论文部分内容阅读
纹理作为图像的重要特征,应用在医学,遥感等多个领域。纹理分类研究涉及统计方法,结构方法和模型方法,提取有区分能力的纹理特征是实现上述方法的重要手段。现有的纹理分类方法,不仅不能对所有种类纹理图像实现精确分类(尤其是在纹理边界处),而且大多不具有旋转不变性。现有的基于K-Views的纹理分类方法,都是将View作为纹理图像分类的最小单位,以特征子图像表征一类纹理。
本文提出了一种基于旋转不变性特征的新的K-Views纹理分类方法,首先,该方法定义了均值,标准差,熵,峰度,斜度和直方图等6个统计特征,并对其进行组合,构成归一化特征向量,即“旋转不变性特征”。其次,为最大程度地保留每类纹理的原始信息,新的K-Views方法随机选取K个子图像 作为特征子图像,不像已有的基于K-Views的纹理分类方法采用K-Means等聚类方法来提取特征子图像。最后,考虑到包含当前待分类像素的子图像不止一个,所有包含当前待分类像素的子图像都有权利决定该像素属于哪个纹理类,所以,提出由所有包含当前待分类像素的子图像共同决定该像素所属的纹理类别。通过采用Brodatz数据库,构造出复杂程度不同的多幅纹理图像,使用K-View-Datagram方法、K-View-Template方法及新的K-View方法,作对比实验,结果表明,新的K-Views方法比其它方法具有更高的分类精度,且鲁棒性更强。最后,通过实验验证了新的K-View方法具有旋转不变性。