基于拓扑树的局部形状模式的图像纹理基元特征提取方法

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于拓扑树的局部形状模式的图像纹理基元特征提取方法。

背景技术

在计算机视觉和图像处理中，图像的纹理分析是一个基础性的问题，然而，到目前为止，人们却没有对纹理的精确定义形成统一的认识，一般认为，纹理是图像灰度或色彩在空间上的变化或重复。纹理图像中灰度分布一般具有某种规律性，对于随机纹理，它也具有一些统计意义上的特征。目前人们对纹理已有下列共识：

a)纹理表现为某种局部序列性在该序列更大的区域内不断地重复；

b)纹理存在引起视觉感知的基本构成单元，即纹理基元；

c)纹理不能处理成一个点过程，更多地表现为区域特性；

d)纹理区域各个部分大致是均匀的统一体，各部分有大致相同的尺寸；

e)纹理有强度、密度、方向和粗糙程度等特征。

基于以上共识，认为纹理有两个要素：(1)纹理具有引起视觉感知的基本单元，即纹理基元。纹理基元的形态多样，表现为某些图像色彩或者灰度模式。(2)纹理基元有一定的排列规则，这些规则可能表现为某种规律性，也可能表现为随机性(参见文献1)。

纹理分析是纹理研究的主要内容之一，也是机器视觉里一个重要的研究领域，有着非常广阔的应用背景，其应用领域包括图像处理(Image Processing)、人工智能(ArtificialIntelligence)、遥感图像分析(Remotely-sensed Image Analysis)、医学图像分析(Medical ImageAnalysis)、工业表面检测(Industrial Surface Inspection)、文档处理(Document Processing)等领域。

纹理分析的一个核心问题是纹理描述(Texture Description)，在模式识别领域即为纹理特征提取(Texture Feature Extraction)。目前已经有许多纹理特征提取方法。Tuceryan和Jain将这些方法大致归为四大类：结构分析方法、统计分析方法、模型化分析方法以及信号处理方法。其中统计分析方法和信号处理方法在纹理分析中担任着非常重要的角色。

纹理分析在国内的研究主要在于某一种方法的具体应用。对于统计的方法，共生矩阵法比较常用。基于模型的方法里，分形方法应用比较多，大多采用Fractal Brown函数，也有对分形方法进行改进的；马尔可夫随机场(MRF)的应用也有一些，主要困难在于参数的确定。在数学变换的方法里，常见的是基于小波变换的方法。国外主要是对几种纹理分析方法提取的纹理特征结合常规分类方法，对不同的图像进行分类比较。

早期的纹理分析使用统计或结构的方法提取特征。最近的主要进展是使用多分辨率(例如Gabor变换)及多通道(几个波段结合分析纹理特征)的纹理特征描述。过去对纹理分析缺乏对不同尺度的纹理有效分析，这里的不同尺度是指同一幅图像，在不同尺度上进行纹理分析。这样可以获得同一区域的不同纹理特征，增加了信息量，最终可以提高分类的精度。

基于滤波的纹理描述可以分为两种方法：滤波后横向拼接成直方图，如GIST方法(参见文献2)、滤波后纵向串成一个向量，再进行统计，称为纹理基元方法(参考文献3)、纹理基元是指自然图像中基本的微观结构，它是视觉感知初始阶段(预注意阶段)的基本元素。纹理基元的研究是是利用稀疏编码(sparse coding)的思想试图从自然图像中学习超完备的图像基底纹理基元s，再用纹理基元来表达纹理图像。

不同于基于滤波、统计及结构等纹理描述方法对图像经过滤波或者某种变换结果进行描述，本发明在图像拓扑树表达的基础上直接对纹理基于进行描述，这样可以避免间接描述过程中纹理信息的损失，从而更加有效、全面得到纹理特征描述。

文献1：刘晓民，纹理研究综述.计算机应用研究，2008，Vol.25，No.8

文献1：Aude Oliva，“Gist of the Scene”，Neurobiology of Attention 2005

文献3：Manik Varma，Andrew Zisserman，“A Statistical Approach to Texture Classificationfrom Single Images”，Kluwer Academic Publishers.Printed in the Netherlands，2004

发明内容

针对上述存在的技术问题，本发明的目的是提供一种基于拓扑树的局部形状模式的图像纹理基元特征提取方法，以高效地提取纹理图像的特征。

为达到上述目的，本发明采用如下的技术方案：

①根据像素灰度值对图像进行水平集分层；

②在水平集基础上构建拓扑树结构；

③构建编码同心圆模板；

④选取拓扑树结构中全部节点或者部分节点进行后续的编码，其中部分节点可以是包含图像像素的最小形状节点；

⑤编码时，将节点形状缩放到于同心圆模板大小相当，当节点形状的重心与同心圆圆心重合的时候，形状与半径最大的同心圆边界相切；

⑥编码时，将缩放后的节点形状与同心圆模板重叠，使节点形状重心与同心圆圆心重合，根据节点形状与每个扇区的重叠关系进行二进制编码；

⑦将每个节点形状在每个圆的所有个扇区的编码值统计一个频数直方图，再将个圆的频率直方图拼接，得到每个形状的纹理特征描述；

⑧将图像拓扑树中所有参与编码的形状的纹理特征描述相加，得到最后图像的纹理特征。

步骤①中的所述水平集分层包括高水平集分层和低水平集分层；

所述高水平集分层为将图像根据像素灰度值v≥v₀为0，v＜v₀为1的规则转换为一组二值图像，其中v₀＝0，1，…，V_max；v为图像像素的灰度值，满足0≤v≤V_max，最大值为V_max，对于一般的光学图像V_max＝255；

所述低水平集分层为使用图像像素灰度值v≤v₀为0，v＞v₀为1的规则将图像转换为一组二值图像，其中v₀＝V_max，…1，0。

将水平集中每层为1的形状S提取出来；

分别在高水平集和低水平集中，根据形状S在上下层中包含或被包含的关系建立连接树；

以低水平集的连接树为主构建图像的拓扑树结构；

补齐低水平集连接树中的空洞节点后，低水平集连接树就变成图像的拓扑树。

步骤⑥中所述的二进制编码、步骤⑦中所述的频数直方图的统计分为：

轮廓编码，硬直方图统计；轮廓编码，软直方图统计；区域编码，硬直方图统计；区域编码，软直方图统计。

提取拓扑树节点形状的边界轮廓，与编码模板圆进行匹配；

当节点形状的轮廓落在第n个同心圆的第m个扇区f_nm内时标记为1，否则为0；其中，n为同心圆的序号，满足1≤n≤N，N为同心圆格个数，N≥1；m为扇形区域的序号，满足1≤m≤M，M为每个同心圆中扇形区域的个数，M≥2；

以此类推将模板同心圆的所有扇区进行0、1标记后，将第n同心圆的M二进制标记转换为十进制数值；

将拓扑树中所有参与编码的形状节点的编码值统计频数直方图，得到最后的纹理特征直方图。

提取拓扑树节点形状的边界轮廓，与编码模板圆进行匹配；

当节点形状的轮廓落在第n个同心圆的第m个扇区f_nm内的长度为l时，该扇区标记为P_nm＝l/L，其中L为节点形状轮廓的周长，若扇区内没有节点形状的轮廓，则标记为0；

以此类推将模板同心圆的所有扇区进行标记后，将第n同心圆的M二进制标记进行一次软直方图统计：

$h_{\mathrm{ni}}=\underset{m=0}{\overset{M}{\Pi }}{b}_m\left(i\right)P_{\mathrm{nm}}+(1-b_m\left(i\right))(1-P_{\mathrm{nm}})$

其中b_m(i)表示i的二进制表达中第m位的值(为0或1)。并将N个同心圆的软直方图拼接；

h＝{h₁，h₂，…，h_n，…h_N}

其中：最后将拓扑树中所有参与编码的形状的软直方图累加：

$H=\underset{s\in T}{\Sigma }h$

H即为最后图像的纹理特征直方图。

提取拓扑树节点形状包含的区域与编码模板圆进行匹配；

当节点形状的区域落在第n个同心圆的第m个扇区f_nm内时标记为1，否则为0；

以此类推将模板同心圆的所有扇区进行0、1标记后，将第n同心圆的M二进制标记转换为十进制数值；

将拓扑树中所有参与编码的形状节点的编码值统计频数直方图，得到最后的纹理特征直方图。

提取拓扑树节点形状包含的区域与编码模板圆进行匹配；

当节点形状的区域落在第n个同心圆的第m个扇区f_nm内时标记为P_nm＝s_nm′/s_nm，其中s_nm′为落在扇区f_nm内形状区域的面积，s_nm为扇区的面积，否则标记为0；

以此类推将模板同心圆的所有扇区进行标记后，将第n同心圆的M二进制标记进行一次软直方图统计：

$h_{\mathrm{ni}}=\underset{m=0}{\overset{M}{\Pi }}{b}_m\left(i\right)P_{\mathrm{nm}}+(1-b_m\left(i\right))(1-P_{\mathrm{nm}})$

其中b_m(i)表示i的二进制表达中第m位的值(为0或1)。并将N个同心圆的软直方图拼接：

h＝{h₁，h₂，…，h_n，…h_N}

其中：最后将拓扑树中所有参与编码的形状的软直方图累加即得到最后图像纹理特征直方图：

$H=\underset{s\in T}{\Sigma }h$

本发明具有以下优点和积极效果：

1)通过对纹理基元直接进行编码描述，不同于以往纹理描述基于对图像的某种滤波或变换结果进行描述，可以避免纹理信息在滤波或变换过程中丢失，更加全面完整地对图像纹理进行描述；

2)能够对图像尺度变化、仿射变化以及旋转变化有较好的稳健性，可以提高基于纹理基元特征的检索、分类、分割等图像处理应用的准确率。

附图说明

图1是本发明的基于拓扑树的局部形状模式的图像纹理基元特征提取方法的流程图。

图2是本发明中获得图像拓扑树表达的示意图。

图3是本发明中构建编码模板圆的示意图。

图4A是本发明中轮廓编码硬直方图统计示意图。

图4B是本发明中轮廓编码软直方图统计示意图。

图4C是本发明中区域编码硬直方图统计示意图。

图4D是本发明中区域编码软直方图统计示意图。