图像纹理特征提取

图像纹理是图像中像素之间的复杂关系，其反映了图像的光滑、粗糙、混乱、有序等特征。因此，对于许多图像处理和分析任务，包括目标分类、目标检测、图像信息检索等，从图像纹理中提取特征已成为一项重要的技术。

一、纹理特征提取方法

在图像纹理特征提取方面，常用的方法可以分为基于结构的方法和基于统计的方法。

1.基于结构的方法

基于结构的方法主要关注图像中重复的空间结构，并利用这些结构来提取特征。其中一种常见的方法就是利用小波变换进行纹理分析。小波变换将信号分解为不同尺度和方向上的子带，能够很好地描述图像中不同频率的细节信息。因此，通过小波变换可以提取图像纹理的局部结构特征，如纹理点、线和方向等。

代码示例：

import pywt
import cv2

img = cv2.imread('texture.jpg', 0)
coeffs = pywt.dwt2(img, 'haar') # 利用haar小波进行二维小波变换
cA, (cH, cV, cD) = coeffs # 获取LL、LH、HL和HH系数

2.基于统计的方法

基于统计的方法则关注图像中的纹理统计特征，包括纹理的灰度分布、梯度方向、梯度幅值和空间结构等，这些特征往往涵盖一些局部的信息和全局的信息。由于统计特征具有不变性和稳定性，因此这些特征在目标分类和图像检索中具有广泛应用。

代码示例：

import cv2

img = cv2.imread('texture.jpg', 0)
mean = cv2.mean(img)[0] # 获取图像的灰度平均值
var = cv2.meanStdDev(img)[1][0][0] # 获取图像灰度方差
gX = cv2.Sobel(img, cv2.CV_32F, 1, 0, ksize=3) # X方向梯度
gY = cv2.Sobel(img, cv2.CV_32F, 0, 1, ksize=3) # Y方向梯度
gMag, gDir = cv2.cartToPolar(gX, gY, angleInDegrees=True) # 计算梯度幅值和梯度方向

二、常用的纹理特征描述方法

在图像纹理特征描述方面，常用的方法可以分为直方图和统计方法两种。

1.直方图

直方图通常用于描述图像的灰度分布特征，将灰度级分为若干个区间，统计每个区间内像素的个数，得到的直方图表示了图像的灰度分布情况。在纹理特征描述中，可以利用直方图来描述图像纹理的灰度分布特征和梯度分布特征等。

代码示例：

import cv2

img = cv2.imread('texture.jpg', 0)
hist = cv2.calcHist([img], [0], None, [256], [0, 256]) # 计算灰度直方图
hist_norm = cv2.normalize(hist, hist) # 将直方图归一化到[0, 1]范围

2.统计方法

统计方法则关注图像中的纹理统计特征，包括纹理的灰度分布、梯度方向、梯度幅值和空间结构等，这些特征往往涵盖一些局部的信息和全局的信息。统计方法常用的描述方法有灰度共生矩阵、灰度差异矩阵和局部二值模式等。

代码示例：

import cv2

img = cv2.imread('texture.jpg', 0)
glcm = cv2.calcGLCM(img, [1], [0, np.pi/4, np.pi/2, 3*np.pi/4], symmetric=True) # 计算灰度共生矩阵
contrast = cv2.compareHist(cv2.normalize(glcm, glcm).flatten(), np.array([1]), cv2.HISTCMP_CHISQR_ALT) # 计算对比度
entropy = -np.sum(glcm*np.log2(glcm + 1e-10)) # 计算熵

三、常用的图像纹理特征分类算法

在对图像纹理特征进行提取和描述之后，通常需要将这些特征用于分类和识别。常用的分类算法有：K近邻算法、支持向量机算法、随机森林算法和神经网络算法等。

1.K近邻算法

K近邻算法是一种基于实例的分类算法，其基本思想是在训练数据集中寻找与测试数据样本最相似的K个邻居，然后根据这K个邻居的标签信息对测试样本进行分类。在使用K近邻算法进行图像纹理分类时，可以利用某个像素周围的纹理信息作为该像素的特征，然后将这些特征作为训练数据进行分类。

代码示例：

import cv2
from sklearn.neighbors import KNeighborsClassifier

def extract_features(img, x, y):
    # 提取以(x, y)为中心的9个像素的纹理特征
    features = []
    for i in range(x-1, x+2):
        for j in range(y-1, y+2):
            if i != x and j != y:
                features.append(img[i, j])
    return features

img = cv2.imread('textures.jpg', 0)
h, w = img.shape
X = []
y = []
for i in range(1, h-1):
    for j in range(1, w-1):
        features = extract_features(img, i, j)
        X.append(features)
        y.append(label)

knn = KNeighborsClassifier(n_neighbors=3, weights='distance')
knn.fit(X, y)

2.支持向量机算法

支持向量机算法是一种二分类算法，其基本思想是利用一个超平面将不同类别的样本分开。在图像纹理分类中，可以将提取的图像纹理特征作为样本，然后利用支持向量机将这些特征进行分类。

代码示例：

import cv2
from sklearn.svm import SVC

img = cv2.imread('textures.jpg', 0)
h, w = img.shape
X = []
y = []
for i in range(1, h-1):
    for j in range(1, w-1):
        features = extract_features(img, i, j)
        X.append(features)
        y.append(label)

svm = SVC(kernel='linear', C=1, gamma='auto')
svm.fit(X, y)

3.随机森林算法

随机森林算法是一种集成学习算法，其基本思想是将多个决策树合并成一个森林，然后利用不同的随机采样和特征采样方法来增强模型的泛化能力。在图像纹理分类中，可以将提取的图像纹理特征作为决策树的训练数据，然后利用随机森林对这些特征进行分类。

代码示例：

import cv2
from sklearn.ensemble import RandomForestClassifier

img = cv2.imread('textures.jpg', 0)
h, w = img.shape
X = []
y = []
for i in range(1, h-1):
    for j in range(1, w-1):
        features = extract_features(img, i, j)
        X.append(features)
        y.append(label)

rf = RandomForestClassifier(n_estimators=100)
rf.fit(X, y)

4.神经网络算法

神经网络算法是一种常见的深度学习方法，其基本思想是通过多层神经元的计算和反向传播算法来训练模型，实现从输入到输出的映射。在图像纹理分类中，可以将提取的图像纹理特征作为神经网络的输入，然后训练神经网络进行分类。

代码示例：

import cv2
import keras
from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation

img = cv2.imread('textures.jpg', 0)
h, w = img.shape
X = []
y = []
for i in range(1, h-1):
    for j in range(1, w-1):
        features = extract_features(img, i, j)
        X.append(features)
        y.append(label)

model = Sequential()
model.add(Dense(64, activation='relu'))
model.add(Dense(32, activation='relu'))
model.add(Dense(10, activation='softmax'))
model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy'])
model.fit(X, keras.utils.to_categorical(y, num_classes=10), epochs=50, batch_size=32)