使用图割方法提取图像的纹理特征

计算机工程与应用 ›› 2013, Vol. 49 ›› Issue (11): 166-168.

使用图割方法提取图像的纹理特征

黄颖1，2，3，李伟生2，3，周丽芳4，王矿生3

1.电子科技大学电子工程学院，成都 610054
2.重庆市/信息产业部计算机网络与通信技术重点实验室，重庆 400065
3.重庆邮电大学计算机科学与技术学院，重庆 400065
4.重庆邮电大学软件学院，重庆 400065

出版日期:2013-06-01 发布日期:2013-06-14

Extraction of texture feature using graph cut method

HUANG Ying1，2，3, LI Weisheng2，3, ZHOU Lifang4, WANG Kuangsheng3

1.School of Electronic Engineering, University of Electronic Science and Technology of China, Chengdu 610054, China
2.Chongqing Key Lab of Computer Network and Communication Technology, Chongqing 400065, China
3.College of Computer Science and Technology, Chongqing University of Posts and Telecommunications, Chongqing 400065, China
4.College of Software, Chongqing University of Posts and Telecommunications, Chongqing 400065, China

Online:2013-06-01 Published:2013-06-14

摘要/Abstract

摘要： 研究目的是对代数多重网格（AMG）方法进行分析，粗网格中会保留强连接部分而去掉弱连接部分，可以提取图像的纹理信息。将AMG方法提取的图像的纹理特征结合到图分割算法中，针对具有纹理特征的图片构建能量函数，并使用最大流方法进行优化。使用一些自然图像进行了验证，结果证明针对该方法能够较好地提取图像的纹理特征。

关键词: 图割方法, 代数多重网格, 最大流方法, 纹理特征

Abstract: Algebraic multi-grid method is analyzed and is applied in the normalized cut method to extract the texture feature of the image. Large grid?density appears in the image regions with radical changes, and small one in the smoother regions. Singularities in the image can be detected by the AMG method, and especially the singularities in the texture image. An energy function is constructed for the texture feature and is minimized using max-flow method. Experimental results show that the proposed method can extract more texture details.

Key words: graph cut method, algebraic multi-grid, max-flow method, texture feature

黄颖1，2，3，李伟生2，3，周丽芳4，王矿生3. 使用图割方法提取图像的纹理特征[J]. 计算机工程与应用, 2013, 49(11): 166-168.

HUANG Ying1，2，3, LI Weisheng2，3, ZHOU Lifang4, WANG Kuangsheng3. Extraction of texture feature using graph cut method[J]. Computer Engineering and Applications, 2013, 49(11): 166-168.

[1]	陈明月，刘三阳. 自适应流形学习在故障诊断中的应用[J]. 计算机工程与应用, 2021, 57(3): 247-252.
[2]	安卫超，阎婷，张楠，张杉，相洁，曹锐，王彬. 病理图像纹理分析在胃癌MSI预测中的应用研究[J]. 计算机工程与应用, 2021, 57(24): 205-211.
[3]	陈熙，道尔吉，李运兰，韦立，夏道勋，熊祥光. 多方向局部相位量化模式及纹理分类[J]. 计算机工程与应用, 2020, 56(13): 216-222.
[4]	丁华，王晓东，章联军，陈晓爱，赖佩霞. 基于SLIC融合纹理和直方图的图像显著性检测[J]. 计算机工程与应用, 2019, 55(3): 159-166.
[5]	王偲晗1，万幼川1，王明威1，高雄2. 改进蚁群算法及其在高光谱影像分类中的研究[J]. 计算机工程与应用, 2018, 54(1): 196-203.
[6]	白晓静1，卢钢2，闫勇1，2. 基于多尺度颜色小波纹理特征的火焰图像分割[J]. 计算机工程与应用, 2017, 53(9): 213-219.
[7]	布阿加姑丽·米吉提1，库尔班·吾布力1，努尔毕亚·亚地卡尔1，吐尔根·依不拉因1，阿力木江·艾沙2. 纹理特征加权融合的中亚多文种文档图像文种识别[J]. 计算机工程与应用, 2017, 53(20): 187-194.
[8]	陈熙1，2，张戈1. 基于非高斯二维Gabor滤波器的生物特征提取算法[J]. 计算机工程与应用, 2017, 53(18): 170-175.
[9]	张卫国，李景妹. 改进的基于纹理特征的图像配准算法[J]. 计算机工程与应用, 2016, 52(6): 214-218.
[10]	丁祖萍，刘坤，王成. 一种基于颜色和纹理的显著性目标检测算法[J]. 计算机工程与应用, 2016, 52(19): 192-195.
[11]	刘万军，张洪伟. 改进颜色和小波变换纹理的图像检索方法研究[J]. 计算机工程与应用, 2016, 52(17): 181-186.
[12]	李彩艳，王慧琴，吴萌，潘思丞. 唐墓室壁画泥斑病害自动标定及虚拟修复[J]. 计算机工程与应用, 2016, 52(15): 233-236.
[13]	倪波1，刘志远1，2，余钢1. 结合高斯过程和形变模型的超声图像分割方法[J]. 计算机工程与应用, 2016, 52(12): 210-215.
[14]	胡峰松1，2，朱浩1. 基于多重特征和SURF算法的车牌定位研究[J]. 计算机工程与应用, 2015, 51(17): 182-187.
[15]	马爽1，陈江宁2，卢虎3，樊养余1. 边缘特性筛选与多判定机制下的车牌定位方法[J]. 计算机工程与应用, 2014, 50(9): 145-149.