，该顶点P的灰度值为灰度图像函数f(x,y)，求得f(C)，并两两计算每一个三角形的轴顶点、左顶点和右顶点灰度差，取最大差值向量D_max和最小差值向量D_min，得到几何三角结构下的灰度差对向量D＝[(D_max D_min)]。

5.如权利要求3所述的一种基于嵌套三角结构的图像纹理特征提取方法，其特征在于，步骤4)中，统计灰度差对出现次数获得L×L大小的矩阵，归一化计算得到获得灰度差对三角矩阵GDTM；所述归一化计算包括求取每个灰度差对的出现概率；所有灰度差对概率之和为1。

6.如权利要求3所述的一种基于嵌套三角结构的图像纹理特征提取方法，其特征在于，所述矩阵C包括分层矩阵，C＝{C₁；C₂；……；C_m}，其中m为三角形最大层次数，则C_i中所有顶点均在第i层三角形中。

7.如权利要求3所述的一种基于嵌套三角结构的图像纹理特征提取方法，其特征在于，所述的嵌套三角结构可按中心轴旋转，旋转增量为θ。

8.如权利要求3所述的一种基于嵌套三角结构的图像纹理特征提取方法，其特征在于，所述嵌套三角形均为等腰三角形，且嵌套三角结构最外层三角形的顶点不超出图像。

9.如权利要求6所述的一种基于嵌套三角结构的图像纹理特征提取方法，其特征在于，通过所述分层矩阵获得对应的分层向量D＝{D₁；D₂；……；D_m}；所述灰度差对三角矩阵GDTM为一个或m个矩阵。