그레이스케일 생성 행렬의 계산 효율성을 향상시키는 방법
회색조 생성 행렬
생성 행렬은 두 위치의 픽셀의 결합 확률 밀도로 정의됩니다. 이는 밝기의 분포 특성을 반영할 뿐만 아니라 밝기가 동일하거나 밝기에 가까운 픽셀 간의 위치 분포 특성은 영상 밝기의 변화와 관련된 2차 통계 특성입니다. 이는 일련의 텍스처 특성을 정의하는 기초입니다.
이미지의 그레이스케일 생성 매트릭스는 이미지의 그레이스케일의 방향, 인접 간격 및 변화 진폭에 대한 포괄적인 정보를 반영할 수 있습니다. 이는 이미지의 로컬 패턴과 배열을 분석하는 것입니다. 규칙의 기초.
f(x,y)가 M×N 크기와 Ng의 계조를 갖는 2차원 디지털 이미지라고 가정하면, 특정 공간 관계를 만족하는 계조 생성 행렬은
p>P(i,j)=#{(x1,y1),(x2,y2)∈M×N|f(x1,y1)=i,f(x2,y2)=j}
여기서 #(x)는 집합 x의 요소 수를 나타냅니다. 분명히 P는 Ng×Ng의 행렬입니다. (x1, y1)과 (x2, y2) 사이의 거리가 d이면 두 좌표의 수평축 사이의 각도를 θ라 하면 다양한 간격과 각도의 계조 생성 행렬 P(i,j,d,θ)를 얻을 수 있다.
텍스처 특징 추출에 효과적인 방법은 계조의 공간 상관 행렬, 즉 생성 행렬을 기반으로 합니다[7]. 이는 영상의 두 계조가 (Δx, Δy)만큼 떨어져 있기 때문입니다. 동시에 나타나는 픽셀들의 결합 빈도 분포는 계조 생성 행렬로 표현될 수 있습니다. 이미지의 회색 레벨을 N 레벨로 설정하면 결과 행렬은 N×N 행렬이 되며 이는 M(Δx, Δy)(h,k)로 표현될 수 있습니다. 여기서 요소 mhk는 ( h,k) 값은 (Δx, Δy)로 구분된 회색도 h와 k의 회색도를 갖는 두 픽셀 쌍의 발생 횟수를 나타냅니다.
질감이 거친 영역의 경우 그레이스케일 생성 행렬의 mhk 값이 주대각선 근처에 집중됩니다. 거친 질감의 경우 픽셀 쌍이 동일한 회색조를 갖는 경향이 있습니다. 미세한 질감이 있는 영역의 경우 그레이스케일 생성 행렬의 mhk 값이 곳곳에 흩어져 있습니다.
생성된 행렬로 텍스처 조건을 보다 직관적으로 설명하기 위해 생성된 행렬에서 행렬 조건을 반영하는 일부 매개변수를 파생하는데 대표적인 것은 다음과 같습니다.
(1 ) 에너지 : 계조 생성 행렬 요소값의 제곱의 합이므로 에너지라고도 하며, 이는 영상 계조 분포의 균일성과 텍스처의 두께를 반영한다. 생성된 행렬의 모든 값이 동일하면 ASM 값이 작고, 반대로 일부 값이 크고 다른 값이 작으면 ASM 값이 큽니다. 생성된 행렬의 요소가 집중되면 ASM 값이 커집니다. ASM 값이 클수록 더 균일하고 정기적으로 변화하는 텍스처 패턴을 나타냅니다.
(2) 대조: , 여기서 . 이미지의 선명도와 텍스처 홈의 깊이를 반영합니다. 텍스처 홈이 깊을수록 대비가 커지고 시각적 효과가 더 명확해집니다. 반대로 대비가 작을수록 홈이 얕아지고 흐릿한 효과가 나타납니다. 그레이스케일 차이가 클수록, 즉 대비가 클수록 이 값은 커집니다. 회색조 공통행렬에서 대각선으로부터 멀리 떨어진 원소의 값이 클수록 CON이 커진다.
(3) 상관관계: 행 또는 열 방향에서 공간 회색조 행렬 요소의 유사성을 측정합니다. 따라서 상관관계 값은 이미지의 로컬 회색조 상관관계를 반영합니다. 행렬 요소 값이 균일하게 같으면 상관 값이 크고, 반대로 행렬 픽셀 값이 매우 다르면 상관 값이 작습니다. 이미지에 수평 텍스처가 있는 경우 수평 행렬의 COR은 나머지 행렬의 COR 값보다 큽니다.
(4) 엔트로피: 이미지가 가지고 있는 정보의 양을 측정한 것입니다. 텍스처 정보도 이미지 정보에 속합니다. 이는 생성된 행렬의 모든 요소가 최대값을 가질 때의 척도입니다. 무작위성 생성된 젠더와 공간의 행렬의 모든 값이 거의 같고, 생성된 행렬의 요소가 분산되어 있을 때 엔트로피는 더 커집니다. 이미지의 질감이 균일하지 않거나 복잡한 정도를 나타냅니다.
(5) 역갭(Inverse gap): 이미지 질감의 동질성을 반영하고 이미지 질감의 국지적 변화를 측정합니다. 값이 크다는 것은 이미지 텍스처의 서로 다른 영역 간 변동이 부족함을 나타내며 로컬 영역은 매우 균일합니다.
기타 매개변수:
Median
공분산
균질성/역격차
대비<대비>
차이<상이성>
엔트로피
2차 거리<각초모멘트>
Autocorrelation
이미지의 로컬 부분의 분산이 작은 경우 회색 값이 지배적인 위치를 차지합니다. 이미지의 로컬 부분의 분산이 큰 경우 텍스처가 지배적인 위치를 차지합니다. 위치. 텍스처는 로컬 그레이스케일 및 해당 공간 구성과 관련되어 있으며 관심 대상과 영역을 식별하는 데 매우 중요한 역할을 합니다.
그레이스케일 생성 행렬은 그레이스케일의 공간적 의존성을 나타내며, 이는 텍스처 모드에서 픽셀 그레이스케일의 공간적 관계를 나타냅니다. 이 방법의 약점은 로컬 그레이스케일의 그래픽 특성을 완전히 포착하지 못한다는 점입니다. 따라서 큰 부품의 경우 이 방법의 효과가 이상적이지 않습니다. 그레이스케일 생성 행렬은 정사각 행렬이며, 그 차원은 이미지의 그레이스케일과 같습니다. 계조 생성 행렬의 요소 (i, j)의 값은 영상의 한 픽셀의 계조 값을 i, 다른 픽셀의 계조 값을 j, 인접 거리를 d, 방향을 이라고 표현한다. A의 두 픽셀이 나타나는 횟수입니다. 실제 적용에서 A는 일반적으로 0°, 45°, 90° 및 135°로 선택됩니다. 일반적으로 회색조 이미지의 회색조는 256입니다. 회색조 생성 행렬에서 파생된 텍스처 특징을 계산할 때 이미지의 회색조는 256보다 훨씬 작아야 합니다. 이는 주로 행렬 차원이 크고 창 크기가 크기 때문입니다. 그레이 스케일 생성 행렬의 크기가 작으면 텍스처를 잘 표현할 수 없고, 텍스처를 잘 표현하려면 윈도우 크기도 커야 하므로 계산량이 크게 늘어나게 되며, 각 유형에 대해 창 크기가 더 커집니다. 경계 영역의 오인식률이 높습니다. 따라서 계조 생성 행렬을 계산하기 전에 영상의 계조를 줄이기 위해 영상을 히스토그램으로 지정해야 합니다. 일반적으로 표준화된 영상의 계조는 8 또는 16입니다. 그레이스케일 생성 행렬로부터 많은 텍스처 특징을 도출할 수 있습니다. 본 논문에서는 텍스처 2차 거리, 텍스처 엔트로피, 텍스처 대비, 텍스처 균일성, 텍스처 상관관계, 모멘트, 최대 확률을 포함하여 14가지 유형의 그레이스케일 생성 행렬 특징을 계산합니다. , 텍스처 분산, 생성된 합계 및 평균, 생성된 합계 분산, 생성된 합계 엔트로피, 생성된 차이 평균, 생성된 차이 분산 및 생성된 차이 엔트로피입니다.
그레이스케일 생성 행렬에서 많은 텍스처 특징을 파생할 수 있습니다. 텍스처 2차 거리, 텍스처 엔트로피, 텍스처 대비, 텍스처 상관관계 등 14가지 유형의 그레이스케일 생성 행렬 특징이 계산되었습니다. 역차 모멘트, 최대 확률, 텍스처 분산, 생성된 합계 평균, 생성된 합계 분산, *** 생성된 합계 엔트로피, *** 생성된 차이 평균, *** 생성된 차이 분산, * ** 미분 엔트로피를 생성합니다.
현재 원격탐사 영상의 질감 특성에 대한 사람들의 이해는 다양합니다. 질감은 구조, 그림자 패턴, 패턴 등으로 불리기도 합니다. 피켓은 질감이란 일정한 반복적 특성을 유지하며 규칙적인 간격으로 임의로 배열될 수 있는 공간적 구조라고 믿는다. Hawkins는 텍스처에 세 가지 주요 신호가 있다고 믿습니다. 즉, 특정 로컬 시퀀스의 지속적인 반복, 무작위가 아닌 배열, 텍스처 영역 내 대략 균일한 통일성입니다. LiWang과 D.C. 그는 텍스처가 텍스처 프리미티브로 구성되어 있다고 믿습니다. 텍스처 프리미티브는 텍스처 특성을 표현하는 가장 작은 단위로 간주되며 주변의 8개 방향에서 픽셀의 특징적인 반응입니다. 질감의 특징은 때로 뚜렷하고 특정 기본 패턴으로 특정 영역에서 규칙적이고 주기적으로 나타납니다. 예를 들어 넓은 숲으로 덮인 지역의 이미지 질감은 얼룩덜룩하고 사막 지역의 이미지 질감은 사슬 모양, 초승달 모양입니다. 모양 등, 때로는 질감 특징이 명확하지 않고 모호하며 불안정합니다. 일반적으로 말하면, 전자는 더 균일한 질감을 갖고 있는 반면, 후자는 더 복잡한 질감을 가지고 있습니다.
지역적 특징인 질감은 이미지의 각 픽셀 사이의 공간적 분포에 대한 설명입니다.
질감은 이미지 정보를 최대한 활용할 수 있기 때문에 이론이나 상식에 관계없이 이미지를 설명하고 식별하는 중요한 기반이 될 수 있습니다. 따라서 텍스처는 대상 인식을 위해 추출해야 하는 중요한 특징이 되었습니다. 텍스처 특징을 추출하는 방법에는 국소적 통계적 특성을 기반으로 한 특징, 랜덤 필드 모델을 기반으로 한 특징, 공간 주파수를 기반으로 한 특징, 프랙탈 특징 등 여러 가지가 있습니다. 그 중 가장 널리 사용되는 것은 회색값 기반의 특징입니다. 세대 매트릭스.