基于灰度共生矩阵的织物纹理分析

以一种常见的织物纹理为对象,采用灰度共生矩阵的方法进行纹理分析.介绍了灰度共生矩阵的原理及其特征参数,讨论了纹理的灰度共生矩阵特征参数、像素距离以及图像灰度等级对灰度共生矩阵的影响,确定了区分此类正常织物与带疵点织物纹理的灰度共生矩阵构造方法.针对该类正常织物图像进行纹理分析,特征参数值统计,确定了正常织物纹理像素方向、像素距离以及图像灰度等级.取原始织物图像尺寸为128×128,生成灰度共生矩阵的最佳像素距离为2,经直方图均衡化后,最佳灰度等级为16.实验结果表明,按照该规则生成的6个灰度共生矩阵的特征参数,能够准确的判断此类织物图像是否存在疵点.     

基于综合灰度共生矩阵的显微细胞图像纹理研究

灰度共生矩阵法是图像纹理分析中一种十分重要的方法。由于受到方向性和细胞本身特性的影响,传统的灰度共生矩阵法不能完整描述显微细胞图像的纹理,运用综合灰度共生矩阵可以有效地解决这个问题。根据显微细胞图像特点,计算出6个由综合灰度共生矩阵导出的纹理特征参数,并对它们进行归一化处理。通过分析这些归一化纹理特征值,可以对细胞图像中各种细胞成分进行分类描述。     

一种基于图像纹理特征的波浪检测方法

针对无人水面艇视觉系统检测波浪问题,基于图像纹理特征,利用灰度共生矩阵的独立特征量,提出一种识别水面波浪等级的特征融合阈值法。该方法对波浪图像进行灰度级调整,计算灰度共生矩阵,提取其四个独立特征量,然后根据分析结果确定特征量权值并计算不同波浪等级的阈值,根据得到的阈值来检测波浪等级。实验表明,该方法适用于无人水面艇对周围波浪环境的检测,具有受光照条件影响较小的优点。     

基于模糊灰度共生矩阵与隐马尔可夫模型的断口图像识别

纹理通常由空间分布和灰度分布共同描述,灰度共生矩阵(GLCM)能兼顾二者,故广泛应用于纹理分析中。在计算GLCM时,为降低其维数,需对纹理图像进行灰度量化,这必然丢失部分图像信息。灰度量化时,由灰度值与量化区间中心值的不同距离,构造出相应的模糊隶属度函数,并定义了模糊灰度共生矩阵(FGLCM)。通过对断口图像FGLCM的14个特征统计量进行相关性分析,选择角二阶矩和熵等7个统计量作为特征参数,并验证了其有效性。最后,在4类典型断口图像的特征空间上,采用隐马尔可夫模型(HMM)进行分类识别。实践表明,FGLCM比已有的GLCM能更好地表征断口特性,且在HMM状态数为3时,断口分类的平均识别率可达98%。     

基于灰度共生矩阵的断口图像识别

研究断口图像的识别是进行失效分析的一个重要组成部分,但普遍存在识别率不高的问题,为了有效提高识别率,提出一种基于灰度共生矩阵的断口识别方法,方法采用灰度共生矩阵法对金属断口图像进行特征提取,利用可分性判据来确定能影响纹理特征参数的构造因子(生成步长d,图像灰度级g和生成方向θ),并通过相关性分析来排除在表达金属断口图像纹理中冗余的特征参数,最后采用BP神经网络分类器进行分类,并进行仿真。结果证明,根据上述方法,对金属断口图像的分类是可行的,并且识别率也达到了满意的要求。     

灰度共生矩阵纹理特征提取的Matlab实现

图像的特征提取是图像的识别和分类、基于内容的图像检索、图像数据挖掘等研究内容的基础性工作,其中图像的纹理特征对描述图像内容具有重要意义,纹理特征提取已成为目前图像领域研究的热点。文中深入研究了基于灰度共生矩阵（GLCM）的纹理特征提取方法,给出了基于Matlab的简便实现代码,分析了共生矩阵各个构造参数对构造共生矩阵的影响。分析结果对优化灰度共生矩阵的构造、实现基于灰度共生矩阵（GLCM）的特定图像的纹理特征提取等都具有重要参考意义。     

基于灰度共生矩阵的帘子布疵点检测研究

详细介绍了灰度共生矩阵的原理,讨论了帘子布的灰度共生矩阵像素点对方向、距离以及图像灰度等级对灰度共生矩阵的影响,确定了区分正常帘子布与带疵点帘子布的灰度共生矩阵的构造方法。对正常帘子布图像进行了纹理分析、特征参数统计,确定了正常帘子布像素方向、像素距离以及图像灰度等级。实验结果表明,按照上述规则生成的四个灰度共生矩阵的特征参数,能够准确地判断帘子布图像是否存在疵点。     

遥感图像分类中的灰度自相关约束共生矩阵

提出了一种提取图像纹理特征的新方法。该方法把具有反映灰度空间相关性和连续性的自相关矩阵引入灰度共生矩阵,构造了灰度自相关约束共生矩阵,更好的描述了图像灰度空间的变化特征和纹理的结构特征。实验证明该方法可以有效地提高遥感图像分类的精度,使分类效果得到很大的改善。     

行程长度纹理特征在SPOT遥感图像分类中的应用

将行程长度纹理特征与神经网络相结合应用于遥感图像分类中.在特征选择阶段采用类内、类间方差标准与Rough集相结合的方法挑选出有较强分类能力的特征并有效去除冗余特征.针对高分辨率、大尺度的SPOT全色遥感卫星图像,分别基于行程长度纹理特征、共生矩阵纹理特征、灰度-梯度共生矩阵纹理特征和灰度-平滑共生矩阵纹理特征,采用BP、RBF两种类型的神经网络以及最近邻分类算法(K-NN法)对其进行分类,并对分类结果进行对比.实验结果证明本文算法的有效性.     

纹理图像识别中的旋转不变性分析

在对纹理图像进行分类识别过程中,许多具有相同纹理特性的不同图像经常在方向上呈现多样性。这些图像应该被归为一类。针对这一问题,有许多方法可以得到旋转不变性特征,例如：几何矩,正交矩,灰度共生矩阵等,然而,前两种方法计算量很大,第三种方法效果也不令人满意。提出了一种基于灰度-梯度共生矩阵的方法来得到旋转不变特征量,并且提出了一种快速计算灰度-梯度共生矩阵的算法。实验表明利用灰度-梯度共生矩阵的方法得到旋转不变量的方法非常有效,快速计算灰度-梯度共生矩阵的算法也大大减小了计算量。     

综合灰度与纹理特征的高分辨率星载SAR图像建筑区提取方法研究

高分辨率SAR图像的纹理特性对于图像的解译及地物分类等具有重要的意义。根据高分辨率星载SAR图像上建筑区的纹理有别于其他地物的特点,提出了一种综合利用灰度和纹理特征的高分辨率星载SAR图像建筑区提取方法。首先对SAR图像进行斑点噪声的抑制,然后利用灰度共生矩阵计算出星载SAR图像上建筑区与非建筑区的8种纹理特征统计量,根据巴氏距离进行特征选择,并通过主成分分析去除纹理特征之间的相关性,得到了最佳纹理特征分量,将所选的特征影像与原始图像进行波段组合,利用K均值聚类算法对组合后的图像进行非监督分类;最后通过对分类图像进行后处理并提取外部轮廓,提取了建筑区。以COSMO-SkyMed SAR影像为数据源进行了实验。结果表明该方法能够有效提取高分辨率星载SAR图像中的建筑区,提取效果明显优于未利用纹理特征的方法。     

结合多特征和SVM的SAR图像分割

为实现灰度共生矩阵(GLCM)多尺度、多方向的纹理特征提取, 提出了一种结合非下采样轮廓变换(NSCT)和GLCM的纹理特征提取方法。先用NSCT对合成孔径雷达(SAR)图像进行多尺度、多方向分解; 再对得到的子带图像使用GLCM提取灰度共生量; 然后对提取的灰度共生量进行相关性分析, 去除冗余特征量, 并将其与灰度特征构成多特征矢量; 最后, 充分利用支持向量机(SVM)在小样本数据库和泛化能力方面的优势, 由SVM完成多特征矢量的划分, 实现SAR图像分割。实验结果表明, 基于NSCT域的GLCM纹理提取方法和多特征融合用于SAR图像分割, 可以提高分割准确率, 获得较好的边缘保持效果。     

基于模糊类别共生矩阵的纹理疵点检测方法

纹理图像中的不规则部分通常称为疵点。纹理通常由空间分布和灰度分布共同描述,由于灰度共生矩阵能兼顾二者,因此具有很好的描述纹理的能力,不过其对纹理的正常部分与不正常部分的区分能力仍然有限,且计算效率低。为克服灰度共生矩阵以上的不足,提出了一种用模糊类别共生矩阵的方法来检测不规则纹理。该方法首先通过学习纹理的基本特征,如纹理的灰度概率密度分布、纹理主方向和周期等来确定模糊类别共生矩阵的一些关键参数,并将灰度级划分为几个纹理色调类别;然后根据后验概率函数得出各个灰度级对每个色调类别的模糊隶属度,同时计算模糊类别共生矩阵,并提取一些更为简单的特征;最后利用异常点检测的方法,即可很好地区分正常纹理和疵点。实践证明,该方法不仅比已有的灰度共生矩阵方法更简单,计算效率更高,而且能更好地表示不规则纹理。     

基于双树复小波和灰度共生矩阵的遥感图像分割

提出了一种将双树复小波变换和灰度共生矩阵相结合描述遥感图像局部纹理特征并用于分割的方法。该方法采用双树复小波高频模值子带Gamma分布与Lognormal分布参数组合特征、灰度共生矩阵特征组成的联合纹理特征作为遥感图像每一像素特征,然后用Canberra距离进行相似性度量,最终通过聚类完成遥感图像分割。实验结果表明,该纹理特征提取方法可以有效地表征遥感图像的纹理,得到更为精确的遥感图像分割结果。     

板带材缺陷检测中的多特征优化组合方法研究

针对冷轧板带材常见表面缺陷图像识别的特点,提出了板带材表面缺陷多特征优化组合方法,该方法以直方图统计特征、小波变换特征、灰度共生矩阵特征、不变矩特征等4类特征共26维特征向量为基础,依据类间类内距离差的类别可分离性判据对特征进行优化,选出最优特征向量组合。对6类典型板带材表面缺陷进行实验,实验结果表明,采用多特征优化组合方法选择出的特征向量具有较好的分离效果,显著地提高了表面缺陷的识别率。     

基于SVM的SAR图像分类研究

支持向量机（SVM）是一种卓越的分类方法,灰度共生矩阵（GLCM）则是一种很好的纹理分析方法,而纹理是合成孔径雷达（SAR）图像分类的一个重要特征,故而提出了一种使用灰度共生矩阵进行特征提取的应用支持向量的SAR图像分类法。实验结果证明了支持向量机算法的可行性和有效性。     

基于统计法的纹理矢量周期描述

本文提出了纹理矢量周期的描述方法:T{θ,Tθ,Vθ},分别从八个方向上(即0°,45°,90°,135°,180°,225°,270°,315°)讨论纹理的周期性、方向性以及周期成分所占的比例等方面。提出了分析纹理周期的d-θ分析方法,比较全面地实现了对纹理周期描述和分析。针对纺织布的纹理特征,经过大量实验,筛选出能反映周期方向的5个特征参量和周期大小的4个特征参量。最后,在本文提出的纹理周期矢量描述方法和分析方法基础上,采用二值共生矩阵及其纹理特征实现对纺织布的纹理周期描述。结果表明,对于含有一定周期的纹理图像,采用本文纹理周期描述和分析方法,实现了比较全面的描述。和直接采用灰度共生矩阵进行分析相比,本文分析方法极大降低了计算量。