纹理图像分割是图像处理和机器视觉领域中的一个重要研究内容,是连接低级视觉和高级视觉的纽带,被广泛应用于医学图像处理和遥感图像分析等领域。根据图像中不同区域的纹理特性不同,纹理分割将图像划分成若干个互不重叠的连通区域,同一区域内纹理性质相同,不同区域间的纹理性质各异。因此,如何提取有效的纹理特征和如何对特征分类是解决该问题的关键和难点。本文主要研究了基于小波变换的统计纹理模型的建立、统计纹理特征的提取和分类以及多尺度纹理分割算法的实现。本文首先介绍了纹理图像分割的选题背景以及研究意义,概述了纹理图像分割的研究现状、热点和难点问题,对纹理图像分割的过程做了详细的介绍。其次,介绍了纹理的概念和定义、常用的纹理特征及其提取方法,如灰度共生矩阵、Tamura纹理特征和小波变换域统计纹理特征等,指出了各种纹理特征的优缺点及使用范围。并简单介绍了几种常用纹理特征分类器的原理,包括距离分类器、神经网络分类器、聚类分类器和最大似然分类器。再次,详细地介绍了离散小波变换域的统计纹理特征,并对不同的统计特征加以比较,为提取性能更优的小波变换域统计纹理特征打下了坚实的基础。由于人类视觉对空间域和频率域都具敏感性,仅在空间域或频率域对纹理进行分析都有其不足之处。因此,图像的空间/频率域的纹理特征能够更加有效地描述纹理的特性。离散小波变换是空间/频率域联合分析方法的重要手段,而且能够在不同尺度上提供空间/频率域的联合分析。虽然离散小波变换具有良好的时频特性,但也具有其自身的缺点,如不满足时移不变性和方向信息少。当图像进行很小的平移后,平滑和边缘区域所对应的小波变换域纹理特征会产生很大的变化,形成边缘处的模糊,降低了分割结果的准确性,影响了它在图像分割领域中的应用。为了克服这个问题,本文通过在复小波变换域建立高斯混合模型来提取纹理特征。实验结果表明,复小波变换域的统计纹理特征能有效地解决上述问题。最后,针对多尺度纹理图像分割算法做了深入的探讨。传统纹理分割算法的结果和滑动窗口大小密切相关,窗口越大内部统计信息越丰富,那么分类结果越可靠,但是边界区域通常得不到准确的分割结果。随着窗口面积的减小,内部包含不同纹理的可能性随之降低,更加适用于边界区域的分割,但其内部的统计信息匮乏,导致分类结果的可靠性降低。多尺度分割算法将基于面积大的和面积小的滑动窗口的分割结果加以综合利用,能够得到更加准确的分割结果。另外,针对多尺度融合算法的不足提出了后处理算法,来改善最终的分割结果。本文所提的多尺度分割算法流程如下:首先,利用隐马尔科夫树模型在小波变换域提取纹理的统计特征;其次,由于小波变换具备多分辨率特性,采用最大似然分类算法可以获得纹理图像在不同尺度上的分类结果;再次,利用贝叶斯分割算法将从粗分辨率尺度到细分辨率尺度上的分类结果加以融合直至像素级,获得多尺度融合分割结果;最后,针对多尺度融合算法的不足,采用后处理算法对多尺度融合分割结果进行处理,获得最终的分割结果。实验结果表明,本文所提的方法鲁棒性强,分割效果较基于离散小波变换的多尺度分割算法有明显的改善。