基于内容的图像检索系统(4)

河南理工大学毕业设计（论文）说明书

（2）颜色累加直方图

当图像中的特征并不能取遍所有可取值时，统计直方图中会出现一些零值。这些零值的出现会对相似性度量的计算带来影响，从而使得相似性度量并不能正确反映图像之间的颜色差别。为解决这个问题，在全局直方图的基础上，Stricker和Orengo进一步提出了使用“累加颜色直方图”的概念。在累加直方图中，相邻颜色在频数上是相关的。相比一般直方图，虽然累加直方图的存储量和计算量有很小的增加，但是累加直方图消除了一般直方图中常见的零值，也克服了一般直方图量化过细过粗检索效果都会下降的缺陷。

图像特征统计的累积直方图也是一个一维的离散函数，即对原有统计直方图作迭代累加。显然，当k = L-1时，累积直方图的纵坐标值为1，因为根据所有条件概率求全概率的值为1。对彩色图像，可对其3个分量分别做累积直方图。

（3） 颜色矩

另一种非常简单而有效的颜色特征表示方法是由Stricker和Rengo所提出的颜色矩(ColorMoments)。这种方法的基础在于图像中任何的颜色分布均可以用它的矩来表示。此外，由于颜色分布信息主要集中在低阶矩中，因此仅采用颜色的一阶矩、二阶矩和三阶矩就足以表达图像的颜色分布。与颜色直方图相比，该方法的另一个好处在于无需对特征进行向量化。颜色的三个低阶矩在数学上可以用公式?i，?i，?i表达：

1?i?N?fj?1Nij （2-8）

1N?i?(fij??i)2 ?Nj?1 （2-9）

?i?31N(fij??i)3 ?Nj?1 （2-10）

颜色矩己经成功地应用于许多基于内容的图像检索系统(如QBIC)，特别是对于图像中只包括一个目标的时候非常有效，由于采用9个数值(三个颜色坐标轴，每个坐标轴包括三个颜色矩)，所以相对于其它颜色特征而言，采用颜色矩表示颜色特征是一个非常有效的表示方法。

虽然传统的颜色直方图方法与其他方法相比不能很好的表达图像的空间特征，但却是最简单、最广泛使用的方法。

12

河南理工大学毕业设计（论文）说明书

2.2 图像纹理特征分析

纹理是一种不依赖于颜色和亮度的反映图像同质现象的视觉特征，体现了物体表面共有的内在特性；同时，纹理还包含了物体表面组织结构排列的重要信息以及它们与周围环境的联系。正因为如此，纹理特征在基于内容的图像检索中得到了广泛的应用。本节介绍了四类（统计法、结构法、频谱法、模型法）经典的纹理描述算法，在此基础上，详细讨论了灰度共生矩阵的描述方法。

2.2.1图像纹理特征描述

（1）纹理及纹理特征的定义

纹理是自然界中常见的现象，是任何事物构成成分的分布或特征。习惯上认为纹理是表现在视觉图像上灰度或颜色分布的某种规律性，这种规律性在不同类别的事物中有着不同的特点。人们常将那些在图像局部区域内呈现不规则性，而在整体上表现出某种规律性的特征成为纹理。它具有层次性、尺度性、平移不变性和确定与随即二重性。与其他图像特征相比，纹理反映了图像灰度模式的空间分布，包含了图像的表面信息及其与周围环境的关系，更好地兼顾了图像的宏观信息与微观结构，纹理分析便成为图像分析的重要手段。由于人们对纹理的感受是与心里效果相结合的，用语言或文字来描述纹理通常很困难，因此，尽管人们的视觉系统能很方便的识别纹理，但对于问题图像却很难下一个确切的定义。

纹理特征，是指利用计算机技术从数字图像中计算出来的，可以定量描述人对纹理的定性的感知的某些参数，它对区域内部灰度变化或色彩变化的某种规律进行量化，这些纹理特征能够尽可能的缩小纹理的类内差距，同时尽可能增大纹理的类间差距。纹理的视觉特征一般有三个基本两：周期性、方向性和随机性，其中周期性和方向性是两个高层次纹理特征，可以用来知道纹理图像的知觉感知。不同的应用问题和不同的图像类型都给图像纹理特征提出了不同的需求，一方面，纹理定义的不统一性使得纹理分析中的问题更为复杂，更具有挑战性；另一方面也由于纹理本身具有的多种属性使得研究者可以引入多种模型来描述纹理特征。

（2）常用的纹理分析方法

纹理分析，是指通过一定的图像处理技术提取纹理特征，从而获得纹理的定量或定性描述的处理过程。一般包括两方面的内容，即检测出纹理基元和获得有关纹理基元的排列分布方式的信息。其基本过程是：先从像素出发，在纹理图像中提取出一些辨识能力比较强的特征，作为检测出的纹理基元，并找出纹理基元排列的信息，简历纹理基元模型；然后再利用这些纹理基元模型对纹理图像进行分

13

河南理工大学毕业设计（论文）说明书

割、分或识别处理。目前已经有不少纹理特征提取算法，但是由于在实际处理的图像中纹理的随机性非常大，因此很难找到一种广泛适用的纹理模型。概括起来说，图像纹理特征的提取方法主要有四大类：统计法、结构法、模型法和频谱法。

① 统计法

统计法是利用像素的统计特性来建立纹理的特征参数，主要思想是通过图像中灰度级分布的随机属性来描述纹理特征，主要适用于分析像木纹、森林、山脉、草地那样的纹理细腻而且不规则的物体。

② 结构法

纹理的结构特征可以通过图像纹理基元的排列规律来描述，假定纹理基元以一定规律重复排列组合成纹理模式，那么就可以通过分析这些纹理基元的排列规则来提取特征。纹理基元理论认为，复杂的纹理可以由若干简单的纹理基元以一定的有规律的形式重复排列构成。

③ 模型法

模型法假设纹理按某种模型分布，采用模型的参数作为纹理特征。典型的方法是随即场模型法，如马尔可夫随即场（MRF）模型法、Gibbs随即场模型法、Wold模型、分形模型法等。这类方法的关键是如何为待处理图像选择合适的模型以及如何估计所选模型的参数。该类方法存在计算量大，自然纹理很难用单一模型表达的缺点。

④ 频谱法

统计方法和基于模型的方法与人类视觉机理脱节，难以进行更精确的纹理描述，因此，在分析纹理图像时，常常采用频谱法。频谱法就是将纹理图像看作二维信号，使用滤波方法对纹理图像进行分析的一种方法。频谱法包括傅里叶分析法和Gabor、塔式、树式等小波变换方法，主要是利用频率特性来表示纹理特征。

2.2.2纹理特征的提取方法

（1）直方图的矩

直方图的表示方法：用横轴代表灰度值，纵轴代表像素数，统计一幅图像的像素按灰度分布的图形就是该幅图像的灰度直方图，也可用纵轴代表该灰度值像素数对整幅画面上的总像素数的比率，这种直方图又称灰度概率分布图。这里采用的是灰度概率分布图。假设用H(r)表示一个灰度直方图，则其n阶矩可表示为

最简单的统计法借助于灰度直方图的矩来描述纹理。把直方图的包络看作一条曲线，则可把它表示成函数H(r)，这里r是任意变量，取遍曲线上所有点。对这条

14

河南理工大学毕业设计（论文）说明书

曲线可通过矩来定量描述。

如用m表示H(r)的均值，即

m??riH(ri)

i?1h （2-11）

则H(r)对均值n阶矩为：

?n(r)??(ri?m)nH(ri)

i?1h （2-12）

这里?n与H(r)的形状有直接关系，?2也叫方差，是灰度对比度的度量，表达了曲线相对于均值的分布情况，描述了直方图的相对平滑程度，进一步描述了图像中灰度的分散程度。?3可定义偏度，它表达了曲线相对于均值的对称性，描述了直方图的偏斜度(skewness)，即直方图分布对称与否的情况，描述了图像中纹理灰度的起伏分布。?4可定义峰度，它表示了直方图的相对平坦性，即直方图分布聚集于均值附近还是接近两端的情况，描述了图像中纹理灰度的反差。需指出这些矩与纹理在空间的绝对位置是无关的。

（2） 二维灰度直方图

描述纹理特征的另一种简单方法是二维灰度直方图方法。二维直方图体现了部分位置信息，用像素周围邻域的灰度差值作为当前像素会妒忌。定义相邻像素的距离或位移向量为

d?(?x,?y)

（2-13）

式中，?x和?y是整数。相距为d的像素灰度差为

Yd?I(i,j)?I(i??x,j??y)

（2-14）

对于不同的d可得到一组Yd，对给定的d统计Yd得到差值直方图H(yd,d)，该直方图体现了一定的图像纹理信息。如果图像中的纹理较粗，距离d与纹理基元尺寸相比较小，直方图将聚集在低端；如果纹理较细，距离d与纹理基元相近，则直方图的分布将会扩展开来。从二维直方图H(yd,d)提取的纹理属性特征有：对比度、角的二阶矩、熵、均值。

（3）灰度共生矩阵

仅借助灰度直方图的矩来描述纹理没能利用像素相对位置的空间性信息。为利用这些信息，可建立区域灰度共生矩阵，即表示图像灰度级空间相关的矩阵。

在20世纪后期，Haralick等提出了纹理特征的灰度共生矩阵(gray-level

15

河南理工大学毕业设计（论文）说明书

co-occurrence matrix,GLCM)表示。灰度共生矩阵不仅是分析纹理特征的经典方法，也被证明是一种行之有效的方法，该方法从数学角度研究了图像纹理中灰度级的空间依赖关系。灰度共生矩阵通过灰度值不等的像素的分布反映了灰度的分布特性，也反映了这些像素对之间的位置关系和分布特性。基本步骤是先利用像素对之间的方向和距离参数构造共生矩阵，然后从矩阵中提取能量、对比度等有意义的统计量来表示纹理特征。这样做能够在保证检索准确度比较高的条件下，明显的降低计算量，即提高检索速度和效率。所以本系统采用此方法来提取纹理特征。

灰度共生矩阵定义为图像中相距为??(dx,dy)的两个灰度像素同时出现的联合概率分布，它不仅反映亮度的分布特性，也反映了具有同样亮度或接近亮度的像素之间的位置分布特性，是有关图像亮度变化的二阶统计特征。它是定义一组纹理特征的基础。灰度共生矩阵P中各元素可以定义为：

P(i,j)?#{[(x,y),(x?dx,y?dy)]?S|f(x,y)?i&f(x?dx,y?dy)?j}#S （2-15）

式中x,y?0,1,?N-1是图像像素点坐标；i,j?0,1,?L-1是图像的灰度，#表示集合中元素的个数，S为目标区域R中具有特定空间联系的像素对的集合，元素P(i,j)的值表示距离为??(dx,dy)的两个灰度级分别为i和j的像素出现的联合概率密度，这样得到的P是归一化的。

定义中的dx,dy取值范围从?N?1到N?1，共有(2N?1)?(2N?1)个共生矩阵，每个矩阵的维数为L?L。直接用公式（3-5）来计算灰度共生矩阵是不现实的，工作量和信息量会很大。由于Pij是一个对称矩阵，因此在实际纹理特征估计时，一般选取位置关系??(dx,dy)为四个固定值，即(0,d),(?d,d),(d,0),(d,d)，令d=1，就相当于取0°,45°,90°,135°这四个方向上的共生矩阵来表示图像的纹理特征，计算量大大减少，简化后的计算公式定义如下：

P(i,j,d,0?)?#{[(x,y),(x1,y1)]?S|x?x1?0,|y?y1|?d,f(x,y)?i&f(x1,y1)?j} P(i,j,d,45?)?#{[(x,y),(x1,y1)]?S|x?x1?d,y?y1??d,f(x,y)?i&f(x1,y1)?j} P(i,j,d,90?)?#{[(x,y),(x1,y1)]?S||x?x1|?d,y?y1?0,f(x,y)?i&f(x1,y1)?j} P(i,j,d,135?)?#{[(x,y),(x1,y1)]?S|x?x1??d,y?y1??d,f(x,y)?i&f(x1,y1)?j}（2-16）

由于上式只包括了空间中一半的信息，且Pij是一个对称矩阵，所以只需要将上式计算得到的共生矩阵翻转后进行叠加，即加上其转置矩阵，就可以得到整个空

16

百度搜索“77cn”或“免费范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，免费范文网，提供经典小说综合文库基于内容的图像检索系统(4)在线全文阅读。