分形 盒子维纹理特征
在纹理特征的提取中,纹理的分形维数特征(FD)是对纹理的一种重要描述。图像的纹理越复杂、细腻,则分形维数越大。提取分形维数特征的方法有很多种,理论以及计算的复杂度各有差异。
本文中分形维数的计算方法采用的是 DBC(Differential Box-counting)即 差分盒子计数法。该方法是由Sarkar and Chaudhuri 于1994年前后提出的(An Efficient Differential Box-Counting Approach to Compute Fractal Dimension of Image),在前人的分形维数计算方法上做了重要改进,使得FD的计算以及准确度得到了较大的提升。在本文算法的编写过程中还参考了两篇中文综述:[二维灰度图像的分形维数计算.张志],[图像分形维数计算方法的比较.赵海英]。
为节省篇幅,先主要罗列所用到的基本公式,以及Sarkar原著中的论述,其他基本知识点,读者可参阅上述两篇中文综述。
D就是要求的纹理分形维数特征。由于D是Nr、1/r对应直线的斜率,所以需要多次改变r,即网格大小,获得多个样本点,最后通过直线拟合求得最终的D。
这种基于DBC的方法计算出的纹理分形维数特征的值应该介于2~3。这是有理论证明的。在Sarkar的原著中,仅有提及,未给证明:
在[二维灰度图像的分形维数计算.张志]中作者则给出了 FD< 3 的证明。FD>2的证明类似。且在[二维灰度图像的分形维数计算.张志]中,作者提及了Sarkar的DBC方法存在的问题,即DBC方法存在多余的空盒子。所以本文在程序设计时,注意了此问题,排除了空盒子的影响,得到了较好的FD计算效果。
现给出本次设计中分形盒子维的代码。代码经验证,FD值符合纹理复杂程度。理论上,FD值本身还应具有“三不变”特性:平移、旋转、缩放。经验证,在某些图像上,本算法具备缩放不变性,平移、旋转不变形未经验证。
代码之中存在的冗余、不适、bug还望各位读者指正。
(最小二乘法拟合基本原理:http://blog.csdn.net/ice_fire3/article/details/6709929)
- //************************//
- //计算分形盒子维
- //*** yangxin_szu 2013_03_28 ***//
- //valarray与 MFC 有一定冲突
- //#undef的使用是为了避免问题出现
- #ifdef min
- #undef min
- #endif
- #ifdef max
- #undef max
- #endif
- #include <valarray>
- using namespace std;
- void My_Texture::Calculate_Fractal_Dim(unsigned char* Img_Data ,int Img_size)
- {
- //*************************************************//
- //the width and height of the Image should be the same
- //gray level : 256
- //points for Least Square method: 20
- //*************************************************//
- int i=0 ,j=0;
- //分形盒子维相关参数
- int M = Img_size;//图像尺寸
- int G = 256;//图像灰度级
- int L_point = 20;//最小二乘法样本点数
- valarray<unsigned char> Img_VAL(Img_size*Img_size);
- valarray<int> L_VAL(L_point);
- valarray<int> h_VAL(L_point);
- valarray<double> r_VAL(L_point);
- valarray<double> Nr_VAL((double)0,L_point);
- valarray<int> Grid_Num(L_point);//网格数目
- valarray<double> fractal_D(0.0 ,L_point);
-
- //复制数据
- int k = 0;
- for (i=0;i<Img_size;i++)
- {
- for (j=0;j<Img_size;j++)
- {
- Img_VAL[k] = Img_Data[i*Img_size + j];
- k++;
- }
- }
- //网格大小及相关参数
- //改进后的约束范围 M^(1/3)<= L <= M/3
- int L_min = (int)powf(M ,1/3.0);
- //int L_min = M/40;
- int L_max = (int)M/2;
- int L_step = (int)((L_max - L_min)/(float)L_point);
- for(i=0;i<L_point;i++)
- {
- L_VAL[i] = L_min + i*L_step;//各样本点对应的网格大小 L
- h_VAL[i] = (G*L_VAL[i])/M; //各样本点对应的盒子高度 h
- r_VAL[i] = log10(1/(L_VAL[i]/(float)M));//各样本点对应的 r
- Grid_Num[i] = M/L_VAL[i];//各样本点对应的图像网格数目 Num
- }
-
- int m =0,n =0,t=0;
- int grid_lt_x =0,grid_lt_y =0,grid_rd_x =0,grid_rd_y =0;
- unsigned char grid_I_max =0 ,grid_I_min =0;
- int dbc_l =0 ,dbc_k =0 ,nr =0;
- int s=0,p =0,q =0 ,box_non_zero =0,box_zero_count = 0;
- int gray_k =0,gray_l =0;
- //计算 Nr
- for (k=0;k<L_point;k++)
- {
- //临时存储单个网格数据
- valarray<unsigned char> grid_img((unsigned char)0,L_VAL[k]*L_VAL[k]);
- for (m=0;m<Grid_Num[k];m++)
- {
- for (n=0;n<Grid_Num[k];n++)
- {
- //单个网格的坐标范围
- grid_lt_x = n*L_VAL[k];
- grid_lt_y = m*L_VAL[k];
- grid_rd_x = grid_lt_x + L_VAL[k] - 1;
- grid_rd_y = grid_lt_y + L_VAL[k] - 1;
- //复制数据
- t = 0;
- for (i=grid_lt_y;i<grid_rd_y;i++)
- {
- for (j=grid_lt_x;j<grid_rd_x;j++)
- {
- grid_img[t] = Img_Data[i*M + j];
- t++;
- }
- }
- grid_I_min = grid_img.min();
- grid_I_max = grid_img.max();
- //最小、最大灰度所在的网格高度
- dbc_k = grid_I_min/h_VAL[k];
- dbc_l = grid_I_max/h_VAL[k];
- //*******计算空盒子数目********//
- for(s=dbc_k;s<=dbc_l;s++)
- {
- //灰度上下限
- gray_k = s*h_VAL[k];
- gray_l = gray_k + h_VAL[k] - 1;
- //清零
- box_non_zero = 0;
- //落在指定盒子内的点数
- for(p=0;p<t-1;p++)
- {
- if((grid_img[p]>=gray_k)&&(grid_img[p]<=gray_l))
- box_non_zero++;
- }
- //空盒子
- if(box_non_zero == 0)
- box_zero_count++;
- }
- //Nr累加并剔除空盒子
- nr = dbc_l - dbc_k + 1 - box_zero_count;
- Nr_VAL[k] = Nr_VAL[k] + nr;
- //清零
- box_zero_count = 0;
- }
- }
- Nr_VAL[k] = log10(double(Nr_VAL[k]));
- grid_img.free();
- }
- //计算各样本点对应的理论斜率并保存
- fractal_D = Nr_VAL/r_VAL;
- ofstream outfile("F:\\Fractal_D.txt");//打开文件,准备写入
- for (j=0;j<L_point;j++)
- {
- outfile<<fractal_D[j]<<' '<<endl;//距离
- }
- outfile<<endl;
- outfile.close();//关闭文件,完成写入
- //****************************************//
- //最小二乘法拟合直线
- double A = 0.0;
- double B = 0.0;
- double C = 0.0;
- double D = 0.0;
-
- A = (r_VAL*r_VAL).sum();
- B = r_VAL.sum();
- C = (r_VAL*Nr_VAL).sum();
- D = Nr_VAL.sum();
-
- double fractal_k,fractal_b,tmp =0;
- if(tmp=(A*L_point-B*B))
- {
- fractal_k = (C*L_point-B*D)/tmp;
- fractal_b = (A*D-C*B)/tmp;
- }
- else
- {
- fractal_k = 1;
- fractal_b = 0;
- }
- //拟合得到的分形盒子维
- m_fractal_dim = fractal_k;
- m_fractal_shift = fractal_b;
-
- //释放所有 valarray对象
- Img_VAL.free();
- L_VAL.free();
- h_VAL.free();
- r_VAL.free();
- Nr_VAL.free();
- Grid_Num.free();
- fractal_D.free();
-
- }
算法效果:
FD = 2.73 FD = 2.85
FD = 2.14 FD = 2.16 FD = 2.886
上图中黑色图像可能由于制图时截图所致,边缘像素以及图像品质变化,图像并非纯黑,且FD是由点拟合而来,所以此时的FD没能等于 2.由以上5幅图像可见,FD与纹理分布的细密、复杂程度符合得较好。
|