第 34卷 第 7期 控 制 与 决 策 Vol.34 No.7
2019年 7月 Control and Decision Jul. 2019
文章编号: 1001-0920(2019)07-1492-05 DOI: 10.13195/j.kzyjc.2017.1712
基于双树复小波域统计图像建模的纹理特征提取
杨 鹏
1,2†
, 张凡龙
1
, 杨章静
1
(1. 南京审计大学 信息工程学院，南京 211815；2. 南昌航空大学 信息工程学院，南昌 330063)
摘 要: 统计图像建模方法使用某种参数控制的分布模型来描述纹理及其特征, 即参数估计是该类方法的核心问
题. 鉴于此, 提出一种新的纹理特征提取方法, 利用广义伽马分布和广义冯 · 米塞斯分布在图像的双树复小波域上
进行统计建模, 利用对数累积量法进行高效的参数估计完成纹理特征提取. 在 VisTex 和 Brodatz 纹理库上进行分
类实验,结果表明所提方法能够有效捕获图像的纹理特征,获取较高的识别率.
关键词: 双树复小波变换；广义伽马分布；广义冯· 米塞斯分布；纹理特征提取
中图分类号: TP273 文献标志码: A
Statistical image modeling based texture feature extraction in dual-tree
complex wavelet transform domain
YANG Peng
1,2†
, ZHANG Fan-long
1
, YANG Zhang-jing
1
(1. School of Information Engineer ing ，Nanjing Audit University，Nanjing 211815，China；2. School of Information
Engineering，Nanchang Hangkong University，Nanchang 330063，China)
Abstract: The statistical image modeling method uses some distributed model of parameter control to describe texture
and its characteristics, and parameter estimation is the crucial issue of the method. In this paper, a novel texture
feature extraction method is proposed, which adopts statistical image modeling with generalized Gamma distribution and
generalized Von Mises distribution to extract texture features through logarithmic cumulants based parameter estimation
in the dual-tree complex wavelet transform domain. Experimental results on VisTex and Brodatz databases show that the
proposed method can effectively capture texture features of image, and achieve higher classification accuracy rate.
Keywords: dual-tree complex wavelet transform；generalized Gamma distribution；generalized Von Mises distribution ；
texture feature extraction
0 言
纹理分析技术已广泛应用于机器视觉、 图像
处理和模式识别等领域, 其关键环节在于提取一组
鉴别力强的特征, 特征的形式可以是标量数据、直方
图或经验分布, 用以刻画图像的空间结构、对比度、
粗糙度以及方向等纹理特性. 设计实用稳健的特征
提取方法以保证在较低计算复杂度的前提下获取更
丰富的纹理信息, 从来都是一个研究难点. 小波变换
可以反映信号时频的局部变化,同时具有多分辨率分
析的特点, 使其在纹理提取应用中占有重要的地位.
图像经小波变换后, 各子带小波系数的均值、方差、
能量可以用来描述纹理信息. 然而, 一旦选择的小波
变换不具备平移不变性, 使用这类方法所得特征的
鉴别能力将大打折扣. 于是, 学者们提出将图像经小
波变换后所得小波系数看成一组随机变量, 选用某种
已知的密度分布函数来逼近小波系数幅值分布, 通过
参数估计来描述纹理特征
[1-6]
. 这些方法仅对小波系
数的幅值或复小波系数的实部直方图分布建立统计
模型, 而忽略了相位信息. 针对具有显著方向性的纹
理图像进行分类或检索时,提取小波域上的相位信息
往往比幅值信息更有用. Peron等
[7]
使用冯·米塞斯分
布 (Von Mises distribution, VMD) 以及 ψ 分布逼近经
复小波变换后子带小波系数的局部相位直方图, 并完
成了特征提取; Vo等
[8]
提出了相对相位的概念, 使用
VMD 和环绕柯西分布 (Wrapped Cauchy distribution,
WCD) 为双树复小波变换 (Dual tree complex wavelet
transform, DTCWT) 系数的相对相位直方图进行建
模; Ves 等
[9]
使用 WF 将图像分解, 将各子带上垂直与
水平方向的小波细节系数看成二元随机向量并计算
其幅值与相位, 然后分别用 GΓD 和广义冯 ·米塞斯分
收稿日期: 2017-12-15；修回日期: 2018-02-13.
基金项目: 国家自然科学基金项目 (61662048, 61603192).
责任编委: 柴利.
†
通讯作者. E-mail: llylab@21cn.com.
资源评论
