基于四元数小波变换及多分形特征的纹理分类

doi:10.3724/SP.J.1087.2012.00773

计算机应用 ›› 2012, Vol. 32 ›› Issue (03): 773-776.DOI: 10.3724/SP.J.1087.2012.00773

基于四元数小波变换及多分形特征的纹理分类

高直¹,朱志浩²,徐永红¹,洪文学¹

1.燕山大学电气工程学院,河北秦皇岛 066004;
2.秦皇岛天业通联重工股份有限公司, 河北秦皇岛 066004

收稿日期:2011-09-08 修回日期:2011-12-02 发布日期:2012-03-01 出版日期:2012-03-01
通讯作者: 高直
作者简介:高直(1981-),女,黑龙江哈尔滨人,博士研究生,主要研究方向:模式识别、图像处理;朱志浩(1984-),男,山东潍坊人,工程师,硕士,主要研究方向:系统自动化控制;徐永红(1975-),男,四川犍为人,副教授,博士,主要研究方向:模式识别、信息可视化;洪文学(1953-),男,黑龙江依安人,教授,博士生导师,主要研究方向:信息融合、模式识别。
基金资助:
国家自然科学基金资助项目(60873121)。

Texture classification based on quaternion wavelet transform and multifractal characteristics

GAO Zhi¹, ZHU Zhi-hao², XU Yong-hong¹, HONG Wen-xue¹

1.Institute of Electrical Engineering, Yanshan University, Qinhuangdao Hebei 066004, China;
2.Qinhuangdao Tianye Tolian Heavy Industry Company Limited, Qinhuangdao Hebei 066004, China

Received:2011-09-08 Revised:2011-12-02 Online:2012-03-01 Published:2012-03-01
Contact: Zhi GAO

摘要/Abstract

摘要： 将四元数小波变换(QWT)和多分形相结合进行纹理分类,充分利用了QWT的旋转不变特性和纹理图像的多分形特性,能弥补传统的应用小波变换进行纹理分类时缺乏将输入图像分解成多个方向的不足。通过对UIUC数据库中的纹理图像分类,表明四元数小波与多分形相结合的方法具有较高的分类精度,平均分类正确率可达96.69%,是一种合理有效的纹理分类方法。

关键词: 四元数小波变换, 多分形, 纹理分类, 机器视觉, 纹理图像

Abstract: The paper incorporated the multifractal analysis method into the idea of Quaternion Wavelet Transform (QWT), which took advantage of the rotation-invariant properties and multifractal properties of texture image, and could make up for the lacks of ability to decompose input image into multiple orientation in texture classification when using wavelet transform. The experiment of texture classification using the images from UIUC shows the method has higher classification accuracy and the average correct classification rate is 96.69%. It proves this texture classification method is reasonable and effective.

Key words: Quaternion Wavelet Transform (QWT), multifractal, texture classification, machine vision, texture image

中图分类号:

TP391.4

高直朱志浩徐永红洪文学. 基于四元数小波变换及多分形特征的纹理分类[J]. 计算机应用, 2012, 32(03): 773-776.

GAO Zhi ZHU Zhi-hao XU Yong-hong HONG Wen-xue. Texture classification based on quaternion wavelet transform and multifractal characteristics[J]. Journal of Computer Applications, 2012, 32(03): 773-776.

参考文献

[1]KIM S C, KANG T J. Texture classification and segmentation using wavelet packet frame and Gaussian mixture model[J]. Pattern Recognition, 2007, 40(4):1207-1221.

[2]LIU XIUWEN, WANG DELIANG. Texture classification using spectral histograms[J]. IEEE Transactions on Image Processing, 2003, 12(6):661-670.

[3]MALLAT S G. A theory for multriesolution signal decomposition: the wavelet representation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1989, 11(7):674-693.

[4]UNSER M. Texture classification and segmentation using wavelet frames [J]. IEEE Transactions on Image Processing, 1995, 4(11):1549-1566.

[5]ARIVAZHAGAN S, GANESAN L, PADAM P S. Texture classification using Gabor wavelets based rotation invariant features [J]. Pattern Recognition Letters, 2006, 27(16):1976-1982.

[6]柳莲花,丁万山. 四元数小波变换在图像处理中的应用[J].电子科技,2010,23(4): 89-93.

[7]CHAN W L, CHOI H, BARANIUK R. Quaternion wavelets for image analysis and processing [C]// International Conference on Image Processing. Piscataway, NJ: IEEE Press, 2004: 3057-3060.

[8]SOULARD R, CARRE P. Quaternionic wavelets for texture classification [C]// 2010 IEEE International Conference on Acoustics Speech and Signal Processing. Piscataway, NJ: IEEE Press, 2010: 4134-4137.

[9]MANDELBROT B B. Fratcals: Form, chance and dimension [M]. San Francisco: Freeman, 1977.

[10]王克奇,谢永华,陈立君. 基于分形理论的木材纹理特征研究[J]. 林业机械与木工设备,2005, 33(7):19-20.

[11]吴高洪,章毓晋,林行刚. 基于分形的自然纹理自相关描述和分类[J]. 清华大学学报, 2000,40(3):90-93.

[12]XIA YONG, FENG DAGANG, ZHAO RONGCHUN, et al. Multifractal signature estimation for textured image segmentation [J]. Pattern Recognition Letters, 2010, 31(2): 163-169.

[13]CHAN W L, CHOI H, BARANIUK R G. Coherent multiscale image processing using dual-tree quaternion wavelets[J]. IEEE Transactions on Image Processing, 2007, 17(7):1069-1082.

[14]王美玲,王念平,李晓.BP神经网络算法的改进及应用[J]. 计算机工程与应用, 2009,45(35):47-48.

[15]Datasets for computer vision research[EB/OL].[2010-05-10].http://www-cvr.ai.uiuc.edu/ponce_grp/data/.

[16]KINGSBURY N G. A dual-tree complex wavelet transform with improved orthogonality and symmetry properties [C]// International Conference on Image Processing. Piscataway, NJ: IEEE Press, 2000:375-378.

基于四元数小波变换及多分形特征的纹理分类

Texture classification based on quaternion wavelet transform and multifractal characteristics

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

[1]	张亚洲, 卢先领. 基于改进相干增强扩散与纹理能量测度和高斯混合模型的导光板表面缺陷检测方法[J]. 计算机应用, 2020, 40(5): 1545-1552.
[2]	刘子威, 邓春华, 刘静. 基于非对称沙漏网络结构的目标检测算法[J]. 计算机应用, 2020, 40(12): 3526-3533.
[3]	郜明, 任德均, 胡云起, 付磊, 邱吕. 基于机器视觉和轻量级卷积网络的安瓿瓶包装质量检测算法[J]. 计算机应用, 2020, 40(10): 2899-2903.
[4]	石昌友, 王美丽, 刘欣然, 黄慧丽, 周德强, 邓干然. 基于机器视觉的不同类型甘蔗茎节识别[J]. 计算机应用, 2019, 39(4): 1208-1213.
[5]	杨继东, 孙兆琦, 王飞龙. 基于视觉抓取的并联桁架机器人最优路径控制[J]. 计算机应用, 2019, 39(3): 913-917.
[6]	刘保成, 朴燕, 唐悦. 基于时空正则化的视频序列中行人的再识别[J]. 计算机应用, 2019, 39(11): 3216-3220.
[7]	张雲轲, 刘丹. 基于小型Zynq SoC硬件加速的改进TINY YOLO实时车辆检测算法实现[J]. 计算机应用, 2019, 39(1): 192-198.
[8]	李肖, 葛宝臻, 罗其俊, 李云鹏, 田庆国. 自由双目立体视觉摄像机动态外参数的获取[J]. 计算机应用, 2017, 37(10): 2888-2894.
[9]	赵树言, 路艳雪, 韩晓霞. 基于最近邻域像素梯度的视频背景快速提取[J]. 计算机应用, 2016, 36(8): 2322-2326.
[10]	王治文, 罗晓清, 张战成. 基于四元数小波变换的清晰度评价[J]. 计算机应用, 2016, 36(7): 1927-1932.
[11]	马倩, 葛宝臻, 陈雷. 多传感器彩色纹理色彩差异修正方法[J]. 计算机应用, 2016, 36(4): 1075-1079.
[12]	李杰, 周浩, 张晋, 高赟. 基于粒子群优化的模板匹配跟踪算法[J]. 计算机应用, 2015, 35(9): 2656-2660.
[13]	宦海, 黄凌霄, 张雨, 卢松. 基于最大内切圆的椭圆孔组检测[J]. 计算机应用, 2015, 35(4): 1101-1105.
[14]	万金梁, 王健. 基于融合细分的纹理图像重构模型[J]. 计算机应用, 2015, 35(11): 3194-3197.
[15]	杨鸿波侯霞. 基于局部谱能量自相似矩阵的纹理描述[J]. 计算机应用, 2014, 34(3): 790-796.