纹理图像基及其应用
第１７卷第７期计算机辅助设计与图形学学报ｖ０１．１７，Ｎｏ．７２００５年７月ＪＯＵＲＮＡＬＯＦＣｏＭＰＵＴＥＲ—ＡＩＤＥＤＤＥＳＩＧＮ＆ＣＯＭＰＵＴＥＲＧＲＡＰＨＩＣＳＪｕｌｙ，２００５
纹理图像基及其应用
向世明１’２’赵国英１’２’陈睿１’２’贾富仓１’２’李华１’
１’（中国科学院计算技术研究所智能信息处理重点实验室北京１０００８０）
２’（中国科学院研究生院北京１０００３９）
（ｓｍｘｉａｎｇ＠ｉｃｔ．ａｅ．ｅ１１）
摘要纹理图像被视为基本微模式的线性组合．拓扑图格独立分量分析首先被用来学习图像基，然后根据生成模型，通过变换图像基获得基本微模式．最后给出了其两个应用例子：从微模式中提取基本视觉元素，并提出了相应的算法；将学习获得的分离基视为滤波器，实现其纹理分割．对比实验分析表明，该算法可取得满意的分割结果．
关键词拓扑图格独立分量分析（ＴＩＣＡ）；图像基；混合基；分离基；视觉元素；纹理分割
中围法分类号ＴＰ３９１．４
ＴｅｘｔｕｒｅＩｍａｇｅＢａｓｅｓａｎｄＴｈｅｉｒＡｐｐｌｉｃａｔｉｏｎｓ
ＸｉａｎｇＳｈｉｍｉｎ９１，２）ＺｈａｏＧｕｏｙｉｎ９１，２）ＣｈｅｎＲｕｉｌ，２）ＪｉａＦｕｃａｎ９１，２）ＬｉＨｕａｌ）
１）（ＫｅｙＬａｂｏｒａｔｏｒｙｏｆＩｎｔｅｌｌｉｇｅｎｔＩｎｆｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇ，ＩｎｓｔｉｔｕｔｅｏｆＣｏｍｐｕｔｉｎｇＴｅｃｈｎｏｌｏｇｙ，ＣｈｉｎｅｓｅＡｃａｄｅｍｙｏｆＳｃｉｅｎｃｅｓ，ＢｅＯｉｎｇ１０００８０）２）（ＧｒａｄｕａｔｅＳｃｈｏｏｌｏｆｔｈｅＣｈｉｎｅｓｅＡｃａｄｅｍｙｏｆＳｃｉｅｎｃｅｓ，Ｂｅｉｊｉｎｇ１０００３９）
ＡｂｓｔｒａｃｔＴｈｉｓｐａｐｅｒｔｒｅａｔｓｔｅｘｔｕｒｅｉｍａｇｅａｓａｌｉｎｅａｒｓｕｐｅｒｐｏｓｉｔｉｏｎｏｆａｇｒｏｕｐｏｆｆｕｎｄａｍｅｎｔａｌｍｉｃｒｏ—ｐａｔｔｅｒｎｓ．Ｔｈｅｔｏｐｏｇｒａｐｈｉｃｉｎｄｅｐｅｎｄｅｎｔｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓｉｓｅｍｐｌｏｙｅｄｆｉｒｓｔｔｏｌｅａｒｎｔｈｅｉｍａｇｅｂａｓｅｓ，ａｎｄｔｈｏｓｅｍｉｘｉｎｇｂａｓｅｓａｒｅｔｈｅｎｔｒａｎｓｆｏｒｍｅｄｉｎｔｏｍｉｃｒｏ—ｐａｔｔｅｒｎｓ，ａｃｃｏｒｄｉｎｇｔｏｔｈｅｇｅｎｅｒａｔｉｖｅｍｏｄｅｌ．Ｔｗｏｅｘａｍｐｌｅｓｏｆａｐｐｌｉｃａｔｉｏｎｓｏｆｉｍａｇｅｂａｓｅｓａｒｅｉｌｌｕｓｔｒａｔｅｄｆｉｎａｌｌｙ．Ｏｎｅｉｓｔｏｅ，ｘｔｒａｃｔｔｈｅｆｕｎｄａｍｅｎｔａｌｖｉｓｕａｌｅｌｅｍｅｎｔｓｆｒｏｍｍｉｃｒｏ—ｐａｔｔｅｒｎｓ，ａｎｄｔｈｅｏｔｈｅｒｉｓｔｅｘｔｕｒｅｓｅｇｍｅｎｔａｔｉｏｎｂｙｕｓｉｎｇｔｈｅｌｅａｒｎｅｄｕｎｍｉｘｉｎｇｂａｓｅｓａｓｆｉｌｔｅｒｓ．Ｅｘｐｅｒｉｍｅｎｔｓｏｎｍｏｓａｉｃｔｅｘｔｕｒｅｉｍａｇｅｓｓｈｏｗｔｈａｔｔｈｅｓｅｇｍｅｎｔｉｎｇｒｅｓｕｌｔｓａｒｅｓａｔｉｓｆａｃｔｏｒｙ．
Ｋｅｙｗｏｒｄｓｔｏｐｏｇｒａｐｈｉｃｉｎｄｅｐｅｎｄｅｎｔｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ；ｉｍａｇｅｂａｓｅｓ；ｍｉｘｉｎｇｂａｓｅ；ｕｎｍｉｘｉｎｇｂａｓｅ；ｖｉｓｕａｌｅｌｅｍｅｎｔ；ｔｅｘｔｕｒｅｓｅｇｍｅｎｔａｔｉｏｎ
引言
纹理是人类知觉系统认识世界的重要手段．纹理已经被研究了４０年之久［１—２｜．作为一个开放的研究对象，需要解决的中心问题是：如何有效地描述纹理的知觉元素［１，３－５］．
Ｊｕｌｅｓｚ指出，纹理感知中存在基本元素，即纹元…１．Ｚｈｕ等将Ｊｕｌｅｓｚ的工作推广至自然纹理，并通过统计方法学习纹元的构成ＨＪ．本文从线性生成的角度出发，用统计方法学习纹理图像所包含的图像基．图像基是构成纹理图像的基本成分．
Ｊｕｌｅｓｚ的工作主要是针对人造纹理模式…．Ｚｈｕ等的工作也主要适用于结构性纹理［４｜．对于结构性纹理和随机性纹理，一个共同的事实是：微视觉模式在纹理图像中是大量重复出现的．这些微视觉模式
收祷日期：２００４—０２—０９；修回日期：２００４—０７—２６
基金项目：国家“八六三”高技术研究发展规划项目（２００１ＡＡ２３１０３１）；国家重点基础研究发展规划项目（Ｇ１９９８０３０６０８）；国家科技攻关计划课题奥运科技专项（２００１ＢＡ９０４８０８）
１５３０
计算机辅助设计与图形学学报２００５正
是视觉敏感性特征，也是纹理所包含的基本元素．微视觉模式不需要采用结构性方法来描述，因而可以适用于各种不同类型的纹理图像．相反地，我们也可以认为纹理由微视觉模式组合而成．
另外，纹理分割是纹理研究中的难点问题．目前有多种纹理分割算法．其中，统计方法、基于模型的方法和信号处理方法是最常用的方法Ｌ２Ｊ．但是，很少有工作将纹理分割与纹理感知联系在一起．本文从统计学习的角度对纹理感知进行研究．首先将纹理视为基本微视觉模式的线性组合，并用拓扑图格独立分量分析（ＴｏｐｏｇｒａｐｈｉｃＩｎｄｅｐｅｎｄｅｎｔＣｏｍｐｏｎｅｎｔＡｎａｌｙｓｉｓ，ＴＩＣＡ）【６０方法进行学习．通过统计学习可以获得纹理图像混合基和纹理图像分离基．根据两类基的内在关系，本文将其统称为纹理图像基．可视化的混合基就是纹理图像所包含的微视觉模式，它们是重构原始纹理的基本线性构造成分．这样，原始纹理可以解释为这些基本视觉元素的线性组合．根据生成模型，分离基的作用相当于一组滤波器，这组滤波器是纹理感知分析的结果．最后实现了无监督的纹理分割．对比实验结果表明，本文算法优于其他几种方法．
２纹理图像生成模型
本文认为，纹理图像是由不同的微视觉模式组成的．通常基本模式是很少的．对于如图１所示的砖纹理，可以认为它只含有三个基本模式：一个是背景模式（即由砖的颜色组成的不变区域），另外两个就是“ｌ”和“一”．很显然，仅仅由这三个基本模式的组合是不可能重建任一给定窗口区域的．为了重建原始图像，需要对这些基本模式进行扩展以形成一个完备的模式集合（如图１所示）．图１中｛ａ“｝表示组合系数．形成完备的模式集合的最好方式就是统计学习．
图１纹理图像生成模型图解
设矩阵Ｘ为取自一个窗口内的灰度数据．为了计算和表示方便，可将ｘ按列转化为一个向量．所有ｘ构成一个观测样本集ｎ．假定０为某个线性空间中的集合，从而ｘ∈ｎ可表示为基的线性组合．对于纹理数据，假定这些基是ｎ的基本线性构造成分，可引入生成模型
ｘ＝∑口ｉｑ（１）
ｉ＝１
其中，ａｉ∈贮为一个基向量，优＝叫×ｈ．叫和ｈ分别为窗Ｅｌ的宽度和高度；Ｓｉ为ａｉ的组合系数．｛ａｌ，…，ａ。｝可以理解为相对于以的基本线性构造成分．根据纹理的平稳性，通常ｎ＜ｍ．式（１）可进一步表示为矩阵形式
Ｘ＝ＡＳ（２）或
Ｓ＝ＷＸ（３）其中，Ａ＝（ａ１，…，ａ。）∈贮‰，Ｓ＝（Ｓ１，…，５。）Ｔ，Ｗ为Ａ的伪逆．Ａ，ｗ和ｓ需要从观测向量ｘ中进行估计．
根据线性理论，基与基应该是线性独立的．但是，从线性代数意义上严格求解式（１）、（２）或（３）是不现实的．对于纹理图像，可将ｘ处理为一个随机变量，从而可用独立分量分析方法（ＩｎｄｅｐｅｎｄｅｎｔＣｏｍｐｏｎｅｎｔＡｎａｌｙｓｉｓ，ＩＣＡ）来求解上述问题［７Ｉ．此时，ｓ可解释为潜在的独立分量，Ａ和ｗ分别为混合基矩阵和分离基矩阵．在本文中，混合基和分离基统称为基．
求解式（２）的方法有多种．最著名的方法之一就是Ｆａｓｔｌｃａ算法【８］．但它不能对基进行组织，因为式（２）可写为Ｘ＝（ｓ?ＡＰ）ｆ土?ＰＴｓ１三五蚕，其ｄｅＰ
、３，
为置换矩阵，ｊ为一个非零实数．ＴＩＣＡ可在相同的尺度空间求解ＩＣＡ问题；同时，由于ＴＩＣＡ利用基之间残余的高阶相关性，可实现对基的组织，有利于对
图像数据的分解．
７期向世明等：纹理图像基及其应用１５３１
３纹理图像基
３．１学习纹理图像基
ＴＩＣＡ假定观测样本具有零均值单位协方差，因此必须对纹理数据｛Ｘｉ｝扣１：Ｎ（Ｘｉ∈ｎ）进行前处理．实现对Ｘ的零均值化和单位协方差化（即球化）步骤如下：
Ｓｔｅｐｌ．零均值化：叉－－＝ｘ一丙Ｉ∑ｘｉ，Ｖｘ∈ｏ．
Ｓｔｅｐ２．计算协方差矩阵Ｃ，并进行ＳＶＤ分解：Ｃ＝寺∑叉?叉Ｔ＝ＥＤＥＴ．
Ｓｔｅｐ３．单位协方差化：童＝ＥＤｏ５Ｅ７Ｙ；：－－ｎｘ
其中，Ｂ为球化矩阵．此时式（２），（３）分别变为
ｉ＝ＥＤ＿０?５ＥＴ贾；五雪（４）
雪＝～ＷＸ～（５）Ｓｔｅｐ４．用ＴＩＣＡ对式（４），（５）进行求解，可得访和互．对原始观测数据ｘ，根据球化过程，可求得式（２）和式（３）中的Ａ和ｗ，即
Ａ：Ｂ一．谤’（６）
ｗ：访．Ｂ（７）
ａ观测纹理
在式（６），（７）中，Ａ∈Ｒ”‰和ｗ∈Ｒ“”不必是方阵．这一点对于纹理数据是重要的，因为纹理中包含的微模式的数量远远小于Ｄ＇／．另外，式（６）中Ａ的一列相当于式（１）中的一个ａｉ，即Ａ＝（ａ１，ａ：，…，口。）．将ａｉ按列生成的方式逆转，形成矩阵Ｍｉ∈融“”．按第２节的生成模型，Ｍｉ反映了纹理图像中基本的线性构造成分．但是，Ｍｉ是浮点数据，可将其变换为０～２５５之间的整数，这一过程称为可视化．可视化的Ｍｉ等价于一个图像基．实验所用图像取自ＭＩＴＶｉｓＴｅｘ库旧Ｊ、Ｂｒｏｄａｔｚ库ｕｏｊ以及自组织图像库，共３２０幅．实验中，样本的大小为１６×１６的块数据，它们从观测纹理中随机选择，Ｑ中样本总数为４０００．图２和图３所示为部分结果．图２给出了部分结构性纹理的ＴＩＣＡ分析结果．图２ａ为原始纹理，图２ｂ为可视化纹理图像混合基，图２Ｃ为重构结果，图２ｄ为纹理图像混合基的直方图．基于尺寸和分辨率的考虑，本文只显示原始图像左上角的一个小块．图３给出了部分随机性纹理的ＴＩＣＡ分析结果．原始纹理的重构是按分块的方式并通过式（２）实现的．
ｂ可视化基Ｃ重构图像ｄ可视化基的直方图
图２结构性纹理ＴＩＣＡ实验
１５３２计算机辅助设计与图形学学报２００５正
ａ观测纹理ｂ可视化基ｃ重构图像ｄ可视化基的直方图
图３随机性纹理ＴＩＣＡ实验
３．２对基的解释
第３．１节从统计学习的角度对纹理感知进行了量化分析．通过ＴＩＣＡ学习获得的纹理图像基是一种高阶统计计算的结果．根据平稳性，纹理图像包含了许多相同的视觉模式，它们是引起视觉感知的基本元素，也是纹理的基本构造成分．
（１）ＴＩＣＡ学习所得到的基并不是相互独立的，具有不同外观或不同模式的基比较少．这是由于纹理通常是由视觉效果相似的基本模式在空间重复排列的结果．在纹理图像的重复模式中，通常只有几个不同的基本模式；同时，由于一个基的中心对称向量（对称基）代表同一个基，因而可视化后的基在亮度上可能存在逆差关系（图像取反）．
（２）与原始图像相比，可视化基具有较高的峰值．峰值越高，基的分量取同一值的概率加大，从而隐含的结构就越明显．图２和图３中第４列展示了可视化基的直方图．可见，结构性越强、模式越明显的纹理往往具有更高的峰值．从重构的结果看，维数较少的基可以很好地重构原始纹理．这就意味着，基集合空间中只有少数是处于激活状态的，因而编码是稀疏的．４应用
４．１提取基本视觉元素
大部分纹理图像混合基在视觉外观上是相似的，它们反映了原始纹理的基本视觉信息．事实上，只需知道几个代表即可描述观测纹理的模式信息．下面给出提取视觉元素的算法具体步骤：
Ｓｔｅｐｌ．由图格关系将基分为９组，每组１２个．图４所示为邻域大小为３×３时的分组情况，编号为同一种灰度值的基属于同一组．分组的原因是因为属于同一邻域的基是高阶相关的，从而可取其一作为代表．两个加号之间定义了一个８×５的图格，每个图格上存放一个基．由于采用缠绕
图４基分组
７期向世明等：纹理图像基及其应用１５３３
方式，所以｛３ｌ，２６，２９，３２，１５，１０，１３，１６，３９，３４，３７，４０ｌ被分为同一组．
Ｓｔｅｐ２．用９组基对原始纹理进行重构．选择均方距离最小的一组基ｇｏ＝ａｒｇｍｉｎ［ｄｉｓｔ（‘，ｆ）］．其中，ｇ为基组，‘为ｇ－重构图像，Ｊ为所有基重构的图像，ｄｉｓｔ（?）为图像之间的均方距离．
Ｓｔｅｐ３．从所有基重构的图像中构造一个样本集合＆．选择一个尺度基ｉｏ＝ａｒｇｍｉｎ［ｍｉｎ（ｄｉｓｔ（ａｆ，Ｓ。），ｄｉｓｔ（五ｆ，Ｓ。））．其中，五ｉ为基ａｉ的对称基，ｄｉｓｔ（?）为距离度量，（ｒａｉｎ）（?）为最小值函数．
Ｓｔｅｐ４．对可视化基及其对称基作直方图统计，进行ｚ２检测
２１七（ｈｉｏ（１）一ｈｉ（１））２
ｚｉ一２鲁ｈｉｏ（ｚ）＋ｈｆ（ｚ）‘
Ｓｔｅｐ５．将Ｉｍｉｎ（ｚ；，乏；），ｉ∈ｇｏ｝归一化至［ｏ，１］．这里ｉ；为对称基的ｚ２检测．将［０，１］空间递归地分为Ｃ类，按Ｓｔｅｐ３提取出最后模式，Ｃ是一个事先给定的数．
图５所示为图２和图３中的纹理对应的视觉元素．可见这些基本元素具有代表性，为感知纹理提供了直观的视觉线索，它们表现了观测纹理中所存在的显著性结构或相对平淡的背景模式．提取视觉元素的另一个目的是希望进行语义化工作，通过将它们定义为视觉词汇（视觉元），可用本体论方法对纹理进行研究．
图５基本视觉元素
４．２基于分离基的纹理分割
４．２．１纹理分割算法
根据ｘ的构造方法，式（３）中ｗ?ｘ类似于卷积操作，从而ｗ的行相当于一个滤波器．一个新特点是：ｗ是直接从观测纹理数据中学习得到的．图６所示为藤条纹理的分离基，可见它们与Ｇａｂｏｒ滤波器［１１］完全不同．
图６可视化的分离基
设有４种不同的纹理，从每种纹理图像可以学习出４０个分离基，这样滤波器的总数为１６０．这就意味着，特征向量为１６０维．因而需要去除一部分基，以减小维数．下面给出从一幅观测图像选择基的算法．
Ｓｔｅｐｌ．将基视为滤波器，并记为Ｆ＝｛，１，…，＾｝．用Ｆ提取特征
Ｒ，（Ｍ）２（Ｒ；（。，ｙ），…，尽；（。．，））１＝
（ｗｐ（。，ｙ）。，１，…，ｗｐ（。。，）＊厶）１．
其中，ｗ。（。川表示一个窗口内的灰度数据，窗口中心坐标为（ｚ，Ｙ）．
Ｓｔｅｐ２．通过像素到滤波器序号的映射构造滤波器通道Ｃｆ．Ｃ；为第ｉ个滤波器所对应的通道，是一个离散的点集．对于Ｃｉ中的点，由Ｆ提取的特征向量的第ｉ个分量总是最大的．Ｃｆ可以从｛Ｒｐ（。，，）｝中进行计算［１２］
Ｃｆ＝｛（ｚ，ｙ）Ｉｉ＝ａ（ｇｍａｘ｛郦（Ⅵ）｝，（ｚ，Ｙ）∈Ｃ｝，
Ｊ
ｉ＝１，…，竹．
其中，Ｃ为观测纹理图像像素空间坐标构成的集合．｛Ｃ１，．“，Ｃ。｝为集合Ｃ的一个划分ＵＣｉ＝Ｃ且ＣｉＮｃｊ＝⑦，Ⅵ≠ｊ．Ｓｔｅｐ３．计算集合的基数ＩＣｉｌ，并根据基数大小对｛Ｃ１，…，Ｇ｝进行排序，记结果为｛Ｇ，，…，Ｇ。｝；然后从中选择＾个滤波器｛五。，＾。一。，…，＾。一。＋。｝．
下面给出纹理分割的计算步骤：
Ｓｔｅｐｌ．将从各观测纹理选择的滤波器组合成一个滤波器集．用该滤波器集对测试图像重复上面选择基算法的步骤获得滤波器通道图．定义像素Ｐ的纹理特征［１２］
日Ｐ＝（＾｝，…，睇）Ｔ＝（ｆ砩Ｉ，…，ｆ琊ｆ）Ｔ．
其中，Ｈ；＝｛（ｓ，ｔ）ｌ（５，ｔ）∈Ｃ；ＮＮｐ｝，Ｎ≥为Ｐ的邻域．Ｓｔｅｐ２．基于特征样本点集｛日Ｐ，Ｐ∈Ｃ｝，采用ｋ．均值聚类实现无监督纹理分割．
４．２．２实验结果
我们用第４．２．１节描述的方法进行了纹理分割实验，并用Ｇａｂｏｒ滤波器［９］和自然图像基提取的特征进行对比；用ＴＩＣＡ学习Ｈｅｌｓｉｎｋｉ技术大学ＩＣＡ课题组所提供的１３幅自然图像［１３］，可获得本文需要的自然图像基．
图７给出了几个实例．图７ａ中前三幅图像取自Ｂｒｏｄａｔｚ库，后三幅图像取自ＭＩＴＶｉｓＴｅｘ库；图７ｂ列出了基于Ｇａｂｏｒ滤波器的分割结果；图７ｃ列出了基于自然图像基的分割结果；图７ｄ列出了本文的分割结果．从图７可见，基于自然图像基的结果优于基于Ｇａｂｏｒ滤波器的结果．但是，本文的分割
结果要优于基于自然图像基的结果．与Ｇａｂｏｒ滤波
１５３４
计算机辅助设计与图形学学报
２００５薤
器不同的是，作为滤波器使用的纹理图像分离基不需要任何控制参数，它们是从图像学习来的，而不是采用数学理论设计得到的．
本文的所有程序都是借助于ＶＣ６．０实现的．对Ｇａｂｏｒ滤波器参数取值，尺度为４，方向为６，感兴趣的低频为０．０５，高频为０．４．
ａ纹理图像ｂ基于Ｇａｂｏｒ滤波器ｃ基于自然图像基ｄ基于本文的算法
图７纹理分割对比实验
－ｋ
７期向世明等：纹理图像基及其应用１５３５
５结论及未来的工作
对于图像数据，人们往往采用ＩＣＡ分析图像集合的整体特征，本文则将这种研究方法扩展至单个纹理图像．通过对单个纹理图像的ＴＩＣＡ分析，我们发现，纹理图像混合基反映了纹理所包含的基本视觉元素．视觉元素是一种视觉敏感性特征．
作为应用，本文提出了通过引入基与基之间的约束和ｘ２检测来提取视觉元素的算法，通过将纹理图像分离基视为滤波器以及将待分割的图像映射为滤波器通道，实现了有监督学习和无监督聚类相结合的纹理分割算法．实验结果表明，本文算法能够获得较好的分割结果．
未来的研究工作包括：（１）研究提取视觉元素的新方法和新应用；（２）对视觉元素赋予语义，建立一种层次语义描述的视觉词汇体系并用于自然图像理解和对象识别；（３）研究纹理图像基的新应用，比如纹理合成．
参考文献
［１］ＪｕｌｅｓｚＢ．Ｔｅｘｔｏｎｓ．Ｔｈｅｅｌｅｍｅｎｔｏｆｔｅｘｔｕｒｅｐｅｒｃｅｐｔｉｏｎ，ａｎｄｔｈｅｉｒｉｎｔｅｒａｃｔｉｏｎ［Ｊ］．Ｎａｔｕｒｅ，１９８１，２９０（５８０２）：９１～９７
［２］ＴｕｃｅｒｙａｎＭ，ＪａｉｎＡＫ．Ｔｅｘｔｕｒｅａｎａｌｙｓｉｓ［Ａ］．Ｉｎ：Ｔｈｅ
ｈａｎｄｂｏｏｋｏｆｐａｔｔｅｒｎ
ｒｅｃｏｇｎｉｔｉｏｎ
ａｎｄｃｏｍｐｕｔｅｒｖｉｓｉｏｎ［Ｃ］．２ｎｄｅｄ．Ｓｉｎｇａｐｏｒｅ：ＷｏｒｌｄＳｃｉｅｎｔｉｆｉｃＰｕｂｌｉｓｈｉｎｇＣｏｍｐａｎｙ，１９９８．
２０７——２４８
［３］ＬａｎｄｙＭＳ，ＧｒａｈａｍＮ．Ｖｉｓｕａｌｐｅｒｃｅｐｔｉｏｎｏｆｔｅｘｔｕｒｅ［ＯＬ］．ｈｔｔｐ：ｗｗｗ．ｃｎｓ．ｎｙｕ．ｅｄｕ／－－ｍｓｌ／ｔｅｘｅｎｔｒｙ２．ｐｄｆ，２００３
［４］ＺｈｕＳＣ，ＧｕｏＣＥ，ＷｕＹＮ，ｅｔａ１．Ｗｈａｔａｒｅｔｅｘｔｏｎｓ［Ａ］．ＩｎＰｒｏｃｅｅｄｉｎｇｓｏｆＥｕｒｏｐｅａｎＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎ．
ＣｏｐｅｎｈａｇｅｎＤｅｎｍａｒｋ，２００２．７９３～８０７
［５］ＯｌｓｈａｕｓｅｎＢＡ，ＦｉｅｌｄＤＪ．Ｓｐａｒｓｅｃｏｄｉｎｇｗｉｔｈａｎｏｖｅｒｃｏｍｐｌｅｔｅｂａｓｉｓｓｅｔ：Ａｓｔｒａｔｅｇｙｅｍｐｌｏｙｅｄｂｙｖｌ［Ｊ］．ＶｉｓｉｏｎＲｅｓｅａｒｃｈ，
１９９７，３７（２３）：３３１１～３３２５
［６］ＨｙｖｉｒｉｎｅｎＡ，ＨｏｙｅｒＰＯ，ＩｎｋｉＭ．Ｔｏｐｏｇｒａｐｈｉｃｉｎｄｅｐｅｎｄｅｎｔｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ［Ｊ］．ＮｅｕｒａｌＣｏｍｐｕｔａｔｉｏｎ，２００１，１３（７）：
１５２７～１５５８
［７］ＣｏｍｏｎＰ．Ｉｎｄｅｐｅｎｄｅｎｔｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ，ａｎｅｗｃｏｎｃｅｐｔ［Ｊ］．ＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇ，１９９４，３６（３）：２８７～３１４
［８］Ｈｙｖ址＇ｉｎｅｎＡ．Ｆａｓｔａｎｄｒｏｂｕｓｔｆｉｘｅｄ—ｐｏｉｎｔａｌｇｏｒｉｔｈｍｓｆｏｒｉｎｄｅｐｅｎｄｅｎｔｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎ
ＮｅｕｒａｌＮｅｔｗｏｒｋｓ，１９９９，１０（３）：６２６～６３４
［９］ＭＩＴｖｉｓｉｏｎａｎｄｍｏｄｅｌｉｎｇｇｒｏｕｐ［ＯＬ］．Ｈｔｔｔｐ：∥ＷＷＷ．ｍｅｄｉａ．ｍｉｔ．ｅｄｕ／ｖｉｓｍｏｄ／．１９９８
［１０］ＢｒｏｄａｔｚＰ．Ｔｅｘｔｕｒｅｓ：ＡＰｈｏｔｏｇｒａｐｈｉｃｓＡｌｂｕｍｆｏｒＡｒｔｉｓｔｓａｎｄＤｅｓｉｇｎｅｔｓ［Ｍ］．ＮｅｗＹｏｒｋ：Ｄｏｖｅｒ，１９６６
［１１］ＭａｎｊｕｎａｔｈＢＳ，ＭａＷＹ．Ｔｅｘｔｕｒｅｆｅａｔｕｒｅｓｆｏｒｂｒｏｗｓｉｎｇａｎｄｒｅｔｒｉｅｖａｌｏｆｉｍａｇｅｄａｔａ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰａｔｔｅｒｎ
ＡｎａｌｙｓｉｓａｎｄＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅ，１９９６，１８（８）：８３７～８４２［１２］ＺｅｎｇＸＹ，ＣｈｅｎＹＷ，ＮａｋａｏＺ，ｅｔａ１．Ｔｅｘｔｕｒｅｓｅｇｍｅｎｔａｔｉｏｎ
ｂａｓｅｄ
ｏｎｐａｔｔｅｒｎｍａｐｓｏｂｔａｉｎｅｄｂｙｉｎｄｅｐｅｎｄｅｎｔｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ［ＯＬ］．ｈｔｔｐ：∥ＷＷＷ．ｃｓｅ．ｃｕｈｋ．ｅｄｕ．ｈｋ／～ａｐｎｎｄ
ｐｒｏｃｅｅｄｉｎｇｓ］ｉｃｏｎｉｐ２００１／ｐａｐｅｒｄ３００ａ．ｐｄｆ，２００１
［１３］ＩＣＡｇｒｏｕｐｏｆＨｅｌｓｉｎｋｉＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ．ＮａｔｕｒａｌＩｍａｇｅＣｏｌｌｅｃｔｉｏｎｆｏｒＩＣＡｅｘｐｅｒｉｍｅｎｔｓ［０Ｌ］。ｈｔｔｐ：／／ｗｗｗ．ｃｉｓ．ｈｕｔ．纠
ｐｒｏｊｅｃｔｓ／ｉｅａ／ｄａｔｄｉｍａ－ｇｅｄ，２００１
向世明男，１９７０年生，博士。主要研
究方向为数字图像处理、计算机视觉、计算
机图形学．
赵国英女，１９７７年生，博士研究生，
主要研究方向为数字图像处理、计算机视
觉、计算机图形学．
陈睿男，１９７６年生，博士研究生，
主要研究方向为数字图像处理、计算机视
觉、计算机图形学．
贾富仓男，１９７６年生，博士，主要研
究方向为数字图像处理、计算机视觉、计算
机图形学．
李华男，１９５７年生，博士，研究
员，博士生导师，主要研究方向为计算机图
形学、计算机视觉、数字图像处理、虚拟现
实等．
纹理图像基及其应用
作者：向世明， 赵国英， 陈睿， 贾富仓， 李华， Xiang Shiming， Zhao Guoying， Chen Rui ， JIA Fucang， Li Hua
作者单位：向世明,赵国英,陈睿,贾富仓,Xiang Shiming,Zhao Guoying,Chen Rui,JIA Fucang(中国科学院计算技术研究所智能信息处理重点实验室,北京,100080;中国科学院研究生院,北京
,100039)， 李华,Li Hua(中国科学院计算技术研究所智能信息处理重点实验室,北京
,100080)
刊名：
计算机辅助设计与图形学学报
英文刊名：JOURNAL OF COMPUTER-AIDED DESIGN & COMPUTER GRAPHICS
年，卷(期)：2005，17(7)
被引用次数：0次
参考文献(13条)
1.J ulesz B.Textons The element of texture perception, and their interaction 1981(5802)
2.Tuceryan M.Jain A K Texture analysis 1998
https://www.wendangku.net/doc/bb5531548.html,ndy M S.Graham N Visual perception of texture 2003
4.Zhu S C.Guo C E.Wu Y N What are textons 2002
5.Olshausen B A.Field D J Sparse coding with an overcomplete basis set:A strategy employed by v1 1997(23)
6.Hyvirinen A.Hoyer P O.Inki M Topographic independent component analysis 2001(07)
https://www.wendangku.net/doc/bb5531548.html,on P Independent component analysis,a new concept 1994(03)
8.Hyvarinen A Fast and robust fixed-point algorithms for independent component analysis 1999(03)
9.MIT vision and modeling group 1998
10.Brodatz P Textures:A Photographics Album for Artists and Designers 1966
11.ManjunathB S.Ma W Y Texture features for browsing and retrieval of image data 1996(08)
12.ZENG X Y.Chen Y W.Nakao Z Texture segmentation based on pattern maps obtained by independent component analysis 2001
13.ICA group of Helsinki University of Technology Natural Image Collection for ICA experiments 2001
本文链接：https://www.wendangku.net/doc/bb5531548.html,/Periodical_jsjfzsjytxxxb200507025.aspx
授权使用：中北大学图书馆(zbdxtsg)，授权号：ad9f55f6-fa9d-48e8-a21b-9e0a00aa9234
下载时间：2010年10月9日