[论文解读] Gray Level Co-Occurrence Matrices: Generalisation and Some New Features

Bino Sebastian V, A. Unnikrishnan+1 more|arXiv (Cornell University)|May 22, 2012

Image Retrieval and Classification Techniques被引用 42

一句话总结

本文提出了一种从灰度共生矩阵（GLCM）导出的轨迹特征，作为图像分析中一种新型纹理描述符。该方法将GLCM推广至n维灰度图像，并通过实验表明，轨迹特征在基于内容的图像检索（CBIR）任务中优于传统的Haralick特征。

ABSTRACT

Gray Level Co-occurrence Matrices (GLCM) are one of the earliest techniques used for image texture analysis. In this paper we defined a new feature called trace extracted from the GLCM and its implications in texture analysis are discussed in the context of Content Based Image Retrieval (CBIR). The theoretical extension of GLCM to n-dimensional gray scale images are also discussed. The results indicate that trace features outperform Haralick features when applied to CBIR.

研究动机与目标

• 开发一种适用于n维灰度图像的广义灰度共生矩阵（GLCM）框架。
• 提出一种新的纹理特征，称为“轨迹”，该特征源自GLCM，以增强纹理表征能力。
• 评估轨迹特征与现有Haralick特征在基于内容的图像检索（CBIR）中的性能表现。
• 为轨迹特征在纹理分类任务中的有效性提供理论与实证依据。

提出的方法

• 通过将共现概念从2D图像扩展至n维灰度图像，定义n维灰度图像的GLCM。
• 将轨迹特征定义为GLCM对角线元素之和，即轨迹 = Σ p(i,i)，其中p(i,j)为灰度级i与j的联合概率。
• 将轨迹特征与标准GLCM特征结合，用作图像表征的纹理描述符。
• 在基准数据集上应用所提出的特征集，评估其在CBIR任务中的检索准确率。
• 使用标准评估指标，将轨迹特征的性能与传统Haralick特征进行对比。
• 通过考虑多维空间关系，将GLCM形式化推广至多维图像数据。

实验结果

研究问题

• RQ1 如何将GLCM框架扩展至n维灰度图像？
• RQ2 从GLCM中提取的轨迹特征具有何种理论与实际意义？
• RQ3 与标准Haralick特征相比，轨迹特征是否提升了纹理区分能力？
• RQ4 与现有方法相比，基于轨迹的特征集在真实世界CBIR应用中的表现如何？
• RQ5 将轨迹用作纹理分析中均匀性或同质性的度量，其含义是什么？

主要发现

• 轨迹特征（定义为GLCM对角线元素之和）能有效捕捉纹理同质性，并表现出强大的判别能力。
• 广义GLCM框架成功地将共现概念推广至n维图像数据，实现了更广泛的应用潜力。
• 实证结果表明，轨迹特征在CBIR基准测试中的检索准确率优于传统Haralick特征。
• 轨迹特征在多种纹理模式下表现出鲁棒性与一致性，尤其在区分均匀与非均匀纹理方面表现优异。
• 与基线Haralick特征相比，所提方法在图像检索任务中实现了更高的精确率与召回率。
• 轨迹特征的理论基础坚实，且与已知的纹理特性（如对比度与同质性）相一致。