一种融合视觉显著性和灰度共生矩的纹理特征提取方法

摘要

本发明公开了一种融合视觉显著性和灰度共生矩的纹理特征提取方法，包括以下步骤：步骤1、初始化步骤：对某一图像，确定检测窗口、基本块和超级块大小；步骤2、以基本块为单位计算显著性因子和图像的纹理结构特征向量：步骤3、以超级块为单位，通过二维直方图结合显著性因子和纹理结构特征向量生成一定维数的显著性纹理结构特征描述算子；根据显著性因子算子、检测窗口大小、基本块大小、超级块大小，为每个超级块中提取一个显著性纹理结构特征描述算子，并以一维特征向量表述。本发明提供的模拟人眼观察事物的发散性及显著性特点的纹理特征提取方法，计算简单，冗余度低，实时性好。

主权项

一种融合视觉显著性和灰度共生矩的纹理特征提取方法，其特征在于，包括以下步骤：步骤1、初始化步骤：对某一图像，确定检测窗口、基本块和超级块大小；步骤2、以基本块为单位计算显著性因子和图像的纹理结构特征向量：显著性因子的计算过程：对图像中的每一个像素，先计算所有邻域像素与中心像素灰度值的差值总和，再计算局部显著因子；进一步确定当前像素点的显著性因子；纹理结构特征向量的计算方法：用发散灰度共生矩阵提取图像的局部纹理结构；用纹理结构特征向量表示局部纹理结构；步骤3、以超级块为单位，通过二维直方图结合显著性因子和纹理结构特征向量生成显著性纹理结构特征描述算子；根据显著性因子算子、检测窗口大小、基本块大小、超级块大小，为每个超级块中提取一个显著性纹理结构特征描述算子，并以一维特征向量表述；步骤2中，局部显著因子$G\left(x_c\right)=\frac{v}{x_c};$其中，$v=\underset{i=0}{\overset{p-1}{\Sigma }}\left({\mathrm{\Delta x}}_i\right)=\underset{i=0}{\overset{p-1}{\Sigma }}(x_i-x_c),$p＝8，即八邻域；其中，x_c是中心像素点灰度值，x_i是中心像素点对应的邻域像素点灰度值，p是邻域像素个数，v是差值总和，G(x_c)是局部显著因子；当前像素点x_c的显著性因子ξ(x_c)为：ξ(x_c)＝arctan[G(x_c)]，其中将ξ(x_c)划分为R个区间l_r,r＝0,1,...,R‑1。