2 2 　 Vol. 29 No. 12 Dec. 2009 第 29卷第 12期 2009年 12月 　 计算机应用 Journal of Computer App lications 文章编号 : 1001 - 9081 (2009) 12 - 3434 - 03 新的纹理图像特征提取方法 刘明霞 1 ,侯迎坤 1, 2 ,郭小春 1 ,张 　燕 3 ,杨德运 1 (1. 泰山学院 信息科学技术学院 ,山东 泰安 271021; 　2. 南京理工大学 计算机科学与技术学院 ,南京 210094; 3. 泰安市岱岳区环境保护局 ,山东 泰安 271000) (p lum lmx@126. com) 摘 　要 :提出了一种新的基于非下采样 Contourlet变换的纹理特征提取方法 。首先对纹理图像进行非下采样 Contourlet变换 ,然后提取不同尺度 、不同方向上变换系数矩阵的均值和方差作为特征向量 ,大大降低了特征维数 ,并 利用 BP神经网络进行训练和仿真 ,实现了纹理图像的自动分类 。实验结果表明 ,与小波包变换和改进的 LBP纹理算 子等方法相比 ,该方法能取得更好的分类效果 。 关键词 :非下采样 Contourlet变换 ;纹理分类 ;小波包变换 ;局部二值模式 中图分类号 : TP391　　文献标志码 : A Novel approach for fea ture extraction of texture images L IU M ing xia1 , HOU Ying kun1, 2 , GUO Xiao (1. College of Inform a tion S cience and Technology, Ta ishan U n iversity, Tai chun1 , ZHANG Yan3 , YANG De an S handong 271021, Ch ina; yun1 2. S chool of Com pu ter S cience and Technology, N anjing U niversity of S cience and Technology, N anjing J iangsu 210094, Ch ina; 3. Environm en tal P rotection A gency of D a iyue D istrict, Ta i an S handong 271000, Ch ina) Abstract: A novel app roach for feature extraction of texture images based on NonSubsamp led Contourlet Transform (NSCT ) was p roposed. The coefficients in different scales and different directions were obtained by textural image decomposition using NSCT. Then the means and variances of theses coefficients were extracted to be the feature vectors, which could greatly reduce the number of feature dimension. Back Propagation (BP) neural network was adop ted to imp lement automatic classification of texture images through training and simulation. Compared with wavelet package transform and the imp roved Local B inary Pattern (LBP) texture descrip tor, this app roach can achieve better result. Key words: NonSubsamp led Contourlet Transform (NSCT); texture classification; wavelet package transform; Local B inary Pattern (LBP) 0　引言 作为图像最为显著的视觉特征之一 ,纹理一直是图像处 理领域的重要研究内容 。如何提取更有效的纹理特征 ,成为 纹理分类 、纹理分割和纹理检索技术的关键 [ 1 ] 。通常人们希 望特征维数不大 ,特征提取计算量小 ,并且能对大量未知类型 的纹理进行正确分类 。 目前纹理分析方法主要有统计方法 、结构方法和频谱方 occurance M atrix)的纹 法 。文献 [ 2 ]提出了基于共生矩阵 (Co 理分析方法 ,该方法计算量大 ,且不考虑基元形状 ,缺乏视觉 相似性 。文献 [ 3 ]提出了基于边缘频率的纹理分析方法 ,但 对噪声 极 其 敏 感 。文 献 [ 4 ]提 出 了 局 域 二 值 模 式 (Local B inary Pattern, LBP)作为纹理算子来分析纹理特征 。文献 [ 5 ]提出了图像特征谱的概念 ,论述了利用特征谱进行纹理 分析的优越性 。 近年来 ,小波变换 (W avelet Transform, W T)成为纹理分 析的重要工具 [ 6 ] 。但是二维可分离小波基具有有限的方向 , 不能 很 好 地 表 现 纹 理 的 方 向 性 , 随 之 出 现 了 R idgelet, Curvelet, Contourlet, B rushlet, Bandelet等多 尺度 几 何 分 析 方 法 。其中 , Contourlet变换很好地克服了小波变换的缺陷 [ 7 ] , 具有各向异性和多方向选择性等良好性能 。然而如何构造好 的滤波器是 Contourlet变换面临的重要难题 ,而且由于下采样 过程的存在 , Contourlet变换缺乏平移不变性 [ 8 ] 。在此基础 上 ,文献 [ 9 ]提出了非下采样 Contourlet变换 (Nonsubsamp led Contourlet Transform, NSCT) ,它具有完全的平移不变性 、多尺 度和多方向等特征 ,将其应用在图像去噪 、图像增强和边缘检 测等领域 ,取得了较好的效果 。 基于上 述 背 景 , 本 文 提 出 了 一 种 新 的 基 于 非 下 采 样 Contourlet变换的纹理特征提取方法 ,通过提取不同尺度不同 方向变换系数矩阵的均值和方差作为纹理特征 ,大大降低了 特征维数 ,提高了分类速度 。为进行对比 ,我们分别采用小波 包变换 、改进的 LBP纹理算子和 NSCT变换三种方法提取纹 理特征 ,利用 BP神经网络进行分类 ,并对实验结果做了比 较 ,验证了本文方法的有效性 。 1　非下采样 Contourlet变换简介 非下采样 Contourlet变换是对 Contourlet变换的改进 ,取 消了 Contourlet变换两级实现中的下采样部分 [ 9 ] ,其结构如 图 1所示 。非下采样 Contourlet变换包含两部分 :首先由非下 采样金字塔滤波器 (NonSubsamp led Pyram id, NSP)将图像分 解为 低 频 和 高 频 部 分 , 然 后 由 非 下 采 样 方 向 滤 波 器 (NonSubsamp led D irectional Filter Banks, NSDFB )将高频分布 　　收稿日期 : 2009 - 07 - 21。基金项目 :国家自然科学基金资助项目 (60872161) ;泰山学院科研基金计划项目 ( Y06 　　作者简介 :刘明霞 (1981 - ) ,女 ,山东泰安人 ,讲师 ,硕士 ,主要研究方向 :图像处理 、视频分析 ; 　侯迎坤 ( 1972 - ) ,男 ,山东泰安人 ,讲师 ,博 士研究生 ,主要研究方向 : 数字水印、图像处理 ; 　郭小春 ( 1976 - ) , 女 , 山东泰安人 , 讲师 , 硕士 , 主要研究方向 : 图像处理、电子商务 ; 张燕 (1981 - ) ,女 ,山东泰安人 ,助理工程师 ,主要研究方向 :信息系统 、图像处理 ; 　杨德运 ( 1964 - ) ,男 ,山东泰安人 ,教授 ,博士 ,主要研究方 向 :小波分析、图像处理。 16) 。 2 

第 12期 刘明霞等 :新的纹理图像特征提取方法 　　　　 5343 分解为若干个方向 。 分类 。纹理分类系统流程如图 4所示 。 NSP是一种采用 àtrous算法设计的双通道滤波器 ,是将 滤波器进行上 2 采样后作为下一级滤波器 ,避免了图像因采 样而导致的像素之间的错位 ,具有平移不变性 ,它使得 NSCT 具有多尺度特性 。非下采样 Contourlet变换的第二部分是 NSDFB。NSDFB将图像频谱分解成不同方向的楔形区域 ,但 是 NSDFB 只 对 各 个滤波器进行上采 样 。从 数 学 上 看 , NSDFB 分 解 是 将 信号在一组基函数 上展开 , 对应的基 函数 之 间 是 冗 余 的 。冗余性的好处 是变换对信号移动 具有平移不变性 , 能更准确地捕获图 像中的几何结构信 息 。它可以将第一 级变换所得到的高 频部分分解为 2的 任意次幂个方向 , 每个方向上的高频 部分和 NSP得到的低频部分以及原始图像都具有相同的大 小 。 图 1　NSCT分解结构和频域分解 NSP与 NDFB 可以保证信号完全重建的条件是 :滤波器 满足式 (1) 。 H0 ( z) G0 ( z) + H1 ( z) G1 ( z) = 1 (1) 其中 : H0 ( z) 、H1 ( z) 表示分解滤波器 , G0 ( z) 、G1 ( z) 表示重 建滤波器 。 由以上分析可知 ,非下采样 Contourlet变换在表达图像时 除了具有 Contourlet变换所具有的优点之外 ,还具有平移不变 性 ,能更准确地捕获图像中的几何结构信息 。图 2为应用非 下采样 Contourlet变换对 B rick图像进行三级分解后所得到的 系数图 ,分解后各级图像大小与源图像相同 。 2　纹理分类系统简介 2. 1　BP神经网络概述 对于复杂纹理图像来说 ,线性分类模型不适合用于区分 不同种类的纹理图像 。要寻找一种适合的 、非线性分类模型 常常是一个较困难的工作 。BP神经网络是一种采用反向传 播算法的多层前馈网络 ,能够逼近任意的非线性映射关系 ,而 且有很好的泛化能力 ,在图像处理领域的模式识别 、分类和数 据压缩等领域应用广泛 。本文实验中 ,我们采用 BP神经网 络作为分类器 。 图 3表明了一个具有简单三层反馈结构的 BP神经网络 结构 。由于三层的 BP神经网络可以任意逼近各种函数 [ 10 ] , 所以实验中采用三层网络 :输入层 、输出层和一个隐含层 。输 入层的单元个数为提取的纹理特征数 ,输出层的单元个数为 待分类纹理的种类数 ,隐含层单元数目根据实验情况确定 。 在实验中 ,对每类纹理训练网络时 ,我们把该类所有的训练样 本图像作为正例 ,其余类的所有样本作为反例 。 2. 2　纹理分类系统 本文建立的纹理分类系统流程主要包括三个阶段 :一是 得到训练样本的特征值 (非下采样 Contourlet变换系数矩阵 的均值和方差 )构成的矩阵 ;二是将样本特征作为输入数据 , 使网络进行自学习 ;三是利用学习结果对测试样本进行自动 3　纹理图像库建立和特征提取 3. 1　纹理图像库的建立 目前 ,纹理分析领域有一些著名的图像库 ,如 B rodatz, V isTex,MeasTex和 Outex等 。其中 , Outex纹理库被认为是比 较不同纹理分类方法的最好选择 [ 11 ] ,对分析现实世界景物中 的纹理具有更大的参考价值 。因此 ,本文实验中所用的纹理 图像均选自 Outex纹理库 。我们从中挑选了 10个语义类 (如 表 1所示 ) ,每类 40幅 ,共 400幅纹理图像作为训练和测试样 本 ,构成了本文实验所用的纹理图像库 。 实验中 ,我们从每类纹理图像中随机挑选 30幅作为训练 样本 ,其余 10幅作为测试样本 ,用于比较不同特征描述方法 的分类性能 。 表 1 用于纹理分类实验的图像语义类 编号 语义类 编号 语义类 1 2 3 4 5 W ater Wood Bark B rick Fur 6 7 8 9 10 Carpet Knit Pebbles Upholstery Glass 3. 2　纹理特征提取方法 我们知道 ,特征种类的多少和特征向量的维数是纹理分 类过程中的关键因素 ,特别是对分类速度和效果影响巨大 。 目前 ,人们对如何提取有效的纹理特征做了大量研究 。这里 通过与已被实验验证的两种方法比较 ,给出本文的纹理特征 提取方法 。 第一种方法为小波包变换 (W avelet Package Transform , W PT) 。与小波变换相比 ,小波包不仅对纹理低频部分进行了 分解 ,而且对高频部分也进行了详细的分解 ,能充分适应纹理 特征主要集中在中 、高频段的特点 。首先对纹理图像进行三 

3 6343　　　　 计算机应用 第 29卷 2 2 2 2 2 2 2 2 级小波包分解 ,我们采用的是“db1”和“shannon”熵标准 。第 一级小波包分解后 ,可以得到 4幅子图像 ,第二级可以得到 16幅子图像 ,第三级可以得到 64幅子图像 。由于纹理特征 主要集中在中 、高频部分 ,所以我们取第三级 64幅子图像的 均值和方差作为纹理特征向量 。这样 ,每幅图像的特征值个 数为 128。 第二种方法是 LBP纹理算子 ,该方法是通过在纹理图像 中移动 3 ×3窗口来刻画像素点邻域内灰度的变化情况 。通 过变换系数矩阵将 3 ×3 邻域的纹理基元变换为一个 [ 0, 255 ]的值 ,从而对应一种具体的视觉纹理模式 。为降低特征 维数 ,这里我们采用改进的纹理算子 [ 12 ] ,将像素的灰度差量 化为 4个值 ,并利用相关性最弱的 8邻域像素构建纹理特征 向量 ,从而使纹理特征数由 256降到 64。 本文给出了一种基于非下采样 Contourlet变换的纹理特 征提取方法 。该变换得到的变换系数为 Cell向量 ,每个 Cell 矩阵对应着一个金字塔层次 ,每个 Cell向量包含在该层次上 DFB (D irectional Filter Bank)每个方向的子带 。然而 ,如果将 这些数量庞大的子带变换系数直接应用到分类器中 ,纹理分 类速度将大大降低 。为解决这个问题 ,我们提取分解后子带 的均值和方差作为纹理特征 ,从而使特征向量维数大大降低 。 具体步骤如下 。 1)图像标准化 。把所有训练样本和测试样本图像标准 化成 400 ×300,目的在于使样本图像在包含尽量多和尽量清 晰细节的基础上 ,减小运算量 。 2)对待分类的纹理图像进行非下采样 Contourlet变换 , 得到不同尺度不同方向上的变换系数 。实验中 ,分解层次为 3,分解后可以得到 8个子带 。 3)对不同子带的变换系数 ,取均值和方差作为纹理特 征 ,以降低特征向量的维数 。实验中 ,对于每幅图像 ,我们得 到具有 16个特征值的特征向量 。 可见 ,与小波包变换和改进的 LBP纹理算子方法相比 , 本文提出的纹理特征表示方法将纹理特征个数分别从 128和 64降到了 16,有效降低了计算时间和空间复杂度 。 4　实验结果及分析 本文所提出的纹理分类方法是通过我们实验室的数字图 像分析处理系统 (D IAP)和 Matlab结合实现的 ,并与小波包变 换 (W PT)和改进的局部二值模式 (Local B inary Pattern, LBP) 纹理算子 (LBP )性能比较 ,结果令人鼓舞 。D IAP系统是在 W indows 2000 下 用 VC + + 开 发 的 , 纹 理 特 征 向 量 存 放 在 Matlab的. mat文件中 。 在实验中 ,用 BP神经网络作为分类器 。训练时 ,我们把 每类纹理的 30幅训练样本图像作为正例 ,其余 9类纹理的共 270幅训练样本作为反例 ,将训练好的网络用于测试样本识 别 。 对于分类效果的评价 ,我们采用查准率这个指标 : 查准率 ( Precision) = 正确识别的样本数 待识别的样本总数 (2) 表 2给出了采用上述三种算法进行纹理分类的实验结 果 。从表 2可看出 ,利用非下采样 Contourlet变换比用改进的 LBP算子提取的纹理特征能得到更高的分类准确率 ;在同样 提取变换系数的均值和方差作为纹理特征时 , NSCT变换的分 类准确率比小波包变换的准确率高 。也即在利用相同分类器 的前提下 ,非下采样 Contourlet变换对纹理分类效果最好 ,说 明我们提出的方法是有效的 。 5　结语 用非下采样 Contourlet变换对纹理图像进行分解 ,通过提取变 换系数的均值和方差减少了纹理特征数 ,大幅度降低了存储 和计算开销 ,有利于多尺度多方向纹理特征的使用 。 为验证本文方法的有效性 ,我们分别采用了小波包变换 、 改进的 LBP纹理算子和非下采样 Contourlet变换三种方法提 取纹理特征 ,进行了对比实验 。实验结果表明 ,与其他两种方 法相比 ,该方法使纹理分类准确率明显提升 。然而 ,非下采样 Contourlet变换提取纹理特征的运算速度较慢 ,下一步的工作 是研究如何提高运算速度 。同时 ,非下采样 Contourlet变换分 解层数的确定以及分解后哪些子带含有最重要的特征信息还 有待进一步研究 。 表 2　纹理分类实验结果查准率 纹理类别 W ater Wood Bark B rick Fur Carpet Knit Pebbles Upholstery Glass NSCT 88. 9 83. 3 62. 5 71. 4 90. 0 100. 0 81. 8 60. 0 76. 9 100. 0 查准率 / % W PT 87. 5 100. 0 60. 0 46. 7 83. 3 90. 9 90. 9 50. 0 90. 0 100. 0 LBP 100. 0 66. 7 60. 0 47. 4 30. 8 90. 0 100. 0 40. 0 62. 5 81. 8 参考文献 : [1 ]　TUCERYAN M, JA IN A K. Texture Analysis [M ]. [ S. l. ]: World Scientific, 1998. [2 ]　HARAL ICK R M , SHANMANGAM K . Texture feature for image IEEE Transactions on System s, Man and Cyber classification [J ]. netics, 1973, 3 (6) : 610 - 621. [3 ]　FUNG P W , BREBB IN G, ATTIKIOUZEL Y. Contextual classifica tion and segmentation of textured images [C ] / / Proceedings of the 1990 International Conference on Acoustics, Speech, and Signal Processing. IEEE, 1990, 4: 2329 - 2332. [ S. l. ]: [4 ]　OJALA T , P IETUA INEN M , HARWOOD D A . A comparative study of texture means with classification based on feature distribu tions [J ]. Pattern Recognition, 1996, 29 (1) : 51 - 59. [5 ]　刘继敏. 基于形状检索的研究 [D ]. 北京 : 中国科学院计算技术 研究所 , 2000. [6 ]　L IVENS S, SCHEUNDERS P, van de WOUW ER G, et al. W ave lets for texture analysis, an overview [C ] / / 6 th International Confer ence on Image Processing and its App lications. IEE, 1997, 2: 581 - 585. l. ]: [ S. [7 ]　PO D D Y, DO M N. D irectional multiscale modeling of images u IEEE Transactions on Image Pro sing the contourlet transform [J ]. cessing, 2006, 15 (6) : 1610 - 1620. [8 ]　da CUNHA A L, ZHOU J P, DO M N. The nonsubsamp led cont IEEE ourlet transform: Theory, design, Transactions on Image Processing, 2006, 15 (10) : 3089 - 3101. and app lications [ J ]. [9 ]　da CUNDA A L , ZHOU J P, DO M N. Nonsubsamp led contourlet transform: filter design and app lications in denoising [C ] / / Interna tional Conference on Image Processing. W ashington, DC: IEEE, 2005: 749 - 752. [10 ] 张立明. 人工神经网络的模型及其应用 [M ]. 上海 : 复旦大学 出版社 , 1993: 32 - 54. [11 ] SOUTHAM P, HARVEY R. Towards texture classification in real [2009 - 04 - 10 ]. http: / /www. comp. leeds. ac. scenes [ EB /OL ]. uk / bmvc2008 /p roceedings/2005 /papers/145 / Final. pdf. [12 ] 宋强 , 徐科 , 徐金梧. 一类新的纹理谱描述子 [J ]. 计算机工程 , 本文给出了一种新的纹理特征提取方法 ,主要思想为利 2007, 33 (7) : 31 - 32.