圖像紋理檢測與特征提取技術研究綜述

李秀怡

[摘 要] 圖像紋理作為圖像數據的重要信息，是符合人類視覺特征的重要信息之一。紋理檢測與特征提取是紋理分類與分割的基礎前提，可以應用到醫療、工業、農業、天文等多個領域，也是近幾十年來一個經久不衰的熱點研究。隨著圖像處理領域各種技術的發展，紋理特征分析提取方法也得到不斷創新。文章在對相關文獻進行調研的基礎上，敘述了紋理特征提取方法的發展歷程及研究現狀，并重點對近十年紋理特征提取方法進行了論述，最后指出了該領域的發展趨勢及問題。

[關鍵詞] 圖像紋理；特征提取；小波；支持向量機

doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2017. 23. 088

[中圖分類號] TP311 [文獻標識碼] A [文章編號] 1673 - 0194（2017）23- 0175- 04

1 引 言

隨著大數據時代的到來，相對于一般數據，圖像信息作為一種更直觀更形象的數據表現形式，其應用已經深入到醫學、工業、航空、農業等各行業領域中。而紋理作為圖像的重要特征之一，可以充分反映圖像的整體特征，因此也成為了諸多圖像后處理技術所必備的研究條件。但是，紋理的復雜多樣性使得研究者們對其分析和準確識別是非常困難。而解決這個困難的方法之一是對圖像提取紋理，然后對提取的紋理進行分析研究。這也是模式識別、圖像檢索、和計算機視覺等研究的基礎。在紋理研究的每個階段內，隨著國內外學者研究對圖像紋理提取模型及算法的不斷創新，以及紋理提取的廣泛的應用價值，促使著大家對這一領域進行更深入的研究。

2 紋理的基本定義及特性

目前，人們對紋理的精確定義還沒有完全統一，當前幾個類別的定義基本上按不同的應用類型形成相對的定義。一般認為，紋理是圖像色彩或者灰度在空間上的重復或變化形成紋理。通常，人們將組成紋理的基本單元稱為紋理基元或紋元（texture element）。

盡管關于紋理的定義尚未統一，但人們對紋理信息所具有的如下特性達成共識：

（1）紋理基元是紋理存在的基本元素，并一定是按照某種規律排列組合形成紋理；（2）紋理信息具有局部顯著性，通常可以表現為紋理基元序列在一定的局部空間重復出現； （3）紋理有周期性、方向性、密度、強度和粗糙程度等基本特征，而與人類視覺特征相一致的周期性、粗糙性和方向性也更多的被用于進行紋理分類； （4）紋理區域內大致是均勻的統一體，都有大致相同的結構。

紋理的分類有很多種，根據紋理定義域的不同，紋理可以分為二維紋理和三維紋理；根據紋理的表現形式不同，紋理可以分為結構型紋理和隨機性紋理。根據形成方式不同，可以分為自然紋理、人工紋理和混合紋理。

3 已有的綜述類文獻

截至目前，就圖像紋理特征提取方法進行全面論述的只有劉麗等人的“圖像紋理特征提取方法綜述”。該文章回顧了紋理特征提取方法的早期發展歷程，對截至到2009年這個時間節點的紋理特征研究現狀、分類模型以及提取方法進行了較為全面的綜述，并預測了該時間節點之后的發展趨勢。自此后至今尚未出現類似更新的全面綜述文章。本文重點梳理了近十年來在紋理特征提取技術的最新進展。

4 紋理特征提取研究現狀

4.1 國外

目前對紋理的分析研究已經近50年的歷史。從以前的發展來看，國外學者的研究主要集中在紋理特征提取方法的創新方面，也有算法的改進應用研究。

真正意義上的紋理研究是從20世紀80年代開始。當時出現的馬爾可夫隨機場（MRF）理論和分形（Fractal）理論為紋理特征研究開辟了新方向。許多國外學者基于這方面做出了開創性的研究成果。比較典型的是Chaudhuri和Sarker提出的簡單、快速并且具有高精度特性的差分計盒方法。這種方法也成為了后續研究者采用較多的一種方法。

自20世紀90年代開始，上述傳統的紋理研究方法出現了一個瓶頸，即無法從多尺度實現紋理特征的描述。1986年左右開始出現的小波理論研究熱潮，為更精細的紋理特征研究開辟了新思路。1989年，Mallat首先將小波理論應用于紋理分析中，隨后引發了基于小波分析的紋理研究熱潮。隨著小波理論不斷發展，出現了樹結構小波、小波框架以及小波包等多個分支。基于這些分支的圖像紋理研究也相應出現。比較典型的有Chang等人提出的基于樹結構小波的紋理分類方法，Unser研究的基于小波框架的紋理分類方法。這些研究成果的出現均在圖像紋理特征分析領域中起到了積極地推動作用。

進入21世紀后，研究者們針對紋理以及紋理特征的分析進入了相對成熟的階段，見圖1。比較典型的是Ojala等人在2002年提出的基于局部二進制模式（LBP）的紋理分析方法。該算法由于具有計算復雜度小、多尺度以及旋轉不變等特性而得到廣泛認可。

2010年，Shao-Hu Peng等人提出了一種基于均勻估計方法（Uniformity Ustimation Method）的紋理特征提取算法，并將該方法應用于胸部CT圖像中亮度和結構描述。2011年，Kemal IhsanKilic等人提出了一種利用分形尺寸和空隙度來提高紋理識別性能。Yeong-Yuh Xu等人提出了一種基于神經網絡的廣義概率決策實現紋理識別方法。2013年，Rodrigo Pereira Ramos等人提出了一種利用強度梯度的特征值分析和多分辨率分析實現具有旋轉不變性的紋理特征提取方法，用于圖像檢索。2015年，Tiecheng Song等人提出了一種基于局部量化模型，利用空頻域共生性來實現紋理表征的一種方法。Hadi Hadizadeh提出了一種利用多分辨率局部Gabor小波二進制模型來實現灰度級紋理描述方法。2016年，Liming Tang等人提出了一種多級變化分解模型來實現不同尺度下紋理特征的提取。Deepshikha Tiwari等人提出了一種使用多分辨率帶權邊型的局部結構模式實現動態紋理識別的方法。2017年，Jo？觀o Batista Florindo等人提出了一種使用離散薛定諤變換（Discrete Schroedinger Transform）進行紋理識別的方法。Shervin Rahimzadeh Arashloo等人提出了一種使用深多尺度卷積網絡來實現動態紋理表示的方法。

4.2 國內

近十年，國內學者在相關研究方向主要是改進各種算法，把某種具體方法應用于實際領域，論文發表如圖2所示。

由圖2可見，2005年之前，國內在紋理研究方面論文相對較少，在紋理特征提取方面更是寥寥。自2005年開始相關研究熱度有明顯上升，主要研究方向集中于基于信號處理、模型和統計等。本文從2005年開始，對紋理特征提取方面的主要文章進行梳理。

4.2.1 基于信號處理的方法

2005年，張志龍等人提出的利用局部沃爾什變換（Local Walsh Transform）提取圖像紋理特征的方法。尚趙偉等人提出的基于不同復小波變換方法的一階和二階統計矩（共生矩陣）特性來實現紋理特征提取的方法。葛曉菁等人提出的利用Gbaor小波變換與高斯歸一化的綜合方法來實現紋理特征提取的算法。王麗亞等人提出的利用紋理信息頻域分布以及尺度特性實現紋理特征提取的算法。陳洋、黃百鋼等人均提出的結合Gabor濾波和ICA技術進行紋理特征的提取方法。趙一凡等人提出的利用方向可控濾波器（steerable filter）和輪廓波（contourlet）分解的方向性及能量變化特性實現紋理特征提取方法。2009年，汪閩等人提出的基于模板分解與遞歸式濾波的遙感圖像快速Gabor紋理特征提取方法。劉明霞等人提出的基于非下采樣輪廓波（contourlet）變換的紋理特征提取方法。2010年，劉金平等人提出的基于Gabor濾波的泡沫圖像紋理特征提取方法。周平等人提出的基于小波分解的紋理特征提取方法。

4.2.2 基于統計的方法

張濤等人提出的基于多分辨率差分矩陣（Multi-resolution Difference Matrix）來提取紋理特征的方法。2006年，趙珊等人提出的基于方塊編碼（Block Truncation Coding）的圖像紋理特征提取算法。王耀南等人提出的基于分形維數的圖像紋理分析方法。趙瑩等人提出的基于分形理論的多尺度多方向紋理特征提取方法。2011年，唐朝暉等人提出的基于LBPV（local binary pattern variance）的泡沫圖像紋理特征提取方法。2012年，王國德等人提出的融合LBP和GLCM的紋理特征提取方法。周書仁等人提出的基于Haar特性局部二值模式（Haar local binary pattern，簡稱 HLBP）的圖像紋理特征提取方法。2014年，何楚等人提出的基于局部重要性采樣二進編碼的圖像紋理特征描述方法，并將該方法應用于合成孔徑雷達（Synthetic aperture radar， SAR）圖像的紋理特征提取。喬雙等人提出的新型的快速紋理提取算法C-LBP來實現射線圖像的紋理特征提取。

4.2.3 基于模型的方法

李杰等人提出的基于Wold模型和支持向量機的紋理識別方法，有效解決了方向和尺度變化給紋理識別帶來的困難。華淼等人提出的基于多尺度網格劃分及直方圖分析的主紋理提取方法。

4.2.4 基于結構的方法

2013年，陳寧等人提出的基于顏色共生混合結構（color co-occurrence hybrid structure， CCHS）的浮選泡沫圖像紋理特征提取方法。黃穎等人提出的基于代數多重網格（AMG）分析提取紋理特征的方法。賈建華等人提出的基于質心不變特性（Invariant Centroid）的仿射不變紋理特征提取算法。

4.2.5 其他

2015年，梅浪奇等人提出的基于多特征的紋理特征提取算法，該方法主要通過將基于灰度共生矩陣算法、基于局部二值模式算法和基于小波變換算法所提取的特征進行融合進而實現紋理特征提取。

5 紋理特征提取算法的評價指標

目前針對紋理特征提取方法性能評估標準的研究文獻還鮮有出現，一方面是因為各種算法之間的比較工作確實很難進行，另一方面也是因為當然還沒有一個或幾個公認統一的指標作為評價算法有效性的共性標準。

現有的對算法的實用性和有效性比較，主要是從算法的魯棒性、與人眼視覺感受的差異度、提取紋理特征過程的計算復雜度、提取的紋理特征的特征分離度、在紋理分類與分割中的分類正確率幾方面進行。而現有各類算法在各類指標性能評價上各有優劣。

6 紋理特征提取發展趨勢及未來主要問題

紋理分析作為圖像處理領域經久不衰的熱點研究領域，學術界在該領域已取得一定的成功。迄今為止，在基于統計、模型、信號處理和結構等方面雖然已經出現了很多提取圖像紋理特征的方法，但是它們在現有的各種性能評價指標上無法同時實現理想化效果，而往往人們也只能根據自身實際應用的需求，去選擇相對更適合的紋理提取方法。

總結對紋理特征提取方法的研究，本文認為存在如下一些亟待解決的問題：

大多數紋理特征提取方法主要是以方法本身和實驗性研究為主，在視覺可區分的紋理上進行實驗和驗證，并且針對紋理邊緣相對簡單的圖像，而對于含有多種紋理類型的復雜的邊界問題的研究較少，此外對視覺上是不可區分的紋理的研究和實驗也不多見。許多算法應用于測試圖像還可以取得較好的效果，但是應用到實際的、大尺寸的圖像，卻還存在一定問題。

而在實際研究中，巧妙的對基礎算法進行改進或組合，已達到更理想的效果，也是紋理分析的一個重要研究方向。

主要參考文獻

[1]王耀南，王紹源，毛建旭. 基于分形維數的圖像紋理分析[J].湖南大學學報：自然科學版，2006，33（5）.

[2]陳洋，王潤生. 結合Gabor濾波器和ICA技術的紋理分類方法[J].電子學報，2007（2）.

[3]賈建華，焦李成，黃文濤. 一種基于質心不變特性的仿射不變紋理特征提取算法[J].電子學報，2008（10）.

[4]黃百鋼，李俊山. 應用 ICA 濾波器技術提取圖像紋理特征[J].光電工程，2008，35（6）.

[5]汪閩，張星月.基于模板分解與遞歸式濾波的遙感圖像快速Gabor紋理特征提取[J].測繪學報，2009，38（6）.

[6]劉明霞，侯迎坤，郭小春，等.新的紋理圖像特征提取方法[J].計算機應用，2009（12）.

[7]劉金平，桂衛華，牟學民，等. 基于Gabor小波的浮選泡沫圖像紋理特征提取[J].儀器儀表學報，2010，31（8）.

[8]周平，李傳富，符志鵬.基于小波分解的腦CT圖像紋理特征提取[J].儀器儀表學報，2010，31（3）.

[9]唐朝暉，朱楚梅，劉金平. 基于LBPV的浮選泡沫圖像紋理特征提取[J].計算機應用研究，2011，28（10）.

[10]華淼，陳昕，王文成. 簡捷的主紋理提取方法[J].計算機輔助設計與圖形學學報，2011，21（1）.

[11]王國德，張培林，任國全，等. 融合LBP和GLCM的紋理特征提取方法[J].計算機工程，2012，38（11）.

[12]陳寧，林霞，桂衛華，等. 基于 CCHS 的浮選泡沫圖像紋理特征提取[J].中南大學學報：自然科學版，2013，44（11）.

[13]周書仁，殷建平. 基于Haar特性的LBP紋理特征[J].軟件學報， 24（8）：1909-1926.

[14]黃穎，李偉生，周麗芳，等. 使用圖割方法提取圖像的紋理特征[J].計算機工程與應用，2013，49（11）.

[15]何楚，尹莎，許連玉，等. 基于局部重要性采樣的 SAR 圖像紋理特征提取方法[J].自動化學報，2014，4（2）.

[16]梅浪奇，郭建明，劉清. 基于多特征的紋理特征提取方法研究與應用[J].交通信息與安全，2015，33（2）.

[17]喬雙，李健，孫佳寧. 射線圖像的快速紋理提取算法[J].原子能科學技術，2015，33（5）.