灰度共生矩阵提取纹理特征的实验结果分析

为使灰度共生矩阵(GLCM)提取的特征值较好地表达纹理信息,对Brodatz纹理库图片进行了大量实验。首先测试了各构造参数对关键特征统计量的影响,给出了特征值随参数变化的规律,确立了构造参数的合理取值;然后测试了图像旋转和大小变化对所提取特征值的影响。实验结果对优化灰度共生矩阵的构造、实现基于纹理的图像检索有参考意义。     

灰度共生矩阵检索纹理图像的算法研究

图像的特征提取和匹配是基于内容的图像检索技术的基础.针对典型纹理图像的检索问题,给出了共生矩阵特征统计量的合理提取方法.在此基础上,结合特征匹配技术实现了基于共生矩阵的纹理图像检索系统.测试了不同度量函数以及不同的特征统计组合对检索结果的影响.研究表明,提取共生矩阵的四参数,用加权街区距离进行图像匹配,可获得相对较好的检索效果.     

基于灰度共生矩阵的火焰图像纹理特征分析

早期火灾是从无到有的发生发展过程,在这一过程中,火焰的纹理特征也会随之产生快速上升或下降,并出现大幅度抖动的现象.本文采用灰度共生矩阵分析法和MATLAB仿真工具,综合分析火焰以及台灯、目光灯、晃动的蜡烛等干扰物在能量、熵、惯性矩和局部平稳性四个主要方面的纹理特征,得到干扰物纹理特征与火焰纹理特征变化规律的异同,为进一步使用神经网络进行火灾图像探测时纹理特征参数判据的确定提供依据.     

一种基于颜色基元共生矩阵的图像检索方法

提出一种结合图像颜色连通区域信息及其纹理特征的图像检索新方法。对图像进行分块,确定图像中的颜色连通区域集,提取图像中各颜色连通区域对应的4种颜色基元共生矩阵特征,针对该特征设计的图像相似性度量函数实现基于内容的图像检索。实验结果表明,该方法能有效地结合图像的纹理信息及其颜色构成和分布信息,具有良好的检索效果和性能。     

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。     

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.     

软阈值共生矩阵的图像纹理检索

利用软阈值和循环共生矩阵技术,对经典共生矩阵算法进行了改进。在不影响检索效果的情况下,检索效率大为提高,改进了经典算法的性能。     

基于灰度共生矩阵的图像纹理特征提取分析

图像纹理作为一种重要的视觉手段,是图像中普遍存在而又难以描述的特征。目前常用的纹理特征提取的方法主要有统计方法、模型方法、信号处理方法和结构方法。灰度共生矩阵即为灰度级的空间相关矩阵,以其为基础的统计方法通过对矩阵统计量的求取较好地提取到了纹理特征,通过选取关键参数编程并进行仿真实现,分别求取了四个方向的灰度共生矩阵及其特征量来分析图像的纹理特征。     

基于颜色基元共生矩阵的旋转图像检索

为提高旋转图像的检索准确率,引入颜色基元共生矩阵,提出一种新的旋转图像检索方法。设计8种具有旋转不变性的基元结构描述符,得到基元过渡矩阵(MEM)和基元平均矩阵(MAM)用于描述图像的纹理和颜色特征,并在MEM和MAM的基础上,运用统计学方法获取基元序列和对应颜色值出现的频数,最终得到8×8×72的颜色基元共生矩阵作为原始图像和旋转图像的特征矩阵。选取Corel标准图像库进行实验,结果表明,与CMM,M&D,SITF,SED,CDH等图像检索方法相比,该方法具有较高的检索准确率。     

基于分块颜色矩和灰度共生矩阵的图像检索

颜色和纹理是描述图像内容的两个重要视觉特征,提出了一种基于分块颜色矩和灰度共生矩阵相结合的图像检索方法。根据图像背景内容的差异,将图像分成大小相等的子块,通过HSV颜色空间非均匀量化,计算子块的颜色矩来描述图像的局部颜色特征。整体图像采用灰度共生矩阵作为其纹理特征。结合两者采用加权欧式距离计算图像相似度,从实验结果中得出该检索方法的有效性。     

Multi-spectral Texture Segmentation Based on the Spectral Cooccurrence Matrix

Multi-spectral images are becoming more common in industrial inspection tasks where the colour is used as a quality measure. In this paper we propose a spectral cooccurrence matrix-based method to analyse multi-spectral texture images, in which every pixel contains a measured colour spectrum. We first quantise the spectral domain of the multi-spectral images using the Self-Organising Map (SOM). Next we label the spectral domain according to the quantised spectra. In the spatial domain, we represent a multi-spectral texture using the spectral cooccurrence matrix, which we calculate from the labelled image. In the experimental part of this paper, we present the results of segmenting natural multi-spectral textures. We compared the k-nearest neighbour (k-NN) classifier and the multilayer perceptron (MLP) neural network-based segmentation results of the multi-spectral and RGB colour textures. Received: 15 September 1998, Received in revised form: 25 January 1999, Accepted: 22 March 1999     

图像纹理特征新定义

为了更好地描述图像的纹理特征,定义了灰度-基元共生矩阵.该矩阵将描述纹理特征的统计方法和结构方法结合起来,描述图像的灰度分布情况,具有一定的旋转不变性.为了减少共生矩阵的计算量,采用了正规化处理方法.     

一种改进的颜色共生矩阵纹理描述符

利用模糊连续三角模运算定义的相似性度量描述彩色图像中像素点之间的差异程度,提出一种改进的颜色纹理特征描述符。该描述符首先将彩色图像多通道颜色信息按照间隔距离和方向进行有效融合并转换为伪灰度图像,然后再用灰度共生矩阵法提取图像的纹理特征矢量。在基于内容的图像检索测试平台上完成的实验表明,改进的纹理描述符所需特征矢量的维数与灰度共生矩阵描述符相同,而描述能力却能与各类颜色共生矩阵描述符相当,有效地实现了图像中纹理和颜色特征融合提取,提高了图像检索性能。     

基于纹理的图像检索

基于特征的图像检索在多媒体数据库管理和多媒体通信传输中得到越来越多的重视。介绍了基于纹理特征的特征提取方法 ,并对提取出的特征进行维数缩减。对真实图像库的检索实验表明 ,用此方法检索出的图像更符合人的视觉特性。     

灰度-梯度共生矩阵纹理分析方法

本文提出用灰度-梯度共生矩阵模型对图象的纹理进行分析和鉴别.由此模型计算出十五个纹理参数.在482个五类白血球样本上用这些纹理参数分类的识别率为77.8%.     

基于改进双树复小波和灰度-梯度共生矩阵的纹理图像检索算法

针对双树复小波变换缺少不同尺度纹理的空间分布特征的缺陷,提出了一种改进双树复小波和灰度-梯度共生矩阵相融合的纹理图像检索新算法。首先,该算法将图像进行非均匀分块,并对分块的图像进行双树复小波变换,以此增加不同尺度下的空间信息;其次,利用灰度-梯度共生矩阵提取4个统计量特征;然后, 融合 两种方法提取的纹理特征以得到图像检索的纹理特征;最后,用Canberra距离进行相似性度量并输出图像检索的结果。实验结果表明,该方法对纹理图像有较好的检索效果。     

基于小波分解和灰度共生矩阵的纹理图像检索

采用Daubechies4小波对图像进行三层Mallat塔式分解,取每个分解层次上的每个子带图像的能量,加入在低频子带上提取的灰度共生矩阵统计量,来形成最终的特征向量以提高检索精度.