Segmentation of statistical texture images using the metric space theory

Computer simulation with several statistical texture images shows that the proposed texture segmentation algorithm gives better performance than the conventional ones, based on the subjective evaluation and the quantitative measure.

Abstract

This paper proposes a new segmentation algorithm for statistical texture using the metric space concept. The coordinate space, region space and texture image space are modeled in terms of the metric space, a special form of the topology space. A texture segmentation technique based on the metric space modeling is proposed and its multiresolution extension is also presented. To show the effectiveness of the proposed algorithm, its segmentation results for synthesized statistical texture images and a real aerial image are compared with those of the conventional methods such as the Gauss-Markov random field (GMRF) method and the spatial gray level difference method (SGLDM). Computer simulation with several statistical texture images shows that the proposed algorithm gives better performance than the conventional ones, based on the subjective evaluation and the quantitative measure. Also its multiresolution extension is observed to be effective. Dieser Artikel schlägt einen neuen Segmentierungsalgorithmus für statistische Texturen vor, der das Konzept des metrischen Raumes verwendet. Der Koordinatenraum, der Gebietsraum und der Texturraum werden durch einen metrischen Raum modelliert, der eine spezielle Form eines topologischen Raumes darstellt. Es wird eine Methode zur Textur-Segmentierung vorgeschlagen, die auf der Modellierung durch metrische Räume beruht. Eine Erweiterung dieser Methode in Hinblick auf Mehrfachauflösung wird ebenfalls vorgestellt. Um die Effektivität des vorgeschlagenen Algorithmus zu zeigen, werden seine Segmentierungsergebnisse für synthetische Bilder mit statistischen Texturen und für ein reales Luftbild mit den Ergebnissen konventioneller Methoden wie der Gauss-Markov random field (GMRF) Methode und der spatial gray level difference Methode (SGLDM) verglichen. Computersimulationen mit mehreren Bildern mit statistischen Texturen zeigen daβ der vorgeschlagene Algorithmus eine bessere Leistungsfähigkeit als die konventionellen Methoden besitzt, sowohl was die subjektive Bewertung als auch was die quantitative Messung betrifft. Auch seine Mehrfachauflösungs-Erweiterung erweist sich als effektiv. Cet article propose un nouvel algorithme de segmentation pour les textures statistiques utilisant le concept d'espace métrique. L'espace des coordonnées, l'espace de la région et l'espace de la texture d'image sont modélisés par un espace métrique, une forme particulière de l'espace topologique. Une technique de segmentation de texture basée sur la modélisation par espace métrique est proposée et son extension au cas multi-resolution est également présentée. Pour montrer l'efficacité de l'algorithme, les résultats de segmentation obtenus pour des images synthétiques de textures statistiques et pour une image aérienne réelle sont comparés aux résultats obtenus avec des méthodes classiques telles que la méthode à base de champs de Gauss-Markov (GMRF) et la méthode basée sur les différences de niveaux de gris (SGLDM). Les simulations numériques conduites sur différentes images de texture montrent que l'algorithme proposé réalise une meilleure performance que les algorithmes classiques, en termes d'évaluation subjective et de mesures quantitatives. Son extension au cas multi-resolution s'avère également efficace.