許法強(qiáng)

（浙江工貿(mào)職業(yè)技術(shù)學(xué)院信息傳媒分院，浙江溫州325003）

基于彩色共生矩陣的紋理特征分類(lèi)研究*

許法強(qiáng)

（浙江工貿(mào)職業(yè)技術(shù)學(xué)院信息傳媒分院，浙江溫州325003）

本文提供了一種通用的彩色紋理分類(lèi)方法。首先將灰度共生矩陣擴(kuò)展應(yīng)用于彩色圖像，然后從中提取Haralick彩色紋理特征。由于每個(gè)圖像像素都可在不同顏色空間中表示，所以利用了一種迭代選擇算法，以降低彩色紋理特征空間的維度。通過(guò)BarkTex紋理數(shù)據(jù)庫(kù)的應(yīng)用測(cè)試，證明了該方法對(duì)紋理分類(lèi)的有效性。

紋理分析；彩色共生矩陣；彩色紋理特征空間；紋理分類(lèi)

0 引言

在工業(yè)質(zhì)量控制及場(chǎng)景分析應(yīng)用中，彩色紋理特征廣泛應(yīng)用于圖像分類(lèi)，然而現(xiàn)有的彩色紋理分析工具并不多。已有的許多研究都表明了，顏色信息的運(yùn)用能改進(jìn)紋理分類(lèi)的效果，因此，彩色紋理特征就從灰度圖像分析工具中應(yīng)運(yùn)而生[1～4]。

每個(gè)像素的顏色都可由三原色成分R、G、B來(lái)表征，然而像素的顏色空間分布分析并不限于RGB顏色空間，而且該空間并不一定適用于某類(lèi)特定的彩色圖像分割問(wèn)題。事實(shí)上存在著很多種不同的顏色表征系統(tǒng)，它們分別是從物理、生理和心理方面來(lái)建立的。本論文中我們將研究不同顏色空間對(duì)紋理分類(lèi)算法性能的影響，主要包括RGB顏色空間及其衍生的經(jīng)典顏色表征系統(tǒng)[5]，如校正原色系統(tǒng)XYZ、歸一化原色系統(tǒng)rgb和xyz、CIE視覺(jué)統(tǒng)一系統(tǒng)L*a*b*和L*u*v*、視覺(jué)坐標(biāo)系統(tǒng)IST、亮度-色度系統(tǒng)LUV、Faugeras系統(tǒng)AC1C2、Ballard系統(tǒng)bw-rg-by、視頻顏色系統(tǒng)Y’I’Q’和Y’U’V’、極坐標(biāo)顏色系統(tǒng)LCH、Ohta顏色空間I1I2I3等，共計(jì)14個(gè)。為此首先計(jì)算不同顏色空間中的彩色共生矩陣，然后再?gòu)闹刑崛「髯缘腍aralick彩色紋理特征。

1 基于彩色共生矩陣的紋理分類(lèi)方法

Palm曾根據(jù)不同顏色空間中的圖像量化表征值來(lái)計(jì)算紋理特征，并對(duì)其分類(lèi)效果進(jìn)行了比較，結(jié)果發(fā)現(xiàn)LUV空間比RGB空間更適用于彩色紋理的區(qū)分[1]。類(lèi)似的結(jié)論在Drimbarean[3]和Chindaro[4]的研究論文中也得到了驗(yàn)證。

Palm就是利用Haralick特征，分別在RGB和LUV空間中建立了一個(gè)96維的紋理特征空間[1]。雖然該方法的實(shí)驗(yàn)結(jié)果很好，但特征空間的維度過(guò)大，以至處理時(shí)間太長(zhǎng)，所以亟需降維處理。

1.1 彩色共生矩陣構(gòu)建

彩色共生矩陣概念由Palm[1]提出，是由灰度共生矩陣衍生而來(lái)的。該統(tǒng)計(jì)特征值既考量了圖像的顏色分布，也考慮到了圖像像素間的空間相關(guān)性。

灰度共生矩陣建立在估計(jì)圖像f的二維概率密度函數(shù)的基礎(chǔ)上，它描述了待分析紋理圖像中在θ方向上相距為d的一對(duì)像素分別具有灰度值i和j時(shí)的出現(xiàn)概率，相應(yīng)的矩陣元素就記為。對(duì)于圖像f，其方向?yàn)棣取⒕嚯x為d的灰度共生矩陣可定義為[6]：

在公式(1)中，Zc和Zr分別代表紋理圖像的水平空間域和垂直空間域分別為紋理圖像中像素的坐標(biāo)值，dθ為θ方向上的距離，#表示使大括號(hào)成立的像素對(duì)數(shù)。為了使灰度共生矩陣以及圖像紋理的計(jì)算與方向無(wú)關(guān)，我們通常對(duì)每一個(gè)圖像塊都分別求其00、450、900和1350這四個(gè)固定方向上的灰度共生矩陣及其相應(yīng)的特征參數(shù)。

然后取各個(gè)特征參數(shù)的平均值和方差作為該圖像塊最終的紋理特征。

由于上述彩色共生矩陣度量的是像素間的局部相關(guān)性，所以對(duì)圖像分辨率的細(xì)微變化較敏感。為了降低這種敏感程度，有必要利用總的出現(xiàn)次數(shù)對(duì)該矩陣進(jìn)行歸一化處理，具體公式如下：

其中，N表示顏色成分的量化級(jí)值。

1.2 Haralick彩色紋理特征提取

彩色共生矩陣雖然描述的是彩色圖像紋理，但它仍像灰度共生矩陣一樣，所包含的信息多而雜，并不能直接進(jìn)行運(yùn)用。因此，我們需要進(jìn)一步從上述矩陣中提取Haralick特征值，從而利用該紋理特征進(jìn)行后續(xù)彩色紋理圖像的分析處理。

在提取Haralick紋理特征值之前，先要了解以下公式：

以上特征值均為圖像共生矩陣的統(tǒng)計(jì)度量，既減少了各彩色共生矩陣的信息量，又具有實(shí)際的數(shù)學(xué)含義。Palm就使用了14個(gè)Haralick紋理特征值中的f1～f6以及f12和f13這8個(gè)，來(lái)構(gòu)建多維紋理特征空間。

1.3 彩色紋理特征空間選擇

綜上分析，對(duì)于每幅圖像在每個(gè)顏色空間中，都能得到6個(gè)彩色共生矩陣，因而相應(yīng)地從這些矩陣中，可提取出6×14=84個(gè)Haralick彩色紋理特征值。本文使用的顏色空間數(shù)目為14個(gè)，故最終需考量的彩色紋理特征數(shù)Nf=14×6×14=1176個(gè)。由于備選的彩色紋理特征數(shù)目Nf過(guò)大，所以有必要選取最具區(qū)分度的幾個(gè)紋理特征，來(lái)降低特征空間的維度，此處采用的是一種基于有監(jiān)督學(xué)習(xí)框架的非窮舉式迭代特征選擇方法[8]。

假定Cj(j=1,2,…,NT)表示某類(lèi)紋理，對(duì)于每個(gè)紋理類(lèi)別，我們都以人工方式選取Nω幅學(xué)習(xí)用紋理圖像ωi,j(i=1,2,…,Nω)。在選擇過(guò)程中的每一步k，我們需要根據(jù)信息判定準(zhǔn)則J，來(lái)計(jì)算各彩色紋理特征空間的區(qū)分度，該準(zhǔn)則主要考慮紋理類(lèi)間的分離度和類(lèi)內(nèi)的緊密度。在算法起始(k=1)時(shí)，認(rèn)為Nf個(gè)彩色紋理特征各自形成Nf個(gè)單維特征空間，根據(jù)信息判定準(zhǔn)則J最大化條件，可選擇出對(duì)上述N類(lèi)紋理最具區(qū)分度的特征空間。然后在算法第2步(k=2)，再將上一步中所獲取的特征空間與剩下的Nf-1個(gè)彩色紋理特征一一結(jié)合，從而得到Nf-1個(gè)雙維特征空間，并同樣根據(jù)J最大化條件，又可選擇出最具紋理區(qū)分度的特征空間。如此迭代下去，直到信息判定準(zhǔn)則J值趨于穩(wěn)定。通過(guò)這種方法，能夠較好地在最佳特征選擇結(jié)果和最少運(yùn)算消耗之間取得平衡。

其中σf和mf分別表示所有紋理類(lèi)別的彩色紋理特征f的標(biāo)準(zhǔn)差和均值。上述相關(guān)系數(shù)取值在0～1之間，越接近于1，則特征的相關(guān)程度越高。在實(shí)驗(yàn)過(guò)程中可為其設(shè)定一個(gè)閾值，當(dāng)相關(guān)系數(shù)的計(jì)算值高于該閾值，即可排除對(duì)應(yīng)的備選彩色紋理特征。

另外，上述迭代選擇方法須有一個(gè)停止迭代準(zhǔn)則。雖然目前還沒(méi)能找到一個(gè)有效的度量方式來(lái)比較已選出的各紋理特征，但綜合考慮最佳紋理區(qū)分度和最少運(yùn)算消耗這兩個(gè)指標(biāo)，我們就以學(xué)習(xí)用紋理圖像的正確劃分率的開(kāi)始下降為迭代停止標(biāo)準(zhǔn)。

1.4 彩色紋理圖像分類(lèi)

上面確定了D維彩色紋理特征空間后，便可用于完成一幅紋理圖像f的分類(lèi)。首先，需要計(jì)算圖像f的彩色紋理特征向量；然后，對(duì)每個(gè)紋理類(lèi)別Cj(j=1,2,…,NT)求其均值向量；最后，分別計(jì)算特征向量與在D維彩色紋理特征空間中的歐氏距離。根據(jù)最短距離判定準(zhǔn)則可知，若某取值最小，則紋理圖像f應(yīng)劃歸為紋理類(lèi)別Cj。

圖1 BarkTex紋理庫(kù)

2 實(shí)驗(yàn)結(jié)果

本文實(shí)驗(yàn)部分采用了BarkTex數(shù)據(jù)庫(kù)(獲取地址為ftp://www.uni-koblenz.de/outgoing/vision/Lakmann/ BarkTex)中的彩色紋理圖像。該庫(kù)由德國(guó)Koblenz大學(xué)的RaimundLakman于1998年創(chuàng)建，共包括了6類(lèi)樹(shù)皮紋理，每類(lèi)紋理均含有68幅拍攝于自然光條件下的不同植株圖像，其圖像集共計(jì)408幅被廣泛用于彩色紋理的分類(lèi)測(cè)試。

為了達(dá)到實(shí)驗(yàn)?zāi)康?，我們從每?lèi)紋理中抽取32幅圖像來(lái)建立學(xué)習(xí)圖庫(kù)，剩余的36幅紋理圖像則作為測(cè)試用途，圖像大小規(guī)格均為128×192。下圖1左側(cè)即為部分學(xué)習(xí)用紋理圖像，右側(cè)則為部分算法測(cè)試用紋理圖像，每一行均來(lái)自于同一類(lèi)樹(shù)皮紋理。下表1所示便是監(jiān)督學(xué)習(xí)方法對(duì)最具區(qū)分度的彩色紋理特征的迭代選擇過(guò)程，表中最后一列給出了學(xué)習(xí)用紋理圖像在迭代方法當(dāng)前第k步的k維彩色紋理特征空間中的正確劃分率。從該表中可以看出，當(dāng)?shù)x擇方法進(jìn)行到第6步后，學(xué)習(xí)用紋理圖像的正確劃分率最高(73.9%)，因而就將最具區(qū)分度的彩色紋理特征空間維度確定為6。

表1 彩色紋理特征的迭代選擇過(guò)程

利用上述所確定的6維彩色紋理特征空間，對(duì)測(cè)試用紋理圖像進(jìn)行分類(lèi)時(shí)的正確劃分率為76.1%。這是分別在14個(gè)不同的顏色空間中，根據(jù)彩色共生矩陣選取出Haralick彩色紋理特征后所得到的實(shí)際分類(lèi)結(jié)果，其明顯要優(yōu)于單個(gè)RGB顏色空間中的53.7%正確劃分率，且時(shí)間效率也遠(yuǎn)高于Palm的96維特征空間[1]。

3 結(jié)論

本文提供了一種通用的彩色紋理特征選取方法。首先在不同的顏色空間中計(jì)算相關(guān)的彩色共生矩陣，然后據(jù)此提取得到對(duì)應(yīng)的Haralick彩色紋理特征，最后通過(guò)迭代選擇算法確定出最具區(qū)分度的彩色紋理特征空間。實(shí)驗(yàn)結(jié)果證明，本文方法的分類(lèi)效果明顯優(yōu)于單個(gè)RGB顏色空間，很好地改進(jìn)了算法的分類(lèi)性能。另外相比小波分析、Gabor濾波、馬爾可夫隨機(jī)場(chǎng)、支持向量機(jī)[9]等其它相關(guān)的紋理特征分析方法，本文方法的適用范圍更廣。

[1]C.Palm.Color Texture Classification by Integrative Co-occurrenceMatrices[J].Pattern Recognition,2004,37:965-976.

[2]T.Maenpaa,M.Pietikainen.Classification withColor and Texture:Jointly or Separately[J].Pattern Recognition,2004,37:1629-1640.

[3]A.Drimbarean,P.F.Whelan.Experiments in ColourTexture Analysis[J].Pattern Recognition,2001,22:1161-1167.

[4]S.Chindaro,K.Sirlantzis,F.Deravi.Texture ClassificationSystem Using ColourSpace Fusion[J].ElectronicsLetters,2005,41: 589-590.

[5]張學(xué)習(xí),楊宜民.彩色圖像工程中常用顏色空間及其轉(zhuǎn)換[J].計(jì)算機(jī)工程與設(shè)計(jì),2008,29(5):1210-1212.

[6]張宏林.數(shù)字圖像模式識(shí)別技術(shù)及工程實(shí)踐[M].北京:人民郵電出版社,2003:353-355.

[7]R.Haralick,K.Shanmugan,I.Dinstein.TexturalFeatures for Image Classification[J].IEEE Transactions onSMC,1973,3:610-621.

[8]N.Vandenbroucke,L.Macaire,J.G.Postaire.ColorImage Segmentation by Supervised Pixel Classification in AColor Texture Feature Space.Application to Soccer Image Segmentation[J].Pattern Recognition,2000,4:621-624.

[9]P.Szczypinski,A.Klepaczko,M.Pazurek,P.Daniel.Texture and Color Based Image Segmentation and Pathology Detection in Cap?sule Endoscopy Videos[J].Computer Methods and Programs in Biomedicine,2014,113:396-411.

（責(zé)任編輯：潘修強(qiáng)）

Research on Texture Feature Classification by Color Co-occurrence Matrix

XU Fa-qiang
（College of Information and Communications,Zhejiang Industry&Trade Vocational College,Wenzhou,325003,China）

The paper proposed the general color texture classification procedure.Firstly the co-occurrence matrix is extended from gray-scale images to color images,and then the Haralick color texture features are extracted from the above matrix.As each image pixel can be represented in different color spaces,the iterative selection algorithm is used in order to decrease the dimension of color texture feature space.The proposed procedure has been applied to the BarkTex texture database,which has verified the efficient texture classification of the procedure.

texture analysis;color co-occurrence matrix;color texture feature space;texture classification

TP391.41

A

1672-0105(2016)04-0054-05

10.3969/j.issn.1672-0105.2016.04.013

2016-09-23

浙江工貿(mào)職業(yè)技術(shù)學(xué)院教師科研項(xiàng)目“圖像紋理分析技術(shù)及應(yīng)用”（X140103）

許法強(qiáng)，博士，浙江工貿(mào)職業(yè)技術(shù)學(xué)院講師，主要研究方向：圖像傳播工程。