導讀

紋理分析的介紹，各種紋理分析方法，并結合深度學習提升紋理分類。

人工智能的一個獨特應用領域是幫助驗證和評估材料和產品的質量。在IBM，我們開發了創新技術，利用本地移動設備，專業的微型傳感器技術，和AI，提供實時、解決方案，利用智能手機技術，來代替易于出錯的視覺檢查設備和實驗室里昂貴的設備。

在開發質量和可靠性檢查的人工智能能力的同時，產品和材料的圖像需要是高清晰度的或者是微觀尺度的，因此，設計能夠同時代表采樣圖像的局部和全局獨特性的特征變得極為重要。利用來自紋理分析方法的特征來豐富基于深度CNN的模型是一種非常有效的方法來實現更好的訓練模型。

為了更好地理解紋理分析方法在深度學習中的應用，我們先來了解一下什么是紋理分析。

什么是紋理？

紋理是粗糙度、對比度、方向性、線條相似性、規則性和粗糙度的度量，有助于我們理解圖像中顏色或強度的空間排列。紋理是圖像強度中局部變化的重復模式(圖1)。

圖1，紋理圖像示例 (a)原始圖像，(b)紋理重復模式

紋理由紋理原語或紋理元素組成，有時被稱為元紋理。元紋理用于從圖像中找到對象的色調和紋理。圖像的色調取決于元紋理的像素強度屬性，而紋理處理元紋理之間的空間連接。

例如，如果元紋理之間的色調差異很大，而元紋理的尺寸很小，它就像一個精細的紋理，如果一個元紋理包含很多像素，那么它就像一個粗糙的紋理。

我們需要了解不同類型的紋理才能正確地分析它們。在開始任何與紋理相關的項目之前，最好知道你將處理什么樣的紋理。

不同類型的紋理

紋理的分類是困難的，因為它的一些屬性，如規律性、隨機性、均勻性和變形沒有得到適當的定義，以及紋理類型是廣泛的和復雜的。

通常，紋理像粗糙，凹凸，干燥，光澤，沙質，硬，尖銳等，屬于粗糙類別，而紋理像細，光滑，濕，皺，絲滑，軟，暗等，屬于光滑類別。

廣義上，紋理分為兩類，即觸覺和視覺紋理。

觸覺指的是一個表面的直接有形的感覺，即觸覺紋理就像一個真實的對象。當一個物體被觸摸時，我們可以感覺到它的質地。手感可以是光滑、柔軟、堅硬、黏滑、粗糙、粘滑、絲滑等。自然紋理的例子有木頭、巖石、玻璃、金屬、樹葉等。

視覺紋理被定義為紋理產生給人類觀察者的視覺印象，也就是說，它不是真正的紋理，但它是人從圖像中檢查紋理的方法。照片中的物體可能看起來很粗糙，但是，照片的感覺總是平坦和光滑的。

根據視覺紋理的隨機性程度，可以進一步將視覺紋理分為規則紋理和隨機紋理。

將簡單可識別的小尺寸的部分平貼到固體周期模式中，形成“規則紋理”，而隨機模式中較難識別部分組成“隨機紋理”。

那么，現在最大的問題是，紋理分析在提高計算機視覺任務中深度學習的有效性方面的意義是什么?

紋理分析用在哪里？

如今，紋理分析是許多任務的重要組成部分，從醫學影像到遙感，也被用于大型圖像數據庫的內容查詢。

在工業檢測中，當現有的技術無法解決的時候，紋理分析是一個強大的工具。讓我們以木材制造為例，在這種情況下，不使用紋理分析很難檢測裂紋。

紋理檢測還用于對地毯進行分級中，根據地毯因磨損引起的外觀變化。紋理分析用于皮革檢查，通過評估顏色、厚度和灰度變化。有缺陷的碎片通常會在皮革上留下疤痕或褶皺。

紋理分析的應用范圍包括紋理分類，如遙感(圖5)，紋理分割，如生物醫學成像(圖6)。它還被用于圖像合成和模式識別任務，如從照片中識別繪畫。

當圖像中的物體是通過紋理屬性而不是強度進行分類，或者閾值技術無法對其進行正確分類時，紋理分析就發揮了重要作用。

圖5，利用紋理分析的遙感圖像。由遙感領域的專家對這些紋理模式進行聚類識別和標記

下圖(圖6)顯示了二流腔靜脈的超聲圖像(圖的下三分之一處為鈍區)。肝臟的分割，被白色斑點包圍的區域，顯示出與周圍組織相比獨特的紋理。

圖6，利用紋理分析的醫學圖像

如今，紋理分析也被用于食品制造行業，以了解食品的質量。硬糖、耐嚼的巧克力曲奇、脆餅干、粘稠的太妃糖、脆芹菜、嫩牛排等食物都含有多種紋理。紋理分析在這一領域有很大的應用，例如食物的口感特性可以通過紋理分析很容易地測量出來。

它也被用于一項名為“流變學”的研究，這是一門研究物質變形和流動的科學，換句話說，是研究物體受到外力作用時的反應。

除了所有這些，紋理分析可以用來測量/評估許多產品的質量，如粘合劑，藥品，皮膚/頭發護理產品，聚合物等。

到目前為止，我們已經了解了紋理分析可以應用在哪里，在下一節讓我們看看如何根據紋理對圖像進行分類。

紋理分析如何應用到分類問題中以及為何它如此重要？

到目前為止，我們已經了解了不同類型的紋理，并看到了現實生活中紋理分析很有用的例子。讓我們了解如何在分類問題中使用它，分類器的主要目標是通過為每個圖像提供描述符來對紋理圖像進行分類。換句話說,

分配一個未知的樣本到一個預定義的紋理類被稱為紋理分類

在進行紋理分類時，考慮了圖像的圖案和紋理內容。基于紋理的分類是基于紋理特征(如粗糙度、不規則性、均勻性、平滑度等)進行的。任何圖像數據集中的每個類都很可能具有不同的紋理，這使得它成為一個獨特的屬性，有助于模型更準確地對圖像進行分類。

提取紋理的不同技術和方法

有多種方法用于從圖像中提取紋理。在本文中，我們將討論最常用和最重要的紋理提取方法。

GLCM (Grey Level Co-occurrence Matrix，灰度共生矩陣)是一種常用的、基本的紋理分析統計方法。GLCM特征基于二階統計量，用于從均勻性、同質性等角度了解像素間的平均相關程度。

LBP是一種結合了結構和統計方法的方法，使紋理分析更有效。現實中LBP的一個重要特征是它對不同光照條件引起的單調的灰度變化的容忍度。它的簡單計算允許在實時場景中使用。

小波是一種基于變換的方法，可以捕捉局部的頻率和空間信息。GLCM和LBP關注的是紋理的空間排列，但紋理的關鍵要素是尺度，根據一項心理-視覺研究，我們的大腦處理圖像的方式是多尺度的。我們的大腦會進行不同的空間頻率分析來識別紋理。基于這一思想，小波分析關注的是頻率和空間信息。

分形是圖像自相似性和粗糙度的重要度量。它能夠表征其他紋理分析方法所不能表征的紋理。有各種各樣的技術來測量圖像的平滑度、均勻度、平均值和標準差，但分形方法主要關注圖像紋理的“粗糙度”，并相應地對紋理進行分類。

圖像梯度是一種檢測圖像邊緣的完美技術，因為它變得更容易識別紋理時，邊緣高亮。紋理邊界用于自然邊界的有效劃分，一旦這些邊界被正確識別，基于這些邊界的紋理區分就很簡單了。

這五種方法對不同的紋理數據集都取得了滿意的結果。每種技術都強調紋理的獨特屬性。在下面的部分中，我們將研究這些技術的特征構造方法。

灰度共生矩陣 (GLCM):

GLCM提供了關于圖像像素之間如何相互關聯的信息，這種關系幫助我們根據從GLCM中提取的多個特征對紋理進行分類。矩陣給出了具有相似強度的像素的位置信息。可能的強度值集合是二維數組的行和列標簽(P)

審核編輯：劉清