侯艷麗

摘要：提出了一種結(jié)合小波框架和灰度共生矩陣的紋理分割算法，首先利用強壯的小波框架提取紋理的頻域特征；然后利用灰度共生矩陣提取紋理的空間特征；最后將提取到的頻域特征和空間特征結(jié)合起來，利用模糊C均值算法對結(jié)合后的紋理特征進行分類。實驗結(jié)果表明與只利用紋理頻域特征或空間特征進行分割相比，該方法的分割錯誤率顯著降低。

關(guān)鍵詞：圖像；紋理分割；小波框架；模糊C均值；灰度共生矩陣

中圖法分類號：TP391.41 文獻標識碼：A 文章編號：1009-3044（2018）12-0183-02

Abstract： A texture segmentation algorithm based on wavelet frame and gray level co-occurrence matrix is studied in this paper. Firstly frequency feature is extracted in different scale using modified discrete wavelet frame transform. Secondly， space feature of a texture image is extracted based on gray level co-occurrence matrix. And then， the fuzzy c-means algorithm is applied to the merged features for texture segmentation. At last， simulations are performed on the presented algorithm， and the simulation result shows that the presented algorithm has good performance in time.

Key words： image； texture segmentation； wavelet frame； fuzzy c-means； gray level co-occurrence matrix

1 背景

紋圖像分割是近年來計算機視覺、模式識別、圖像處理領(lǐng)域的一個重要課題，目前在遙感、醫(yī)學(xué)圖像處理、工業(yè)檢測及基于紋理的內(nèi)容檢索的圖像數(shù)據(jù)庫等領(lǐng)域均有廣泛應(yīng)用。紋理特征提取是紋理分割的重要組成部分之一。紋理特征的描述可以在空間域進行，也可以在頻域進行。紋理的空間特征通常用灰度共生矩陣[1-2]來描述，紋理的頻域特征通常用小波變換[3-4]來描述。這些方法在進行紋理圖像分割時要么單單在紋理的空間域進行，要么單單是在紋理的頻域進行，由于紋理表述的不完整性，當(dāng)紋理圖像包含的類別較多的時候，上述方法很難滿足普適性、魯棒性等要求。因此，該文綜合考慮紋理的頻域特征和空間特征以達到優(yōu)勢互補，其中，頻域特征的提取將利用強壯的小波框架變換進行，該方法綜合考慮了小波框架變換的平移不變性和小波變換的易執(zhí)行性?？臻g特征的提取利用灰度共生矩陣[5]較好反映像素之間灰度級空間分布特性。接下來，把頻域和空間特征結(jié)合起來形成一個更能刻畫紋理特性的集合。紋理特征分類是紋理分割的另一個重要組成部分，由于模糊C均值算法具有模糊性和不確定性，更適合紋理不確定性，所以該文利用該算法[6]對結(jié)合后的特征集合進行聚類。

2 利用強壯的小波框架提取頻域特征

利用小波框架提取紋理特征時，由于其去除下采樣過程，所以具有平移不變性，更符合紋理的特點。二維小波框架分解的過程如圖1所示。

3 基于灰度共生矩陣的紋理特征提取

灰度共生矩陣是用來刻畫圖像的灰度分布關(guān)于方向、局部鄰域和變化幅度的綜合信息。Haralick曾提出11種關(guān)于灰度共生矩陣的紋理參數(shù)，但其運算量比較大，運行速度慢。因此，該文利用線性變換的方法將紋理的灰度級從256級量化到16級，量化后每個共生矩陣的尺寸是[16×16]。該文選用最常用的四個特征：1） 角二階矩（E）； 2） 對比度（CON）；3）相關(guān)性（COR）； 4）熵（H）。取[（2n+1）×（2n+1）]的鄰域滑動窗口來計算共生矩陣，像素的距離[d=1]，角度取[00]，[450]，[900]，[1350]。

求出窗口內(nèi)不同參數(shù)的平均值和方差，作為窗口中心點的紋理特征，由此利用灰度共生矩陣可以得到8維的紋理特征：

4 利用模糊C均值進行紋理分類

頻域特征和空間特征獲取之后，將兩者進行結(jié)合，得到更有利于紋理分割的特征集合。然后利用模糊C均值算法對特征集合進行分類。因為模糊C均值算法具有模糊性和不確定性，更符合紋理特征，用其分類會使得紋理分割結(jié)果的區(qū)域一致性更好。模糊C均值算法為：

圖2（a）是由3種紋理組成的原始圖像，圖2（b）是只用該文所提取的頻域特征分割結(jié)果，圖2（c）是只用該文所提取的空間特征分割結(jié)果，圖2（d）結(jié)合兩種特征的分割結(jié)果。圖3（a） 由5種紋理組成的原始圖像，圖3（b）是只用該文所提取的頻域特征分割結(jié)果，圖3（c）是只用該文所提取的空間特征分割結(jié)果，圖3（d）結(jié)合兩種特征的分割結(jié)果。表1給出了不同情況下的分割錯誤率；從表中可以看出，利用結(jié)合后的特征進行紋理分割，分割錯誤率顯著降低。

6 結(jié)束語

該文利用灰度共生矩陣來提取紋理的空間特征，利用強壯的小波框架邊框提取紋理的頻域特征，然后將兩者結(jié)合起來形成一個更加豐富，更加有利于紋理分割的特征集合，從而提高紋理分割的性能，降低了分割錯誤率。

參考文獻：

[1] 劉保利， 田錚. 基于灰度共生矩陣紋理特征的SAR圖像分割[J]. 計算機工程與應(yīng)用， 2008， 44（4）： 4-6.

[2] 高士忠. 基于灰度共生矩陣的織物紋理分析[J]. 計算機工程與設(shè)計， 2008（16）： 56-59.

[3] K H Liang， T Tjahjadi. Adaptive Scale Fixing for Multiscale Texture Segmentation[J]. IEEE Transactions on Image Processing， 2006， 15（1）： 249-256.

[4] 劉仁金. 基于粒度與小波變換的紋理圖像分割[J]. 計算機應(yīng)用研究， 2007， 10（24）： 155-157.

[5] 黎明， 魯方波， 陳昊. 基于QWT和GLCM的多特這雙重加權(quán)紋理分割[J]. 模式識別與人工智能， 2014， 3（27）： 263-271.

[6] 吳央， 袁運能. 基于小波包分解和FCM聚類的紋理圖像分割方法[J]. 北京航空航天大學(xué)學(xué)報， 2008， 5（34）： 572-575.