图像检索：几种基于纹理特征的图像检索算法
ｆｒｏｍ:圖像檢索：幾種基于紋理特征的圖像檢索算法
本文節選自《基于紋理的圖像檢索算法研究》。描述了幾種基于紋理特征的圖像檢索算法。
?
第 3 章基于紋理特征的圖像檢索
?
3.2 基于灰度共生矩陣的紋理分析法
灰度共生矩陣是分析紋理特征的一種有效方法，該方法研究了圖像紋理中灰度級的空間依賴關系。它對灰度的分布特性是通過對灰度值不同的像素的分布來表示的，同時這些像素對空間位置關系和分布特性也得到了體現。主要過程是，以像素對的方向和距離為變化量建立共生矩陣，再從此矩陣中提取可以表征圖像內容的統計量(能量、熵、慣性矩、相關量)作為紋理特征。這樣的過程滿足檢索準確度的情況下，降低了計算量。
基于共生矩陣的圖像檢索過程為：
(1)將圖像庫中的所有圖像進行灰度量化，由原來的256級變化到16級；
(2)構造四個方向上的灰度共生矩陣，這四個方向分別是水平、垂直、對角線、反對角線，用數學式表示為0 °, 45 °, 90 °, 135°；
(3)構造出特征向量。將特征向量存在特征矩陣中，特征矩陣的每一列為一幅圖像的特征向量，表示的是一幅圖像。特征向量是由每幅圖像的四個共生矩陣的四個特征參數的均值和方差所構成的；
(4)對特征矩陣進行高斯歸一化；
(5)使用步驟(1)-(4)計算歸一化后的待查詢圖像的特征向量；
(6)利用歐氏距離來進行相似度測量，將示例圖與特征矩陣中所有的特征向量進行匹配。
?
3.3Tamura 紋理分析法
因為由灰度共生矩陣的統計特性得到的紋理特征與人類的視覺感知沒有建立對應關系，Tamura等人提出了紋理特征的6種屬性，分別為對比度、粗糙度、方向度、規整度、線性度和粗略度，其中前三者作用較大。
?
3.4 基于 Gabor 小波的紋理特征提取
由于小波變換的發展，為圖像壓縮、傳輸和分析變得更加的方便。有些學者利用小波變換分析來表示圖像的紋理特征，取得了很好的效果。1946年 Gabor 博士提出了最早的通過高斯函數加上頻移后產生的 Gabor 函數。
Gabor 濾波器組在多分辨率方面比小波優點突出，并已經證明 Gabor 變換在 2D 測不準(時間分辨率和頻率分辨率是一對矛盾的量)的情況下，對信號的頻率域和空間域能夠最優描述。Gabor 特征已經應用在很多圖像分析中。
隨著計算機技術的不斷發展，Gabor函數逐漸受到圖像處理方面的應用，這主要是由于它具有特殊的屬性及其生物意義。所以使用范圍較廣，下面介紹如何使用它來對圖像進行檢索。
通過將圖像與Gabor濾波器卷積可以得到一系列的濾波圖像，每幅圖像都描述了一定尺度和一定方向度上面的圖像信息。所以通過以基小波為Gabor函數的小波變換來提取每幅濾波圖像的紋理特征來對圖像進行檢索。
本章對基于灰度共生矩陣的紋理特征的提取方法和基于 Gabor 小波的紋理特征的提取算法做了詳細的介紹，并且對兩者進行了比較。用查準率作為測量標準，結果表明基于 Gabor 小波變換的紋理特征方法在頻域具有比較好的檢索效果并且它可以消除冗余信息，但是特征向量有較高的維數，檢索速度較慢。本章同時介紹了 Tamura 紋理描述法，并且做了相應的特征實驗，說明了 Tamura 紋理描述法符合人的心理感知，但是特征向量的計算量較大，花費的時間較多，紋理提取的速度減慢。
?
第 4 章 基于傅里葉變換的紋理特征提取算法
?
4.2.1 小波變換
小波分析是 1980 年發展起來的一門新的數學分析工具，由于其良好的多尺度分析特性，包括正交性、緊支撐性、消失矩和對稱性，近年來取得了巨大的發展，在醫學成像、信號分析方面起了推動作用被廣泛應用在圖像檢索領域中,例如可以用于圖像壓縮，圖像融合，圖像增強等。如圖 4-1 以一座山為例實現了對圖片的壓縮處理。
?
基于小波變換的大量算法在文獻中有講述，這些文獻使用的金字塔小波分解，將子帶能量的平均值或者標準方差或者是子帶的能量值作為紋理特征。
?
4.2.2 傅里葉變換
傅里葉變換已經廣泛的使用在圖像處理研究中，它的優點之一是強調了圖像所包含的主要頻域和主要方向；另一個優點是，頻域特征比空域特征有更好的抗噪性。如果可以充分利用傅里葉的這些優點，會節約資源，同時提高運算速度。
在許多研究中，將頻域分割成環形和楔形區域，如圖 4-5,圖 4-6 所示。空間頻率可以通過光學圖像變換來確定，其最大的優點就是可以實時地計算。空間頻率對紋理的分析方法是眾所周知的，但是對于圖像灰度級的變換所產生的描述不是不變量，所以一般還可以采用將空間/空間頻率結合。
大多文章使用的是空間頻率來描述圖像，然后用環形區的傅里葉能量譜的平均值或者方差來描述紋理的粗糙度——在大半徑環上的高能量表現了精細紋理的特征(高頻)，而在小半徑環上的高能量表現了粗糙紋理的特征(具有低的空間頻率)。從傅里葉變換圖像的楔形區上計算出的特征表述的是紋理的方向屬性——如果紋理在方向φ上具有很多邊緣和直線，高的能量將會出現在方向為φ + π/2的楔形內。
?
4.3 基于傅里葉變換的紋理特征提取算法
本章所提出的算法是基于能量的即使用能量的統計值來表示紋理特征。該算法是對傅里葉變換算法的改進。首先將頻域分割為幾部分，不同之處在于該算法使用扇形區域，一個扇形區域就是一個環形和個楔形區域的交集，如圖 4-7 所示。
將頻域分割為扇形區域的優點是能在頻域獲得對能量譜更加準確的描述。每個扇形都描述了紋理的大量方向度和粗糙度，它可以綜合環形與楔形區域的優點，這樣在圖像的檢索過程中有大量的信息可以使用，同時提高檢索的效率。第二個優點就是利用傅里葉變換的對稱性的特性可以只計算傅里葉空間的一半，這樣可以減少總的計算時間。大家都知道，提高檢索的效率對于用戶來說比較重要，如果可以快速準確的得到用戶所需要的圖像，這就是圖像檢索的最終目標。本章充分利用了傅里葉變換的優點，對原有的算法做了相應的改進，得到了較好的檢索結果。
?
第 5 章 基于紋理和顏色的圖像檢索系統實現
?
5.2 LBP 紋理統計特征提取
LBP 是圖像的局部二進制模式，是典型的統計與結構相結合的算法。該算法最終得到的是對灰度級及旋轉都不變的一種紋理特征，它是通過對圖像中“一致”的局部二進制模式進行計算，并對圖像的各種模式數進行直方圖統計所得到的。最基本的LBP算子是一個包含有 9 個灰度值的3 x 3的矩陣。圖 5-1 給了一個關于LBP的示例。
為了突破LBP 不可以提取大尺寸的紋理特征的難點，并且提高其魯棒性，提出了半徑可變的LBP算子,表示為LBP (P,R)，意思是在以R為半徑的圓形域內有P個點。
原文地址：http://www.cnki.net/KCMS/detail/detail.aspx?QueryID=6&CurRec=3&recid=&filename=1011282687.nh&dbname=CMFD0911&dbcode=CMFD&pr=&urlid=&yx=&uid=WEEvREcwSlJHSldSdnQ0SWVjeDd5QmRzQ3hYek15em1ESU45MDZSWUtxVm0wYTc3Y3BiNCtJQnN1cndqdFBFPQ==&v=MzIzOTF1Rnl2aFVMN0JWRjI2SDdHd0hOZkVxSkViUElSOGVYMUx1eFlTN0RoMVQzcVRyV00xRnJDVVJMbWVadVI=
總結
以上是生活随笔為你收集整理的图像检索：几种基于纹理特征的图像检索算法的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 人脸关键点
- 下一篇： Google发布了Tensorflow