原创《图像纹理检测和特征提取技术综述》：这篇图像纹理检测论文范文为免费优秀学术论文范文,可用于相关写作参考。
[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.纹理检测和特征提取是纹理分类和分割的基础前提,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,而和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*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*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.
图像纹理检测论文参考资料：
结论：图像纹理检测和特征提取技术综述为关于本文可作为相关专业图像纹理检测论文写作研究的大学硕士与本科毕业论文纹理特征提取论文开题报告范文和职称论文参考文献资料。
