gabor变换提取纹理特征

第３８卷　第７期　２００８年７月　激光与红外　ＬＡＳＥＲ　＆　ＩＮＦＲＡＲＥＤ　Ｖｏ１．３８，Ｎｏ．７　Ｊｕｌｙ，２００８　

文章编号：１００１－５０７８（２００８）０７－０７０８－０４　・图像与信号处理・　

基于Ｇａｂｏｒ变换与克隆选择的遥感图像分类算法　

韩敏，林晓峰　

（大连理工大学电子与信息工程学院，辽宁大连１　１６０２３）　

摘　要：提出了一种Ｇａｂｏｒ变换与克隆选择算法相结合的遥感图像分类算法。该算法首先对　

遥感图像进行离散Ｇａｂｏｒ变换，以Ｇａｂｏｒ变换系数模的平均值作为该图像的纹理特征，然后利　

用克隆选择算法对纹理特征进行优化，得到最优纹理特征。实验结果表明，该算法要优于传统　

的Ｇａｂｏｒ变换分类算法，分类精度和ｋａｐｐａ系数都有较大提高。　

关键词：遥感图像；分类；纹理；Ｇａｂｏｒ变换；克隆选择　

中图分类号：ＴＰ７５３　文献标识码：Ａ　

Ａ　Ｃｌａｓｓｉｆｉｃａｔｉｏｎ　Ａｌｇｏｒｉｔｈｍ　Ｂａｓｅｄ　ｏｎ　Ｇａｂｏｒ　Ｔｒａｎｓｆｏｒｍａｔｉｏｎ　ａｎｄ　

Ｃｌｏｎａｌ　Ｓｅｌｅｃｔｉｏｎ　ｆｏｒ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ　Ｉｍａｇｅ　

ＨＡＮ　Ｍｉｎ，ＬＩＮ　Ｘｉａｏ—ｆｅｎｇ　

（Ｓｃｈｏｏｌ　ｏｆ　Ｅｌｅｃｔｒｏｎｉｃ　ａｎｄ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｄａｌｉａｎ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｔｅｃｈｎｏｌｏｇｙ，Ｄａｌｉａｎ　１　１　６０２３，Ｃｈｉｎａ）　

Ａｂｓｔｒａｃｔ：Ｉｎ　ｔｈｉｓ　ｐａｐｅｒ，ａ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ａｌｇｏｒｉｔｈｍ　ｂａｓｅｄ　ｏｎ　Ｇａｂｏｒ　ｔｒａｎｓｆｏｒｍａｔｉｏｎ　ａｎｄ　ｃｌｏｎａｌ　ｓｅｌｅｃｔｉｏｎ　ａｌｇｏｒｉｔｈｍ　ｆｏｒ　ｒｅ—　ｍｏｔｅ　ｓｅｎｓｉｎｇ　ｉｍａｇｅ　ｉｓ　ｐｒｏｐｏｓｅｄ．Ｔｈｅ　ｄｉｓｃｒｅｔｅ　Ｇａｂｏｒ　ｔｒａｎｓｆｏｒｍａｔｉｏｎ　ｉｓ　ｅｍｐｌｏｙｅｄ　ｔｏ　ｐｒｏｃｅｓｓ　ｔｈｅ　ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ｉｍａｇｅｓ　ａｎｄ　ｔｈｅ　ｃｏｅｆｆｉｃｉｅｎｔ　ｎｏｒｍ　ｏｆ　ｔｌｌｉｓ　ｔｒａｎｓｆｏｒｍａｔｉｏｎ　ｉｓ　ｕｓｅｄ　ａｓ　ｔｈｅ　ｔｅｘｔｕｒｅ　ｆｅａｔｕｒｅｓ　ｏｆ　ｔｈｅ　ｉｍａｇｅｓ．Ｔｈｅｎ　ｃｌｏｎａｌ　ｓｅｌｅｃｔｉｏｎ　ａｌｇｏ—　

脉迪 指静脉特征提取算法

脉迪是一种指静脉特征提取算法，它是一种用于识别和验证个体身份的生物特征识别技术。指静脉是人体手指上的一种特殊血管结构，具有唯一性和稳定性，因此可以用于身份验证和识别。脉迪算法通过提取指静脉图像中的特征信息，实现对个体身份的准确识别。

脉迪指静脉特征提取算法的核心思想是利用指静脉图像中的纹理信息。指静脉图像中的纹理特征是由血管结构和血液流动引起的，因此在不同人的指静脉图像中具有差异。脉迪算法通过提取图像中的纹理特征，并将其转化为可用于识别和验证的特征向量。这些特征向量可以用于建立指静脉模板库，并与待识别指静脉图像进行比对，从而实现对个体身份的准确识别。

脉迪算法的指静脉特征提取过程包括以下几个步骤：

1. 图像采集：使用指静脉图像采集设备对手指进行拍摄，获取指静脉图像。

2. 图像预处理：对采集到的指静脉图像进行预处理，包括图像增强、去噪和边缘检测等操作，以提高后续处理的准确性和稳定性。

3. 特征提取：在预处理后的图像中提取指静脉的纹理特征。脉迪算法采用了基于Gabor滤波器的方法，通过对图像进行滤波和特征提取，得到描述指静脉纹理特征的特征向量。

4. 特征匹配：将提取到的特征向量与已有的指静脉模板库进行比对，计算相似度或距离，从而判断待识别指静脉图像与哪个模板最相似，进而确定个体身份。

脉迪算法在指静脉识别领域具有很高的准确性和稳定性。与其他生物特征识别技术相比，指静脉识别具有以下优势：

1. 唯一性：每个人的指静脉图像都是独一无二的，具有高度的唯一性。不同于指纹识别和人脸识别等技术，指静脉识别不会受到年龄、外貌变化和环境影响等因素的干扰。

2. 稳定性：指静脉图像在个体生命周期内保持相对稳定，不会因为个体的年龄、健康状况和环境变化等因素而发生显著变化。因此，指静脉识别具有较高的稳定性和可靠性。

3. 隐私性：指静脉图像采集过程非侵入性，不会对个体的隐私权产生侵犯。与其他生物特征识别技术相比，指静脉识别更加符合个体隐私保护的要求。

第6章 纹理描述与识别

纹理是图像的重要视觉特征，是物体表面颜色或亮度规律性分布或变化的重要性质。有关纹理的概念在人们心理中自然形成，但很难用确切的语言或文字描述，因而在自然语言中有较少的纹理描述词。目前对纹理虽然没有准确的定义，但数学上的描述已有一些有效的方法，如Tamura参数、亮度共生矩阵、随机场模型、小波变换等。这些方法试图利用统计、变换、识别等方法，描述纹理的空间、频域和结构性质，因此，纹理的描述方法可分为统计法、频谱法和结构法。纹理识别就是利用各种纹理描述参数识别纹理结构或纹理性质。

6.1 图像纹理的描述方法

6.1.1 Tamura纹理特征提取

基于人类对纹理的视觉感知心理学研究，Tamura等人提出了纹理特征的6个特征参数：粗糙度(coarseness)、对比度(contrast)、方向度(directionality)、线像度(linelikeness)、规整度(regularity)和粗略度(roughness)。其中，前三项用的最多，定义如下：

1．粗糙度

粗糙度指图像纹理变化的粒度。当图像的纹理变化间隔较大时，图像给人的感觉比较粗糙；当图像的纹理变化间隔很小时，图像给人的感觉比较细腻，也就是粗糙度较小。粗糙度与图像的分辨率有关，分辨率大，纹理元尺度大，重复次数少，则图像比较粗糙。

粗糙度是纹理最本质的特性，计算方法可以按以下几个步骤进行。

（1）计算图像中每个像素在2k*2k邻域内的平均亮度，即：

122122211112/),(),(kkkkxxiyyjkkjigyxA

其中k=0,1,2,…,5，g(i,j)是图像中(i,j)点的像素亮度值。

（2）对于每个像素，在水平和垂直方向上分别计算不同尺度的互不重叠的窗口之间的平均亮度差，即：

|),2(),2(|),(11,yxAyxAyxEkkkkhk |)2,()2,(|),(11,kkkkvkyxAyxAyxE

光谱特征、纹理特征

光谱特征和纹理特征是在图像处理和计算机视觉领域中用于描述图像内容的两种不同类型的特征。

光谱特征：

光谱特征通常与图像的颜色信息有关，特别是在多光谱或高光谱图像中。光谱特征主要包括：

1. 波段反射率： 在多光谱或高光谱图像中，不同波段的反射率信息。

2. 光谱曲线： 描述不同波段上像素的光谱响应曲线，用于分析物体的光谱特性。

3. 光谱指数： 使用不同波段的像素值进行计算，如归一化植被指数（NDVI）、植被指数（VI）等。

4. 光谱特征分析： 通过光谱信息分析物体的材质、含水量等属性。

纹理特征：

纹理特征关注的是图像中不同区域之间的结构和纹理差异。纹理特征通常用于描述图像的细节和局部结构，其中一些常见的纹理特征包括：

1. 灰度共生矩阵（GLCM）： 用于描述像素之间的灰度关系，可以计算纹理特征如能量、对比度、相关性等。

2. 方向性纹理特征： 描述图像中不同方向上的纹理特性，如方向梯度直方图（HOG）。

3. 局部二值模式（LBP）： 用于描述图像中局部纹理结构的二值模式。 4. Gabor滤波器特征： 对图像进行Gabor滤波，用于提取不同频率和方向上的纹理信息。

5. 小波变换特征： 使用小波变换分析图像的局部纹理特征。

在实际图像处理任务中，常常结合使用光谱特征和纹理特征，以获取更全面的图像信息。例如，在卫星遥感图像中，通过结合光谱信息和纹理信息可以更准确地进行地物分类。在医学图像分析中，光谱特征和纹理特征的结合可以用于病变检测和诊断。