图像特征提取（纹理特征）

图像纹理特征总体简述

纹理是图像中同质现象的一种表征特征，在视觉感知中反映了物体表面组织排列的各种特性

纹理具有三大标志：

• 某种局部序列性不断重复
• 非随机排列
• 纹理区域内大致为均匀的统一体

不同于色调、色彩等图像特征，纹理是由像素及其周遭的空间邻域亮度分布所呈现的形态学特性。即为局部纹理信息。
此外，在不同层次上的重复出现，则构成了全局纹理特征。

在体现全局特性的同时, 纹理特征还不仅描述了图像或其区域所对应的景物表面特性; 然而由于纹理仅反映物体表面的一种特性, 并不能完全表征物体的本质属性, 因此仅依赖于纹理特征求取高层图像内容是不充分的; 与颜色特性和形状特异性不同, 纹理特性和它们不同之处在于: 颜色和形状特异性都是基于单个像素点属性提取出来的, 而纹教特异性是在多个像素点区域内形成的统计结果; 因此, 在模式识别过程中, 这种区域性的表征优势使得其具有较高的鲁棒性, 即使出现局部偏差也不会影响整体匹配效果;

为了有效地检索出具有明显粗细和疏密差异的纹理图像，在此前提下其中一种有效的方式是提取和利用其特定特征属性

纹理特征的特点

优点：

• 由包含多个像素点的区域完成统计计算

  • 通常表现出对旋转的鲁棒性

  • 在面对噪声时表现出较强的抗干扰能力
    缺点：

  • 当图像的分辨率变化的时候，所计算出来的纹理可能会有较大偏差

• 受光源分布和光线反射特性制约

  • 被2-D图像所呈现的纹理未必是三维物体表面的真实纹理

常用的特征提取与匹配方法

纹理特征识别通常都是通过设定特定尺寸的窗口来进行；然而，在选择合适的窗口时需要权衡多个因素。例如，在图像处理中选择合适的尺度会影响最终的结果质量。

• 窗口设置较大：纹理特征通常表现为区域性的特性，在空间上具有高度的一致性才能被有效提取和描述。观察窗口设置得越大，在识别区域间的统一特性方面的能力就越强；反之则能力越弱；
  • 窗口设置较小：由于不同纹理之间的边界对应于区域纹理统一性的突变特征，在准确定位纹理边界时要求将观察窗口设置得更小一些；
    这种情况下会遇到的主要困难是：当窗口太小时，在同一纹理区域内容易出现误分割；而当分析窗过大时，则会在纹理边界区域产生较多的误分割情况。

特征提取方法

• 统计方法
• 几何法
• 模型法
• 信号处理法
• 结构方法

统计方法

该系统通过利用像元及其邻域的灰度属性进行分析，并对纹理区域内的统计特征进行详细研究；其中既包括基本的一阶、二阶等统计特性分析，也涵盖了高阶统计特性的深入探讨。

算法：

• 灰度共生矩阵（GLCM）及其主要指标（能量、惯性矩、熵和相关性）
• 基于图像自相关函数的方法用于提取纹理特征；具体而言，在计算能量谱函数值的基础上提取纹理细节信息
• 半方差图谱是一种基于变差函数的方法；由于变差函数能够反映图像数据的随机性和结构性特点,因此这种方法能够有效地描述纹理图像的特性

优势：

• 操作简便
• 容易操作
• GLCM方案被广泛认可为一种有效的图像处理技术
• 在应对不同类型的图像时表现出极强的适应能力，并且在面对噪声干扰等情况时表现出良好的稳定性

缺点：

• 该方法在与现有视觉模型的适应性上存在不足,无法有效获取全局特征信息,在研究纹理不同尺度之间的像素遗传关系或相互依赖性方面存在一定局限
• 缺乏坚实的理论基础支撑
• 计算开销过大,不仅限制了其在实际应用中的扩展性,还导致运行效率低下

几何法（应用发展受限，后续研究少）

该种基于纹理基元理论的纹理特征分析体系。该体系认为这种复杂的纹理结构主要由多个简单的教材元素按照一定规律的排列模式组织起来构成。

算法：

• Voronio棋盘格特征法

模型法

基于模型的方法假定纹理是通过特定参数化分布模式生成的，在对纹理图像进行数据建模的过程中推导出所需计算参数的过程；随后将这些参数作为关键特征，并结合分类策略对图像进行分割；由此可知，准确估计这些参数是这类方法的关键挑战。

算法（随机场模型法）：

• 马尔可夫随机场（MRF）模型法
• Gibbs随机场模型法
• 分形模型和自回归模型

优势：

• 不仅能够兼顾纹理局部的随机性和整体上的规律性，并且同时具备高度的灵活性。
• 采用随机场模型法对遥感影像纹理特征进行描述，并在此基础上进行分割；在很大程度上符合或反映了地学规律。
• 最大的优点就在于提供了一种简洁而自然的方式用于描述空间中相关随机变量之间的相互作用。
• 结合图像的分层理论发展了分层MRF方法和多分辨率MRF方法；不仅提高了处理效率，并且研究了纹理尺度间像素间的遗传或依赖关系来获取纹理特征。

缺点：

• 难度较高，在主要依据模型系数进行纹理特征识别的过程中存在求解挑战
• 速度较慢，在基于MRF模型的纹理图像分割任务中涉及一个循环优化过程，在由局部到全局收敛的过程中速率较慢（即便使用条件迭代模式(ICM)也能加快寻优速度），导致整体计算开销较大，在实际应用中通常需要 hundreds of iterations 才能达到收敛效果
• 调参困难，在参数优化过程中面临诸多障碍，在过于复杂的模型架构下难以实现良好的性能平衡

信号处理法

该方法主要基于时域、频域分析以及多尺度分解等理论框架，在对某一特定区域施加特定的空间或频率域变换后，在计算过程中能够得到具有稳定特性的特征向量。这些特征向量则被用来表征该区域内部的一致性和不同区域之间的区分度。

算法：
- 灰度共生矩阵
- Tamura纹理特征
- 自回归纹理模型
- 小波变换

优势：

• 细化层次上的分析采用了多层次表达技术，在微观层面实现纹理特征的精准捕捉。
• 基于小波变换的方法能够有效提取纹理特征，并且这种提取方式有助于实现图像分割；同时，在空间域与频域之间灵活切换的能力使得纹理特征的解析更加全面。

不足：

• 该方法在面对非规则纹理时显得力不从心，并主要应用于标准或规则纹理图像，在处理背景复杂的自然图像时表现欠佳。
• 计算量显著增大

结构方法

基于现有研究表明，在结构分析中将 textures 视为由基本元素（即 texture primitives）及其数量、种类等属性所定义，并考虑这些基本元素间的"规律性"空间组织形式及排列顺序等关键因素来进行描述。进一步地，在这种情况下我们通常假设能够将这些 basic elements 分离出来并利用它们各自的特征属性与其间的排列顺序来进行分类处理。显然确定与提取基本元素及其相互间存在的"规律性"关系成为这类方法面临的关键问题。然而由于这类方法过分依赖于 texture 的规律性特点，在人造 texture 上应用较为合适；但真实世界中自然 texture 的复杂性和不稳定性使得其应用受到很大局限。

算法：
- 句法纹理描述算法
- 数学形态学方法