基于多尺度方向分解的紋理特征提取方法研究

郭恒光 朱默 趙亮

摘 要：為了有效提取圖像的紋理特征，充分利用紋理的方向性以及紋理在不同方向具有不同頻率成分這兩個特性，提出了基于多尺度方向分解的紋理特征提取方法。首先根據Radon變換的方法檢測紋理方向，Radon變換各角度投影向量方差的二階導數最小值對應的投影角度即為紋理方向。然后根據得到的圖像紋理方向信息，利用可控金字塔將圖像沿紋理方向進行三個尺度的分解，得到紋理方向上圖像的多尺度子帶圖像。最后以三個尺度子帶圖像的Legendre矩和Zernike矩作為圖像的紋理特征。分別在Brodatz和VisTex數據集上進行實驗驗證，與其他方法的對比結果表明，采用多尺度分解的方法提取紋理，用于紋理圖像識別時，識別準確率高，抗噪聲能力強。

關鍵詞：方向分解; 可控金字塔變換;紋理特征

中圖分類號：TP391 ? ? ?文獻標識碼：A

Abstract：In order to extract the texture feature of the image effectively， the texture feature extraction method based on multiscale orientation decomposition was proposed， which can make full use of the texture orientation and the property that the texture has different frequency component at different orientation. Firstly， the texture orientation was detected by the Radon transform， the projection angle corresponding to the minimum second derivative value of the projection vector variance of the Radon transform at different angle is the orientation of the texture. Secondly， according to the texture orientation information of image， the steerable pyramid transform was used to decompose the image multiscale along the texture orientation， and the multiscale subband of the image can be obtained at the texture orientation. At last， the Legendre moment and the Zernike moment of each scale subband image were used as the texture feature of the image. The proposed method was verified in the Brodatz and VisTex datasets. Compared with other methods， the results show that the proposed method can reach the higher correct classification rate， and has stronger anti-noise ability.

Key words：orientation decomposition; steerable pyramid transform; texture feature extraction

紋理是圖像的一個非常重要的特征，在圖像識別[1-4]、圖像檢索[5-8]以及圖像匹配[9-12]等領域起著重要的作用。對圖像紋理進行特征描述就是研究紋理的特點，描述紋理的本質特征，進而實現根據紋理特征對圖像進行識別等目的。紋理是有方向性的，紋理的方向性是表達紋理的一種重要特征[13-14]，而且沿不同方向紋理所包含的頻率成分是不同的[15]。文獻[16]的方法是在采用Radon變換檢測紋理方向的基礎上，將圖像根據紋理方向進行旋轉，然后對旋轉后的圖像進行小波變換，最后以各子帶圖像的能量和不一致性作為紋理特征;文獻[17]的方法是對紋理圖像進行多尺度和多方向的Gabor變換，以Gabor變換后圖像能量的均值和標準差作為紋理特征;文獻[18]的方法對紋理圖像進行多尺度和多方向的Gabor wavelet變換，以變換后圖像的能量的均值和標準差作為紋理特征向量。在此基礎上本文利用可控金字塔變換[19]，提出了基于多尺度方向分解的紋理特征提取方法。

可控金字塔變換是由Simoncelli和Freeman在方向可控濾波器理論[20]的基礎上提出的一種圖像的線性多分辨率分析方法，可以將圖像分解為不同尺度和不同方向。與傳統的金字塔分解和小波分解相比較，可控金字塔變換將圖像的尺度信息和局部信息相結合，不僅保留了緊致集正交小波的特點，而且子帶方向具有可調節性。通過對特征空間進行一些操縱，可以實現旋轉不變性，這些性質是大部分小波變換所不具備的。

本文方法對圖像進行多尺度方向分解時，首先確定圖像紋理方向，然后根據得到的圖像紋理方向信息，利用可控金字塔將圖像沿紋理方向進行多尺度分解，得到圖像在紋理方向上的多尺度子帶圖像。計算各尺度子帶圖像的Legendre矩和Zernike矩，以矩特征作為圖像的紋理特征。

1 可控金字塔變換

1.1 可控濾波器

由圖1可以看出，可控金字塔分解首先通過高通濾波器H0和低通濾波器L0將圖像分解為高通子帶和低通子帶，采用k個方向帶通濾波器B0，B1，…，Bk-1和一個窄帶低通濾波器L1將低通子帶分解為k個方向的帶通子帶和一個低通子帶，然后對低通子帶進行下采用操作，下一級分解通過對下采樣后的低通子帶應用B0，B1，…，Bk-1和L1進行遞歸分解。

2 圖像多尺度方向分解

本文對圖像進行多尺度方向分解時，首先根據Radon變換的方法確定圖像紋理方向，然后根據得到的圖像方向信息，利用方向可控濾波器組將圖像沿紋理方向進行多尺度分解，得到紋理方向上多個尺度的子帶圖像。

2.1 紋理方向檢測

本文根據Radon變換的方法檢測紋理方向[21]，首先在若干角度對圖像進行Radon變換，然后計算Radon變換各投影角度投影向量的方差，最后根據各角度投影向量方差的二階導數確定紋理方向，二階導數最小值對應的投影角度即為紋理方向。

如圖2（b）所示，檢測出的圖2（a）所示紋理圖像的紋理方向為91度，與圖像紋理的實際方向比較相符。

4 實驗結果與分析

4.1 實驗設計

為了有效評價所提出的紋理特征提取算法的有效性，將本算法與其他文獻的方法進行比較，選取的紋理圖像集為在文獻[25]中所使用的兩種紋理數據集。

第一個數據集是根據Brodatz紋理集中所有的112種紋理圖像得到的，將Brodatz紋理集中各紋理圖像以10°為間隔，旋轉10°到360°，從旋轉后的紋理圖像的中心提取大小為256×256的子圖像作為第一個數據集的樣本，則第一個數據集共包含112×36=4032幅紋理圖像，稱之為Brodatz數據集。部分Brodatz數據集紋理圖像如圖6（a）所示。

第二個數據集根據VisTex紋理集中的54種紋理圖像得到的，每幅紋理圖像大小為512×512，將每幅圖像分為四個不相重疊的，大小為256×256的子圖像，以10°為間隔，旋轉10°到160°，然后從旋轉后的子圖像中提取大小為128×128的子圖像，共得到54×4×16=3456幅圖像，稱之為VisTex數據集。部分VisTex數據集紋理圖像如圖6（b）所示。

本文實驗中，參與比較的紋理特征提取方法包括：文獻[16]的方法，文獻[17]的方法和文獻[18]的方法。

4.2 實驗過程

為了綜合評價各紋理特征提取算法的性能，本文中進行兩組實驗，實驗一是在原始數據集上進行的，實驗二是在添加高斯白噪聲的數據集上進行的。在實驗二中，為了評價各紋理特征提取算法的抗噪聲干擾能力，在Brodatz數據集和VisTex數據集的每幅紋理圖片上添加均值為0，信噪比（SNR）由20變化到10的高斯白噪聲。為了便于對各種方法進行比較，采用各種紋理特征提取方法進行紋理識別時，分類器采用k近鄰法，用留一法交叉驗證各紋理特征提取方法的性能，以識別準確率作為評價指標。

4.3 實驗結果與分析

實驗一的結果如表1所示。由表1所示的實驗一的實驗結果可以看出，本文的方法在兩個數據集上的識別準確率要明顯高于其他三種方法，文獻[17]的方法由于只采用Gabor變換后圖像能量的均值和方差作為紋理特征，沒有考慮圖像旋轉的問題，因此識別準確率較低，文獻[16]的方法和文獻[18]的方法所提取的特征由于都具有旋轉不變性，因此識別率均比文獻[17]的方法要高。

圖7為實驗二的實驗結果，圖7（a）和（b）分別是在Brodatz數據集和VisTex數據集上的實驗結果。由圖7（a）和（b）的對比可以看出，隨噪聲水平的增加，各算法識別準確率在Brodatz數據集和VisTex數據集上的變化趨勢大致相同，文獻[17]的方法抗噪能力最差，隨著噪聲水平的增加，在兩個數據集上識別準確率變化都比較大;文獻[16]的方法、文獻[18]的方法和本文的方法在兩個數據集上隨著噪聲水平的增加，識別準確率的變化都比較小，本文的方法抗噪能力稍微優于文獻[16]的方法和文獻[18]的方法。

由以上兩個實驗看出，提出的基于多尺度方向分解的紋理特征提取方法不僅識別準確率高，而且抗噪聲能力也強。

5 結 論

針對圖像紋理特征提取的問題，提出了基于多尺度方向分解的紋理特征提取方法，能夠充分利用紋理的方向性以及紋理在不同方向具有不同頻率成分這兩個特性。在確定圖像紋理方向的基礎上，利用可控金字塔變換將圖像沿紋理方向進行多尺度分解，可控金字塔變換結合了圖像的尺度信息和局部信息，而且具有旋轉不變性。最后，以各尺度子帶圖像的Legendre矩和Zernike矩作為圖像的紋理特征。在Brodatz數據集和VisTex數據集上的實現表明，本方法不僅識別準確率高，而且抗噪聲能力也強。

參考文獻

[1]王雷宏， 陳永生， 鄭玉紅. 基于葉片數字紋理特征自動識別胡頹子屬植物[J]. 中國農學通報，2020，36（11）：20-25.

[2]陳雪鑫， 孫玥， 苗圃，等. 基于多級紋理特征的深度信念網絡人臉識別算法[J]. 計算機應用與軟件，2020，37（4）：156-163.

[3]李巨虎， 范睿先 ，陳志泊. 基于顏色和紋理特征的森林火災圖像識別[J]. 華南理工大學學報（自然科學版），2020，48（1）：70-83.

[4]黃興華， 葉軍一， 熊杰. 基于紋理特征融合的道路垃圾圖像識別及提取[J]. 計算機工程與設計，2019，40（11）：3212-3218.

[5]秦智康， 張衡陽. 基于變換域中的自適應紋理圖像檢索[J]. 液晶與顯示，2020，35（3）：281-286.

[6]彭金喜， 蘇遠歧， 薛笑榮. 基于深度學習和同生矩陣的SAR圖像紋理特征檢索方法[J]. 計算機科學，2019，46（S1）：196-199.

[7]蘭蓉， 郭思忱， 賈世英. 基于紋理與形狀特征融合的刑偵圖像檢索算法[J]. 計算機工程與設計，2018，39（4）：1106-1110.

[8]蘭蓉， 馬威. 基于改進紋理特征的現堪圖像檢索算法[J]. 西安郵電大學學報，2019，24（4）：36-42.

[9]程詩夢， 周之平， 李忠民. 結合多維定標和局部紋理特征的改進SIFT匹配算法[J]. 計算機工程與設計，2017，38（11）：3087-3092.

[10]朱慶， 陳崇泰， 胡翰，等. 顧及紋理特征的航空影像自適應密集匹配方法[J]. 測繪學報，2017，46（1）：62-72.

[11]陳寧， 楊永全. 基于紋理特征匹配的快速目標分割方法[J]. 電子設計工程，2017，25（23）：39-42.

[12]郭令， 趙博， 刁海南. 一種改進的指紋紋理匹配算法[J]. 計算機工程與應用，2006，42（32）：180-182.

[13]余道喜. 紋理方向檢測的光學實現方法研究[D]. 重慶： 重慶大學， 2016.

[14]王震， 王執銓， 茅耀斌. 基于紋理方向的描述和對具有方向性圖象的分類與分割[J]. 中國圖象圖形學報，2002，7（12）：1279-1283.

[15]PAN W M， BUI T D， SUEN C Y. Rotation invariant texture classification by ridgelet transform and frequency-orientation space decomposition[J]. Signal Processing， 2008，88（1）：189-199.

[16]JAFARI K， SOLTANIAN Z H. Radon transform orientation estimation for rotation invariant texture analysis[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2005，27（6）：1004-1008.

[17]BIANCONI F， FERNANDEZ A. Evaluation of the effects of Gabor filter parameters on texture classification[J]. Pattern Recognition， 2007，40（12）：3325-3335.

[18]ARIVAZHAGAN S L. GANESAN S P. Texture classification using Gabor wavelets based rotation invariant features[J]. Pattern Recognition Letters， 2006，27（16）：1976-1982.

[19]SIMONCELLI E P， FREEMAN W T. The steerable pyramid： a ?flexible architecture for multi-scale derivative computation[C]// Proceedings of 1995 International Conference on Image Processing，1995：444-447.

[20]FREEMAN W T， SIMONCELLI E P， ADELSON E.H. The design and use of steerable filters[J]. IEEE Transactions on Pattern Recognition and Machine Intelligence，1991，13（9）：891-906.

[21]JAFARI K K， SOLTANIAN Z H. Radon transform orientation estimation for rotation invariant texture analysis[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2005，27（6）：1004-1008.

[22]HU M K. Visual pattern recognition by moment invariants[J]. IEEE Transactions Information Theory，1962，8（1）：179-187.

[23]TEAGUE M. Image analysis via the general theory of moments[J]. Journal of Optimal Society of America，1980，70（8）：920-930.

[24]張輝.矩的快速算法研究和不變量構造及應用[D]. 南京：東南大學，2006.

[25]WANG X， GUO F X， XIAO B， et al. Rotation invariant analysis and orientation estimation method for texture classification based on radon transform and correlation analysis[J]. Journal of Visual Communication and Image Representation，2010，21（1）：29-32.