论文部分内容阅读
纹理图像分割是图像处理技术的研究难点之一,在计算机视觉、模式识别等诸多领域内都是一个重要的研究内容。其基本原理是根据纹理图像中同类纹理的区域内一致性与不同纹理间的差异性,将纹理图像分割成具有均质性的不同区域。而体现同类纹理区域内一致性及不同纹理间差异性的方法之一,则是通过特征值来描述纹理,利用特征值间的一致性及差异性区分纹理。所以,纹理图像的分割的关键问题就集中在提取纹理的特征值及对特征值所构成的特征空间的聚类分析上。本文主要研究的内容就是这两点,并将其用于实际的纹理图像分割中。具体工作如下:第一,详细分析了灰度共生矩阵(Gray Level Co-occurrence Matrix, GLCM)这一经典的纹理特征提取算法,从其基本原理上出发,分析了构建过程中所涉及到的各个参数的作用,通过实验分析各个参数取值变化对纹理特征提取的影响,分析实验结果,确定各参数的最佳取值范围并注明了算法中的不足之处;第二,引入局部二值模式(Local Binary Pattern, LBP),分析了LBP算子各种变型的基本原理,利用LBP算子的均匀模式融合灰度共生矩阵来提取纹理特征,设计实验,通过对Brodatz纹理库中的纹理图像进行分类,证明了该纹理特征提取方法的有效性,确定了其中的参数取值,并克服了单纯的应用灰度共生矩阵提取纹理特征中,因参数取值问题导致的相关问题;第三,详细分析了模糊C均值聚类算法的基本原理,该算法的作用是对特征空间进行聚类分析;第四,结合排列组合熵、灰度共生矩阵、局部二值模式组成了一种新的纹理图像分割算法。采用融合LBP算子及灰度共生阵的算法来提取纹理特征,取角二阶矩、对比度、熵及逆差距作为特征值,结合不同方向上排列组合熵构建一个多维特征向量,构成特征空间。利用模糊C均值聚类算法及分开-合并算法下对特征空间进行聚类分析,在纹理内部采用较大的分割单元分析,将分析结果通过一定策略传递到较小的分割单元上并确定不同纹理的交界处,采用较小的分割单元在不同纹理交界处分析纹理特征并与初分割结果相结合,最终得到纹理图像分割结果。本文通过实验,证明了该算法的有效性,并给出了相对应的精度评价。