摘要：纹理分析被定义为基于纹理基元的形状、密度和规则方向等纹理特征的分类或分割。纹理分析技术大致可分为四类：结构分析法、模型法、信号处理法以及统计法。本文介绍了图像纹理的相关知识，详细阐述基于统计法的几种纹理分析技术，包括：灰度共生矩阵、灰度梯度方向矩阵、基于分形布朗运动模型的亮度差值图像自相关法、Tamura纹理特征法
关键词：统计法，纹理特征，纹理分析
1引言
1.1 研究背景及意义
纹理是图像中一个重要但又难以描述的基本特性，对于纹理的定义目前还没有国际公认的描述。[1]可以肯定的是纹理表征了自然界中物体表面的基本属性，人类视觉系统对之有清晰感知。习惯上把图像在局部上呈现不规则性而整体表现出明显规律的特性称之为纹理，通常用图像的灰度分布性质来表征。纹理基元可以是一个像素，但大多数情况下是一组字符或形状可变的结合图形的集合。纹理研究在机器视觉中可以起到理解、建模以及处理图像的纹理信息的作用，达到计算机模拟人类视觉的智能化。随着计算机技术的高速发展，智能化要求越来越高，相关研究会起到越发重要的作用。
1.2纹理特征
纹理是像素灰度变化具有规律性的视觉表现，具有尺度性、粗糙性、规则性和区域性。[2][3]其中尺度性取决于观察距离，粗糙性与规则性取决于纹理基于的形状大小与排列规律，区域性则是纹理图像的区域特性，与单个纹理基元无关。
根据纹理特性，可以将纹理分类。依照纹理的形成可分为自然纹理、人工纹理与混合纹理；依照纹理基元的分布规律可分为规则纹理与随机纹理；依照纹缕形变尺度大小可分为微纹理与宏纹理等。
1.3 研究现状
纹理分析被定义为基于纹理基元的形状、密度和规则方向等纹理特征的分类或分割。纹理图像的建立依赖于物体的某些物理变化，对这些变化进行数学建模是非常困难的，因此纹理图像由图像的二维灰度图像的变化来描述。正如上文所说，纹理的定义还没有统一的认识，关于纹理特征的描述也距有多样性，因为纹理分析算法正是依此建立的，所以纹理分析技术可谓是五花八门，大致可分为四类：结构分析法、模型法、信号处理法以及统计法。[15]本文主要简述基于统计法的几种分析方法。
纹理是物体表面的自然属性，随着机器视觉研究的发展，纹理分析技术被广泛应用于各个领域，其中主要包括目标识别与自动监测、医学图像分析、图像检索、纹理合成、遥感测量等。[4]
2图像纹理特征的提取
统计法以人类视觉感知出发，基于纹理基元及其领域基元灰度值的统计特性。纹理图像中的灰度级属性作为随机变量，其分布特性即可描述图像纹理特征。
期刊文章分类查询,尽在期刊图书馆
2.1 灰度共生矩阵
由于灰度直方图的矩与纹理空间并无联系，所以直接用灰度直方图的矩描述纹理图像的特征不能反映图像像素与其领域像素之间的依赖关系。共生矩阵是典型二阶统计算法，由灰度级的联合概率密度构成的，可以反映任意两点像素间的空间联系。因为灰度共生矩阵不能直接描述纹理特征，所以一些统计量被定义用于描述纹理特性。常用的灰度共生矩阵（GLCM,Gray Level Co-occurrence Matrix）特征参数有8种：均值、方差、逆差矩、对比度、非相似度、熵、角二阶矩、相似度。
2.2 灰度梯度方向矩阵
由于灰度可以描述图像灰度值的分散程度，起伏分布或灰度反差等，而梯度则可以反映图像的边缘特征，灰度梯度直方图将二者优点结合。所以除了用共生矩阵的方法描述纹理图像的空间关系外，利用灰度梯度直方图也能够描述纹理图像的粗糙度与其结构的空间重复性，更加全面的描述图像纹理特征。常用特征参数有以下几种：小梯度优势、大梯度优势、灰度分布不均匀性、梯度分布的不均匀性、能量（能量矩)、相关、灰度熵、梯度熵、惯性、逆差矩。
2.3 基于分形布朗运动模型的亮度差值图像自相关法
分形给了图像纹理特征的描述提供了全新的方法。对于不光滑，局部不规则，又在不同尺度下具有相似性的图像，分形模型对其进行分类，并用分形维数来描述图像纹理特征。分形理论提出纹理不仅仅是物体表面的特征，也是亮度空间的特征。分形布朗运动模型（FBM，Fractal Brown motion model）是最常见的分形模型，
2.4 Tamura纹理特征法
Tamura纹理特征法最大的特点是其参数与视觉感知有直接的联系，这种方法是基于人类心里与视觉感知的，其参数对应心理学角度提出的六种纹理特征属性，它们分别是粗糙度（Coarseness）、对比度（Contrast）、方向性（Directionality）、规整度（Regularity）、线像度（Linelikeness）和粗略度(Roughness)。其中较为重要的三种参数为粗糙度、对比度和方向度。
总结
本文介绍了纹理的相关知识，包括其定义与分类以及四个基本视觉特征参数，简述了基于统计法的纹理分析技术及相关参数。纹理研究在机器视觉中可以起到理解、建模以及处理图像的纹理信息的作用，达到计算机模拟人类视觉的智能化。随着计算机技术的高速发展，智能化要求越来越高，相关研究会起到越发重要的作用。
参考文献
[1] 高新波.现代图像分析[M].西安电子科技大学出版社，2011.
[2] 孙正.数字图像处理与识别[M].机械工业出版社，2014.
[3] 马莉,范影乐.纹理图像分析[M].科学出版社，2009.
[4] 陈争光,杨东风.特征选择与提取研究应用[M].黑龙江教育出版社，2012.
论文作者:马瑞雪,张洁,胡红艳
论文发表刊物:《电力设备》2017年第16期
论文发表时间:2017/11/6
标签：纹理论文; 灰度论文; 图像论文; 特征论文; 统计法论文; 梯度论文; 矩阵论文; 《电力设备》2017年第16期论文;