本文關(guān)鍵詞：基于局部二值模式和灰度共生矩陣的紋理特征提取技術(shù)研究

  更多相關(guān)文章： 紋理特征 特征提取 圖像分類 局部二值模式 局部相對相二值模式 旋轉(zhuǎn)不變 灰度共生矩陣

【摘要】：隨著網(wǎng)絡和多媒體技術(shù)的發(fā)展,數(shù)字圖像的應用變得更為廣泛,對圖像的分析和處理日益重要。紋理特征作為圖像的底層特征,能夠綜合反映出圖像的灰度級統(tǒng)計、空間分布和結(jié)構(gòu)信息。因此,提取出有效的紋理特征對于圖像的分類和檢索起著重要的作用。圖像分類過程包括圖像特征提取和相似性度量兩個階段,而相似性度量方法經(jīng)過多年的研究已經(jīng)趨于成熟,所以本文重點討論了圖像的紋理特征提取技術(shù)。相對相是一種新的圖像信息提取技術(shù)。在圖像變換域中,相位信息體現(xiàn)出奇異發(fā)生的位置,系數(shù)的模值體現(xiàn)了變化的強度。局部二值模式(Local Binary Pattern,LBP)能夠反映出圖像像素點間的微觀結(jié)構(gòu),被廣泛地用于紋理圖像分類并取得較高的分類正確率。經(jīng)過深入研究相對相和LBP,本文提出了局部相對相二值模式并設(shè)計出LRPBP(Local Relative Phase Binary Pattern)方法。該方法首先通過Gabor變換得到圖像的相對相信息,在此基礎(chǔ)上使用LBP進行紋理特征提取,使用相對相信息構(gòu)造出圖像的局部結(jié)構(gòu)作為紋理特征并應用于圖像分類中。實驗表明本文提出的LRPBP方法能夠取得比LBP更高的分類正確率。一幅圖像中包含著豐富的信息,圖像的一種屬性通常只能提取出圖像的一部分信息,在對圖像進行分類時往往沒有基于多特征的分類效果好。因此,為了提高圖像檢索正確率,本文結(jié)合LBP和LRPBP提取紋理特征并對紋理圖像進行分類。實驗證明采用多特征時對圖像進行分類的效果要優(yōu)于使用單一特征的分類效果。最后,論文對旋轉(zhuǎn)不變紋理圖像分類技術(shù)做了初步探索,提出一種小波域中基于灰度共生矩陣的旋轉(zhuǎn)不變紋理特征提取方法。該方法在小波域的低頻子帶上計算灰度共生矩陣,并計算低頻、高頻部分的統(tǒng)計特征,最后將二者結(jié)合共同作為圖像的紋理特征進行紋理圖像分類。實驗證明本文提出的基于灰度共生矩陣和統(tǒng)計信息的特征提取方法在旋轉(zhuǎn)不變紋理圖像分類中能夠取得較好的分類效果。
【關(guān)鍵詞】：紋理特征 特征提取 圖像分類 局部二值模式 局部相對相二值模式 旋轉(zhuǎn)不變 灰度共生矩陣
【學位授予單位】：蘭州大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.41
【目錄】：

• 摘要3-4
• Abstract4-8
• 第一章 緒論8-16
• 1.1 研究背景8-10
• 1.2 圖像檢索研究現(xiàn)狀及成果10-13
• 1.2.1 圖像檢索技術(shù)的研究現(xiàn)狀10-12
• 1.2.2 國內(nèi)外的研究成果12-13
• 1.3 本文研究工作的內(nèi)容13-14
• 1.4 論文的組織結(jié)構(gòu)14-16
• 第二章 紋理特征提取技術(shù)16-22
• 2.1 紋理特征及其定義16-17
• 2.2 紋理描述方法17-22
• 2.2.1 統(tǒng)計法17-19
• 2.2.2 模型法19-20
• 2.2.3 結(jié)構(gòu)法20
• 2.2.4 信號處理法20-22
• 第三章 基于局部二值模式的紋理特征提取22-41
• 3.1 相關(guān)概念22-26
• 3.1.1 局部二值模式22-24
• 3.1.2 Gabor變換24-25
• 3.1.3 相對相25-26
• 3.2 紋理特征提取26-29
• 3.2.1 LRPBP特征提取方法26-29
• 3.2.2 相似性度量方法29
• 3.3 分類方法設(shè)計29-30
• 3.4 紋理圖像分類實驗及分析30-36
• 3.4.1 Brodatz紋理圖像分類實驗30-33
• 3.4.2 Vistex紋理圖像分類實驗33-36
• 3.5 基于多特征的紋理圖像分類36-40
• 3.5.1 特征提取36
• 3.5.2 Bradatz紋理圖像分類實驗36-38
• 3.5.3 Vistex紋理圖像分類實驗38-40
• 3.6 本章小結(jié)40-41
• 第四章 基于灰度共生矩陣的旋轉(zhuǎn)不變紋理特征提取41-49
• 4.1 相關(guān)概念42-43
• 4.1.1 離散小波變換42
• 4.1.2 灰度共生矩陣42-43
• 4.2 特征提取43-45
• 4.2.1 計算GLCM43
• 4.2.2 計算子帶系數(shù)方差43-45
• 4.3 分類方法設(shè)計45
• 4.4 紋理圖像分類實驗及分析45-48
• 4.4.1 Brodatz紋理圖像分類實驗45-47
• 4.4.2 Vistex紋理圖像分類實驗47-48
• 4.5 本章小結(jié)48-49
• 第五章 工作總結(jié)及展望49-51
• 5.1 論文主要工作49
• 5.2 研究展望49-51
• 參考文獻51-55
• 在學期間研究成果55-56
• 致謝56

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 蘇靜;黎明;;基于灰度共生矩陣的金屬斷口圖像的分類研究[J];計算機工程與應用;2008年09期

2 高士忠;盧易楓;蔡振偉;黨霞;;基于灰度共生矩陣的簾子布疵點檢測研究[J];電子技術(shù)應用;2008年01期

3 郭森;嚴和平;柳偉;;基于灰度共生矩陣的密集人群人數(shù)估計[J];計算機工程與應用;2008年28期

4 張航;顏永豐;;基于小波灰度共生矩陣的植物分類研究[J];計算機工程與設(shè)計;2012年12期

5 魏建亮;邢濟收;;基于灰度共生矩陣的車刀車削工件表面紋理分析[J];機械制造與自動化;2009年01期

6 徐秋景;戚大偉;;基于灰度共生矩陣的東北虎紋理特征參數(shù)[J];東北林業(yè)大學學報;2009年07期

7 張靜;劉雨東;史曉陶;翟春平;;基于灰度共生矩陣的艦船噪聲特征提取方法研究[J];艦船電子工程;2011年06期

8 許舒斐;吳淑蓮;李暉;;基于灰度共生矩陣的人體皮膚紋理分析[J];激光生物學報;2011年03期

9 汪友生;吳煥煥;胡百樂;李亦林;陳建新;;基于灰度共生矩陣的動脈斑塊圖像特征分析[J];電子測量技術(shù);2012年02期

10 楊子華;吳敏;劉t$;;基于灰度共生矩陣的筆跡識別[J];信息安全與通信保密;2006年06期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 王亞軍;李德勝;蘇少昌;王希軍;;基于灰度共生矩陣的光盤測量[A];第十二屆全國光學測試學術(shù)討論會論文（摘要集）[C];2008年

2 黃勃;李乃民;劉春雨;張大鵬;王寬全;林曉東;張宏;王淑英;張宏志;;基于灰度共生矩陣的中醫(yī)虛實證舌象分類研究[A];第一屆全國中西醫(yī)結(jié)合診斷學術(shù)會議論文選集[C];2006年

3 盧易楓;;基于灰度共生矩陣的金剛石瑕疵自動識別技術(shù)研究[A];經(jīng)濟策論（上）[C];2011年

4 趙亞偉;周晨波;王同樂;王剛;郭冰;劉華;;基于灰度共生矩陣的連續(xù)多幅非平面散斑圖像特征研究[A];第十三屆全國光學測試學術(shù)討論會論文（摘要集）[C];2010年

5 陳明麗;黃詠紅;單潔玲;楊永明;秦茜淼;王怡;;探討適用于大鼠肝纖維化聲像圖紋理灰度共生矩陣分析的構(gòu)造因子[A];2010年超聲醫(yī)學和醫(yī)學超聲論壇會議論文集[C];2010年

6 蘇慧;費樹岷;;基于多分辨率分析及灰度共生矩陣的織物紋理識別[A];第25屆中國控制會議論文集（下冊）[C];2006年

7 馬德新;楊帆;侯景忠;高金喬;;基于灰度共生矩陣的掌紋識別技術(shù)研究[A];第六屆全國信息獲取與處理學術(shù)會議論文集（2）[C];2008年

8 高硯軍;徐華平;;基于窗口自適應灰度共生矩陣的SAR圖像分類[A];第六屆全國信息獲取與處理學術(shù)會議論文集（1）[C];2008年

9 蔣圣;羌鑫林;汪閩;;基于灰度共生矩陣改進的紋理分割算法[A];江蘇省測繪學會2007年學術(shù)年會論文集[C];2008年

10 嚴洪;姚宇華;熊江輝;;基于灰度共生矩陣和分形的細胞骨架圖像的分析[A];第十二屆全國圖象圖形學學術(shù)會議論文集[C];2005年

中國博士學位論文全文數(shù)據(jù)庫 前2條

1 張娟;基于圖像分析的梅花種類識別關(guān)鍵技術(shù)研究[D];北京林業(yè)大學;2011年

2 劉成霞;模擬實際著裝的織物折皺測試及等級評價方法研究[D];浙江理工大學;2015年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 袁森林;基于紋理分析的羊絨羊毛鑒別[D];東華大學;2016年

2 井寒;面向X光胸片的塵肺病灶輔助檢測系統(tǒng)研究[D];西北大學;2015年

3 童逸舟;基于圖像處理的智能割草機器人路徑規(guī)劃研究[D];浙江理工大學;2016年

4 楊龍飛;基于局部二值模式和灰度共生矩陣的紋理特征提取技術(shù)研究[D];蘭州大學;2016年

5 阮久忠;基于灰度共生矩陣紋理參數(shù)的非平面表面粗糙度研究[D];煙臺大學;2009年

6 黃晶;基于分形維度與灰度共生矩陣的圖像分類研究[D];武漢理工大學;2008年

7 肖倩;基于平均灰度共生矩陣和特征的LSB匹配隱密分析[D];大連理工大學;2011年

8 徐秋景;基于空間灰度共生矩陣和Hu不變矩的東北虎個體識別[D];東北林業(yè)大學;2009年

9 李進;基于灰度共生矩陣的森林紋理構(gòu)造因子確定方法研究[D];浙江農(nóng)林大學;2010年

10 李陸陸;基于灰度共生矩陣和MRF的紋理圖像分割[D];遼寧師范大學;2013年

，

本文編號：905171