信息工程大学硕士学位论文 2.2.2.2 纹理分析方法
对纹理图像的描述常借助纹理的统计特性或结构特性进行，对基于空域的性质也常可 转换/变换到频域进行研究，常用的纹理描述方法有：①统计法纹理描述：利用图像区域内的灰度（或彩色）统计特性进行分析；②结构法纹理描述：认为纹理是由纹理基元按照一定的排列配置规则产生的，包括纹理基元的提取与排列规则的定义，然后从结构组成上探索纹理的规律；③频谱法纹理描述：将图像变换到变换域，从频谱导出其纹理特征的。如Fourier 分析、Gabor小波分析及小波分析等。 （1） 统计分析方法描述
由以上对纹理的概念分析可以看出，纹理描述的是灰度级的空间分布，因而统计方法很早就被当作纹理分析的主要方法。统计分析方法一般可分为一般的统计特征分析方法、灰度共生矩阵方法、分形理论、自相关函数与心理学特征方法。利用像素相对位置的空间信息，可建立区域灰度共生矩阵，即表示图像灰度级空间相关的矩阵。基于共生矩阵的纹理描述方法适用于纹理中的某一灰度级结构重复出现的情况，它表现了纹理中不同灰度之间的空间依赖性。分型理论近年来研究的较多。分形是一种集合，它的分形维数大于几何拓扑维数。自相似性是分形最重要的特征，自相似性是指把考察对象的部分沿各个方向以相同的比例放大后，其形态与整体相同或相似。 （2） 结构分析方法
结构分析方法的基本思想是认为复杂的纹理可由一些简单的纹理基元以一定的排列配置规则组合而成，纹理基元可以分离出来。结构分析方法力图通过找到纹理基元，再从结构组成上探索纹理的分布规律，计算纹理基元的特征参数（尺寸、位置和姿态等）或构成纹理的结构参数（相位、距离和分离度等）。以基元特征和排列规则作为特征进行纹理分割，一般只适用于结构性较强的宏观纹理，对自然纹理难以取得满意的分析效果，因而结构分析方法在实际应用中受到很大的限制。 （3） 频谱分析方法
人的心理物理实验表明人类对图像进行频率分析。基于频谱的分析方法就是模拟人类视觉系统对图像进行分析，对图像进行带通滤波得到图像在频域中的表示模型，进而对其进行纹理分析处理的方法（对功率谱密度函数的频率或变换系数进行分析）。常用的纹理频域分析方法有基于傅立叶变换的方法与基于小波变换的方法。
第19 页
信息工程大学硕士学位论文 傅立叶分析方法借助于傅立叶频谱的频率特性来描述周期的或近似周期的二维图像模式的方向性。小波变换是选择适当的母波，通过对其平移、伸缩而形成一系列的小波，然后将信号分解为一系列的基本函数。这些基本函数都是通过对母函数的变形得到，它具有平移、放大、缩小的特点，因而可以在不同的频域范围，不同的时间（空间）位置对信号进行分析。
对二维小波变换进行递归过滤和采样，在每个层次上，二维信号被分解为四个子波段，根据频率特征分别称为LL,LH,HL和HH。金字塔较高的小波变换（PWT）和树状结构的小波变换（TWT）可以应用于纹理分析。小波变换表示的纹理特征可以用每个波段的每个分解层次上能力分布的均值和标准方差。 2.2.3 基于简单统计特征的皮肤纹理检测
图像的纹理特征与图像中物体表面的组织结构有关，对于皮肤这种特殊的纹理，许多研究人员希望通过纹理特征实现对皮肤的检测，并作了探索性的研究。Fleck与Forsyth[7,8,9]提出了纹理幅度的概念，并用于皮肤纹理检测。首先，灰度图像经过中值滤波进行平滑处理，然后，将原来图像与第一次滤波的结果的差值作为纹理幅度再经过第二次滤波，最后设定一阈值，并定义皮肤检测规则为：如果纹理幅度小于阈值，则为皮肤区域，否则为非皮肤区域。李雁[44]等采用基于DCT变换和Gabor小波变换两种方法进行皮肤纹理的特征提取，提取的特征作为高斯混合模型（GMM）输入向量，然后通过GMM进行皮肤纹理的检测，并指出Gabor小波变换的检测效果要好于DCT变换的检测效果。近年来出现了将统计法和结构法结合的算法，如差分矩阵[28]与纹理谱[29]。
从以上对纹理分析方法的描述，可以看到，统计分析方法对于纹理分类与纹理分割有明显的优势，且具有处理速度快的特点。因而在实时图像纹理分析中得到了广泛的应用，是进行纹理分析的主要方法。通过统计方法可以计算出许多的纹理特征，经过大量的实验发现，其中皮肤区域的方差、对比度等简单统计纹理特征具有相当强的稳定性，而非皮肤区域则不具有这种特点。方差、对比度特征计算简单，速度快，很容易满足实时系统的要求，在利用纹理信息进行皮肤检测过程中取得了不错的效果，在本过滤系统中采用一种基于K-L变换的皮肤统计纹理特征提取方法。有限离散K-L(Karhunen-Loeve)变换，又称霍特林（Hotelling）变换，它是一种基于目标统计特性的最佳正交变换。图2.11为利用方差与对比度特征进行皮肤检测的部分示例结果。
第20 页
信息工程大学硕士学位论文 2.2.4 实验结果及分析
在众多的纹理分析方法中，统计分析方法对于纹理分类与纹理分割有明显的优势。且通过统计方法可以计算出许多纹理特征，而皮肤没有明显的纹理特征。为了验证纹理特征的有效性，对利用简单统计纹理特征（即方差与对比度）进行皮肤检测做了实验，并给出了实验结果。
纹理分析本身具有处理速度慢的局限性，对整幅图像进行纹理分析并不是一种可行的方法。对图像进行纹理分析的目的是尽可能的减少经过颜色信息处理被误检皮肤的区域，因而可以在颜色信息处理的基础上进行纹理分析。下面是采用距离测量法检测皮肤区域的具体实现与测试结果。
我们在各种图像中随机采集了432幅大小不等的图像块，其中皮肤块为317块，非皮肤块为115块。在皮肤块中随机抽取107块作为训练样本，以确定距离阈值，剩下的皮肤块与非皮肤块用作测试数据。表2.2、表2.3为部分测试数据。
表2.2 皮肤块纹理分析部分数据 皮肤块 颜色处理后的皮肤百分比 纹理处理后皮肤百分比 表2.3 非皮肤块纹理分析部分数据 非皮肤块 颜色处理后的皮肤百分比 纹理处理后皮肤百分比 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 ? 100 100 100 100 100 100 100 100 98.62 95.22 97.3 97.58 94.28 42.41 100 100 100 ? 99.16 100 98.77 99.74 100 100 100 100 98.62 95.22 97.3 97.58 94.28 42.03 45.22 99.45 99.13 ? 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 ? 97.28 91.54 100 71.68 99.96 100 100 100 100 100 100 97.83 100 77.8 100 100 86.13 ? 54.37 40.3 41.69 42.91 41.5 57.3 61.24 49.37 56.44 57.19 38.17 42.74 33.82 41.61 45.27 36.29 37.42 ? 显而易见，对于非皮肤图像块，采用纹理分析大大减少了经颜色信息被误检为皮肤的
第21 页
信息工程大学硕士学位论文 区域，而对于皮肤块，纹理分析的影响则很小，这也就验证了基于K－L变换的皮肤检测方法的有效性。图2.11是在颜色处理的基础上进行纹理分析后皮肤检测的结果，黑色区域为皮肤区域。
①②③④⑤⑥图2.11 简单纹理特征分析举例
①，④为原图；②，⑤为颜色模型检测结果；③，⑥为纹理检测结果
2.2.5 皮肤纹理检测在过滤系统中的应用
在利用颜色进行皮肤检测的基础上，运用纹理检测，可以获得更确切的皮肤区域，利用皮肤区域在图像中的比例可以排除大量不具有皮肤或具有少量皮肤的图像，缩小后续过滤分析所处理图像的范围，大大加快图像过滤的速度。皮肤纹理检测在过滤系统中的应用流程图如图2.12所示。
初步肤色 掩码图像纹理分析检测 是否大于阈值 否 将该像素保存为 非肤色像素第二步皮肤掩码图像是 将该像素保存为肤色像素2.12 皮肤纹理检测在系统中的流程图
第22 页
