第6 期
唐银凤等： 基于多特征提取和 SVM 分类器的纹理图像分类
23
1
1． 1
原理概述
纹理特征提取算法
要对各种光学图像进行比较好的分类和查询 ， 首先得提取
类别有一定的相关性， 这种相关性即为马尔柯夫相关性 。 一幅 图像可以视为二维的随机过程 ， 可以用条件概率来描述影像数 MRF 的假设前提是影像中每一个像元的像元值仅仅依 据分布， 赖于其邻域中像元的像元值 。一个马尔柯夫随机场通常用如下 的局部条件概率密度（ PDF） 来描述： p（ f（ m， n） | f（ k， l） ， （ k， l） ≠ （ m， n） ， （ k， l） ∈ Λ） = p（ f（ m， n） | f（ k， l） ， （ k， l ） ∈ N （ m， n） ） （ 7 ） N （ m， 如果 PDF 服从高斯分布， 就称 n） 是中心像素的邻域像素点 ， MRF 为 GMRF。用邻域信息来估计像素点灰度值的预测公式 可以表示为： f（ m， n） =
x y 2 2 x
s） f（ m － t， n － s） ∑ θ（ t ，
+ e（ m， n）
2
（ 8） （ 9）
e（ m， n） ～ N（ 0 ， ∑）
∑
=
[ σ0
0 σ
2
]
+
y2 + 2 πjWx 2 σy
)
]
公式（ 9 ） 中邻域坐标为： N = ｛ （ 1， 1） ， （ 1， 0） ， （ 1 ，－ 1 ） ， （ 0， 1） ， （ 0 ，－ 1 ） ， （ － 1， 1） ， （ － 1， 0） ， （ － 1 ，－ 1 ） ｝ s） 为每个邻域像素点贡献于中心像素点灰度值的权 θ（ t ， 2 ， e （ m ， n ） 为均值为零， 值 方差为 σ 的高斯噪声序列。 本文采用最小二乘估计方法 LSE 方法估计高斯马尔柯夫 随机场模型参数， 构成了中心像素点 6 维特征矢量。 r （ 0 ， 0 ） r （ 0 ， 1 ） r（ 0 ， 2） r（ 1 ， 0 ） θ（ 1 ， 1） 1） r（ 0 ， r （ 0 ， 2） r（ 1 ， 0） r（ 0 ， 0） r（ 0 ， 1） r（ 1 ，－ 1 ） r（ 0 ， 1） r（ 0 ， 0） r（ 1 ，－ 2 ）
（ 4）
求出能量的均值 μ mn 和方差 σ mn 就可以得到一组特征向量 ， 用来 描述图像的纹理特征。 μ mn = E mn M×N （ 5）
1 f（ m， n） f（ m － t， n － s） ∑ Nw （ m ， n） ∈ w
（ t， s） ∈ N
2 0） － σ = r（ 0 ，
Байду номын сангаас
s） r（ t， s） ∑ θ（ t ，
（ t， s） ∈ N
目前已经出现了很多 图像的纹理特征。根据纹理的基本特征， 纹理特征描述方法， 其中最重要的应用最广的是基于统计和基 于结构的方法。本文应用了三种提取图像纹理特征的算法 ， 分 GMRF 和 GLCM。 别是 Gabor 小波变换、 1． 1． 1 Gabor 小波［4］ Gabor 特征利用其 Gabor 小波自身具有的多尺度多方向分 析能力， 在周期性或方向性纹理上具有良好的分类效果 。 Gabor 小波是将 Gabor 基函数经过移位、 旋转和比例变换后得到的一 y） 可 组相似 90° 相移的 Gabor 函数。一个二维 Gabor 函数 g（ x， 以表示为： g（ x， y） = 1 x 1 exp [ － ( 2 πσ 2 (σ σ )
（ 10 ）
σ mn =
∑∑ 槡
x y
（ | W mn （ x， y） | － μ mn ） M×N
（ 1）
W 为高斯函数的调制频率 ， g（ x， y） 是经过复数正弦函数 其中， y） 为母小波， 令 g（ x， 可通过下列函数膨胀、 旋 调制的高斯函数。 y） 获得一组自相似滤波器 （ 称为 Gabor 小波） ， 即： 转 g（ x， g mn （ x， y） = a －m g（ x' ， y' ） W mn （ x， y） = a ＞ 1 m， n∈Z * （ x1 ， y1 ） （ 2） （ 3） y） ， 给定一幅图像 I（ x， 则它的离散 Gabor 小波变换定义为： y－y ）g ∑ ∑ I（ x － x ，
（ Signal Processing Lab， School of Electronic Information Engineering， Wuhan University， Wuhan 430000 ， Hubei， China）
Abstract
It is the ability to identify and classify various objects that worth interest from mass high resolution remote sensing images that is
0
引
言
2］ 文献［ 利用 SVM 方法提取空间特征， 对遥感影像进行图像分 3］ 文献［ 基于 SVM 的图像分类， 这些实例表明 SVM 可有效 类， 地应用于遥感图像的分类 ， 并利用 SVM 对高维输入向量具有高 推广能力的优点进行遥感信息提取 。 就目前的研究来看， 任何 一种分类器在实际应用中都达不到百分之百的正确分类结果 。 这驱使我们考虑同时利用分类正确与错误的结果 ， 以期达到更 高的分类正确率。 而查找表建立原则简单 、 效果直观、 逻辑清 我们可以通过设计合适的策略 ， 同时利用被正确分类的以及 晰， 形成一种索引关系， 快速准确地对 那些被错误分类的样本信息 ， 新样本进行归类。
湖北 武汉 430000 ） 湖北 武汉 430000 ） 湖北 武汉 430000 ）
（ 武汉大学电子信息工程学院信号处理实验室
摘
要
能够从大量高分辨率遥感图像中识别出各种感兴趣的目标并进行归类 ， 是一种具有广泛应用前景的技术需求 。 实验以
MATLAB 为平台， 应用 Gabor 滤波器、 高斯马尔柯夫随机场（ GMRF） 和灰度共生矩阵 （ GLCM ） 三种纹理图像特征提取算法对当前广 泛应用于纹理图像分类的样本集 brodatz 光学数据库图像进行特征提取 ； 然后在二分类支持向量机的基础上构造多类分类器的方 完成了利用支持向量机 SVM 分类器对光学纹理图像进行分类的两组对比实验 ； 最后通过提出的融合多特征纹理分类生成纹理 法， 查找表的方法， 在两组对比实验中验证了该文提出的方法能够在 Brodatz 光学纹理集上得到较好的分类效果 。 关键词 纹理 分类 特征提取 支持向量机 查找表
第 28 卷第 6 期 2011 年 6 月
计算机应用与软件 Computer Applications and Software
Vol. 28 No． 6 Jun． 2011
基于多特征提取和 SVM 分类器的纹理图像分类
唐银凤
3
1
1 2
黄志明
2
黄荣娟
1
姜佳欣
1
卢 昕
3
（ 武汉大学电子信息学院 （ 武汉大学国际软件学院
收稿日期： 2010 － 12 － 17 。国家自然科学基金项目 （ 60872131 ） 。 唐 银凤， 本科， 主研领域： 测控技术与仪器。
对于依赖高空间高分辨率复杂遥感图像对地面目标进行侦 要从大量的遥感图像中找出感兴趣的目标 ， 如识 察的任务来说， 别出各种农作物、 树林、 住房建筑等， 一直是一项重要而繁琐的 工作。在对这些图像识别中， 建立一种对遥感图像数据库有效 且快速的查询方法具有重要意义 。 而这种查询方法， 又必须依 赖于对图像很好的分类效果 。 在图像分类方面， 一些工作人员 1］ 如从文献［ 可看出， 单一特征在某些 近期已经做了一些研究 ， 应用中不如多特征融合提取的图像信息更加完整 。这说明在特 征提取上， 不同算法得到的图像信息具有一定的互补性 ， 只有通 过特征组合指导形成的分类器才能给出好的分类效果 。 支持向量机 SVM 作为一种较新的也是最有效的统计学习
a kind of technical requirement appealing for broad applicational prospects． The experiment takes Matlab as the experimental platform， and applies three image texture feature extraction algorithms， respectively， Gabor filter， GaussMarkov random field model （ GMRF ） and the gray level cooccurrence matrix （ GLCM） to extract features from Brodatz optical database images which is a popularly used sample set for texture the paper has image classification． Then following the method of constructing multikinds classifier based on binary classification SVM， completed the comparative experiments of two groups by classifying optical texture images with SVM classifiers． At last， by the proposed fusing multifeature texture classification to generate texture lookup table method， in both experiment groups， the method brought forward in the article is verified to be able to obtain better classification effects on Brodatz optical texture set． Keywords Texture Classification Feature extraction SVM Lookup table 方法， 近年来成为模式识别与机器学习领域一个新的研究热点 。