介紹各種紋理分析方法并結(jié)合深度學(xué)習(xí)提升紋理分類

導(dǎo)讀

紋理分析的介紹，各種紋理分析方法，并結(jié)合深度學(xué)習(xí)提升紋理分類。

人工智能的一個(gè)獨(dú)特應(yīng)用領(lǐng)域是幫助驗(yàn)證和評(píng)估材料和產(chǎn)品的質(zhì)量。在IBM，我們開發(fā)了創(chuàng)新技術(shù)，利用本地移動(dòng)設(shè)備，專業(yè)的微型傳感器技術(shù)，和AI，提供實(shí)時(shí)、解決方案，利用智能手機(jī)技術(shù)，來(lái)代替易于出錯(cuò)的視覺(jué)檢查設(shè)備和實(shí)驗(yàn)室里昂貴的設(shè)備。

在開發(fā)質(zhì)量和可靠性檢查的人工智能能力的同時(shí)，產(chǎn)品和材料的圖像需要是高清晰度的或者是微觀尺度的，因此，設(shè)計(jì)能夠同時(shí)代表采樣圖像的局部和全局獨(dú)特性的特征變得極為重要。利用來(lái)自紋理分析方法的特征來(lái)豐富基于深度CNN的模型是一種非常有效的方法來(lái)實(shí)現(xiàn)更好的訓(xùn)練模型。

為了更好地理解紋理分析方法在深度學(xué)習(xí)中的應(yīng)用，我們先來(lái)了解一下什么是紋理分析。

什么是紋理？

紋理是粗糙度、對(duì)比度、方向性、線條相似性、規(guī)則性和粗糙度的度量，有助于我們理解圖像中顏色或強(qiáng)度的空間排列。紋理是圖像強(qiáng)度中局部變化的重復(fù)模式(圖1)。

圖1，紋理圖像示例 (a)原始圖像，(b)紋理重復(fù)模式

紋理由紋理原語(yǔ)或紋理元素組成，有時(shí)被稱為元紋理。元紋理用于從圖像中找到對(duì)象的色調(diào)和紋理。圖像的色調(diào)取決于元紋理的像素強(qiáng)度屬性，而紋理處理元紋理之間的空間連接。

例如，如果元紋理之間的色調(diào)差異很大，而元紋理的尺寸很小，它就像一個(gè)精細(xì)的紋理，如果一個(gè)元紋理包含很多像素，那么它就像一個(gè)粗糙的紋理。

我們需要了解不同類型的紋理才能正確地分析它們。在開始任何與紋理相關(guān)的項(xiàng)目之前，最好知道你將處理什么樣的紋理。

不同類型的紋理

紋理的分類是困難的，因?yàn)樗囊恍傩?，如?guī)律性、隨機(jī)性、均勻性和變形沒(méi)有得到適當(dāng)?shù)亩x，以及紋理類型是廣泛的和復(fù)雜的。

通常，紋理像粗糙，凹凸，干燥，光澤，沙質(zhì)，硬，尖銳等，屬于粗糙類別，而紋理像細(xì)，光滑，濕，皺，絲滑，軟，暗等，屬于光滑類別。

廣義上，紋理分為兩類，即觸覺(jué)和視覺(jué)紋理。

觸覺(jué)指的是一個(gè)表面的直接有形的感覺(jué)，即觸覺(jué)紋理就像一個(gè)真實(shí)的對(duì)象。當(dāng)一個(gè)物體被觸摸時(shí)，我們可以感覺(jué)到它的質(zhì)地。手感可以是光滑、柔軟、堅(jiān)硬、黏滑、粗糙、粘滑、絲滑等。自然紋理的例子有木頭、巖石、玻璃、金屬、樹葉等。

視覺(jué)紋理被定義為紋理產(chǎn)生給人類觀察者的視覺(jué)印象，也就是說(shuō)，它不是真正的紋理，但它是人從圖像中檢查紋理的方法。照片中的物體可能看起來(lái)很粗糙，但是，照片的感覺(jué)總是平坦和光滑的。

根據(jù)視覺(jué)紋理的隨機(jī)性程度，可以進(jìn)一步將視覺(jué)紋理分為規(guī)則紋理和隨機(jī)紋理。

將簡(jiǎn)單可識(shí)別的小尺寸的部分平貼到固體周期模式中，形成“規(guī)則紋理”，而隨機(jī)模式中較難識(shí)別部分組成“隨機(jī)紋理”。

那么，現(xiàn)在最大的問(wèn)題是，紋理分析在提高計(jì)算機(jī)視覺(jué)任務(wù)中深度學(xué)習(xí)的有效性方面的意義是什么?

紋理分析用在哪里？

如今，紋理分析是許多任務(wù)的重要組成部分，從醫(yī)學(xué)影像到遙感，也被用于大型圖像數(shù)據(jù)庫(kù)的內(nèi)容查詢。

在工業(yè)檢測(cè)中，當(dāng)現(xiàn)有的技術(shù)無(wú)法解決的時(shí)候，紋理分析是一個(gè)強(qiáng)大的工具。讓我們以木材制造為例，在這種情況下，不使用紋理分析很難檢測(cè)裂紋。

紋理檢測(cè)還用于對(duì)地毯進(jìn)行分級(jí)中，根據(jù)地毯因磨損引起的外觀變化。紋理分析用于皮革檢查，通過(guò)評(píng)估顏色、厚度和灰度變化。有缺陷的碎片通常會(huì)在皮革上留下疤痕或褶皺。

紋理分析的應(yīng)用范圍包括紋理分類，如遙感(圖5)，紋理分割，如生物醫(yī)學(xué)成像(圖6)。它還被用于圖像合成和模式識(shí)別任務(wù)，如從照片中識(shí)別繪畫。

當(dāng)圖像中的物體是通過(guò)紋理屬性而不是強(qiáng)度進(jìn)行分類，或者閾值技術(shù)無(wú)法對(duì)其進(jìn)行正確分類時(shí)，紋理分析就發(fā)揮了重要作用。

圖5，利用紋理分析的遙感圖像。由遙感領(lǐng)域的專家對(duì)這些紋理模式進(jìn)行聚類識(shí)別和標(biāo)記

下圖(圖6)顯示了二流腔靜脈的超聲圖像(圖的下三分之一處為鈍區(qū))。肝臟的分割，被白色斑點(diǎn)包圍的區(qū)域，顯示出與周圍組織相比獨(dú)特的紋理。

圖6，利用紋理分析的醫(yī)學(xué)圖像

如今，紋理分析也被用于食品制造行業(yè)，以了解食品的質(zhì)量。硬糖、耐嚼的巧克力曲奇、脆餅干、粘稠的太妃糖、脆芹菜、嫩牛排等食物都含有多種紋理。紋理分析在這一領(lǐng)域有很大的應(yīng)用，例如食物的口感特性可以通過(guò)紋理分析很容易地測(cè)量出來(lái)。

它也被用于一項(xiàng)名為“流變學(xué)”的研究，這是一門研究物質(zhì)變形和流動(dòng)的科學(xué)，換句話說(shuō)，是研究物體受到外力作用時(shí)的反應(yīng)。

除了所有這些，紋理分析可以用來(lái)測(cè)量/評(píng)估許多產(chǎn)品的質(zhì)量，如粘合劑，藥品，皮膚/頭發(fā)護(hù)理產(chǎn)品，聚合物等。

到目前為止，我們已經(jīng)了解了紋理分析可以應(yīng)用在哪里，在下一節(jié)讓我們看看如何根據(jù)紋理對(duì)圖像進(jìn)行分類。

紋理分析如何應(yīng)用到分類問(wèn)題中以及為何它如此重要？

到目前為止，我們已經(jīng)了解了不同類型的紋理，并看到了現(xiàn)實(shí)生活中紋理分析很有用的例子。讓我們了解如何在分類問(wèn)題中使用它，分類器的主要目標(biāo)是通過(guò)為每個(gè)圖像提供描述符來(lái)對(duì)紋理圖像進(jìn)行分類。換句話說(shuō),

分配一個(gè)未知的樣本到一個(gè)預(yù)定義的紋理類被稱為紋理分類

在進(jìn)行紋理分類時(shí)，考慮了圖像的圖案和紋理內(nèi)容?；诩y理的分類是基于紋理特征(如粗糙度、不規(guī)則性、均勻性、平滑度等)進(jìn)行的。任何圖像數(shù)據(jù)集中的每個(gè)類都很可能具有不同的紋理，這使得它成為一個(gè)獨(dú)特的屬性，有助于模型更準(zhǔn)確地對(duì)圖像進(jìn)行分類。

提取紋理的不同技術(shù)和方法

有多種方法用于從圖像中提取紋理。在本文中，我們將討論最常用和最重要的紋理提取方法。

GLCM (Grey Level Co-occurrence Matrix，灰度共生矩陣)是一種常用的、基本的紋理分析統(tǒng)計(jì)方法。GLCM特征基于二階統(tǒng)計(jì)量，用于從均勻性、同質(zhì)性等角度了解像素間的平均相關(guān)程度。

LBP是一種結(jié)合了結(jié)構(gòu)和統(tǒng)計(jì)方法的方法，使紋理分析更有效?，F(xiàn)實(shí)中LBP的一個(gè)重要特征是它對(duì)不同光照條件引起的單調(diào)的灰度變化的容忍度。它的簡(jiǎn)單計(jì)算允許在實(shí)時(shí)場(chǎng)景中使用。

小波是一種基于變換的方法，可以捕捉局部的頻率和空間信息。GLCM和LBP關(guān)注的是紋理的空間排列，但紋理的關(guān)鍵要素是尺度，根據(jù)一項(xiàng)心理-視覺(jué)研究，我們的大腦處理圖像的方式是多尺度的。我們的大腦會(huì)進(jìn)行不同的空間頻率分析來(lái)識(shí)別紋理?；谶@一思想，小波分析關(guān)注的是頻率和空間信息。

分形是圖像自相似性和粗糙度的重要度量。它能夠表征其他紋理分析方法所不能表征的紋理。有各種各樣的技術(shù)來(lái)測(cè)量圖像的平滑度、均勻度、平均值和標(biāo)準(zhǔn)差，但分形方法主要關(guān)注圖像紋理的“粗糙度”，并相應(yīng)地對(duì)紋理進(jìn)行分類。

圖像梯度是一種檢測(cè)圖像邊緣的完美技術(shù)，因?yàn)樗兊酶菀鬃R(shí)別紋理時(shí)，邊緣高亮。紋理邊界用于自然邊界的有效劃分，一旦這些邊界被正確識(shí)別，基于這些邊界的紋理區(qū)分就很簡(jiǎn)單了。

這五種方法對(duì)不同的紋理數(shù)據(jù)集都取得了滿意的結(jié)果。每種技術(shù)都強(qiáng)調(diào)紋理的獨(dú)特屬性。在下面的部分中，我們將研究這些技術(shù)的特征構(gòu)造方法。

灰度共生矩陣 (GLCM):

GLCM提供了關(guān)于圖像像素之間如何相互關(guān)聯(lián)的信息，這種關(guān)系幫助我們根據(jù)從GLCM中提取的多個(gè)特征對(duì)紋理進(jìn)行分類。矩陣給出了具有相似強(qiáng)度的像素的位置信息?？赡艿膹?qiáng)度值集合是二維數(shù)組的行和列標(biāo)簽(P)

審核編輯：劉清