圖像紋理特徵提取

圖像紋理是圖像中像素之間的複雜關係，其反映了圖像的光滑、粗糙、混亂、有序等特徵。因此，對於許多圖像處理和分析任務，包括目標分類、目標檢測、圖像信息檢索等，從圖像紋理中提取特徵已成為一項重要的技術。

一、紋理特徵提取方法

在圖像紋理特徵提取方面，常用的方法可以分為基於結構的方法和基於統計的方法。

1.基於結構的方法

基於結構的方法主要關注圖像中重複的空間結構，並利用這些結構來提取特徵。其中一種常見的方法就是利用小波變換進行紋理分析。小波變換將信號分解為不同尺度和方向上的子帶，能夠很好地描述圖像中不同頻率的細節信息。因此，通過小波變換可以提取圖像紋理的局部結構特徵，如紋理點、線和方向等。

代碼示例：

import pywt
import cv2

img = cv2.imread('texture.jpg', 0)
coeffs = pywt.dwt2(img, 'haar') # 利用haar小波進行二維小波變換
cA, (cH, cV, cD) = coeffs # 獲取LL、LH、HL和HH係數

2.基於統計的方法

基於統計的方法則關注圖像中的紋理統計特徵，包括紋理的灰度分布、梯度方向、梯度幅值和空間結構等，這些特徵往往涵蓋一些局部的信息和全局的信息。由於統計特徵具有不變性和穩定性，因此這些特徵在目標分類和圖像檢索中具有廣泛應用。

代碼示例：

import cv2

img = cv2.imread('texture.jpg', 0)
mean = cv2.mean(img)[0] # 獲取圖像的灰度平均值
var = cv2.meanStdDev(img)[1][0][0] # 獲取圖像灰度方差
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) # 計算梯度幅值和梯度方向

二、常用的紋理特徵描述方法

在圖像紋理特徵描述方面，常用的方法可以分為直方圖和統計方法兩種。

1.直方圖

直方圖通常用於描述圖像的灰度分布特徵，將灰度級分為若干個區間，統計每個區間內像素的個數，得到的直方圖表示了圖像的灰度分布情況。在紋理特徵描述中，可以利用直方圖來描述圖像紋理的灰度分布特徵和梯度分布特徵等。

代碼示例：

import cv2

img = cv2.imread('texture.jpg', 0)
hist = cv2.calcHist([img], [0], None, [256], [0, 256]) # 計算灰度直方圖
hist_norm = cv2.normalize(hist, hist) # 將直方圖歸一化到[0, 1]範圍

2.統計方法

統計方法則關注圖像中的紋理統計特徵，包括紋理的灰度分布、梯度方向、梯度幅值和空間結構等，這些特徵往往涵蓋一些局部的信息和全局的信息。統計方法常用的描述方法有灰度共生矩陣、灰度差異矩陣和局部二值模式等。

代碼示例：

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) # 計算灰度共生矩陣
contrast = cv2.compareHist(cv2.normalize(glcm, glcm).flatten(), np.array([1]), cv2.HISTCMP_CHISQR_ALT) # 計算對比度
entropy = -np.sum(glcm*np.log2(glcm + 1e-10)) # 計算熵

三、常用的圖像紋理特徵分類演算法

在對圖像紋理特徵進行提取和描述之後，通常需要將這些特徵用於分類和識別。常用的分類演算法有：K近鄰演算法、支持向量機演算法、隨機森林演算法和神經網路演算法等。

1.K近鄰演算法

K近鄰演算法是一種基於實例的分類演算法，其基本思想是在訓練數據集中尋找與測試數據樣本最相似的K個鄰居，然後根據這K個鄰居的標籤信息對測試樣本進行分類。在使用K近鄰演算法進行圖像紋理分類時，可以利用某個像素周圍的紋理信息作為該像素的特徵，然後將這些特徵作為訓練數據進行分類。

代碼示例：

import cv2
from sklearn.neighbors import KNeighborsClassifier

def extract_features(img, x, y):
    # 提取以(x, y)為中心的9個像素的紋理特徵
    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.支持向量機演算法

支持向量機演算法是一種二分類演算法，其基本思想是利用一個超平面將不同類別的樣本分開。在圖像紋理分類中，可以將提取的圖像紋理特徵作為樣本，然後利用支持向量機將這些特徵進行分類。

代碼示例：

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.隨機森林演算法

隨機森林演算法是一種集成學習演算法，其基本思想是將多個決策樹合併成一個森林，然後利用不同的隨機採樣和特徵採樣方法來增強模型的泛化能力。在圖像紋理分類中，可以將提取的圖像紋理特徵作為決策樹的訓練數據，然後利用隨機森林對這些特徵進行分類。

代碼示例：

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.神經網路演算法

神經網路演算法是一種常見的深度學習方法，其基本思想是通過多層神經元的計算和反向傳播演算法來訓練模型，實現從輸入到輸出的映射。在圖像紋理分類中，可以將提取的圖像紋理特徵作為神經網路的輸入，然後訓練神經網路進行分類。

代碼示例：

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)