纹理特征提取方法综述

图像纹理特征提取是图像纹理分类与分割的基础,广泛应用于医学图像、遥感图像等领域。对近期的主流纹理特征提取方法以及融合方法进行了分析与总结,并探讨了纹理特征提取方法未来的研究方向。首先详细介绍了12个主流的公开纹理数据集的特点及其适用场景;接着总结了近几年出现的一些纹理特征提取方法,并根据特征融合方式从多个角度对纹理特征融合方法进行了分类介绍;最后总结了纹理特征提取存在的难点和挑战,并对未来的纹理特征提取方法研究方向进行思考和讨论。

自适应权重联合多尺度LBPV^2纹理分类方法

传统的局部二值模式仅局限于局部纹理信息的提取,忽略了全局纹理信息的表达,造成最终的纹理分类效果并不理想。为了解决以上问题,借鉴局部二值模式方差(LBPV)的优势,在此基础上提出了一种新的基于自适应权重联合多尺度LBPV^2的纹理图像分类方法。该方法将方差平方作为直方图累积权重取代原来的方差权重,并采用自适应权重联合多尺度方案来实现多尺度纹理信息提取,进一步提升了纹理图像描述子的分类性能。在国际公认的Outex纹理数据集上的仿真实验表明,提出的这种新的基于自适应权重联合多尺度LBPV^2的纹理图像分类方法能够实现纹理分类性能的显著改善。

动态网络分析视角下的纹理分析与分类应用研究

基于Backes Andre Ricardo等人提出的“构造伴生动态演化网络”、生成“高维解释向量”的纹理图片分类法,研究了Kylberg纹理图像库的分类问题。通过将数据集图片样本进行二次分割以减少该算法预处理计算量、提出了构建纹理网络时的“网络顶点随机化、抽样采集”策略,该思路可进一步减少算法的时间开销。该类纹理图片数据高维几何数字特征的提取流程易于实现,扩展了原算法的适用范围。数值结果表明算法对旋转操作、噪声干扰具有一定的鲁棒性,具备一定潜在应用前景。