论文部分内容阅读
纹理特征是将图像内部灰度级的变化进行量化的表示。图像的纹理分析与识别是图像处理的重要研究内容之一，具有广阔的应用前景。近年来,众多学者已经对纹理分析进行了大量的研究，虽然取得了许多显著的成果，但目前来说，纹理分析仍然是一个复杂且需要深入研究的问题。纹理特征的提取是进行纹理分析的基础，是决定样本之间相似性和分类器设计的关键。如何提取出特征维数小、计算简单，同时又能够最优地表示图像的纹理特征，是纹理特征提取中的重点和难点。本文在深入研究图像纹理特征提取方法的基础上，结合非下采样Contourlet变换与支持向量机来进行图像的纹理特征提取和识别，寻找在SVM识别方法下能够表示图像纹理的最优特征向量，并应用到医学颅脑CT图像的纹理识别。工作主要有以下几个方面：1、对图像纹理特征表示方法进行了深入的研究。非下采样Contourlet变换具有多方向、多尺度选择性、各向异性和平移不变性，能在更精细的尺度上分析纹理。通过非下采样Contourlet变换将空间域的纹理图像变换到频率域，在频率域中提取纹理特征对图像进行表示。2、在非下采样Contourlet变换的基础上，分别提取分解后各子带图像的纹理特征，寻找更多的能够反映图像纹理特征的度量组成组合特征向量，并对特征向量进行选择、降维处理。选择合适的参数建立支持向量机模型。将提取的特征向量作为支持向量机的输入进行分类识别。选取了标准Brodatz纹理库图像进行仿真实验，仿真结果表明，低频子带均值方差和高频子带能量组成特征向量组作为图像纹理特征进行分类识别时，识别率较高，特征维数相对较少，计算简单，因此是在SVM识别方法下能够最优表示图像纹理的特征。3、针对医学CT图像的特点，结合非下采样Contourlet变换与支持向量机的优点，对颅脑CT图像进行分类识别，提取NSCT分解后低频子带均值和方差及高频子带能量组成特征向量组作为颅脑CT图像的纹理特征，用SVM进行分类识别。实验表明，本文提取的特征对非病变颅脑CT图像识别率为96.67%，对病变颅脑CT图像识别率为90%，能够相对有效地区分病变与非病变脑CT图像。