第1章 概述 1
1.1 纹理图像分析概述 1
1.2 纹理分析技术发展历史与现状 3
1.3 纹理分析的应用领域 8
1.4 前景与展望 12
参考文献 13
第2章 基于区域的纹理描述 15
2.1 结构法纹理描述 16
2.1.1 基于结构的纹理表示 16
2.1.2 纹理基元模型 17
2.2 统计法纹理描述 19
2.2.1 基于一阶统计的纹理描述 19
2.2.2 基于边缘纹理直方图描述 24
2.2.3 灰度共生矩阵 26
2.2.4 自相关函数 28
2.2.5 Laws纹理能量描述 29
2.3 基于模型的纹理表示 30
2.3.1 基本术语与概念 30
2.3.2 Gibbs-MRF随机场纹理模型 32
2.3.3 二维自回归函数 33
2.3.4 纹理的非参数模型 34
参考文献 38
第3章 基于信号处理方法的纹理描述 40
3.1 纹理的周期性 40
3.2 空域／频域滤波器 43
3.3 频谱分析法 43
3.4 Gabor滤波器 45
3.5 基于小波分解的多尺度特征 47
参考文献 51
第4章 纹理特征提取和选择 52
4.1 概述 52
4.2 纹理特征度量 52
4.2.1 距离度量 53
4.2.2 概率距离度量 54
4.2.3 熵函数度量 54
4.3 纹理特征选择 55
4.3.1 基于主成分分析的纹理特征选择 55
4.3.2 基于独立成分分析的纹理特征选择 60
4.4 纹理特征评价 62
4.4.1 纹理特征评价函数 63
4.4.2 纹理特征选择策略 63
4.4.3 纹理特征选择应用 66
4.5 纹理特征不变性分析 67
4.5.1 纹理特征与坐标系统 68
4.5.2 平移不变性与矩不变特征 69
4.5.3 纹理特征的尺度和旋转不变性 71
参考文献 74
第5章 纹理分割技术 77
5.1 纹理分割概述 77
5.1.1 常用纹理分割技术概述 77
5.1.2 纹理分割的主要过程 78
5.1.3 纹理分割的应用 79
5.2 区域生长法 81
5.2.1 种子像素的选取 82
5.2.2 区域生长准则 82
5.3 分裂与合并 83
5.4 聚类法 84
5.4.1 基本原理 84
5.4.2 应用实例 87
5.5 神经网络方法 88
5.5.1 常用神经网络结构和原理 89
5.5.2 无监督神经网络在纹理分割中应用 91
5.5.3 监督式神经网络在纹理分割中应用 94
参考文献 95
第6章 纹理分类 97
6.1 纹理图像的特征提取与分类 97
6.2 监督式纹理分类器设计 97
6.2.1 概率判别规则 98
6.2.2 Fisher分类器 99
6.2.3 K近邻法 100
6.3 无监督纹理分类器设计 101
6.3.1 K均值聚类 101
6.3.2 ISODATA聚类 103
6.3.3 改进的K均值聚类应用实例 104
6.4 基于小波变换的纹理分类 106
6.5 基于支持向量机的纹理分类 108
6.5.1 支持向量机简介 108
6.5.2 纹理分类实例 110
参考文献 113
第7章 纹理合成 115
7.1 纹理合成概述 115
7.1.1 纹理合成的发展与现状 115
7.1.2 纹理合成的发展方向 117
7.2 基于Markov随机场模型的纹理合成 118
7.2.1 MRF模型 119
7.2.2 基于像素的纹理合成 121
7.3 基于块采样的纹理合成 124
7.3.1 Chaos Mosaic纹理合成算法 124
7.3.2 基于块拼接的纹理合成 125
7.3.3 基于块采样的无约束纹理合成 126
7.4 基于金字塔算法的纹理合成 128
7.4.1 图像金字塔 128
7.4.2 基于金字塔的纹理合成 132
7.5 有约束纹理合成 134
参考文献 137
第8章 纹理分析在医学影像诊断中的应用 139
8.1 医学影像诊断概述 139
8.2 基于纹理特征的乳腺X射线图像微钙化簇提取 139
8.2.1 微钙化以及微钙化簇 140
8.2.2 乳腺X射线图像微钙化感兴趣区域提取 141
8.2.3 微钙化点提取 145
8.2.4 微钙化簇提取与特征提取 145
8.3 纹理分析在肺部疾病早期诊断中应用 147
8.3.1 基于纹理特征的肺部分割 147
8.3.2 基于熵滤波器的ROI区域提取 148
8.3.3 基于小波变换的肺部蜂巢状组织提取 149
8.4 肝CT图像的计算机辅助诊断 150
8.4.1 基于纹理特征聚类的肝脏分割 151
8.4.2 基于视觉注意模型的肝占位性病变自动提取 153
8.5 纹理分析在皮肤黑色素瘤诊断中的应用 159
参考文献 162
第9章 基于纹理特征的图像分割 164
9.1 基于Gabor滤波器的纹理图像分割 164
9.1.1 Gabor小波函数 164
9.1.2 图像纹理特征的描述 166
9.1.3 纹理图像分割 166
9.2 基于复杂性测度的纹理图像分割 167
9.2.1 复杂性测度描述 167
9.2.2 KC复杂性测度 169
9.2.3 C0复杂性测度 169
9.2.4 Hilbert曲线扫描 170
9.2.5 基于一维复杂性测度的图像纹理分割 171
9.2.6 基于二维复杂性测度的图像纹理分割 172
9.2.7 基于KC复杂性测度的车牌定位 174
9.3 基于矩的纹理图像分割 175
9.3.1 Legendre矩 176
9.3.2 Zernike矩 176
9.3.3 Krawtchouk矩 177
9.4 基于高斯混合模型的纹理图像分割 178
9.4.1 高斯混合模型 179
9.4.2 最大似然函数 179
9.4.3 EM估计算法 180
9.5 多特征多分类器融合的图像纹理分割 180
9.5.1 纹理特征提取 181
9.5.2 分类器设计 182
9.5.3 实验结果 183
参考文献 184
第10章 基于纹理的图像检索 186
10.1 基于内容的图像检索 186
10.1.1 纹理特征匹配 187
10.1.2 特征索引机制 188
10.2 基于纹理特征的图像检索 189
10.2.1 图像检索中的纹理特征 189
10.2.2 不变性纹理特征 189
10.2.3 多特征融合及归一化 194
10.3 基于纹理分析的医学超声图像检索 195
10.3.1 空间纹理特征分析 195
10.3.2 基于多尺度Gabor小波的纹理特征 198
10.4 颜色和纹理特征在图像检索中应用 200
10.4.1 基于颜色和纹理特征的图像检索系统 200
10.4.2 基于小波分解的多尺度纹理描述 203
参考文献 205
第11章 基于纹理的目标识别 207
11.1 目标识别概述 207
11.2 基于纹理的人脸识别 207
11.3 基于纹理的缺陷检测 211
11.3.1 织物纤维缺陷检测概述 211
11.3.2 基于Gabor小波织物瑕疵检测 215
11.3.3 机械加工零件表面缺陷检测 219
11.4 基于纹理特征的珍珠表面缺陷检测 223
11.4.1 珍珠表面缺陷与检测方案 223
11.4.2 珍珠表面缺陷增强 225
11.4.3 珍珠表面的缺陷检测 227
参考文献 230