新的纹理图像特征提取方法

第29卷第12期

2009年12月

文章编号:1001-9081(2009)12-3434-03

计算机应用

JournalofComputerApplications

Vol.29No.12

Dec.2009

新的纹理图像特征提取方法

刘明霞,侯迎坤

1

1,2

,郭小春,张　燕,杨德运

131

(1.泰山学院信息科学技术学院,山东泰安271021;　2.南京理工大学计算机科学与技术学院,南京210094;

3.泰安市岱岳区环境保护局,山东泰安271000)

(plumlmx@126.com)

摘　要:提出了一种新的基于非下采样Contourlet变换的纹理特征提取方法。首先对纹理图像进行非下采样

Contourlet变换,然后提取不同尺度、不同方向上变换系数矩阵的均值和方差作为特征向量,大大降低了特征维数,并利用BP神经网络进行训练和仿真,实现了纹理图像的自动分类。实验结果表明,与小波包变换和改进的LBP纹理算子等方法相比,该方法能取得更好的分类效果。

关键词:非下采样Contourlet变换;纹理分类;小波包变换;中图分类号:TP391　　文献标志码:A

Novelapproachforfeaimages

LIUMing2xia,1

1,2

,,ZHANGYan,YANGDe2yun

131

(1.TaishanUniversity,TaiπanShandong271021,China;

2.SchoolofNanjingUniversityofScienceandTechnology,NanjingJiangsu210094,China;

.entalProtectionAgencyofDaiyueDistrict,TaiπanShandong271000,China)

Abstract:AnovelapproachforfeatureextractionoftextureimagesbasedonNonSubsampledContourletTransform

(NSCT)wasproposed.ThecoefficientsindifferentscalesanddifferentdirectionswereobtainedbytexturalimagedecompositionusingNSCT.Thenthemeansandvariancesofthesescoefficientswereextractedtobethefeaturevectors,whichcouldgreatlyreducethenumberoffeaturedimension.BackPropagation(BP)neuralnetworkwasadoptedtoimplementautomaticclassificationoftextureimagesthroughtrainingandsimulation.ComparedwithwaveletpackagetransformandtheimprovedLocalBinaryPattern(LBP)texturedescriptor,thisapproachcanachievebetterresult.

Keywords:NonSubsampledContourletTransform(NSCT);textureclassification;waveletpackagetransform;LocalBinaryPattern(LBP)

0　引言

作为图像最为显著的视觉特征之一,纹理一直是图像处理领域的重要研究内容。如何提取更有效的纹理特征,成为纹理分类、纹理分割和纹理检索技术的关键[1]。通常人们希望特征维数不大,特征提取计算量小,并且能对大量未知类型的纹理进行正确分类。

目前纹理分析方法主要有统计方法、结构方法和频谱方法。文献[2]提出了基于共生矩阵(Co2occuranceMatrix)的纹理分析方法,该方法计算量大,且不考虑基元形状,缺乏视觉相似性。文献[3]提出了基于边缘频率的纹理分析方法,但对噪声极其敏感。文献[4]提出了局域二值模式(LocalBinaryPattern,LBP)作为纹理算子来分析纹理特征。文献[5]提出了图像特征谱的概念,论述了利用特征谱进行纹理分析的优越性。

近年来,小波变换(WaveletTransform,WT)成为纹理分

[6]

析的重要工具。但是二维可分离小波基具有有限的方向,不能很好地表现纹理的方向性,随之出现了Ridgelet,Curvelet,Contourlet,Brushlet,Bandelet等多尺度几何分析方法。其中,Contourlet变换很好地克服了小波变换的缺陷[7],具有各向异性和多方向选择性等良好性能。然而如何构造好

的滤波器是Contourlet变换面临的重要难题,而且由于下采样过程的存在,Contourlet变换缺乏平移不变性[8]。在此基础上,文献[9]提出了非下采样Contourlet变换(NonsubsampledContourletTransform,NSCT),它具有完全的平移不变性、多尺度和多方向等特征,将其应用在图像去噪、图像增强和边缘检测等领域,取得了较好的效果。

基于上述背景,本文提出了一种新的基于非下采样Contourlet变换的纹理特征提取方法,通过提取不同尺度不同方向变换系数矩阵的均值和方差作为纹理特征,大大降低了特征维数,提高了分类速度。为进行对比,我们分别采用小波包变换、改进的LBP纹理算子和NSCT变换三种方法提取纹理特征,利用BP神经网络进行分类,并对实验结果做了比较,验证了本文方法的有效性。

1　非下采样Contourlet变换简介

非下采样Contourlet变换是对Contourlet变换的改进,取消了Contourlet变换两级实现中的下采样部分[9],其结构如图1所示。非下采样Contourlet变换包含两部分:首先由非下采样金字塔滤波器(NonSubsampledPyramid,NSP)将图像分解为低频和高频部分,然后由非下采样方向滤波器(NonSubsampledDirectionalFilterBanks,NSDFB)将高频分布

　　收稿日期:2009-07-21。基金项目:国家自然科学基金资助项目(60872161);泰山学院科研基金计划项目(Y0622216)。　　作者简介:刘明霞(1981-),女,山东泰安人,讲师,硕士,主要研究方向:图像处理、视频分析;　侯迎坤(1972-),男,山东泰安人,讲师,博士研究生,主要研究方向:数字水印、图像处理;　郭小春(1976-),女,山东泰安人,讲师,硕士,主要研究方向:图像处理、电子商务;张燕(1981-),女,山东泰安人,助理工程师,主要研究方向:信息系统、图像处理;　杨德运(1964-),男,山东泰安人,教授,博士,主要研究方向:小波分析、图像处理。

第1页下一页