双树复小波下广义分布统计模型提升纹理特征提取效果

本文探讨了一种新颖的纹理特征提取方法，其核心在于基于双树复小波域的统计建模。双树复小波变换（Dual-Tree Complex Wavelet Transform, DTCWT）是一种多分辨率分析工具，它在处理图像时能够捕捉到丰富的细节信息，包括纹理特征。传统的统计图像建模方法通常依赖于特定参数控制的分布模型，如广义伽马分布和广义冯·米塞斯分布（Generalized Gamma Distribution and Generalized von Mises Distribution），这些分布用于描述纹理的统计特性。 作者提出的方法首先通过DTCWT对输入图像进行分解，将图像转换为不同尺度和方向上的小波系数，这有助于分离纹理特征与结构信息。然后，他们选择广义伽马分布和广义冯·米塞斯分布对这些小波系数的统计特性进行建模。这两个分布的选择考虑了它们在表示自然纹理中的有效性，因为它们可以适应各种复杂的纹理模式。 关键的步骤是参数估计，这里采用对数累积量法（Log Cumulative Sum, LCSV）来高效地估计模型参数。对数累积量法在处理非正态分布数据时具有良好的性能，能够准确地估计出分布的参数，从而更精确地反映纹理特征的分布情况。 实验部分，作者在VisTex和Brodatz纹理库上进行了详细的分类实验，结果显示，这种基于双树复小波域的统计建模方法能够有效地提取图像的纹理特征，提高了纹理识别的精度和稳定性。高识别率证明了这种方法的有效性和优越性，因为它能够区分不同纹理类别，并且在实际应用中具有良好的性能。 总结来说，本文的主要贡献在于提出了一种结合双树复小波变换、广义伽马分布和广义冯·米塞斯分布以及对数累积量法的新型纹理特征提取方法，它在处理图像纹理分析任务时表现出优秀的性能和鲁棒性，为纹理识别和计算机视觉领域的研究提供了新的思路和技术手段。