3、基于Contourlet变换与PBD的纹理分类方法研究

基于Contourlet变换与PBD的纹理分类方法研究

1. 引言

在纹理分类领域，Contourlet变换为从纹理图像中提取特征提供了高效工具。此前，通过乘积伯努利分布（PBD）对小波细节子带系数进行建模受到了广泛关注。该模型利用二进制位表示小波子带直方图，并基于模型参数构建位平面概率（BP）签名。BP方法的主要优点在于其签名提取和基于欧几里得度量的相似度测量效率高，且模型参数在图像处理应用中有统计依据。然而，它也存在两个主要缺点：一是小波变换无法捕捉方向信息，导致小波系数不能很好地表示纹理图像，识别性能不佳；二是最小距离分类器效果不好，因为BP签名是通过连接所有高通子带的位平面概率得到的，新图像与纹理类之间的距离是通过测试样本的BP签名与每个类中所有训练样本的BP签名的均值的加权 -L1距离得到的。

基于PBD的优缺点，本文提出了一种将Contourlet变换与PBD相结合的纹理分类新方法。具体贡献如下：
- 使用乘积伯努利分布对Contourlet系数进行建模，而非小波系数。
- 提出一种新的图像距离度量方法，通过对相应子带的位平面概率的所有加权 -L1度量求和来测量。
- 将PBD模型应用于Contourlet域，通过K近邻分类器进行有监督的纹理分类。实验结果表明，使用新距离度量的方法优于基于小波域PBD的方法，并且优于基于M带脊波变换的当前最先进方法。

2. Contourlet变换

Contourlet变换由Do和Vetterli开发，旨在克服小波变换的局限性。它采用双滤波器组结构，首先使用拉普拉斯金字塔（LP）捕获点不连续性，然后使用方向滤波器组（DFB）将点不连续性连接成线性结构。因此，这种变换的整体结果是基于