基于小波變換的紋理圖像多尺度分割算法研究.pdf

1、紋理圖像分割是圖像處理和機(jī)器視覺(jué)領(lǐng)域中的一個(gè)重要研究?jī)?nèi)容，是連接低級(jí)視覺(jué)和高級(jí)視覺(jué)的紐帶，被廣泛應(yīng)用于醫(yī)學(xué)圖像處理和遙感圖像分析等領(lǐng)域。根據(jù)圖像中不同區(qū)域的紋理特性不同，紋理分割將圖像劃分成若干個(gè)互不重疊的連通區(qū)域，同一區(qū)域內(nèi)紋理性質(zhì)相同，不同區(qū)域間的紋理性質(zhì)各異。因此，如何提取有效的紋理特征和如何對(duì)特征分類是解決該問(wèn)題的關(guān)鍵和難點(diǎn)。本文主要研究了基于小波變換的統(tǒng)計(jì)紋理模型的建立、統(tǒng)計(jì)紋理特征的提取和分類以及多尺度紋理分割算法的實(shí)現(xiàn)。<

2、br>　　 本文首先介紹了紋理圖像分割的選題背景以及研究意義，概述了紋理圖像分割的研究現(xiàn)狀、熱點(diǎn)和難點(diǎn)問(wèn)題，對(duì)紋理圖像分割的過(guò)程做了詳細(xì)的介紹。
　　 其次，介紹了紋理的概念和定義、常用的紋理特征及其提取方法，如灰度共生矩陣、Tamura紋理特征和小波變換域統(tǒng)計(jì)紋理特征等，指出了各種紋理特征的優(yōu)缺點(diǎn)及使用范圍。并簡(jiǎn)單介紹了幾種常用紋理特征分類器的原理，包括距離分類器、神經(jīng)網(wǎng)絡(luò)分類器、聚類分類器和最大似然分類器。
　　

3、再次，詳細(xì)地介紹了離散小波變換域的統(tǒng)計(jì)紋理特征，并對(duì)不同的統(tǒng)計(jì)特征加以比較，為提取性能更優(yōu)的小波變換域統(tǒng)計(jì)紋理特征打下了堅(jiān)實(shí)的基礎(chǔ)。由于人類視覺(jué)對(duì)空間域和頻率域都具敏感性，僅在空間域或頻率域?qū)y理進(jìn)行分析都有其不足之處。因此，圖像的空間/頻率域的紋理特征能夠更加有效地描述紋理的特性。離散小波變換是空間/頻率域聯(lián)合分析方法的重要手段，而且能夠在不同尺度上提供空間/頻率域的聯(lián)合分析。雖然離散小波變換具有良好的時(shí)頻特性，但也具有其自身的缺點(diǎn)，

4、如不滿足時(shí)移不變性和方向信息少。當(dāng)圖像進(jìn)行很小的平移后，平滑和邊緣區(qū)域所對(duì)應(yīng)的小波變換域紋理特征會(huì)產(chǎn)生很大的變化，形成邊緣處的模糊，降低了分割結(jié)果的準(zhǔn)確性，影響了它在圖像分割領(lǐng)域中的應(yīng)用。為了克服這個(gè)問(wèn)題，本文通過(guò)在復(fù)小波變換域建立高斯混合模型來(lái)提取紋理特征。實(shí)驗(yàn)結(jié)果表明，復(fù)小波變換域的統(tǒng)計(jì)紋理特征能有效地解決上述問(wèn)題。
　　 最后，針對(duì)多尺度紋理圖像分割算法做了深入的探討。傳統(tǒng)紋理分割算法的結(jié)果和滑動(dòng)窗口大小密切相關(guān)，窗口越大

5、內(nèi)部統(tǒng)計(jì)信息越豐富，那么分類結(jié)果越可靠，但是邊界區(qū)域通常得不到準(zhǔn)確的分割結(jié)果。隨著窗口面積的減小，內(nèi)部包含不同紋理的可能性隨之降低，更加適用于邊界區(qū)域的分割，但其內(nèi)部的統(tǒng)計(jì)信息匱乏，導(dǎo)致分類結(jié)果的可靠性降低。多尺度分割算法將基于面積大的和面積小的滑動(dòng)窗口的分割結(jié)果加以綜合利用，能夠得到更加準(zhǔn)確的分割結(jié)果。另外，針對(duì)多尺度融合算法的不足提出了后處理算法，來(lái)改善最終的分割結(jié)果。
　　 本文所提的多尺度分割算法流程如下：首先，利用隱馬

6、爾科夫樹(shù)模型在小波變換域提取紋理的統(tǒng)計(jì)特征；其次，由于小波變換具備多分辨率特性，采用最大似然分類算法可以獲得紋理圖像在不同尺度上的分類結(jié)果；再次，利用貝葉斯分割算法將從粗分辨率尺度到細(xì)分辨率尺度上的分類結(jié)果加以融合直至像素級(jí)，獲得多尺度融合分割結(jié)果；最后，針對(duì)多尺度融合算法的不足，采用后處理算法對(duì)多尺度融合分割結(jié)果進(jìn)行處理，獲得最終的分割結(jié)果。實(shí)驗(yàn)結(jié)果表明，本文所提的方法魯棒性強(qiáng)，分割效果較基于離散小波變換的多尺度分割算法有明顯的改善。