紋理分析方法

Ⅰ 幾種紋理分析演算法講ȧ

如果你要做你所說的東西的話，不用去考慮圖像格式的問題。因為你要做的東西，都只能在將各種格式轉換為灰度圖像後才能完成。
C/C++里沒有直接的這些庫，如果沒有規定話，可以考慮用matlab，這裡面關於圖像處理的庫非常完整，比如DCT變換，小波變換，邊界處理等等都有現成的函數，用起來也比C簡單且直觀。

Ⅱ 統計方法有哪些在什麼情況下用什麼方法

1.計量資料的統計方法

分析計量資料的統計分析方法可分為參數檢驗法和非參數檢驗法。

參數檢驗法主要為t檢驗和方差分析(ANOVN，即F檢驗)等，兩組間均數比較時常用t檢驗和u檢驗，兩組以上均數比較時常用方差分析；非參數檢驗法主要包括秩和檢驗等。t檢驗可分為單組設計資料的t檢驗、配對設計資料的t檢驗和成組設計資料的t檢驗；當兩個小樣本比較時要求兩總體分布為正態分布且方差齊性，若不能滿足以上要求，宜用t 檢驗或非參數方法(秩和檢驗)。方差分析可用於兩個以上樣本均數的比較，應用該方法時，要求各個樣本是相互獨立的隨機樣本，各樣本來自正態總體且各處理組總體方差齊性。根據設計類型不同，方差分析中又包含了多種不同的方法。對於定量資料，應根據所採用的設計類型、資料所具備的條件和分析目的，選用合適的統計分析方法，不應盲目套用t檢驗和單因素方差分析。

2.計數資料的統計方法

計數資料的統計方法主要針對四格表和R×C表利用檢驗進行分析。 四格表資料：組間比較用

檢驗或u檢驗，若不能滿足 檢驗：當計數資料呈配對設計時，獲得的四格表為配對四格表，其用到的檢驗公式和校正公式可參考書籍。 R×C表可以分為雙向無序，單向有序、雙向有序屬性相同和雙向有序屬性不同四類，不同類的行列表根據其研究目的，其選擇的方法也不一樣。

3.等級資料的統計方法

等級資料(有序變數)是對性質和類別的等級進行分組，再清點每組觀察單位個數所得到的資料。在臨床醫學資料中，常遇到一些定性指標，如臨床療效的評價、疾病的臨床分期、病症嚴重程度的臨床分級等，對這些指標常採用分成若干個等級然後分類計數的辦法來解決它的量化問題，這樣的資料統計上稱為等級資料。

Ⅲ 紋理分析的定義

紋理是一種普遍存在的視覺現象，當前對於紋理的精確定義還未形成統一認識，多根據應用需要做出不同定義．
定義1 按一定規則對元素（elements）或基元（primitives）進行排列所形成的重復模式.
定義2 如果圖像函數的一組局部屬性是恆定的，或者是緩變的，或者是近似周期性的，則圖象中的對應區域具有恆定的紋理．

Ⅳ 什麼是紋理圖像

紋理圖像一般指圖像紋理,圖像紋理是一種反映圖像中同質現象的視覺特徵，它體現了物體表面的具有緩慢變化或者周期性變化的表面結構組織排列屬性。

紋理具有三大標志：某種局部序列性不斷重復、非隨機排列、紋理區域內大致為均勻的統一體。紋理不同於灰度、顏色等圖像特徵，它通過像素及其周圍空間鄰域的灰度分布來表現，即：局部紋理信息。局部紋理信息不同程度的重復性，即全局紋理信息。

不同於灰度、顏色等圖像特徵，紋理通過像素及其周圍空間鄰域的灰度分布來表現，即局部紋理信息。另外，局部紋理信息不同程度上的重復性，就是全局紋理信息。

紋理特徵體現全局特徵的性質的同時，它也描述了圖像或圖像區域所對應景物的表面性質。但由於紋理只是一種物體表面的特性，並不能完全反映出物體的本質屬性，所以僅僅利用紋理特徵是無法獲得高層次圖像內容的。

與顏色特徵不同，紋理特徵不是基於像素點的特徵，它需要在包含多個像素點的區域中進行統計計算。在模式匹配中，這種區域性的特徵具有較大的優越性，不會由於局部的偏差而無法匹配成功。

在檢索具有粗細、疏密等方面較大差別的紋理圖像時，利用紋理特徵是一種有效的方法。但當紋理之間的粗細、疏密等易於分辨的信息之間相差不大的時候，通常的紋理特徵很難准確地反映出人的視覺感覺不同的紋理之間的差別。

例如，水中的倒影，光滑的金屬面互相反射造成的影響等都會導致紋理的變化。由於這些不是物體本身的特性，因而將紋理信息應用於檢索時，有時這些虛假的紋理會對檢索造成「誤導」。

(4)紋理分析方法擴展閱讀：

紋理圖像分類

1、統計型紋理特徵。基於像元及其鄰域內的灰度屬性，研究紋理區域中的統計特徵，或者像元及其鄰域內灰度的一階、二階或者高階統計特徵。

統計型紋理特徵中以GLCM（灰度共生矩陣）為主，它是建立在估計圖像的二階組合條件概率密度基礎上的一種方法。GLCM主要描述在theta方向上，相隔d個像元距離的一對像元分別具有灰度值i和j的出現的概率。

盡管GLCM提取的紋理特徵具有較好的鑒別能力，但是這個方法在計算上是昂貴的，尤其是對於像素級的紋理分類更具有局限性。並且，GLCM的計算較為耗時，好在不斷有研究人員對其提出改進。

2、模型型紋理特徵。假設紋理是以某種參數控制的分布模型方式形成的，從紋理圖像的實現來估計計算模型參數，以參數為特徵或採用某種策略進行圖像分割，因此，模型參數的估計是這種方法的核心問題。

模型型紋理特徵提取方法以隨機場方法和分形方法為主。

3、信號處理型紋理特徵。建立在時域、頻域分析與多尺度分析基礎之上，對紋理圖像中某個區域內實行某種變換之後，再提取保持相對平穩的特徵值，以此特徵值作為特徵表示區域內的一致性以及區域間的相異性。

信號處理類的紋理特徵主要是利用某種線性變換、濾波器或者濾波器組將紋理轉換到變換域，然後應用某種能量准則提取紋理特徵。因此，基於信號處理的方法也稱之為濾波方法。大多數信號處理方法的提出，都基於這樣一個假設：頻域的能量分布能夠鑒別紋理。

4、結構型紋理特徵。基於「紋理基元」分析紋理特徵，著力找到紋理基元，認為紋理由許多紋理基元構成，不同類型的紋理基元、不同的方向及數目，決定了紋理的表現形式。

Ⅳ 關於灰度共生矩陣對紋理圖像進行分割的問題

基於灰度共生矩陣的圖像分割方法研究
時間：2009-12-16 11:13:13 來源：電子科技 作者：寧順剛，白萬民，喻 鈞 西安工業大學計算機科學與工
程學院
所謂圖像分割就是指把圖像分成各具特性的區域，並提取出感興趣目標的技術和過程。它是數字圖像處理中的關鍵技術之一，是進一步進行圖像識別、分析和理解的基礎。目前圖像分割方面現有的演算法非常多，將它們進行分類的方法也提出了不少。一般分為3類：(1)閾值分割；(2)邊緣檢測；(3)區域提取。但還沒有一種方法能普遍適用於各種圖像。因此，對於圖像分割的研究還在不斷深人之中，也是目前圖像處理中研究的熱點之一。隨著科技的發展進步，圖像處理在軍事中的運用也越來越廣泛，這主要集中在迷彩設計這方面。而現在軍事上的偽裝迷彩是現代高技術戰爭中隱藏武器裝備、保存自我的重要手段，也是消滅敵人的需要。因此對於迷彩的設計研究也一直都是各國的熱門話題。文中主要以某山地航拍圖為研究對像，對其進行背景分析然後再實現圖像分割，為後期迷彩設計做准備。由於該山地背景紋理特徵明顯，故利用紋理分析對其進行背景分析，而灰度共生矩陣是紋理分析方法中最常用的一種方法。文中採用灰度共生矩陣方法對該圖像進行分割研究。

1 灰度共生矩陣
灰度共生矩陣(Gray Level Co-occurrence Ma-trix，GLCM)是圖像紋理分析方法中的一種，它反映不同像素相對位置的空間信息，在一定程度上反映了紋理圖像中各灰度級在空間上的分布特性，是紋理分析領域中最經常採用的特徵之一。灰度共生矩陣是圖像灰度變化的二階統計度量，也是描述紋理結構性質特徵的基本函數，它統計了兩個像素點位置的聯合概率分布。設S為目標區域R中具有特定空間聯系的像素對的集合，則共生矩陣P可定義為

式(1)等號右邊的分子是具有某種空間關系、灰度值分別為i，j的像素對的個數，分母為像素對的總和個數(#代表數量)，這樣得到的P是歸一化的。
對於一幅圖像Gf(i，j)，大小N×N，包含像素(動態范圍為G)的灰度級為{0，1，…，G-1}，它的灰度共生矩陣是一個二維矩陣C(i，J)，每個矩陣元素表示在某一距離d和角度θ強度i和j聯合出現的概率。因此，根據不同的d和θ值，這里可能存在多個共生矩陣。但在實際應用中，往往適當的選取d，而θ一般取O°，45°，90°，135，如圖1所示。

Ⅵ 遙感圖像處理的分析分類

在遙感圖像的實際使用中，常常需要從大量圖像數據中提取特定用途的信息，這稱為特徵提取，常常還需要進行分類和類聚處理，以識別地物類型。 根據像元在波譜空間的位置來分類，但不考慮地物在圖像上的形狀。紋理分析法是根據周圍各像元的分布作為確定這個像元類別的一種方法。它也是一種較實用的分類方法。遙感圖像的一個像元中，往往包含多種地物，不同的地物也可能有相近的波譜特性。加上各種雜訊，使計算機分類的准確度受到一定的限制。除研製和改進遙感器和分類方法外，使用多時相和多種遙感數據並與有關的資料庫配合，可有效地提高分類的准確度。

Ⅶ 紋理分析的作用分析

對這種表面紋理的研究稱為紋理分析.它在計算機視覺領域有著重要的應用.
在機械工程中對機械零件加工表面的這種凹凸不平性開展研究同樣具有重要的實踐意義。 統計紋理分析尋找刻劃紋理的數字特徵，用這些特徵或同時結合其他非紋理特徵對圖像中的區域（而不是單個像素）進行分類。圖像局部區域的自相關函數、灰度共生矩陣、灰度遊程以及灰度分布的各種統計量，是常用的數字紋理特徵。如灰度共生矩陣用灰度的空間分布表徵紋理。由於粗紋理的灰度分布隨距離的變化比細紋理緩慢得多，因此二者有完全不同的灰度共生矩陣。
結構紋理分析研究組成紋理的基元和它們的排列規則。基元可以是一個像素的灰度、也可以是具有特定性質的連通的像素集合。基元的排列規則常用樹文法來描述。

Ⅷ 圖像紋理特徵

所謂圖像的紋理特徵是由圖像上地物重復排列造成的灰度值有規則的分布，這樣的特徵就是圖像的紋理特徵。

Ⅸ Image J軟體如何進行紋理分析（GLCM灰度共生矩陣參數），跪求大神簡單介紹一下大致操作

matlab提供了現成的函數
graycomatrix生成共生矩陣
graycoprops計算其特徵值

具體用法：
glcm = graycomatrix(I)
從圖像I創建灰度共生矩陣glcm。通過計算具有灰度級i和灰度級j的像素對在水平方向相鄰出現的頻繁程度。glcm中的每個元素說明了水平方向相鄰像素對出現的次數。如果灰度級為L則glcm的維數為L*L。
2.glcms = graycomatrix(I,param1,val1,param2,val2,...)
根據參數對的設定，返回一個或多個灰度共生矩陣。
參數說明：
'GrayLimits'：灰度界限，為二元向量[low high]。灰度值小於等於low 時對應1，大於等於high時對應於灰度級。如果參數設為[]，則共生矩陣使用圖像的最小和最大灰度值作為界限，即[min(I(:)) max(I(:))]。
'NumLevels'：整數，說明I中進行灰度縮放的灰度級數目。例如，如果NumLevel設為8，則共生矩陣縮放I中的灰度值使它們為1到8之間的整數。灰度級的數目決定了共生矩陣glcm的尺寸。預設情況：數字圖像：8；二進制圖像：2。
'Offset'：p行2列整型矩陣，說明感興趣像素與其相鄰像素之間的距離。每行是一個說明像素對之間偏移關系的二元向量[row_offset, col_offset]。行偏移row_offset是感興趣像素和其相鄰像素之間的間隔行數。列偏移同理。偏移常表達為一個角度，常用的角度如下：（其中D為像素距離）
角度 0 45 90 135
Offset [0,D] [-D D] [-D 0] [-D -D]
3.[glcms,SI] = graycomatrix(...)
返回縮放圖像SI，SI是用來計算灰度共生矩陣的。SI中的元素值介於1和灰度級數目之間。
graycoprops：得到灰度共生矩陣得到各種屬性
stats = graycoprops(glcm, properties)：從灰度共生矩陣glcm計算靜態屬性。glcm是m*n*p的有效灰度共生矩陣。如果glcm是一個灰度共生矩陣的矩陣，則stats是包括每個灰度共生矩陣靜態屬性的矩陣。
graycoprops正規化了灰度共生矩陣，因此元素之和為1。正規化的GLCM中的元素（r，c）是具有灰度級r和c的定義的空間關系的像素對的聯合概率。Graycoprops使用正規化的GLCM來計算屬性。
屬性參數如下：
1. 'Contrast' : 對比度。返回整幅圖像中像素和它相鄰像素之間的亮度反差。取值范圍：[0,（GLCM行數-1）^2]。灰度一致的圖像，對比度為0。
2. 'Correlation' : 相關。返回整幅圖像中像素與其相鄰像素是如何相關的度量值。取值范圍：[-1,1]。灰度一致的圖像，相關性為NaN。
3. 'Energy' : 能量。返回GLCM中元素的平方和。取值范圍：[0 1]。灰度一致的圖像能量為1。
4. 'Homogemeity' : 同質性。返回度量GLCM中元素的分布到對角線緊密程度。取值范圍：[0 1]。對角矩陣的同質性為1。