文 献 综 述

1. 纹理分析的两种基本方法

统计纹理分析寻找刻划纹理的数字特征，用这些特征或同时结合其他非纹理特征对图像中的区域（而不是单个像素）进行分类[1]。图像局部区域的自相关函数、灰度共生矩阵、灰度游程以及灰度分布的各种统计量，是常用的数字纹理特征。如灰度共生矩阵用灰度的空间分布表征纹理[2]。由于粗纹理的灰度分布随距离的变化比细纹理缓慢得多，因此二者有完全不同的灰度共生矩阵。

结构纹理分析研究组成纹理的基元和它们的排列规则。基元可以是一个像素的灰度、也可以是具有特定性质的连通的像素集合。基元的排列规则常用树文法来描述[3]。

木材分析的一般方法有：基于高斯混合模型的纹理分析方法：基于灰度行程与Guass-Markov随机场的纹理分析方法：基于计算机视觉的纹理分析方法[4]。

2. 高斯混合模型（GMM）的优点

高斯混合模型（GMM）是统计模式识别中一类重要的建模工具。基于高斯混合模型的图像识别方法，具有形式灵动、识别速度快、抗干扰能力强、识别准确率高等优点，成为图像识别领域中的一种重要的建模方法[5]。

3. 高斯混合模型（GMM）的原理

高斯模型就是用高斯概率密度函数（正态分布曲线）精确地量化事物，将一个事物分解为若干的基于高斯概率密度函数（正态分布曲线）形成的模型[6] 。对图像背景建立高斯模型的原理及过程：图像灰度直方图反映的是图像中某个灰度值出现的频次，也可以以为是图像灰度概率密度的估计[7]。如果图像所包含的目标区域和背景区域相差比较大，且背景区域和目标区域在灰度上有一定的差异，那么该图像的灰度直方图呈现双峰-谷形状，其中一个峰对应于目标，另一个峰对应于背景的中心灰度[8]。对于复杂的图像一般是多峰的。通过将直方图的多峰特性看作是多个高斯分布的叠加，可以解决图像的分割问题[9]。高斯混合模型(GMM)是建模最为成功的方法之一[10]。

混合高斯模型使用K（基本为3到5个） 个高斯模型来表征图像中各个像素点的特征,在新一帧图像获得后更新混合高斯模型,用当前图像中的每个像素点与混合高斯模型匹配,如果成功则判定该点为背景点, 否则为前景点[12]。通观整个高斯模型，他主要是有方差和均值两个参数决定，,对均值和方差的学习,采取不同的学习机制,将直接影响到模型的稳定性、精确性和收敛性。由于我们是对运动目标的背景提取建模，因此需要对高斯模型中方差和均值两个参数实时更新。[12]为提高模型的学习能力,改进方法对均值和方差的更新采用不同的学习率;为提高在繁忙的场景下,大而慢的运动目标的检测效果,引入权值均值的概念[13],建立背景图像并实时更新,然后结合权值、权值均值和背景图像对像素点进行前景和背景的分类。具体更新公式如下[14]：

(1)

(2)

(3)

(4)

(5)

建模过程中，我们需要对混合高斯模型中的方差、均值、权值等一些参数初始化，并通过这些参数求出建模所需的数据，如马兹距离[15]。在初始化过程中，一般我们将方差设置的尽量大些（如:15），而权值则尽量小些（如:0.001）[16] 。这样设置是由于初始化的高斯模型是一个并不准确，可能的模型，我们需要不停的缩小他的范围，更新他的参数值，从而得到最可能的高斯模型，将方差设置大些，就是为了将尽可能多的像素包含到一个模型里面，从而获得最有可能的模型[17]。

4. 高斯混合模型的应用前景

高斯混合模型在文档分析与识别、图像与视频检索、生物特征识别与认证、目标检索与跟踪、医学图像分析与识别、智能交通、智能监控等领域得到广泛应用[18]。

高斯混合模型广泛应用于运动检测中，在智能监控系统中，对于运动目标的检测是中心内容，而在运动目标检测提取中，背景目标对于目标的提取和跟踪至关重要。而建模正是背景目标提取的一个重要环节。

运动物体检测的问题主要分为两类，摄像机固定和摄像机运动。对于摄像机运动的运动物体检 测问题，比较著名的解决方案是光流法，通过求解偏微分方程求的图像序列的光流场，从而预测摄像机的运动状态。对于摄像机固定的情形，当然也可以用光流法， 但是由于光流法的复杂性，往往难以实时的计算，所以采用高斯背景模型。因为，在摄像机固定的情况下，背景的变化是缓慢的，而且大都是光照，风等等的影响，通过对背景建模，对一幅给定图像分离前景和背景，一般来说，前景就是运动物体，从而达到运动物体检测的目的 [19]。

高斯混合模型在智能交通中也有很好的应用前景：针对智能交通系统中运动目标检测阶段存在的不足,科学家们提出了一种基于自适应混合高斯模型(GMM)的改进算法。将隔帧差分的方法引入背景建模的初始判别阶段,从而迅速地检测出运动变化区域,提高了算法的灵敏度,同时也增强了对缓慢运行车辆的检测的适用性;将划分出的背景及运动区域赋予不同的更新率,使得背景显露区域得到迅速恢复,消去了运动车辆留下的"影子"。在此较为精确的背景模型下,结合灰度和canny边缘特征进行背景差分,有效地保留了与背景灰度相似的运动目标的轮廓。通过实验证明该检测算法取得了较好的效果[20]。

参考文献

[1]徐红，牛秦洲.基于混合高斯模型的三马尔可夫场红外图像分割[J].激光与红外，2008, 38(11): 1177-1180.

[2]土平波，蔡志明，刘旺锁.混合高斯概率密度模型参数的期望最大化估计[J].声学技术，2007, 26(3): 498-502.

[3] 刘鑫，刘辉，强振平，等混合高斯模型和帧间差分相融合的自适应背景模型[J]，中国图象 图形学报，2008.13(4):729-734

[4]. 王克奇,石岭,白雪冰,王业琴.基于高斯-马尔可夫随机场的板材表面纹理分析[J].林业科 技,2005(6): 25-28.

[5].刘丽,匡纲要.图像纹理特征提取方法综述[J].中国图象图形学报A,2009(4): 4~5.

[6]. 王斌.一种不变的基于傅里叶变换的区域形状描述子[J].电子学报,2012(1): 9~12.

[7]. 徐伟,陶亮.二维实值Gabor变换在图像压缩上的应用[J].计算机工程与应用，2012(7): 34~41.

[8] .吴高洪,章毓晋,林行刚.利用小波变换和特征加权进行纹理分割[J].中国图象图形学报A 辑,2001(4): 32~37.

[9].Besag J. On the Statistical Analysis of Dirty Pictures[J]. J R Statist Soc, 1986(48): 8~11.

[10].Geman S, Geman D. Stochastic Relaxation, Gibbs Distribution, and the Bayesian Restoration of Image[J]. IEEE Trans PAMI, 1984(6): 11~12.

[11]张凯;朱立新;赵义正基于重训练高斯混合模型的转换方法[J];声学技术;2010(1)：15~17.

[12康永国;双志伟;陶建华;张维;徐波高斯混合模型和码本射映相结合的语言转换算法[A];第八 届全国人机语音通讯学术会议论文集[C];2005(3): 33~36.

[13]王薇;杨震基于GMM的语音转换系统性能研究[A];第十四届全国信号处理学术年会 (CCSP-2009)论文集[C];2009(5): 38~42.

[14]唐旭基于高斯混合模型分类的SAR图像检索[D];西安电子科技大学;2010(1): 77~81.

[15]王成儒,张涛一种快速图像纹理分析算法[J];光电工程;2005(1): 14~17.

[16]张涛;王成儒基于多分辨率差分矩阵的纹理检索[A];第七届青年学术会议论文集,2005(1): 25~30.

[17]刘忠伟,章毓晋综合利用颜色和纹理特征的图像检索[J];通信学报;1999(5): 45~48.

[18]吕声,尹俊勋,黄建成基于高斯混合模型和残差预测的说话人转换系统[J];电声技术;2004(5): 45~48.

[19]王惠刚,李志舜高斯噪声中的参数盲估计[J];电子学报;2003(7): 34~40.

[20]马建春;刘文举;;基于共振峰和高斯混合模型的声音转换系统[C];第八届全国人机语音通讯学 术会议论文集;2005(6): 11~12.