纹理分析——模型分析方法

纹理模型分析法认为一个像素与其邻域像素存在着某种相互关系，这种关系既可以是线性的，也可以是服从条件概率的。常用的模型主要有自相关模型、自回归模型、Markov随机场模型和分形模型等。

一 自相关模型(Self-correlation Model)

1. 自相关函数

图像纹理的一个重要性质是纹理的反复性。定义图像的自相关函数，一幅图像f (x,y)的自相关函数的定义如下:

2. 纹理度量

利用图像纹理的自相关函数ρ （x，y）随x，y大小变化的规律，可以描述图像纹理的粗糙度、规整度、粗略度等特征。
令

若图像的纹理较粗，则ρ （x，y）随d增加而下降的速度较慢；如果图像的纹理较细，则ρ （x，y）随d增加而下降的速度较快；随着d的不断增加， ρ（x，y）会呈现某种周期性变化，其周期的大小能够反映出局部模式排列规则的稀疏、稠密程度。
适用于比较规则的纹理图像分析。

二 纹理分析方法的比较

1. 综述

由于他们使用纹理图像的数据形式不同，很难将这些算法与技术摆在某一规范尺度上进行准确的比较。
各种方法与技术中都存在着许多不同因素的作用，例如：分类器的形式，训练取样点数目，纹理特征数目，预处理步骤，以及分辨率等级等等。
现有的各种纹理分类方法中，任何一种方法
都具有自身的特点和弱点。

2 . 各种方法特点

基于统计的方法是纹理分析中最基本的一类方法，这类方法原理简单，较易实现，能反映纹理图像的很多特征，特征计算量大，同时易受到噪声的影响。
基于结构的方法将研究重点放在分析纹理元之间的相互关系和排列规则上，仅适合于规则纹理，对于分析自然纹理图像很难取得满意的效果;特征的选取由于对图像本身要求比较高，在实际当中不容易见到。

基于模型的方法通过求模型参数来提取纹理特征，进行纹理分析。其效果较好，可易于实现纹理分类与合成的一体化，但这类方法存在着计算量大，自然纹理很难用单一模型表达的缺点。
基于空间/频率域联合分析法利用在空间域和频率域同时取得较好局部化特性的滤波器对纹理图像进行滤波，从而获得较为理想的纹理特征，计算量较大。

基于对纹理特征的描述很多，但是没有哪一种纹理特征可以描述所有的纹理，大多数方法还只适于一部分特定图像，也很难找到一种能够完全适合所有纹理类型的分析方法。
实际中应针对不同的应用，寻找合适某类纹理的特征，研究相应的分析方法，才有可能取得较好的效果。