前言:
{
之前在工作中了解到了纹理分析的相关方法,但也见到了一些从未见过或已经忘记的概念,这次就来记录一下这些概念。
}
正文:
{
矩(moment)的一组数据的一种属性,其定义如式1[1]。
式1
其中是f(x)的n阶矩;如果没特别说明,c一般为0。
可见,像图像这样的离散数据,其0阶具就是其像素值的总和。
游程长度编码(Run-length encoding,RLE)很简单,就是把一个方向上连续相同的元素变成个数+元素的形式。例如在[2]中,WWWWWWWWWWWWBWWWWWWWWWWWWBBBWWWWWWWWWWWWWWWWWWWWWWWWBWWWWWWWWWWWWWW
被变成12W1B12W3B24W1B14W
。
由此可见,图像的某一方向的游程长度也可以作为此图像的特征。
自相关(Autocorrelation)在[3]中信号处理中的定义如式2。
式2
其中f(t)是t时间下的信号值;为延迟(滞后);当f为实值函数[4]时,。
由此可见,图像像素在某一个方向上的自相关性也是一种度量纹理的特征。
共生矩阵(Co-occurrence matrix)的定义也比较简单。式3是[5]中对图像的共生矩阵的定义。
式3
其中I为图像的某种值,一个共生矩阵C对应一对△x和△y。当I为图像的灰度时,C即为此图像的灰度共生矩阵。
可见,当△x和△y设置妥当时,图像内容的重复性越大,C中对角线上的值越大。
}
结语:
{
其实还有“边缘频率”,不过我没搜到相关信息,所以就没在标题中写出。
参考资料:
{
[1]https://en.wikipedia.org/wiki/Moment_(mathematics)
[2]https://en.wikipedia.org/wiki/Run-length_encoding
[3]https://en.wikipedia.org/wiki/Autocorrelation_function
[4]https://en.wikipedia.org/wiki/Function_of_a_real_variable
[5]https://en.wikipedia.org/wiki/Co-occurrence_matrix
}
}