结合小波框架和灰度共生矩阵的纹理分割算法

侯艳丽

摘要：提出了一种结合小波框架和灰度共生矩阵的纹理分割算法，首先利用强壮的小波框架提取纹理的频域特征；然后利用灰度共生矩阵提取纹理的空间特征；最后将提取到的频域特征和空间特征结合起来，利用模糊C均值算法对结合后的纹理特征进行分类。实验结果表明与只利用纹理频域特征或空间特征进行分割相比，该方法的分割错误率显著降低。

关键词：图像；纹理分割；小波框架；模糊C均值；灰度共生矩阵

中图法分类号：TP391.41 文献标识码：A 文章编号：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

纹图像分割是近年来计算机视觉、模式识别、图像处理领域的一个重要课题，目前在遥感、医学图像处理、工业检测及基于纹理的内容检索的图像数据库等领域均有广泛应用。纹理特征提取是纹理分割的重要组成部分之一。纹理特征的描述可以在空间域进行，也可以在频域进行。纹理的空间特征通常用灰度共生矩阵[1-2]来描述，纹理的频域特征通常用小波变换[3-4]来描述。这些方法在进行纹理图像分割时要么单单在纹理的空间域进行，要么单单是在纹理的频域进行，由于纹理表述的不完整性，当纹理图像包含的类别较多的时候，上述方法很难满足普适性、鲁棒性等要求。因此，该文综合考虑纹理的频域特征和空间特征以达到优势互补，其中，频域特征的提取将利用强壮的小波框架变换进行，该方法综合考虑了小波框架变换的平移不变性和小波变换的易执行性。空间特征的提取利用灰度共生矩阵[5]较好反映像素之间灰度级空间分布特性。接下来，把频域和空间特征结合起来形成一个更能刻画纹理特性的集合。纹理特征分类是纹理分割的另一个重要组成部分，由于模糊C均值算法具有模糊性和不确定性，更适合纹理不确定性，所以该文利用该算法[6]对结合后的特征集合进行聚类。

2 利用强壮的小波框架提取频域特征

利用小波框架提取纹理特征时，由于其去除下采样过程，所以具有平移不变性，更符合纹理的特点。二维小波框架分解的过程如图1所示。

3 基于灰度共生矩阵的纹理特征提取

灰度共生矩阵是用来刻画图像的灰度分布关于方向、局部邻域和变化幅度的综合信息。Haralick曾提出11种关于灰度共生矩阵的纹理参数，但其运算量比较大，运行速度慢。因此，该文利用线性变换的方法将纹理的灰度级从256级量化到16级，量化后每个共生矩阵的尺寸是[16×16]。该文选用最常用的四个特征：1） 角二阶矩（E）； 2） 对比度（CON）；3）相关性（COR）； 4）熵（H）。取[（2n+1）×（2n+1）]的邻域滑动窗口来计算共生矩阵，像素的距离[d=1]，角度取[00]，[450]，[900]，[1350]。

求出窗口内不同参数的平均值和方差，作为窗口中心点的纹理特征，由此利用灰度共生矩阵可以得到8维的纹理特征：

4 利用模糊C均值进行纹理分类

频域特征和空间特征获取之后，将两者进行结合，得到更有利于纹理分割的特征集合。然后利用模糊C均值算法对特征集合进行分类。因为模糊C均值算法具有模糊性和不确定性，更符合纹理特征，用其分类会使得纹理分割结果的区域一致性更好。模糊C均值算法为：

图2（a）是由3种纹理组成的原始图像，图2（b）是只用该文所提取的频域特征分割结果，图2（c）是只用该文所提取的空间特征分割结果，图2（d）结合两种特征的分割结果。图3（a） 由5种纹理组成的原始图像，图3（b）是只用该文所提取的频域特征分割结果，图3（c）是只用该文所提取的空间特征分割结果，图3（d）结合两种特征的分割结果。表1给出了不同情况下的分割错误率；從表中可以看出，利用结合后的特征进行纹理分割，分割错误率显著降低。

6 结束语

该文利用灰度共生矩阵来提取纹理的空间特征，利用强壮的小波框架边框提取纹理的频域特征，然后将两者结合起来形成一个更加丰富，更加有利于纹理分割的特征集合，从而提高纹理分割的性能，降低了分割错误率。

参考文献：

[1] 刘保利， 田铮. 基于灰度共生矩阵纹理特征的SAR图像分割[J]. 计算机工程与应用， 2008， 44（4）： 4-6.

[2] 高士忠. 基于灰度共生矩阵的织物纹理分析[J]. 计算机工程与设计， 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] 刘仁金. 基于粒度与小波变换的纹理图像分割[J]. 计算机应用研究， 2007， 10（24）： 155-157.

[5] 黎明， 鲁方波， 陈昊. 基于QWT和GLCM的多特这双重加权纹理分割[J]. 模式识别与人工智能， 2014， 3（27）： 263-271.

[6] 吴央， 袁运能. 基于小波包分解和FCM聚类的纹理图像分割方法[J]. 北京航空航天大学学报， 2008， 5（34）： 572-575.