图像纹理检测与特征提取技术研究综述

李秀怡

[摘 要] 图像纹理作为图像数据的重要信息，是符合人类视觉特征的重要信息之一。纹理检测与特征提取是纹理分类与分割的基础前提，可以应用到医疗、工业、农业、天文等多个领域，也是近几十年来一个经久不衰的热点研究。随着图像处理领域各种技术的发展，纹理特征分析提取方法也得到不断创新。文章在对相关文献进行调研的基础上，叙述了纹理特征提取方法的发展历程及研究现状，并重点对近十年纹理特征提取方法进行了论述，最后指出了该领域的发展趋势及问题。

[关键词] 图像纹理；特征提取；小波；支持向量机

doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2017. 23. 088

[中图分类号] TP311 [文献标识码] A [文章编号] 1673 - 0194（2017）23- 0175- 04

1 引 言

随着大数据时代的到来，相对于一般数据，图像信息作为一种更直观更形象的数据表现形式，其应用已经深入到医学、工业、航空、农业等各行业领域中。而纹理作为图像的重要特征之一，可以充分反映图像的整体特征，因此也成为了诸多图像后处理技术所必备的研究条件。但是，纹理的复杂多样性使得研究者们对其分析和准确识别是非常困难。而解决这个困难的方法之一是对图像提取纹理，然后对提取的纹理进行分析研究。这也是模式识别、图像检索、和计算机视觉等研究的基础。在纹理研究的每个阶段内，随着国内外学者研究对图像纹理提取模型及算法的不断创新，以及纹理提取的广泛的应用价值，促使着大家对这一领域进行更深入的研究。

2 纹理的基本定义及特性

目前，人们对纹理的精确定义还没有完全统一，当前几个类别的定义基本上按不同的应用类型形成相对的定义。一般认为，纹理是图像色彩或者灰度在空间上的重复或变化形成纹理。通常，人们将组成纹理的基本单元称为纹理基元或纹元（texture element）。

尽管关于纹理的定义尚未统一，但人们对纹理信息所具有的如下特性达成共识：

（1）纹理基元是紋理存在的基本元素，并一定是按照某种规律排列组合形成纹理；（2）纹理信息具有局部显著性，通常可以表现为纹理基元序列在一定的局部空间重复出现； （3）纹理有周期性、方向性、密度、强度和粗糙程度等基本特征，而与人类视觉特征相一致的周期性、粗糙性和方向性也更多的被用于进行纹理分类； （4）纹理区域内大致是均匀的统一体，都有大致相同的结构。

纹理的分类有很多种，根据纹理定义域的不同，纹理可以分为二维纹理和三维纹理；根据纹理的表现形式不同，纹理可以分为结构型纹理和随机性纹理。根据形成方式不同，可以分为自然纹理、人工纹理和混合纹理。

3 已有的综述类文献

截至目前，就图像纹理特征提取方法进行全面论述的只有刘丽等人的“图像纹理特征提取方法综述”。该文章回顾了纹理特征提取方法的早期发展历程，对截至到2009年这个时间节点的纹理特征研究现状、分类模型以及提取方法进行了较为全面的综述，并预测了该时间节点之后的发展趋势。自此后至今尚未出现类似更新的全面综述文章。本文重点梳理了近十年来在纹理特征提取技术的最新进展。

4 纹理特征提取研究现状

4.1 国外

目前对纹理的分析研究已经近50年的历史。从以前的发展来看，国外学者的研究主要集中在纹理特征提取方法的创新方面，也有算法的改进应用研究。

真正意义上的纹理研究是从20世纪80年代开始。当时出现的马尔可夫随机场（MRF）理论和分形（Fractal）理论为纹理特征研究开辟了新方向。许多国外学者基于这方面做出了开创性的研究成果。比较典型的是Chaudhuri和Sarker提出的简单、快速并且具有高精度特性的差分计盒方法。这种方法也成为了后续研究者采用较多的一种方法。

自20世纪90年代开始，上述传统的纹理研究方法出现了一个瓶颈，即无法从多尺度实现纹理特征的描述。1986年左右开始出现的小波理论研究热潮，为更精细的纹理特征研究开辟了新思路。1989年，Mallat首先将小波理论应用于纹理分析中，随后引发了基于小波分析的纹理研究热潮。随着小波理论不断发展，出现了树结构小波、小波框架以及小波包等多个分支。基于这些分支的图像纹理研究也相应出现。比较典型的有Chang等人提出的基于树结构小波的纹理分类方法，Unser研究的基于小波框架的纹理分类方法。这些研究成果的出现均在图像纹理特征分析领域中起到了积极地推动作用。

进入21世纪后，研究者们针对纹理以及纹理特征的分析进入了相对成熟的阶段，见图1。比较典型的是Ojala等人在2002年提出的基于局部二进制模式（LBP）的纹理分析方法。该算法由于具有计算复杂度小、多尺度以及旋转不变等特性而得到广泛认可。

2010年，Shao-Hu Peng等人提出了一种基于均匀估计方法（Uniformity Ustimation Method）的纹理特征提取算法，并将该方法应用于胸部CT图像中亮度和结构描述。2011年，Kemal IhsanKilic等人提出了一种利用分形尺寸和空隙度来提高纹理识别性能。Yeong-Yuh Xu等人提出了一种基于神经网络的广义概率决策实现纹理识别方法。2013年，Rodrigo Pereira Ramos等人提出了一种利用强度梯度的特征值分析和多分辨率分析实现具有旋转不变性的纹理特征提取方法，用于图像检索。2015年，Tiecheng Song等人提出了一种基于局部量化模型，利用空频域共生性来实现纹理表征的一种方法。Hadi Hadizadeh提出了一种利用多分辨率局部Gabor小波二进制模型来实现灰度级纹理描述方法。2016年，Liming Tang等人提出了一种多级变化分解模型来实现不同尺度下纹理特征的提取。Deepshikha Tiwari等人提出了一种使用多分辨率带权边型的局部结构模式实现动态纹理识别的方法。2017年，Jo？觀o Batista Florindo等人提出了一种使用离散薛定谔变换（Discrete Schroedinger Transform）进行纹理识别的方法。Shervin Rahimzadeh Arashloo等人提出了一种使用深多尺度卷积网络来实现动态纹理表示的方法。

4.2 国内

近十年，国内学者在相关研究方向主要是改进各种算法，把某种具体方法应用于实际领域，论文发表如图2所示。

由图2可见，2005年之前，国内在纹理研究方面论文相对较少，在纹理特征提取方面更是寥寥。自2005年开始相关研究热度有明显上升，主要研究方向集中于基于信号处理、模型和统计等。本文从2005年开始，对纹理特征提取方面的主要文章进行梳理。

4.2.1 基于信号处理的方法

2005年，张志龙等人提出的利用局部沃尔什变换（Local Walsh Transform）提取图像纹理特征的方法。尚赵伟等人提出的基于不同复小波变换方法的一阶和二阶统计矩（共生矩阵）特性来实现纹理特征提取的方法。葛晓菁等人提出的利用Gbaor小波变换与高斯归一化的综合方法来实现纹理特征提取的算法。王丽亚等人提出的利用纹理信息频域分布以及尺度特性实现纹理特征提取的算法。陈洋、黄百钢等人均提出的结合Gabor滤波和ICA技术进行纹理特征的提取方法。赵一凡等人提出的利用方向可控滤波器（steerable filter）和轮廓波（contourlet）分解的方向性及能量变化特性实现纹理特征提取方法。2009年，汪闽等人提出的基于模板分解与递归式滤波的遥感图像快速Gabor纹理特征提取方法。刘明霞等人提出的基于非下采样轮廓波（contourlet）变换的纹理特征提取方法。2010年，刘金平等人提出的基于Gabor滤波的泡沫图像纹理特征提取方法。周平等人提出的基于小波分解的纹理特征提取方法。

4.2.2 基于统计的方法

张涛等人提出的基于多分辨率差分矩阵（Multi-resolution Difference Matrix）来提取纹理特征的方法。2006年，赵珊等人提出的基于方块编码（Block Truncation Coding）的图像纹理特征提取算法。王耀南等人提出的基于分形维数的图像纹理分析方法。赵莹等人提出的基于分形理论的多尺度多方向纹理特征提取方法。2011年，唐朝晖等人提出的基于LBPV（local binary pattern variance）的泡沫图像纹理特征提取方法。2012年，王国德等人提出的融合LBP和GLCM的纹理特征提取方法。周书仁等人提出的基于Haar特性局部二值模式（Haar local binary pattern，简称 HLBP）的图像纹理特征提取方法。2014年，何楚等人提出的基于局部重要性采样二进编码的图像纹理特征描述方法，并将该方法应用于合成孔径雷达（Synthetic aperture radar， SAR）图像的纹理特征提取。乔双等人提出的新型的快速紋理提取算法C-LBP来实现射线图像的纹理特征提取。

4.2.3 基于模型的方法

李杰等人提出的基于Wold模型和支持向量机的纹理识别方法，有效解决了方向和尺度变化给纹理识别带来的困难。华淼等人提出的基于多尺度网格划分及直方图分析的主纹理提取方法。

4.2.4 基于结构的方法

2013年，陈宁等人提出的基于颜色共生混合结构（color co-occurrence hybrid structure， CCHS）的浮选泡沫图像纹理特征提取方法。黄颖等人提出的基于代数多重网格（AMG）分析提取纹理特征的方法。贾建华等人提出的基于质心不变特性（Invariant Centroid）的仿射不变纹理特征提取算法。

4.2.5 其他

2015年，梅浪奇等人提出的基于多特征的纹理特征提取算法，该方法主要通过将基于灰度共生矩阵算法、基于局部二值模式算法和基于小波变换算法所提取的特征进行融合进而实现纹理特征提取。

5 纹理特征提取算法的评价指标

目前针对纹理特征提取方法性能评估标准的研究文献还鲜有出现，一方面是因为各种算法之间的比较工作确实很难进行，另一方面也是因为当然还没有一个或几个公认统一的指标作为评价算法有效性的共性标准。

现有的对算法的实用性和有效性比较，主要是从算法的鲁棒性、与人眼视觉感受的差异度、提取纹理特征过程的计算复杂度、提取的纹理特征的特征分离度、在纹理分类与分割中的分类正确率几方面进行。而现有各类算法在各类指标性能评价上各有优劣。

6 纹理特征提取发展趋势及未来主要问题

纹理分析作为图像处理领域经久不衰的热点研究领域，学术界在该领域已取得一定的成功。迄今为止，在基于统计、模型、信号处理和结构等方面虽然已经出现了很多提取图像纹理特征的方法，但是它们在现有的各种性能评价指标上无法同时实现理想化效果，而往往人们也只能根据自身实际应用的需求，去选择相对更适合的纹理提取方法。

总结对纹理特征提取方法的研究，本文认为存在如下一些亟待解决的问题：

大多数纹理特征提取方法主要是以方法本身和实验性研究为主，在视觉可区分的纹理上进行实验和验证，并且针对纹理边缘相对简单的图像，而对于含有多种纹理类型的复杂的边界问题的研究较少，此外对视觉上是不可区分的纹理的研究和实验也不多见。许多算法应用于测试图像还可以取得较好的效果，但是应用到实际的、大尺寸的图像，却还存在一定问题。

而在实际研究中，巧妙的对基础算法进行改进或组合，已达到更理想的效果，也是纹理分析的一个重要研究方向。

主要参考文献

[1]王耀南，王绍源，毛建旭. 基于分形维数的图像纹理分析[J].湖南大学学报：自然科学版，2006，33（5）.

[2]陈洋，王润生. 结合Gabor滤波器和ICA技术的纹理分类方法[J].电子学报，2007（2）.

[3]贾建华，焦李成，黄文涛. 一种基于质心不变特性的仿射不变纹理特征提取算法[J].电子学报，2008（10）.

[4]黄百钢，李俊山. 应用 ICA 滤波器技术提取图像纹理特征[J].光电工程，2008，35（6）.

[5]汪闽，张星月.基于模板分解与递归式滤波的遥感图像快速Gabor纹理特征提取[J].测绘学报，2009，38（6）.

[6]刘明霞，侯迎坤，郭小春，等.新的纹理图像特征提取方法[J].计算机应用，2009（12）.

[7]刘金平，桂卫华，牟学民，等. 基于Gabor小波的浮选泡沫图像纹理特征提取[J].仪器仪表学报，2010，31（8）.

[8]周平，李传富，符志鹏.基于小波分解的脑CT图像纹理特征提取[J].仪器仪表学报，2010，31（3）.

[9]唐朝晖，朱楚梅，刘金平. 基于LBPV的浮选泡沫图像纹理特征提取[J].计算机应用研究，2011，28（10）.

[10]华淼，陈昕，王文成. 简捷的主纹理提取方法[J].计算机辅助设计与图形学学报，2011，21（1）.

[11]王国德，张培林，任国全，等. 融合LBP和GLCM的纹理特征提取方法[J].计算机工程，2012，38（11）.

[12]陈宁，林霞，桂卫华，等. 基于 CCHS 的浮选泡沫图像纹理特征提取[J].中南大学学报：自然科学版，2013，44（11）.

[13]周书仁，殷建平. 基于Haar特性的LBP纹理特征[J].软件学报， 24（8）：1909-1926.

[14]黄颖，李伟生，周丽芳，等. 使用图割方法提取图像的纹理特征[J].计算机工程与应用，2013，49（11）.

[15]何楚，尹莎，许连玉，等. 基于局部重要性采样的 SAR 图像纹理特征提取方法[J].自动化学报，2014，4（2）.

[16]梅浪奇，郭建明，刘清. 基于多特征的纹理特征提取方法研究与应用[J].交通信息与安全，2015，33（2）.

[17]乔双，李健，孙佳宁. 射线图像的快速纹理提取算法[J].原子能科学技术，2015，33（5）.