經典紋理分析方法

❶ 機器視覺特徵描述方法

常用的機器視覺提取特徵方法有哪些？一般常用的機器視覺圖像特徵有顏色特徵、紋理特徵、形狀特徵、空間關系特徵，沃德普機器視覺昨天給大家介紹過了顏色特徵的提取，今天給大家介紹的是紋理特徵、形狀特徵、空間關系特徵這三種特徵方法提取。
1.紋理特徵描述方法分類：
（1）統計方法
統計方法的典型代表是一種稱為灰度共生矩陣的紋理特徵分析方法，在研究共生矩陣中各種統計特徵基礎上，通過實驗，得出灰度共生矩陣的四個關鍵特徵：能量、慣量、熵和相關性。統計方法中另一種典型方法，則是從圖像的自相關函數（即圖像的能量譜函數）提取紋理特徵，即通過對圖像的能量譜函數的計算，提取紋理的粗細度及方向性等特徵參數。
（2）幾何法
所謂幾何法，是建立在紋理基元（基本的紋理元素）理論基礎上的一種紋理特徵分析方法。紋理基元理論認為，復雜的紋理可以由若干簡單的紋理基元以一定的有規律的形式重復排列構成。在幾何法中，比較有影響的演算法有兩種：Voronio 棋盤格特徵法和結構法。
（3）模型法
模型法以圖像的構造模型為基礎，採用模型的參數作為紋理特徵。典型的方法是隨機場模型法，如馬爾可夫（Markov）隨機場（MRF）模型法和 Gibbs 隨機場模型法。
（4）信號處理法
紋理特徵的提取與匹配主要有：灰度共生矩陣、Tamura 紋理特徵、自回歸紋理模型、小波變換等。
灰度共生矩陣特徵提取與匹配主要依賴於能量、慣量、熵和相關性四個參數。Tamura 紋理特徵基於人類對紋理的視覺感知心理學研究，提出6種屬性，即：粗糙度、對比度、方向度、線像度、規整度和粗略度。自回歸紋理模型（simultaneous auto-regressive, SAR）是馬爾可夫隨機場（MRF）模型的一種應用實例。

❷ 紋理分析的定義

紋理是一種普遍存在的視覺現象，當前對於紋理的精確定義還未形成統一認識，多根據應用需要做出不同定義．
定義1 按一定規則對元素（elements）或基元（primitives）進行排列所形成的重復模式.
定義2 如果圖像函數的一組局部屬性是恆定的，或者是緩變的，或者是近似周期性的，則圖象中的對應區域具有恆定的紋理．

❸ 幾種紋理分析演算法講ȧ

如果你要做你所說的東西的話，不用去考慮圖像格式的問題。因為你要做的東西，都只能在將各種格式轉換為灰度圖像後才能完成。
C/C++里沒有直接的這些庫，如果沒有規定話，可以考慮用matlab，這裡面關於圖像處理的庫非常完整，比如DCT變換，小波變換，邊界處理等等都有現成的函數，用起來也比C簡單且直觀。

❹ 什麼是紋理圖像

紋理圖像一般指圖像紋理,圖像紋理是一種反映圖像中同質現象的視覺特徵，它體現了物體表面的具有緩慢變化或者周期性變化的表面結構組織排列屬性。

紋理具有三大標志：某種局部序列性不斷重復、非隨機排列、紋理區域內大致為均勻的統一體。紋理不同於灰度、顏色等圖像特徵，它通過像素及其周圍空間鄰域的灰度分布來表現，即：局部紋理信息。局部紋理信息不同程度的重復性，即全局紋理信息。

不同於灰度、顏色等圖像特徵，紋理通過像素及其周圍空間鄰域的灰度分布來表現，即局部紋理信息。另外，局部紋理信息不同程度上的重復性，就是全局紋理信息。

紋理特徵體現全局特徵的性質的同時，它也描述了圖像或圖像區域所對應景物的表面性質。但由於紋理只是一種物體表面的特性，並不能完全反映出物體的本質屬性，所以僅僅利用紋理特徵是無法獲得高層次圖像內容的。

與顏色特徵不同，紋理特徵不是基於像素點的特徵，它需要在包含多個像素點的區域中進行統計計算。在模式匹配中，這種區域性的特徵具有較大的優越性，不會由於局部的偏差而無法匹配成功。

在檢索具有粗細、疏密等方面較大差別的紋理圖像時，利用紋理特徵是一種有效的方法。但當紋理之間的粗細、疏密等易於分辨的信息之間相差不大的時候，通常的紋理特徵很難准確地反映出人的視覺感覺不同的紋理之間的差別。

例如，水中的倒影，光滑的金屬面互相反射造成的影響等都會導致紋理的變化。由於這些不是物體本身的特性，因而將紋理信息應用於檢索時，有時這些虛假的紋理會對檢索造成「誤導」。

(4)經典紋理分析方法擴展閱讀：

紋理圖像分類

1、統計型紋理特徵。基於像元及其鄰域內的灰度屬性，研究紋理區域中的統計特徵，或者像元及其鄰域內灰度的一階、二階或者高階統計特徵。

統計型紋理特徵中以GLCM（灰度共生矩陣）為主，它是建立在估計圖像的二階組合條件概率密度基礎上的一種方法。GLCM主要描述在theta方向上，相隔d個像元距離的一對像元分別具有灰度值i和j的出現的概率。

盡管GLCM提取的紋理特徵具有較好的鑒別能力，但是這個方法在計算上是昂貴的，尤其是對於像素級的紋理分類更具有局限性。並且，GLCM的計算較為耗時，好在不斷有研究人員對其提出改進。

2、模型型紋理特徵。假設紋理是以某種參數控制的分布模型方式形成的，從紋理圖像的實現來估計計算模型參數，以參數為特徵或採用某種策略進行圖像分割，因此，模型參數的估計是這種方法的核心問題。

模型型紋理特徵提取方法以隨機場方法和分形方法為主。

3、信號處理型紋理特徵。建立在時域、頻域分析與多尺度分析基礎之上，對紋理圖像中某個區域內實行某種變換之後，再提取保持相對平穩的特徵值，以此特徵值作為特徵表示區域內的一致性以及區域間的相異性。

信號處理類的紋理特徵主要是利用某種線性變換、濾波器或者濾波器組將紋理轉換到變換域，然後應用某種能量准則提取紋理特徵。因此，基於信號處理的方法也稱之為濾波方法。大多數信號處理方法的提出，都基於這樣一個假設：頻域的能量分布能夠鑒別紋理。

4、結構型紋理特徵。基於「紋理基元」分析紋理特徵，著力找到紋理基元，認為紋理由許多紋理基元構成，不同類型的紋理基元、不同的方向及數目，決定了紋理的表現形式。

❺ 紋理分析的作用分析

對這種表面紋理的研究稱為紋理分析.它在計算機視覺領域有著重要的應用.
在機械工程中對機械零件加工表面的這種凹凸不平性開展研究同樣具有重要的實踐意義。 統計紋理分析尋找刻劃紋理的數字特徵，用這些特徵或同時結合其他非紋理特徵對圖像中的區域（而不是單個像素）進行分類。圖像局部區域的自相關函數、灰度共生矩陣、灰度遊程以及灰度分布的各種統計量，是常用的數字紋理特徵。如灰度共生矩陣用灰度的空間分布表徵紋理。由於粗紋理的灰度分布隨距離的變化比細紋理緩慢得多，因此二者有完全不同的灰度共生矩陣。
結構紋理分析研究組成紋理的基元和它們的排列規則。基元可以是一個像素的灰度、也可以是具有特定性質的連通的像素集合。基元的排列規則常用樹文法來描述。

❻ 目前常用的圖像 顏色、紋理、形狀處理方法有哪些

圖像處理軟體首選Photoshop，版本選9.0以上穩定版本就可以了，PS問題不大，不會經常出現軟體崩潰的問題。

PS使用：顏色可以調整色相、飽和度、亮度，如果是部分亮度調整就用曲線
紋理的處理就比較麻煩了，要通過各種濾鏡和圖層樣式的結合來做
形狀主要是通過透視、自由變換、拉伸等來改變。
估計你對PS也不熟悉，可以適當的了解一下，你問的問題范圍太大了，要來次知識普及？
建議你有時間看看教程吧

❼ 掌紋識別的掌紋紋理

掌紋可以被認為是無規則但在個體間獨一無二的一種紋理。有很多方法是針對紋理分析處理掌紋圖像的。如Gabor濾波[18~20]、小波變換[21~23]、傅立葉變換[24]和局部能量[25]等方法。與指紋相比，掌紋上有很多摺痕，Wu提取有向線能量特徵將這些摺痕特徵向量化[25]，用於掌紋識別。李文新通過傅立葉變換將掌紋圖像變換到頻域[24]，然後再將變換後的圖像分別計算R能量和 能量，最後通過分級匹配方法對提取的特徵進行匹配識別。
Kong等人將虹膜識別[26]中的基於二維Gabor的相位編碼方法用於掌紋圖像的特徵提取。該方法把Gabor濾波後的圖像進行相位編碼，稱作PalmCode，這樣在特徵向量中只保存了相位信息。由於這種演算法只採用了一個方向的Gabor濾波器提取掌紋圖像的特徵，掌紋圖像其他方向的信息丟失。文獻在這種演算法的基礎上進行改進，提出了採用4個方向的Gabor濾波器同時提取掌紋圖像的相位特徵，然後通過融合準則將這4個方向的相位特徵融合為一個，稱為FusionCode。這種演算法很好的利用了Gabor濾波器的方向性，使得演算法的正確識別率大大提高。但是，這種演算法需要計算4次Gabor濾波器與圖像的卷積運算，使得計算復雜度明顯增加。
採用紋理分析的方法處理掌紋圖像可以有效的避免圖像在空域中雜訊的影響，簡化甚至免去圖像預處理步驟。同時，採用紋理能量描述掌紋，除了空間位置外，還能夠利用紋線的粗細程度這一性質進行區分。這種方法能夠較好的保持掌紋圖像的類間區分性和類內緊湊性。

❽ 圖像的特徵提取都有哪些演算法

常用的圖像特徵有顏色特徵、紋理特徵、形狀特徵、空間關系特徵。

一 顏色特徵

（一）特點：顏色特徵是一種全局特徵,描述了圖像或圖像區域所對應的景物的表面性質。一般顏色特徵是基於像素點的特徵，此時所有屬於圖像或圖像區域的像素都有各自的貢獻。由於顏色對圖像或圖像區域的方向、大小等變化不敏感，所以顏色特徵不能很好地捕捉圖像中對象的局部特徵。另外，僅使用顏色特徵查詢時，如果資料庫很大，常會將許多不需要的圖像也檢索出來。顏色直方圖是最常用的表達顏色特徵的方法，其優點是不受圖像旋轉和平移變化的影響，進一步藉助歸一化還可不受圖像尺度變化的影響，基缺點是沒有表達出顏色空間分布的信息。

（二）常用的特徵提取與匹配方法

（1） 顏色直方圖

其優點在於：它能簡單描述一幅圖像中顏色的全局分布，即不同色彩在整幅圖像中所佔的比例，特別適用於描述那些難以自動分割的圖像和不需要考慮物體空間位置的圖像。其缺點在於：它無法描述圖像中顏色的局部分布及每種色彩所處的空間位置，即無法描述圖像中的某一具體的對象或物體。

最常用的顏色空間：RGB顏色空間、HSV顏色空間。

顏色直方圖特徵匹配方法：直方圖相交法、距離法、中心距法、參考顏色表法、累加顏色直方圖法。

（2） 顏色集

顏色直方圖法是一種全局顏色特徵提取與匹配方法，無法區分局部顏色信息。顏色集是對顏色直方圖的一種近似首先將圖像從 RGB顏色空間轉化成視覺均衡的顏色空間（如 HSV 空間），並將顏色空間量化成若干個柄。然後，用色彩自動分割技術將圖像分為若干區域，每個區域用量化顏色空間的某個顏色分量來索引，從而將圖像表達為一個二進制的顏色索引集。在圖像匹配中，比較不同圖像顏色集之間的距離和色彩區域的空間關系

（3） 顏色矩

這種方法的數學基礎在於：圖像中任何的顏色分布均可以用它的矩來表示。此外，由於顏色分布信息主要集中在低階矩中，因此，僅採用顏色的一階矩（mean）、二階矩（variance）和三階矩（skewness）就足以表達圖像的顏色分布。

（4） 顏色聚合向量

其核心思想是：將屬於直方圖每一個柄的像素分成兩部分，如果該柄內的某些像素所佔據的連續區域的面積大於給定的閾值，則該區域內的像素作為聚合像素，否則作為非聚合像素。

（5） 顏色相關圖

二 紋理特徵

（一）特點：紋理特徵也是一種全局特徵，它也描述了圖像或圖像區域所對應景物的表面性質。但由於紋理只是一種物體表面的特性，並不能完全反映出物體的本質屬性，所以僅僅利用紋理特徵是無法獲得高層次圖像內容的。與顏色特徵不同，紋理特徵不是基於像素點的特徵，它需要在包含多個像素點的區域中進行統計計算。在模式匹配中，這種區域性的特徵具有較大的優越性，不會由於局部的偏差而無法匹配成功。作為一種統計特徵，紋理特徵常具有旋轉不變性，並且對於雜訊有較強的抵抗能力。但是，紋理特徵也有其缺點，一個很明顯的缺點是當圖像的解析度變化的時候，所計算出來的紋理可能會有較大偏差。另外，由於有可能受到光照、反射情況的影響，從2-D圖像中反映出來的紋理不一定是3-D物體表面真實的紋理。

例如，水中的倒影，光滑的金屬面互相反射造成的影響等都會導致紋理的變化。由於這些不是物體本身的特性，因而將紋理信息應用於檢索時，有時這些虛假的紋理會對檢索造成「誤導」。

在檢索具有粗細、疏密等方面較大差別的紋理圖像時，利用紋理特徵是一種有效的方法。但當紋理之間的粗細、疏密等易於分辨的信息之間相差不大的時候，通常的紋理特徵很難准確地反映出人的視覺感覺不同的紋理之間的差別。

（二）常用的特徵提取與匹配方法

紋理特徵描述方法分類

（1）統計方法統計方法的典型代表是一種稱為灰度共生矩陣的紋理特徵分析方法Gotlieb 和 Kreyszig 等人在研究共生矩陣中各種統計特徵基礎上，通過實驗，得出灰度共生矩陣的四個關鍵特徵：能量、慣量、熵和相關性。統計方法中另一種典型方法，則是從圖像的自相關函數（即圖像的能量譜函數）提取紋理特徵，即通過對圖像的能量譜函數的計算，提取紋理的粗細度及方向性等特徵參數

（2）幾何法

所謂幾何法，是建立在紋理基元（基本的紋理元素）理論基礎上的一種紋理特徵分析方法。紋理基元理論認為，復雜的紋理可以由若干簡單的紋理基元以一定的有規律的形式重復排列構成。在幾何法中，比較有影響的演算法有兩種：Voronio 棋盤格特徵法和結構法。

（3）模型法

模型法以圖像的構造模型為基礎，採用模型的參數作為紋理特徵。典型的方法是隨機場模型法，如馬爾可夫（Markov）隨機場（MRF）模型法和 Gibbs 隨機場模型法

（4）信號處理法

紋理特徵的提取與匹配主要有：灰度共生矩陣、Tamura 紋理特徵、自回歸紋理模型、小波變換等。

灰度共生矩陣特徵提取與匹配主要依賴於能量、慣量、熵和相關性四個參數。Tamura 紋理特徵基於人類對紋理的視覺感知心理學研究，提出6種屬性，即：粗糙度、對比度、方向度、線像度、規整度和粗略度。自回歸紋理模型（simultaneous auto-regressive, SAR）是馬爾可夫隨機場（MRF）模型的一種應用實例。

三 形狀特徵

（一）特點：各種基於形狀特徵的檢索方法都可以比較有效地利用圖像中感興趣的目標來進行檢索，但它們也有一些共同的問題，包括：①目前基於形狀的檢索方法還缺乏比較完善的數學模型；②如果目標有變形時檢索結果往往不太可靠；③許多形狀特徵僅描述了目標局部的性質，要全面描述目標常對計算時間和存儲量有較高的要求；④許多形狀特徵所反映的目標形狀信息與人的直觀感覺不完全一致，或者說，特徵空間的相似性與人視覺系統感受到的相似性有差別。另外，從 2-D 圖像中表現的 3-D 物體實際上只是物體在空間某一平面的投影，從 2-D 圖像中反映出來的形狀常不是 3-D 物體真實的形狀，由於視點的變化，可能會產生各種失真。

（二）常用的特徵提取與匹配方法

Ⅰ幾種典型的形狀特徵描述方法

通常情況下，形狀特徵有兩類表示方法，一類是輪廓特徵，另一類是區域特徵。圖像的輪廓特徵主要針對物體的外邊界，而圖像的區域特徵則關繫到整個形狀區域。

幾種典型的形狀特徵描述方法：

（1）邊界特徵法該方法通過對邊界特徵的描述來獲取圖像的形狀參數。其中Hough 變換檢測平行直線方法和邊界方向直方圖方法是經典方法。Hough 變換是利用圖像全局特性而將邊緣像素連接起來組成區域封閉邊界的一種方法，其基本思想是點—線的對偶性；邊界方向直方圖法首先微分圖像求得圖像邊緣，然後，做出關於邊緣大小和方向的直方圖，通常的方法是構造圖像灰度梯度方向矩陣。

（2）傅里葉形狀描述符法

傅里葉形狀描述符(Fourier shape descriptors)基本思想是用物體邊界的傅里葉變換作為形狀描述，利用區域邊界的封閉性和周期性，將二維問題轉化為一維問題。

由邊界點導出三種形狀表達，分別是曲率函數、質心距離、復坐標函數。

（3）幾何參數法

形狀的表達和匹配採用更為簡單的區域特徵描述方法，例如採用有關形狀定量測度（如矩、面積、周長等）的形狀參數法（shape factor）。在 QBIC 系統中，便是利用圓度、偏心率、主軸方向和代數不變矩等幾何參數，進行基於形狀特徵的圖像檢索。

需要說明的是，形狀參數的提取，必須以圖像處理及圖像分割為前提，參數的准確性必然受到分割效果的影響，對分割效果很差的圖像，形狀參數甚至無法提取。

（4）形狀不變矩法

利用目標所佔區域的矩作為形狀描述參數。

（5）其它方法

近年來，在形狀的表示和匹配方面的工作還包括有限元法（Finite Element Method 或 FEM）、旋轉函數（Turning Function）和小波描述符（Wavelet Descriptor）等方法。

Ⅱ 基於小波和相對矩的形狀特徵提取與匹配

該方法先用小波變換模極大值得到多尺度邊緣圖像，然後計算每一尺度的 7個不變矩，再轉化為 10 個相對矩，將所有尺度上的相對矩作為圖像特徵向量，從而統一了區域和封閉、不封閉結構。

四 空間關系特徵

（一）特點：所謂空間關系，是指圖像中分割出來的多個目標之間的相互的空間位置或相對方向關系，這些關系也可分為連接/鄰接關系、交疊/重疊關系和包含/包容關系等。通常空間位置信息可以分為兩類：相對空間位置信息和絕對空間位置信息。前一種關系強調的是目標之間的相對情況，如上下左右關系等，後一種關系強調的是目標之間的距離大小以及方位。顯而易見，由絕對空間位置可推出相對空間位置，但表達相對空間位置信息常比較簡單。

空間關系特徵的使用可加強對圖像內容的描述區分能力，但空間關系特徵常對圖像或目標的旋轉、反轉、尺度變化等比較敏感。另外，實際應用中，僅僅利用空間信息往往是不夠的，不能有效准確地表達場景信息。為了檢索，除使用空間關系特徵外，還需要其它特徵來配合。

（二）常用的特徵提取與匹配方法
提取圖像空間關系特徵可以有兩種方法：一種方法是首先對圖像進行自動分割，劃分出圖像中所包含的對象或顏色區域，然後根據這些區域提取圖像特徵，並建立索引；另一種方法則簡單地將圖像均勻地劃分為若干規則子塊，然後對每個圖像子塊提取特徵，並建立索引。