论文部分内容阅读
纹理分割是纹理分析中的难点,其中的关键技术是特征提取,特征提取的好坏直接影响着分割结果的好坏,矩作为一种特征描述子可以有效地提取纹理特征。综合考虑矩在图像描述能力、信息冗余度和噪声敏感性等方面的性能,Zernike矩具有比几何矩、Legendre矩等更优良的性能。但是几何矩和正交矩只能提取图像的全局特征,新出现的小波矩很好的克服了这一缺陷,它可以借助小波变换的多分辨率特性提取图像的局部特征。我们分别将这两种矩应用于提取纹理特征,得到了良好的分割结果。本课题首先提出基于Zernike矩和BP神经网络的纹理分割方法。它的特征提取分两步:首先在图像每个像素周围的小窗口内计算Zernike矩,得到纹理特征的几何模型,然后通过一个非线性变换器将第一步得到的矩值转换成特征向量。特征提取完成,接下来的分类工作交给BP神经网络。比较基于Zernike矩和基于Legendre矩的纹理分割结果,可以看出前者是一种更有效的分割方法。接下来讨论了Zernike矩的阶数及窗口的大小对分割结果的影响,得出结论:1、提高Zernike矩的阶数可以减少分割错误率,但是更高阶矩对噪声敏感,反而使分割错误率上升;2、矩值计算时窗口大小的选取与纹理本身的特点相关,较致密的纹理需要选取较小的窗口,较疏松的纹理需要选取较大的窗口,而非线性变换器的窗口应尽可能的大,以提高分割结果的区域连续性,但同时要考虑到计算效率问题。我们还提出了基于小波矩和BP神经网络的纹理分割方法。首先根据小波变换和旋转不变矩的概念引入了小波矩,主要讨论了两种小波矩——三次B样条矩和Haar矩,并且提出了特征选取的方法,提高了效率和特征性能。通过对差别细微的纹理对的分割结果进行比较,发现三次B样条矩的分割错误率低于Haar矩的,而Haar矩的分割错误率又低于Zernike矩的。