1 基于Gabor小波的纹理特征提取
小波变换在数字图像中局部区域的频率和方向信息提取方面具有优异的性能, 与众多小波滤波器相比较, Gabor 小波滤波器在医学图像边缘检测、纹理分析以及医学图像特征识别等方面具有较好的表现采用Gabor小波提取的区域微观统计特性, 经常可以用来表示区域的纹理信息。
2 小波-灰度共生矩阵的特征融合
灰度共生矩阵与Gabor 小波变换的纹理特征分别反映了图像的整体与局部的结构特征信息。由于这两类纹理特征的物理意义不同, 不具有直接可比性。因此可以采用不同的特征归一化方法和不同的相似性度量方法计算2幅图像之间的距离, 使其距离具备可加性。
3 实验结果及分析
设待检索图像Q和数据库中任意1幅图像C, 这2幅图像归一化特征后的灰度共生矩阵欧式距离表示如下:
可以看出, 灰度共生矩阵对图像的整体检索效果较好, 且计算量较小, 对于实时性要求高且图像库中种类相差较大的检索系统基本可以满足要求。
其中, 灰度-梯度共生矩阵对于有明显边缘的纹理图像可以表现出比灰度共生矩阵更好的效果。灰度-单元差分共生矩阵基本不受图像明亮程度的影响, 具有较好的鲁棒性, 实验证明这种方法对于医学图像的检索是有效的; 但对于头部和脑部等细节特征较模糊的图像, 它的准确率较低。Gabaor小波对于图像的旋转、平移都不敏感。Gabor 小波滤波器个数的选择需要根据实际需要决定。滤波器个数越多, 图像细节信息被提取的越多, 检索的准确率越高, 计算开销也越大。实验中看到, Gabor-8和Gabor- 24对于整体相差很大的图像类别检索准确率相差不大, 而对于近似类别的图像, Gabor- 24的效果好于Gabor-8滤波器。灰度-小波共生矩阵是图像频域方法与空间域统计方法的结合, 综合两种方法的优势,既获取了图像的整体纹理特征又获取了图像的局部纹理特征, 对各类图像都能够取得较好的检索结果。
4 结论
本文提出了一种基于小波-灰度共生矩阵的图像纹理特征提取方法。该方法在传统的灰度共生矩阵基础上, 结合Gabor小波属性提取图像的纹理特征, 并以此作为图像特征进行医学图像检索。实验结果表明, 小波- 灰度共生矩阵综合了小波变换在数字图像局部频率和方向上的优异性能和共生矩阵对图像的整体区域较好的处理效果,较单一的纹理特征能够更好符合人类的视觉。
在对重影比较严重的X射线图像的检索中也取得了不错的结果, 并且提高了医学图像检索的查全率和查准率。由于本文侧重于对特征提取方法的检验, 对于医学图像检索的实际应用, 还需结合机器学习或相关反馈学习机制来提高检索的准确性。另外为了能够达到辅助诊断的效果, 需要对病变组织的特征进行进一步研究, 以达到计算机自动病例检索及病理诊断的目的, 这也是作者下一步研究的主要工作。
本文结合图像的全局和局部特征, 提出一种新的特征提取方法。该方法采用图像Gabor 小波属性和灰度共生矩阵融合的方式提取图像的纹理特征, 并将其应用于医学图像的检索系统, 通过对比实验表明, 采用这种将频域与空间域统计特征相结合的纹理特征方法, 取得了更好的图像检索效果。小波变换是数字图像分析的一种重要方法,它可以在时域和频域上分别表征图像的局部统计特征, 并且可以进行图像的多尺度分析。Ma等人通过不同的小波变换来分析图像纹理, 结果表明Gabor 小波最符合人的视觉感受。
但是作为局部特征, 小波分析并不能很好地反映图像的全局统计信息。Ohanian比较了马尔科夫自由场、多通道滤波、分形表示法和共生矩阵4种纹理表示法,结果证明共生矩阵能更好地反映图像的全局纹理特征。至今为止, 许多研究都将共生矩阵作为图像特征提取的基础。
参考文献:
[ 1] 徐杰, 施鹏飞基于内容的图像检索技术[J]中国图像图形学报, 2003, 8(9): 977-983(Xu Jie, Shi Peng fei. Asurvey on content based imageretrieval techniques[ J]. Journal of Image and http://www.1daixie.com/dxyxlw/ Graphics,2003, 8(9): 977-983. )
[ 2] Bala J. Combining structural and statistical features in amachinelearning technique for texture classification[C]Proceedingsof e3rdInternational ConferenceonIndustrialand Engineering Applications of Artificial Intelligence andExpert Systems. NewYork: ACM, 1990: 175-183.
[ 3] MaWY, Manjunath BS. NETRA: atoolboxfor navigatinglarge image databases[ J]. Multimedia Systems, 1999, 7(3): 184-198.
[ 4] Ohanian PP, Dubes RC. Performanceevaluation for fourclasses of texturefeature[J]. Pattern Recognition, 1992, 25(8): 819-833.
[ 5] SetiaL, Teynor A, Halawani A, et al. Imageclassificationusingcluster cooccurrencematricesoflocal relational features[C] Proceedings of the 8th ACMInternational Workshopon Multimedia Information Retrieval. New York:Associationfor ComputingMachinery, 2006: 173-182.