Текстурный анализ изображений

на то, что в настоящее время концепция текстуры не достаточно

хорошо определена.
Харалик отмечал что, несмотря на повсеместное присутствие в изображениях текстуры, формального подхода к ее описанию и определению не существует, и методы различения текстур, как правило, разрабатываются отдельно для каждого конкретного случая. Это является следствием того, что неизвестна природа информации воспринимаемой человеческой визуальной системой.

поверхности, представляющее пространственную информацию, содержащуюся на поверхности объекта..
Беннис и Гагалович

предполагали, что текстура может представлять информацию, позволяющую человеческом глазу различать части изображения.
Другое определение, данное Франкосом и Мейри, гласит что Текстура — это структура, состоящая из большого количества элементов, сильно похожих друг на друга и расположенных в определенном порядке, так что наблюдатель не заостряет особого внимания ни на одном элементе. При взгляде на текстуру у наблюдателя создаётся впечатление, что она однородна..

интерпретация текстуры как повторения базовых примитивов, имеющих различную ориентацию в

пространстве. Примерами в этом случае могут служить текстуры ткани, кирпичной стены и т. д. Сторонники такого определения ориентировали себя на спектральный анализ и представление текстуры.
Во-вторых, текстура рассматривается как некий анархичный и однородный аспект, не обладающий ярко выраженными краями. Для сторонников этого метода не существует заметных образцов или доминирующей частоты в текстуре (например, дерн, кора, земля и так далее, рассматриваемые с большого расстояния), т. е. они ориентировали себя на вероятностный метод решения проблемы текстуры.

обоих описанных выше методов.
То есть текстура представляет собой пространственную

организацию (высший уровень) базовых примитивов (или непроизводных элементов, как их называет Харалик), которые сами имеют случайный аспект (низший уровень).

различных подходов к анализу текстур.
В литературе описаны три подхода

к анализу текстур

множество признаков. Эти признаки можно определить как следующие свойства: контраст,

корреляция, энтропия.
Поскольку признаки выбираются эвристически, то используя полученное множество признаков невозможно получить изображение, похожее на оригинальное.

образы, состоящие из множества примитивов или подобразов, которые расположены в

соответствии с некоторым правилом.
Примерами таких текстур являются кирпичная стена или мозаичный пол. Используются такие примитивы как: границы, линии, кривые, полигоны.
Правильное распознавание этих примитивов является сложной задачей.
Тем не менее, если примитивы полностью описывают текстуру, то возможно воссоздать похожую текстуру используя примитивы.

стохастического процесса, характеризующегося некоторыми параметрами.
Анализ представляет собой выбор модели и

оценку параметров для того чтобы можно было воссоздать стохастический процесс с использованием модели и соответствующих параметров.
Оцененные параметры могут рассматриваться как признаки в задачах классификации и сегментации текстурных изображений.
Данный подход предоставляет хорошие возможности для генерации реалистичных натурных текстурных изображений по заданному образцу.

порядка (взаимное расположение пикселей)
Спектральные
Специальные

к. позволяет судить о характере структурных элементов.
Оценка автокорреляционной функции имеет

вид:

направленность, линиеобразность, регулярность, четкость.
Первые три признака наиболее важные, т.

к. они наиболее сильно связаны с восприятием человека.
Однако, как указывают другие исследователи, этим признакам присущи недостатки, и как правило метод вычисления того или иного признака заменяется в зависимости от задачи.

случайного поля, таким образом интенсивность пиксела зависит только от интенсивностей

соседних пикселей. Оценка автокорреляционной функции приведена в формуле выше.

окрестности точки изображения. Угол направления полосы в данной точке равен

по определению углу касательной к линии уровня функции яркости. В качестве текстурного признака была взята зависимость дисперсии весовой функции от дисперсии комплексного поля направлений.

Комплексное поле направлений

весовой функции (комплексные случайные поля). Число изображений 160(80-80).
Результаты классификации

функции (комплексные случайные поля). Число изображений 160(80-80).
Результаты классификации

(комплексные случайные поля). Число изображений 160(80-80).
Результаты классификации

84(42-42).

84(42-42).

Underpinnings of Quantitative MRI-based Radiomic Phenotypes of Invasive Breast Carcinoma,”

Scientific reports 5:17787 (2015) | DOI: 10.1038/srep17787