基于T-GLCM和Tamura融合特征的纹理材质分类.pdf
《基于T-GLCM和Tamura融合特征的纹理材质分类.pdf》由会员分享,可在线阅读,更多相关《基于T-GLCM和Tamura融合特征的纹理材质分类.pdf(7页珍藏版)》请在咨信网上搜索。
1、D0I:10.13878/ki.jnuist.20210702004陈旭高高亚洲陈守静2朱栋梁基于 T-GLCM 和 Tamura 融合特征的纹理材质分类摘要虚拟现实力触觉再现对于图像纹理特征提取的要求越来越高,纹理因素复杂且无规律,单一的纹理提取算法并不能准确地描述图像纹理的特点.因此提出基于GLCM(灰度共生矩阵)和Tamura融合特征的纹理材质分类算法.此外,本文对传统灰度共生矩阵GLCM进行优化,提出了改进的GLCM(T-G LC M)算子,提升了CLCM的旋转不变性并减少了大量的允余信息.利用Tamura纹理特征对图像进行量化,然后将各特征区域量化后级联成一组特征向量,融合T-GLC
2、M的纹理特征,通过支持向量机(SVM)对纹理材质进行分类.实验结果表明,相比传统纹理特征提取算法,本文算法具有更高的分类精度且鲁棒性更好.关键词纹理特征;灰度共生矩阵;T-GLCM;Tamura;支持向量机中图分类号TP391文献标志码A收稿日期2 0 2 1-0 7-0 2资助项目江苏省自然科学基金(BK20170955)作者简介陈旭,女,博士,副教授,主要研究方向为虚拟现实、图形图像检测高亚洲(通信作者),男,硕士生,主要研究方向为虚拟现实、图形图像检测.1575510084 1南京信息工程大学自动化学院,南京,2 10 0 442南京信息工程大学电子与信息工程学院,南京,2 10 0 4
3、40引言纹理特征提取是图像处理、图像分析、计算机视觉等诸多领域的基础研究之一,纹理特征的类内差异性及类间相似性决定了仅依靠单一的提取算法无法准确真实地表现图像的纹理特征,因此,通过多种纹理特征提取算法的融合来提高提取的效率和准确率是当前研究的热点.随着研究的不断深入,图像纹理的分类在诸多领域都得到了很重要的应用,例如在虚拟现实触觉再现领域,通过再现设备可以识别不同的材质,得到更加真实的触觉体验,增加使用者的沉浸感和真实感.国内外研究者就图像纹理特征提取与分类进行了大量的理论研究与实验.Marsico等 在传统LBP(Local BinaryPattern)算法基础上进行了改进,选择LBP码作为
4、基于内容的LBP码选择策略,减少了特征向量的长度,特征提取效率有所提高,但鲁棒性并不好;El Khadiri等2 基于LBP算法提出了一种局部二值梯度等值(LBGC)算法进行纹理分类,虽然精度很高,但需要的特征维度比较高,不满足实时性要求;陈洋等3 通过结合Gabor滤波器和ICA技术进行纹理的分类,缺点是容易丢失数据;梅军等4 基于Tamura 纹理特征对纹理图像进行分类,在方向性和形态学运算中都有很好的效果;Karmakar等5 对Tamura纹理提取算法进行改进,用核描述符代替直方图,对特征的旋转不变性进行了加强,不过Tamura算法提取的是全局特征信息,利用单一的Tamura算法提取特
5、征会导致图像局部细节信息的丢失;Haralick 等6 提出了灰度共生矩阵(Gray-Level Co-occurrence Matrix,CLCM)方法,该方法对规则的纹理图像具有较好的识别效果;Fahrurozi 等7 使用GLCM结合边缘检测算法来提取纹理的特征,发现GLCM纹理特征参数中只有4组值是线性无关,可以进行级联分类.因 GLCM在纹理分析中的优异表现,其在纹理特征提取方面得到了较为广泛的使用.但GLCM在不同的方向上存在着不同的矩阵,因此后续的研究人员提出了不同的计算方法来解决此问题.本文提出一种基于改进的灰度共生矩阵(T-Gray-Level Co-occur-rence
6、Matrix,T-GLCM)和 Tamura 融合的纹理特征提取算法,不仅解决了单一的纹理提取算法不能准确地描述图像纹理的问题,而且改进的T-GLCM算子还提升了传统灰度共生矩阵的旋转不变性,并减少了余信息.利用Tamura纹理特征对图像进行量化,然后将各特征区域陈旭,等.基于T-GLCM和Tamura融合特征的纹理材质分类.562CHEN Xu,et al.Texture material classification based on T-CLCM and Tamura fusion features.量化后级联成一组特征向量,融合T-GLCM的纹理特征,最后将融合的特征矩阵输入支持向量机
7、(SVM)8),通过SVM对纹理材质进行分类.选择Brodatz纹理库中的图像,通过实验验证,结果表明本文提出的方法在提高纹理特征提取效率的同时保证了较强的鲁棒性,提取的精度较传统算法更高.1 原理与方法本文提出的算法流程如图1所示.首先,对输入的图像进行gamma校正,再将校正后的图像进行自适应对比度增强算法(ACE)处理,以此提高图像对比度.然后使用基于T-GLCM和Tamura融合的特征提取方法,对处理后的图像进行纹理特征提取并生成特征矩阵.最后利用支持向量机(SVM)对不同材质的纹理信息进行分类识别,以此来获取8 种不同材质的纹理特征信息,本文选用的8 种材质分别为:木板、铝箔、大理石
8、、棉布、饼干、树叶、丝绸、砂纸、gamma校正ACET-GLCM特征提取SVM分类图1算法流程Fig.1Flow chart of the proposed algorithm1.1 gamma 校正gamma 校正9 又称幂律变换,跟对数变换类似,是一种非线性补偿函数.gamma校正是将部分灰度区域映射到更宽或更窄的区域以达到增强图像的效果,目的是校正图像的亮度偏差,从而减少因图像亮度偏差对纹理提取精度的影响,其方法是对输人图像的灰度值进行指数变换.gamma校正的表达式为Vou.=AVm,(1)其中,A为常数,Vm为原图像中像素点的像素值,Vout为校正后图像的像素值,为校正值.值的不同将
9、直接影响对图像亮度质量的改善效果.小于1时,图像的灰度值增加,亮度提高对比度增强;大于1时,图像的灰度值减小,亮度下降,但对比度在一定程度上也会达到增强的效果1.2自适应对比度增强(ACE)自适应对比度增强10 1采用反锐化掩膜技术,主要是把图像分为低频的反锐化掩膜以及高频部分,用原图减去反锐化掩膜获取高频部分,最后将高频部分加入反锐化掩膜并加上增益系数G(i,i),得到增强的图像.设x(ij)是原像素,通过自适应对比度增强后的像素值为f(ij)=m(i,j)+G(ij)x(i,j)-m(i,j).(2)获取图像的反锐化掩膜即低频部分可以通过图像中心各像素点为中心的局部区域的像素平均值求得,中
10、心像素点的低频部分的像素值可以通过下式计算得到:1m.(i,j)=(2n+1)台-m 1-图像其中,(i,i)、(k,)分别为像素点和像素点周围邻域的坐标.局部增益G(i,j)的值是恒大于1的,所以(i,j)m x(i,j)就会变大,局部增益的计算公式如下:12.2(h,1)-m.(i,1),j+ng,(i,j)=V(2n+1)k=i-nl=j-nTamuraDG(i,j)=.(i,j)其中,(i,j)为局部均方差,D为一个常数,它的值可以选择全局平均值或者是全局均方差,本文的D取值为图像的全局均方差。1.3特征提取为了提高纹理特征分类的精准度,对经过gamma校正和自适应对比度增强的图像使用
11、基于T-GLCM和Tamura融合的特征提取方法对图像纹理特征进行提取并生成特征矩阵.1.3.1基于 GLCM 特征提取灰度共生矩阵(GLCM)在统计图像分析中得到了广泛的应用,GLCM常用的纹理特征统计量有14个,经常采用的有以下4种特征统计量:1)能量(ASM)是GLCM元素值的总和,反映图像纹理的粗细程度以及灰度分布的均匀程度,其量值记为A;2)熵(ENT)表示图像纹理的不均匀性和复杂程i+nj+ni+n(3)(4)(5)南京信息工统大学学报(自然科学版),2 0 2 3,15(5):56 1-56 7Journal of Nanjing University of Informatio
12、n Science&Technology(Natural Science Edition),2023,15(5):561-567度,其量值记为E;对比度为3)对比度(CON)反映图像纹理沟纹的深浅程g(x,y)F(x,y)=度,沟纹越深,对比度就越明显,其量值记为C;u(x,y)4)逆差分矩(IDM)反映图像纹理的同质性,度2)方向度:图像中的纹理沿着某个方向呈现出量图像纹理的局部变化量,其量值记为1.某种形态,具有一定的方向性,它可以通过计算梯度1.3.2改进的灰度共生矩阵(T-GLCM)向量来计算出方向度.计算步骤如下:直接采用传统的灰度共生矩阵(GLCM)存在一像素点(x,y)的梯度向量
13、的模以及方向个问题,其特征值随旋转角度的改变而变化且存在如下:大量余信息.为了解决传统GLCM存在的不足,提G(x,y)1=(I A I+I/)/2,高特征提取的精度,本文提出了一种改进的灰度共生矩阵(T-GLCM.改进的灰度共生矩阵的具体方法如下:首先对传统的灰度共生矩阵(GLCM)进行转置操作后与GLCM取平均值得到Gi;然后对G,从045、9 0 135四个方向上得到的各个矩阵进行相加取平均值得到最终的共生矩阵T-GLCM.GT+GG,=2其中,G表示传统灰度共生矩阵,G表示G的转置矩阵.式中得到的G具有旋转不变性,4个特征统计量可分别表示为A=ZZP(i,j),E=ZP(i-j)log
14、 P(i.i),Z(i-j)P(i.i),C=P(i.j)I=1.3.3基于Tamura纹理特征提取Tamura 等12 在深人研究图像纹理后,根据心理学观点,提出6 个纹理特征成分,即对比度、方向度、粗糙度、线粒度、规则度和粗略度.本文应用对比度、方向度和粗糙度3个特征对图像纹理进行分析.1)对比度:图像中最亮与最暗两部分的灰度之差就是对比度.对比度越大,图像更清晰,反之,对比度越小,效果越模糊.对比度的计算方法如下:像素(x,y)的33邻域像素的平均值为i+1j+1(11)9台其中,f(i,j)为像素点,(i,)为灰度值.标准差为i+1j+1g2(x,y)二9-1四阶矩为i+1j+1563
15、(14)(15)Ta=tan+2其中,和分别表示对图像进行如式(17)卷积计算后在水平与垂直方向上的结果-1017-101和0(6)L-1 01-1-1-1根据赵海英等13 方法设定阈值t=12,像素点(x,y)的方向角d(x,y)计算公式如下:fo,1G(k,h,w)I t,d(x,y)=3le(x,y),I G(h,h,w)I t.(7)像素点(,y)的33邻域所有像素的方向(8)角均值:(9)u(x,y(10)像素点(x,y)的方向角为d(x,y)=l d(x,y)-(x,y)1.3)粗糙度:比对分析多种图像粗糙度的计算方法后表明,Tamura在表达图像粗糙度方面是最准确的.用线性量化代
16、替指数量化又可以降低算法的复杂度.其计算步骤如下:以像素(i,j)为中心,水平方向平均灰度方差为En.,(i,j)=l A,(i-n,j)-A,(i+n,j)I.(21)垂直方向平均灰度方差为En,(ij)=l A,(i,j-n)-A,(i,j+n)I,(2 2)其中,A(i,j)为平均灰度值,n为1,2,3,4,5.不分方向得到最大值:Shest(i,j)=max(En,m(i,j)I n=1,5,m=u,u.以像素(i,i)为中心的33邻域平均粗糙度为i=1j+1A(i,j)=2Shr(h,)/9.h=i-1 w=j-1(16)11170011i+1id(iji).9台(17)(18)(1
17、9)(20)(23)(24)陈旭,等.基于T-GLCM和Tamura融合特征的纹理材质分类.564CHEN Xu,et al.Texture material classification based on T-CLCM and Tamura fusion features.像素粗糙度与平均粗糙度差的绝对值就是型、核函数的类型、罚因子和训练停止的标准.其中,该像素的粗糙度度量,SVM的核心是核函数.核函数的类型有很多,经过不1.3.4纹理特征提取方法断的研究表明,高斯径向基函数在纹理图像分类方本文提出的特征提取具体流程如下:面取得了较高的分类精度,并且高斯径向基函数计1)选取gamma校正对图
18、像的亮度偏差进行校算复杂度低15.其公式如下:正,从而减少因图像亮度偏差对纹理提取精度的(-Ilx-x 2)k(x,x)=exp(-影响.2)选取自适应对比度增强算法(ACE)对纹理图像进行预处理,提高原图像的对比度,得到对比度增强的纹理图像。3)根据改进的灰度共生矩阵(T-GLCM)的4个统计量:特征能量(ASM)、熵(ENT)、对比度(CON)和逆差分矩(IDM)得到图像的特征信息.4)使用Tamura算法通过对比度、方向度和粗糙度3个特征对图像纹理进行分析,并融合改进的灰度共生矩阵(T-GLCM)对图像纹理特征进行提取并生成特征矩阵.1.4SVM分类器本文选择的支持向量(SVM)【14
19、是一种在分类和回归的情况下进行预测的技术,在模式识别、分类和非线性回归方面得到了广泛的应用.支持向量机是一种与学习算法相关的监督模型,对于给定的一组训练集,每个不同的示例被标记为两个类别中的一个,SVM将新的示例分配给其中一个类别,使得其成为非概率二进制线性分类器.依赖于被称为结构风险最小化(SRM)的机制,利用支持向量机将输入向量映射到高维空间,计算两组样本之间的最佳分离超平面.SVM需要一组参数,包括支持向量机的类(25)20其中,x是内核函数中心,是函数的宽度参数,控制函数的径向范围.本文选择带高斯径向基函数的支持向量机对不同材质的纹理图像进行分类,而且系统采用网格搜索方法获得最优参数,
20、以此提升训练精度,采用交叉验证方法来提高预测精度.2实验结果与分析2.1分类精度与实时性对比实验为了验证本文提出的算法能有效提高纹理特征提取的精度,选择Brodatz纹理库中的木板、铝箔、大理石、棉布、饼干、树叶、丝绸、砂纸8 类纹理图像样本进行分类精度实验.图2 为选择的8 类纹理图像.选取的8 类纹理图像大小均为6 40 6 40 像素.共有训练样本56 0 个,测试样本2 40 个,其中每个种类的训练样本为7 0 个,每个种类的测试样本为30个.采用 K-means 聚类算法16 ,对三类数据集进行划分,提升运算的效率.分别测试了 T-GLCM、T a m u r a 以及 T-GLCM
21、 和Tamura融合特征的分类精度.对于T-GLCM算法,选择d=1,灰度等级为16,依据4个角度上的对比度、a.木板b.铝箔c.大理石d.棉布e.饼干f.树叶图2 选择的8 类纹理图片Fig.2 Selected 8 types of texture images8.丝绸h.砂纸南京信息工经大学学报(自然科学版),2 0 2 3,15(5):56 1-56 7Journal of Nanjing University of Information Science&Technology(Natural Science Edition),2023,15(5):561-567相关性、能量和逆差矩,
22、得到16 个参数的特征矩阵.对于Tamura算法,对图像进行量化,然后将各特征区域量化后级联成一组特征向量,融合T-GLCM的纹理特征提取粗糙度、对比度、方向度来描述图像.方法1为通过Tamura算法得到的3个特征参数作为SVM的输入进行分类;方法2 为通过改进的灰度共生矩阵(T-GLCM)得到的16 个特征参数级联起来的矩阵作为纹理特征通过SVM分类;方法3是基于T-CLCM和Tamura融合特征的纹理材质分类方法.1)实验1.为了验证本文算法的正确性,进行了对比实验,结果如图3所示.从图3可以看出,T-GLCM算法的整个样本的正确性高于Tamura,并且每种样本的准确率也高于Tamura,
23、两种算法相结合的正确性明显优于单一算法,且准确率可以达到9 7.1%.10097767370木板铝箔大理石棉布饼干树叶丝绸砂纸图33种方法的准确率Fig.3 Classification accuracy comparison between three methods2)实验2.为了验证本文改进的灰度共生矩阵(T-GLCM)与传统灰度共生矩阵(GLCM)在性能上是否有提升,将传两种算法的分类精度进行对比,分类的结果如图4所示,明显看出,本文提出的T-GLCM具有比传统灰度共生矩阵(GLCM)更高的分类精度.100977370木板铝箔大理石棉布饼干树叶丝绸砂纸图4传统GLCM与T-CLCM准确
24、率Fig.4Classification accuracy comparison betweentraditional GLCM and T-GLCM3实验3.为了验证算法的鲁棒性,对测试集进565行错误匹配实验,选取了3组,每组30 张Brodatz纹理库中不同于样本的图像作为测试样本,测试错误图像是否会被划分到样本集中.3种方法均有一定程度的错误分类,主要是因为错误样本的纹理特征较为平滑,与样本棉布和砂纸容易混淆.据实验结果来看,Tamura的错误分类率最高,T-GLCM次之,本文方法的错误分类率最低.总体来说,本文提出的分类方法是准确可行的.2724一方法1方法2方法3麻布树根截面图5错
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 GLCM Tamura 融合 特征 纹理 材质 分类
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。