基于彩色共生矩阵的纹理特征分类研究*

许法强

（浙江工贸职业技术学院信息传媒分院，浙江温州325003）

基于彩色共生矩阵的纹理特征分类研究*

许法强

（浙江工贸职业技术学院信息传媒分院，浙江温州325003）

本文提供了一种通用的彩色纹理分类方法。首先将灰度共生矩阵扩展应用于彩色图像，然后从中提取Haralick彩色纹理特征。由于每个图像像素都可在不同颜色空间中表示，所以利用了一种迭代选择算法，以降低彩色纹理特征空间的维度。通过BarkTex纹理数据库的应用测试，证明了该方法对纹理分类的有效性。

纹理分析；彩色共生矩阵；彩色纹理特征空间；纹理分类

0 引言

在工业质量控制及场景分析应用中，彩色纹理特征广泛应用于图像分类，然而现有的彩色纹理分析工具并不多。已有的许多研究都表明了，颜色信息的运用能改进纹理分类的效果，因此，彩色纹理特征就从灰度图像分析工具中应运而生[1～4]。

每个像素的颜色都可由三原色成分R、G、B来表征，然而像素的颜色空间分布分析并不限于RGB颜色空间，而且该空间并不一定适用于某类特定的彩色图像分割问题。事实上存在着很多种不同的颜色表征系统，它们分别是从物理、生理和心理方面来建立的。本论文中我们将研究不同颜色空间对纹理分类算法性能的影响，主要包括RGB颜色空间及其衍生的经典颜色表征系统[5]，如校正原色系统XYZ、归一化原色系统rgb和xyz、CIE视觉统一系统L*a*b*和L*u*v*、视觉坐标系统IST、亮度-色度系统LUV、Faugeras系统AC1C2、Ballard系统bw-rg-by、视频颜色系统Y’I’Q’和Y’U’V’、极坐标颜色系统LCH、Ohta颜色空间I1I2I3等，共计14个。为此首先计算不同颜色空间中的彩色共生矩阵，然后再从中提取各自的Haralick彩色纹理特征。

1 基于彩色共生矩阵的纹理分类方法

Palm曾根据不同颜色空间中的图像量化表征值来计算纹理特征，并对其分类效果进行了比较，结果发现LUV空间比RGB空间更适用于彩色纹理的区分[1]。类似的结论在Drimbarean[3]和Chindaro[4]的研究论文中也得到了验证。

Palm就是利用Haralick特征，分别在RGB和LUV空间中建立了一个96维的纹理特征空间[1]。虽然该方法的实验结果很好，但特征空间的维度过大，以至处理时间太长，所以亟需降维处理。

1.1 彩色共生矩阵构建

彩色共生矩阵概念由Palm[1]提出，是由灰度共生矩阵衍生而来的。该统计特征值既考量了图像的颜色分布，也考虑到了图像像素间的空间相关性。

灰度共生矩阵建立在估计图像f的二维概率密度函数的基础上，它描述了待分析纹理图像中在θ方向上相距为d的一对像素分别具有灰度值i和j时的出现概率，相应的矩阵元素就记为。对于图像f，其方向为θ、距离为d的灰度共生矩阵可定义为[6]：

在公式(1)中，Zc和Zr分别代表纹理图像的水平空间域和垂直空间域分别为纹理图像中像素的坐标值，dθ为θ方向上的距离，#表示使大括号成立的像素对数。为了使灰度共生矩阵以及图像纹理的计算与方向无关，我们通常对每一个图像块都分别求其00、450、900和1350这四个固定方向上的灰度共生矩阵及其相应的特征参数。

然后取各个特征参数的平均值和方差作为该图像块最终的纹理特征。

由于上述彩色共生矩阵度量的是像素间的局部相关性，所以对图像分辨率的细微变化较敏感。为了降低这种敏感程度，有必要利用总的出现次数对该矩阵进行归一化处理，具体公式如下：

其中，N表示颜色成分的量化级值。

1.2 Haralick彩色纹理特征提取

彩色共生矩阵虽然描述的是彩色图像纹理，但它仍像灰度共生矩阵一样，所包含的信息多而杂，并不能直接进行运用。因此，我们需要进一步从上述矩阵中提取Haralick特征值，从而利用该纹理特征进行后续彩色纹理图像的分析处理。

在提取Haralick纹理特征值之前，先要了解以下公式：

以上特征值均为图像共生矩阵的统计度量，既减少了各彩色共生矩阵的信息量，又具有实际的数学含义。Palm就使用了14个Haralick纹理特征值中的f1～f6以及f12和f13这8个，来构建多维纹理特征空间。

1.3 彩色纹理特征空间选择

综上分析，对于每幅图像在每个颜色空间中，都能得到6个彩色共生矩阵，因而相应地从这些矩阵中，可提取出6×14=84个Haralick彩色纹理特征值。本文使用的颜色空间数目为14个，故最终需考量的彩色纹理特征数Nf=14×6×14=1176个。由于备选的彩色纹理特征数目Nf过大，所以有必要选取最具区分度的几个纹理特征，来降低特征空间的维度，此处采用的是一种基于有监督学习框架的非穷举式迭代特征选择方法[8]。

假定Cj(j=1,2,…,NT)表示某类纹理，对于每个纹理类别，我们都以人工方式选取Nω幅学习用纹理图像ωi,j(i=1,2,…,Nω)。在选择过程中的每一步k，我们需要根据信息判定准则J，来计算各彩色纹理特征空间的区分度，该准则主要考虑纹理类间的分离度和类内的紧密度。在算法起始(k=1)时，认为Nf个彩色纹理特征各自形成Nf个单维特征空间，根据信息判定准则J最大化条件，可选择出对上述N类纹理最具区分度的特征空间。然后在算法第2步(k=2)，再将上一步中所获取的特征空间与剩下的Nf-1个彩色纹理特征一一结合，从而得到Nf-1个双维特征空间，并同样根据J最大化条件，又可选择出最具纹理区分度的特征空间。如此迭代下去，直到信息判定准则J值趋于稳定。通过这种方法，能够较好地在最佳特征选择结果和最少运算消耗之间取得平衡。

其中σf和mf分别表示所有纹理类别的彩色纹理特征f的标准差和均值。上述相关系数取值在0～1之间，越接近于1，则特征的相关程度越高。在实验过程中可为其设定一个阈值，当相关系数的计算值高于该阈值，即可排除对应的备选彩色纹理特征。

另外，上述迭代选择方法须有一个停止迭代准则。虽然目前还没能找到一个有效的度量方式来比较已选出的各纹理特征，但综合考虑最佳纹理区分度和最少运算消耗这两个指标，我们就以学习用纹理图像的正确划分率的开始下降为迭代停止标准。

1.4 彩色纹理图像分类

上面确定了D维彩色纹理特征空间后，便可用于完成一幅纹理图像f的分类。首先，需要计算图像f的彩色纹理特征向量；然后，对每个纹理类别Cj(j=1,2,…,NT)求其均值向量；最后，分别计算特征向量与在D维彩色纹理特征空间中的欧氏距离。根据最短距离判定准则可知，若某取值最小，则纹理图像f应划归为纹理类别Cj。

图1 BarkTex纹理库

2 实验结果

本文实验部分采用了BarkTex数据库(获取地址为ftp://www.uni-koblenz.de/outgoing/vision/Lakmann/ BarkTex)中的彩色纹理图像。该库由德国Koblenz大学的RaimundLakman于1998年创建，共包括了6类树皮纹理，每类纹理均含有68幅拍摄于自然光条件下的不同植株图像，其图像集共计408幅被广泛用于彩色纹理的分类测试。

为了达到实验目的，我们从每类纹理中抽取32幅图像来建立学习图库，剩余的36幅纹理图像则作为测试用途，图像大小规格均为128×192。下图1左侧即为部分学习用纹理图像，右侧则为部分算法测试用纹理图像，每一行均来自于同一类树皮纹理。下表1所示便是监督学习方法对最具区分度的彩色纹理特征的迭代选择过程，表中最后一列给出了学习用纹理图像在迭代方法当前第k步的k维彩色纹理特征空间中的正确划分率。从该表中可以看出，当迭代选择方法进行到第6步后，学习用纹理图像的正确划分率最高(73.9%)，因而就将最具区分度的彩色纹理特征空间维度确定为6。

表1 彩色纹理特征的迭代选择过程

利用上述所确定的6维彩色纹理特征空间，对测试用纹理图像进行分类时的正确划分率为76.1%。这是分别在14个不同的颜色空间中，根据彩色共生矩阵选取出Haralick彩色纹理特征后所得到的实际分类结果，其明显要优于单个RGB颜色空间中的53.7%正确划分率，且时间效率也远高于Palm的96维特征空间[1]。

3 结论

本文提供了一种通用的彩色纹理特征选取方法。首先在不同的颜色空间中计算相关的彩色共生矩阵，然后据此提取得到对应的Haralick彩色纹理特征，最后通过迭代选择算法确定出最具区分度的彩色纹理特征空间。实验结果证明，本文方法的分类效果明显优于单个RGB颜色空间，很好地改进了算法的分类性能。另外相比小波分析、Gabor滤波、马尔可夫随机场、支持向量机[9]等其它相关的纹理特征分析方法，本文方法的适用范围更广。

[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]张学习,杨宜民.彩色图像工程中常用颜色空间及其转换[J].计算机工程与设计,2008,29(5):1210-1212.

[6]张宏林.数字图像模式识别技术及工程实践[M].北京:人民邮电出版社,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.

（责任编辑：潘修强）

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

浙江工贸职业技术学院教师科研项目“图像纹理分析技术及应用”（X140103）

许法强，博士，浙江工贸职业技术学院讲师，主要研究方向：图像传播工程。