23、统计纹理参数计算的并行方法

统计纹理参数计算的并行方法

在图像处理领域，尤其是处理大型复杂图像（如合成孔径雷达（SAR）图像）时，纹理参数的计算至关重要。传统方法在计算高阶纹理参数时存在计算时间长、内存需求大等问题。本文将介绍一种新的并行方法，该方法能有效解决这些问题。

1. 背景与问题提出

自动化分类在技能识别中非常有用，无监督图像分类方法试图将一组观测数据细分为统计类别。纹理分析是SAR图像处理的一种有效方法，它通过数学技术量化图像中各种灰度的强度、粗糙度及其分布。然而，现有的纹理分析方法在计算高阶纹理参数时，计算时间长是主要问题。

研究工作主要分为结构方法和统计方法。结构方法通过定义图像中的基元及其关系来描述纹理；统计方法则研究每个像素与其周围像素的关系，基于不同阶的共生矩阵组合统计参数。但共生矩阵的计算非常耗时，特别是对于高阶参数。因此，研究人员通常只关注二阶统计参数，尽管高阶参数能为纹理分析提供补充信息。

为了优化参数计算时间，已有一些研究尝试改进。例如，用直方图的和与差代替共生矩阵，减少灰度级别，基于直方图开发新算法等。

2. 经典纹理参数表达式

• 二阶纹理参数 ：对于最大灰度级为MaxGs的数字图像，二阶纹理参数Para2是一对整数 (i, j) 的实函数，定义为：
  [Para2 = \sum_{i = 0}^{MaxGs}\sum_{j = 0}^{MaxGs}\pi(i, j, C_{ij})]
  其中，(C_{ij}) 是共生矩阵的 (i, j) 项。例如，相异性参数Diss2的表达式为：
  [Diss2 = \frac{1}{N}\sum_{i =