（通信与信息系统专业论文）基于纹理分析的图像检索.pdf

接要 摘要 纹联羧索是基于内容的图豫捡索静重要缀成端分，两纹理持援瓣提取 与分率厅瞧辘壹接关系到绞疆稔索静洼裁，蹩纹熬检索静磅究重点。本文主 要研究用于图像检索的纹瑕分析算法，主要工作如下： ( 1 ) 本文在分析总结现有纹理分析算法的揍础上构造窗口纹理分析方 法，用于纹理特征的提取与分析。该方法综合了统计与结构两类纹理分析 方法鲍爨想，剩矮结构法的纹理基元分析思想秘绞计法的整体特缝统诗秘 造瑟豹绞疆褥薤提取愚怒，并确趸该恶意分亵在空藩蠛、频率蠛及多分辨 率基础上进行了纹理分析算法的设计与实验； ( 2 ) 在空间域上，利用窗口法思想设计出效率较高的差分矩阵方法和能 对纹理熬元进行精确分析的质心模式统计方法； f 3 ) 森频率域上，通过对频域蜜口的分祈与改遂，设诗出，3 、波频漤系数 静绞瑗分辑方法，该方法弼辩其有，l 、渡豹多尺度将往霸 毒立甘交换瓣爨酝 准性质； ( 4 ) 在纹理的多分辨率分析的基础上，本文将窗口法与时频域分析的小 波包变换进行了结合，设计出多分辨率的差分缀阵与质心模式统训”，改进 了差分矩阵与质心模式统计的检索性能，证明了簿强法与时频域分辑结合 豹霹嚣後。 ( 5 ) n 用b r o d a t z 自然纹瑾库形成的两个测试集对本文所设计的五种纹 理分析辣法进行了综合的比较和实验，总结出备自的优缺点及适用场台并 探讨了窗口纹理分析方法的研究方向，为目后的研究奠定一定的基础。 关键溺灌像照理；绞理分掇；窑蠢法；差分缝箨；蔟心模式绞诗；多分辩 率差分矩阵；多分辨率质心模式统计；小波系数频谱 燕 j 大学工学硬士学位论文 a b s t r a c t t e x t u r er e t r i e v a li so n eo ft h em o s ti m p o r t a n ta s p e c t si ni m a g er e t r i e v a l ， a n dt h et e x t u r ea n a l y s i sa n dt e x t u r ef e a t u r ee x t r a c t i o ni se m p h a s i si nt e x t u r e r e t r i e v a l ，w h i c hd e t e r m i n e st h ep e r f o r m a n c eo ft e x t u r er e t r i e v a ld i r e c t l y i nt h i s p a p e r , w ea r ec o n c e r n e dw i t ht h et e x t u r ea n a l y s i sa l g o r i t h mf o ri m a g er e t r i e v a l a n dt h em a i nc o n t e n ti sa sf o l l o w s ： ( 1 ) b a s e do na n a l y z i n gc l a s s i ct e x t u r ea l g o r i t h m ，w ec o n s t r u c tt h ew i n d o w m e t h o dt ot e x t u r ea n a l y s i sa n df e a t u r ee x t r a c t i o n t h en e wm e t h o di n c o r p o r a t e s t h es t a t i s t i ca n a l y s i si ns t a t i s t i cm e t h o da n dt e x t u r a le l e m e n t sa n a l y s i sm e t h o di n s t r u c t u r em e t h o d 。w ed e s i g nn e wt e x t u r ea n a l y s i sa l g o r i t h mu s i n gt h ew i n d o w m e t h o di ns p a c ed o m a i n ，f r e q u e n c yd o m a i na n dm u l t ir e s o l u t i o nr e s p e c t i v e l y ( 2 ) i ns p a c ed o m a i n ，t h ea c h i e v e m e n t sf i r ed i f f e r e n c em a t r i x ( d m ) w h i c h e a na n a l y z et e x t u r ee f f i c i e n t l ya n ds t a t i s t i co fc e n t r o i dp a t t e r n ( s c p ) w h i c hc a l l a n a l y z et e x t u r ep r e c i s e l y ( 3 ) i nf r e q u e n c yd o m a i n ，w eo b t a i nt h ef r e q u e n c ys p e e t n l mo fw a v e l e t c o e f f i c i e n t ( f s w c ) b a s e do na n a l y z i n ga n di m p r o v i n gt h ew i n d o wm e t h o di n f r e q u e n c yd o m a i n t h ef s w ca t t r i b u t e st h em u l t i s c a l ea n a l y s i sc a p a b i l i t yf r o m w a v e l e tt r a n s f o r ma n d a u t o - r e g i s t r a t i o nc a p a b i l i t yf r o mf o u r i e rt r a n s f o r m ( 4 ) b a s e do nt h em u l t i - r e s o l u t i o nt e x t u r ea n a l y s i s ，w ei n c o r p o r a t et h e w i n d o wm e t h o da n dw a v e l e tp a c k e tt r a n s f o r m a st h er e s u l t , m u l t i - r e s o l u t i o n d i f f e r e n c em a t r i x ( m d m la n dm u l t i - r e s o l u t i o ns t a t i s t i co fc e n t r o i dp a t t e m ( m s c p ) a r ed e s i g n e da n dt h e yi m p r o v et h ep e r f o r m a n c eo fd m a n ds c p , w h i c h s h o wt h ef e a s i b i l i t yo f c o m b i n a t i o nw i n d o wm e t h o dw i t hm u l t ir e s o l u t i o n ( 5 ) w em a k ec o m p r e h e n s i v ec o m p a r i s o na n de x p e r i m e n tt ot h ef i v et e x t u r e a n a l y s i sa l g o r i t h mw ed e s i g ni n t h i sp a p e ru s i n gt w ot e s t s e t sf r o mb r o d a t z t e x t u r es e t ，c o n c l u d i n gt h es t r o n gp o i n t sa n dw e a k n e s s e so fe v e r ya l g o r i t h ma n d t h e i ra p p l i c a b i l i t y , i na d d i t i o nt h ep r o m i s i n gd i r e c t i o n a l lo ft h e s ea r el a y i n ga t a b s t r a c t f o u n d a t i o nf o rl a t e rr e s e a r c h k e yw o r d si m a g ep r o c e s s i n g ；t e x t u r ea n a l y s i s ；w i n d o wm e t h o d ；d i f f e r e n c e m a t r i x ( d m ) ；s t a t i s t i co fc e n t r o i dp a u e m ( s c p ) ；m u l t i r e s o l u t i o n d i f f e r e n c em a t r i x ( m d m ) ；m u k i - r e s o l u t i o ns t a t i s t i co fc e n t r o i d p a t t e m ( m s c p ) ；f r e q u e n c ys p e c t r u mo fw a v e l e tc o e f f i c i e n t ( f s w c ) i i i 第1 章绪论 第1 章绪论 1 1图像检索技术的发展过程 近年来，随着多媒体技术和计算机网络的飞速发展，全世界数字图像 的容量正以惊人的速度增长。无论是军用还是民用设备，每天都会产生容 量相当于数千兆字节的图像。这就要求有一种能快速而且准确的查找与访 问图像的技术，即图像检索技术。自从2 0 世纪7 0 年代以来，图像检索技 术己逐渐成为一个非常活跃的研究领域。 早期图像检索使用的方法是文本标注方法，即基于文本的图像检索技 术( t e x t b a s e di m a g er e t r i e v a l ，t b i r ) 。它是将图像作为数据库中存储的一个 对象，用关键字或自由文本对其进行描述。但由于人工对图像信息进行文 本描述的主观性，且需要大量的人力来完成图像的注解工作，再加上图像 内容很难用语言描述，使得该种图像检索技术很难适应目前大规模图像库 的应用。 为了克服以上问题，基于内容的图像检索技术( c o n t e n t - b a s e di m a g e r e t r i e v a l ，c b i r ) 应运而生。这项技术的出现，为解决图像信息大量增长而无 法进行有效的查询与利用找到了一条出路，也使人们有望摆脱基于文本的 图像检索技术带来的繁重劳动与不可避免的主观性带来的查询失败。 区别于原有系统中对图像人工标注的做法，基于内容的检索技术自动 提取每幅图像的视觉内容作为其索引，如颜色、纹理和形状等。由此可以 看到，基于内容的图像检索系统具有与传统的基于文本的图像检索系统完 全不同的架构【l 】。首先，由于图像依赖其视觉特征而非文本描述进行索引， 查询将根据图像视觉特征的相似度进行。另外，基于内容的检索系统一般 通过可视化界面和用户进行频率的交互，以便于用户能够方便的构造查询、 评估检索结果和改进检索结果。因此，基于内容的图像检索已经成为了图 像检索领域的研究热点。 l 燕由大学工学硪士学位论文 1 2 基于内容的圈像检索的相关技术 霹前c b i r 仍处予磷窥除段，因此学者们掇撂需要设计出各静c b i r 的系 绫终褥，磐pw 王n 繇g 浚诗豹双层或多茁羧豢陵y i x i nc 珏e 珏等捺爨懿聚类 检索吼k r i s h n a p u r a mr 提出的模糊检索等 4 j ，但基本结构如图1 1 所示 5 o 图i - 1 基于内容的图像梭索系统结擒 f i g ，1 - 1t h es y s t e ma r c h i t e c t u r eo f c b i r 从图1 1 可以看到，c b i r 的主要技术为处理用户与系统交曩的人机接口 技术、关系到图像查询速度的图像特征数据库的组织与管理技术和作为生 成梭索依据的图像特征撼取与匹配技术。 獒中，入枫交互援掰是查询者与系统之阅款交互方式。查询髫提出套 谶内容，系统遂 亍鼹糕与接受；对系统绘国瓣裣索缝果，褥户霹以绘窭反 馈储悫。系统通过用户提供的反馈信息，利用相关反馈理论，优化查询结 果慨7 1 。 数据库的组织和管理技术负责以最快摅、晟有效的方式遍历图像库中 盼每一幄图像，并找出掰糯要的图像【8 。图像索孚l 数据库一般袋蠲礴影存罐 结稳，按鹜豫特援疆鬻豹大夸组织索零| 数据瓣存德。当疆定誉勰采蠲豹廷 配特征时，系统自动授照精度要求搜索相应的节点，然后输出该节点下的 所肖树叶。用户改变查询精度后，只需要程该节点附近搜索即可，因而大 大加快了查询速度。 丽童接关系到图像梭索结果静图像特德魏提取与匹配技术怒c b i r 的基 萋鑫。麸广义上漤，圈缳豹褥蔹龟瑟基予交零豹特征( 磐关键字、浚释等) 、褪 觉特征( 如色彩、纹理、形状、对象表面等) 和语义特征三类疆】。自于基于文 本的图像特征主要由人工究成，会带来不可避免的主观性和繁煎的劳动， 正在逐步被基于内容的图像检索方法所代替。 褥基于语义内容躲梭索可以看作是基于对象酶检索。在该炎梭索中， 2 第1 章绪论 可以查找图像中包括的具体物体、发生的场景以及图像所描述的感情色彩 等。但由于目前计算机视觉和图像理解的发展水平，图像的语义特征无法 准确提取，基于语义内容的检索还很难实现。 因此，目前所提到的图像特征一般指图像视觉特征。图像视觉特征通 常又有多种不同的表达方法。由于人们主观认识上的千差万别，对于某个 特征并不存在一个所谓的最佳的表达方式。事实上，图像特征的不同表达 从各个不同的角度刻画了该特征的某些性质。最常用的图像特征为颜色、 纹理和形状，绝大多数的特征提取算法与基于内容的图像检索系统都是从 这三个方面入手进行研究的。 在基本的视觉特征中，颜色特征是在图像检索中应用最为广泛的视觉 特征，主要原因在于颜色往往和图像中所包含的物体或场景十分相关。此 外，与其他的视觉特征相比，颜色特征对图像本身的尺寸、方向、视角的 依赖性较小，从而具有较高的稳健性【9 。面向图像检索的颜色特征的表达涉 及到若干问题。首先，需要选择合适的颜色空间来描述颜色特征；其次， 要采用一定的量化方法将颜色特征表达为向量的形式；最后，还要定义一 种相似度( 距离) 标准用来衡量图像之间在颜色上的相似性。目前主要的颜色 特征提取方法有颜色直方图【1 0 1 ”、颜色矩1 2 ，13 1 、颜色集等表示方法。 图像中物体和区域的形状是图像表达和图像检索中用到的另一类重要 特征。但不同于颜色或纹理等特征，形状特征的表达必须以对图线中物体 或区域的分割为基础。由于当前的技术无法做到准确而稳健的自动图像分 割，图像检索中的形状特征只能在某些特殊场合应用【l5 1 。通常来说，形状 特征有两种表示方法，一种是轮廓特征的，一种是区域特征的。前者只用 到物体的外边界，典型算法为傅立叶描述符算法【1 6 】；而后者则关系到整个 形状区域典型算法为形状无关矩【1 。”。 作为视觉特征的另一个重要组成部分，纹理是一种不依赖于颜色或亮 度的反映图像中同质现象的视觉特性f ”。它是所有物体表面共有的内在特 性，例如，树木、砖、织物等都有各自的纹理特性。因为纹理特征包含了 物体表面结构组织排列的重要信息以及它们与周围环境的联系，所以纹理 特征在基于内容的图像检索中也得到了广泛的应用。主要的纹理特征提取 3 燕山大学1 1 学硕士学位论文 方法有t a m u r a * f 糙度 8 】、共生矩阵【5 、g a b o r 变换等。 三类视觉特征从不同的角度刻画了图像中反映的内容，对于大多数常 见的图像，单独使用任何一种特征都无法达到理想的检索效果雌2 0 , 2 “。本 文将针对在工业检测、遥感分析及病理诊断等方面中应用较多的纹理特征 进行特征提取与分析，从而完成纹理图像的检索。 1 3 图像检索的研究现状 自9 0 年代早期开始，基于内容的图像检索己成为非常活跃的研究领域， 迄今已有许多图像检索系统面世，简介如下： ( 1 ) q b i c 系统i b m 的q b i c ( q u e r yb yi m a g ec o m e m ) 是第一个商品化 的基于内容的图像检索系统田】。它的系统框架和技术对后来的图像检索系 统产生了深远的影响。q b i c 支持基于例子图像、用户构造的略图、选择的 颜色、纹理等的查询。q b i c 是少数几个考虑了高维持征索引的系统之一。 在它的新系统中，基于文本的关键字查询与基于内容的相似性查询结合在 一起。 ( 2 ) p h o t o b o o k 系统p h o t o b o o k 是m i t 媒体实验室开发的用于浏览和搜 索图像的一套交互式工具【2 2 j 。p h o t o b o o k 包括三个子部分，分别用于提取形 状、纹理和面部特性。用户可以在每个子部分中按照对应的特征进行查询。 在p h o t o b o o k 的最近版本中提出在图像注释和检索中包括人。这一提出是建 立在没有一种单独的特征可以最好地对图像建模，而且人的理解又是主观 的这样一种观测之上。实验结果表明该方法在交互式图像注释中很有效。 ( 3 ) v i s u a l s e e k 系统v i s u a l s e e k 是一种视觉特性搜索工具，由哥伦比 亚大学开发 埘。系统所采用的视觉特性是颜色集和基于小波变换的纹理特 性。为了加速检索过程，他们采用基于二叉树的索引算法。s u a l s e e k 支 持基于视觉特征和它们之间空间关系的查询。 ( 4 ) m a r s 系统m a r s ( m u l t i m e d i aa n a l y s i sa n dr e t r i e v a ls y s t e m ) 是美 m i l l i n o i s 大学开发的田j 。它与其它系统在研究范围和技术上都有不同，它 是计算机视觉、数据库管理和信息检索多个领域交叉的结果。m a r s 的焦点 4 第1 章绪论 不在于找到单一的最佳特征表达，而是如何把不同的视觉特性组织成为一 个可以动态适应不同应用和不同用户的有意义的检索机制。m a r s 在图像检 索中形式化地提出了相关反馈结构，并在检索的不同层次上结合了该技术， 包括查询矢量优化，自动匹配工具选择和自动特征适应。 1 4 本文研究内容与结构 本文主要研究用于图像检索领域的纹理特征提取与描述算法，研究的 重点为构造窗口纹理分析方法，并利用该方法分别从空间域、频率域和与 多分辨率结合角度进行具体算法的设计与验证，并分析各具体算法的应用 场合与窗口法思想的发展方向。 本文主要安排如下。 第1 章：简要介绍基于内容的图像检索系统发展过程、关键技术和现 状，说明纹理检索与图像检索的关系，以及纹理分析在纹理检索和图像检 索中的地位。 第2 章：纹理分析算法与相关技术。主要介绍两方面内容：第一，通 过对现有经典纹理分析算法的分析与综合，构造窗口纹理分析方法，为后 续各章作理论准备；第二，指出常用相似性度量方法、评价指标及测试集， 为后续各章作实验准备。 第3 章：基于差分矩阵与质心模式统计的纹理分析算法。将窗口纹理 分析思想在空间域上进行应用，提出注重检索效率的差分矩阵纹理特征特 取算法和对纹理基元进行精确分析的质心模式统计纹理分析方法，在实验 的基础上确定各自适用的距离函数，并完成对比实验，验证两种算法的检 索性能。 第4 章：小波系数频谱算法。本章主要在频率域上运用窗口法思想进 行图像的纹理分析，通过窗口傅立叶变换与小波变换的关系，综合小波变 换和傅立叶变换在纹理分析中各自的优势，设计出小波系数频谱的概念并 将其应用于图像纹理分析，并利用特征曲线的物理意义进行维数缩减和特 征优化。 s 燕山大学t 学硕士学位论文 第5 章：多分辨率的差分矩阵与质心模式统计。将窗口纹理分析方法 与多分辨率分析相结合，在多分辨率的基础上进行差分矩阵与质心模式统 计的纹理特征提取，验证窗口法思想进一步与其他纹理分析思想进行结合 的可能，优化差分矩阵和质心模式统计算法，进一步提高算法的纹理分析 与检索性能。 第6 章：算法综合性能比较与分析。对本文所提出的各种算法的性能 进行综合的比较与分析，分析各种算法的适用范围并探讨窗口纹理分析方 法的发展方向，为日后的工作奠定一定的基础。 第2 章纹理分析算法与相关技术 第2 章纹理分析算法与相关技术 2 1 纹理分析算法分类 关于纹理的精确定义，目前尚难以统一【2 ，这也是目前纹理分析领域 亟待解决的标准问题之一。根据研究实际，通常认为纹理是图像的某种局 部性质，是像素邻域中关系的一种度量【2 4 2 ”。为了使纹理这种图像的底层 视觉特征与高级语义特征进行联系，以更适合c b i r 的需求，t a m u r a 等人提 出了使用6 种属性描述图像的纹理特征1 2 “，分别是粗糙度( c o a r s e n e s s ) 、对比 度( c o n t r a s t ) 、方向度( d i r e c t i o n a l i t y ) 、线像度( 1 i n e l i k e n e s s ) 、规整度( r e g u l a r i t y ) 、 粗略度( r o u g h n e s s ) 等。这6 种特征目前被广泛应用于各种纹理特征提取与表 达算法中，其中，粗糙度、对比度和方向度三个特征对于图像检索尤其重 要 2 7 】。 关于纹理分析算法的分类，传统上分为统计的和结构的两类方法【2 ”。 随着数学领域的发展，模型法与空间，频率域联合分析方法在纹理分析中开 始占有越来越重要的位置，因此目前大部分学者认为纹理分析方法分为统 计、结构、模型和空间频率域联合分析四类分析方法 2 9 1 更为合适，以下对 这四类纹理分析方法思想及其典型算法作简单介绍。 2 1 1 基于统计的方法 基于统计的方法是纹理分析中最基本的一类方法，考虑的是纹理中灰 度级的空间分布。该方法适用于广泛存在的自然纹理，也同样适用于描述 人工纹理。此类方法通过计算每点的局部特征，从特征的分布中推导出一 些统计量来刻画纹理p j 。该类方法研究最为广泛，典型的统计类纹理分析方 法有灰度共生矩阵法( g r a yl e v e lc o o c c u r r e n c em a t r i c e s ，g l c m ) 30 1 、低阶 矩【3 1 】与高阶矩3 2 ，3 3 】特征统计、l a w s 纹理能量法【3 4 等。其中，共生矩阵，又 燕山大学工学硕士学位论文 称为灰度联合概率矩阵，是经典的统计类方法，也是后续研究和应用最多 的纹理分析方法之一阢3 6 ，3 7 1 ，其通过对图像所有像素进行统计，描述其灰 度分布，具体思想如下： 从灰度为i 的像素点离开某个固定位置关系5 = ( d x ，d y ) 的像素点上 的灰度为，的概率( 或者频度) ，即： ( f ，) = 1 ( x ，y ) 1 f ( x ，y ) = i ；f ( x + d x ，y + d y ) = ， 1 ( 2 - 1 ) 式中x ，y = o ，1 ，n 一1 是图像像素点坐标；f ，j = 0 , 1 ，三一l 是图像的灰度， i 缸l 表示集合d 中的元素个数；d x 、d y 取值范围为 _ n + 1 ，n 一1 ，共有 ( 2 n 一1 ) x ( 2 n 一1 ) 个共生矩阵，每个矩阵的维数为l x l 。其中位于( ，j i ) 的 元素m 。的值表示一个灰度为h 而另一个灰度为k 的两个相距为( d x ，d r ) 的像素对出现的次数。 直接用( 2 1 ) 式计算得到的共生矩阵数目太多，运算量大而且没有实际 意义，所以，在共生矩阵的使用中一般采取如下方法进行简化： p a ( i ，) = 瞰x ，y ) f ( x ，y ) = f ；f ( x d x ，y d 聊= ，l ( 2 - 2 ) 式中( d x ，d y ) 取值只有4 种可能：( d x = d ，d y = 0 ) ，( d x = d ，d y = d ) ， ( d x = 0 ，d y = d ) ，( d x = 一d ，d y = d ) ；原则上d 可取 1 ，n 一1 】间的任何值， 但绝大多数的系统中采用的值均为d = l 。这样，公式( 2 2 ) 实际上是仅取4 个方向上的共生矩阵来表示图像的纹理特征，因此计算量大大减少。 对于图像中粗纹理的区域，其灰度共生矩阵中的m 。值较集中于主对角 线附近。因为对于粗纹理，像素对趋于具有相同的灰度。而对于图像中细 纹理的区域，其灰度共生矩阵中的m 。值则散布在各处。图2 1 中图( a ) 和图 ( b ) 分别给出一幅粗糙纹理图像和一幅细致纹理图像及它们共生矩阵图的例 子。 由共生矩阵的纹理分析算法可以看到，统计类纹理分析方法的优点是 原理简单易懂，容易实现，因此其检索效率一般比较高。但由于其仅利用 统计特性对纹理进行分析，因此分析较为粗糙，尤其在多纹理分类中，难 以取得理想的结果，因为灰度的起伏变化除与纹理结构的变化有关外，还 与照明条件等多种因素有关，这影响了统计结果的有效性，使得该类算法 受到了一定束缚。 第2 章纹理分析算法与相关技术 ( a ) 粗糙纹理及其共生矩阵( b ) 细致纹理及其共生矩阵 ( a ) c o a r s et e x t u r ea n di t sg l c m( b ) f i n et e x t u r ea n di t sg l c m 图2 1纹理图像和其对应的共生矩阵图 f i g 2 - 1t e x t u r ei m a g e sa n dt h e i rg l c m 2 1 2 基于结构的方法 基于结构的方法也称几何法，该类方法的出发点是纹理由纹理基元组 成的定义，研究重点在于纹理基元之间的相互关系和排列规n i 3 8 。纹理基 元可能是明确的、直观的，也可能是不明确的、需要人为的根据情况来设 定的。无论怎样确定纹理基元，对于存在于纹理基元之间的结构关系，可 以有不同的分析途径【3 。最简单的方法是分析纹理基元之间存在的相位、 距离、尺度等的统计特性，也可以考虑用复杂的方法分析，如利用句法等。 纹理结构的句法分析方法是把纹理定义为结构基元按某种规则重新分布所 构成的模式。具体方法的选择依赖于纹理分析任务的要求。 可以看到，结构法是最符合纹理本质组成的纹理分析方法，但由于目 前图像分割技术尚无法准确提取纹理基元，因此该类分析方法主要适用于 非常规则的人工纹理，对于分析自然纹理图像则很难取得满意的效果，单 纯的结构类纹理方法实用性不强。 2 1 3 基于模型的方法 基于模型的方法假设纹理按某种模型分布 4 0 3 ，模型可以表示纹理基元 之间的关系，模型参数则表达了纹理基元的特性，因此通过估计模型的参 9 燕山大学工学硕士学位论文 数，可以把握纹理的重要性状，进行纹理分析。 模型法主要有随机场方法和分形法两种。常见的随机场模型有g i b b s 模 型m ，、g a u s s m a r k o v 【4 1 , 4 2 模型等，随机场方法的缺点是参数难以估计， 计算量大，且自然纹理很难用单一的模型表达；分形法则是利用分形维数 进行纹理粗糙度的度量【4 1 ，许多自然图像的粗糙度具有一些统计性质，在 不同的尺度上具有自相似性，分形对于这些性质的建模非常有用。但分形 维数的计算一般是采用一个理论模型，而实际的纹理图像并不完全符合理 论模型，另外不同的纹理图像可能具有相近的分形维数，使进一步的处理 复杂化1 4 6 j 。 关于模型法的研究，m a r k o v 随机场( m a r k o vr a n d o mf i e l d ，m r f ) 模型取 得了很大的成功，其中自回归纹理模型( s i m u l t a n e o u s a u t o r e g r e s s i v e s a r ) 就是m r f 模型的一种应用实例 4 ”。在s a r 模型中，每个像素的强度被描述 成随机变量，可以通过与其相邻的像素来描述。如果s 代表某个像素，则其 强度值g ( s ) 可以表达为它的相邻像素强度值的线性叠加与嗓音项( s ) 的和， 如下所示： g ( s ) = p + ：o ( r ) g ( s + r ) + ( j ) ( 2 3 ) 面 式中“是基准偏差，由整幅图像的平均强度值所决定，d 表示了s 的相邻像 素集。日( ，) 是一系列模型参数，用来表示不同相邻位置上的像素的权值。 e ( s ) 是均值为0 而方差为盯2 高斯随机变量。通过上式可以用回归法计算参数 0 和标准方差d 的值，它们反映了图像的各种纹理特征。 2 1 4 空间频率域联合分析法 近年来的生物视觉实验表明，空间频率域多尺度多通道纹理分析方法 是与人类视觉过程相一致的，引起了广泛注意。空间频率域联合分析法主 要包括g a b o r 变换法 4 8 , 4 9 , 5 0 1 和小波变换法 5 1 , 5 2 】等，其利用在空间域和频率域 同时取得较好局部化特性的滤波器对纹理图像进行滤波，从而获得较为理 想的纹理特征。这种分析方法在分析自然纹理图像中能取得一定的效果。 1 0 第2 章纹理分析算法与相关技术 其中，小波变换( w a v e l e tt r a n s f o r m ) 是一种常用的纹理分析和分类方法。 小波变换怒指燎信号分鼹为一系列的蘩本函数。( x ) 。这些基本龋数都是 透过对母函数妒扛) 的变形褥至l ，翔式( 2 - 4 ) 所示： v 。( x ) = 2 - ”2 v ( 2 一“x 一 ) ( 2 - 4 ) 式中m 和n 魁蹙数。这样，信号厂( x ) 可以被表达为： ，( x ) = 艺；驴。( x j ( 2 - 5 ) n l 二维小波变换的计算需要进行递归地过滤和采样。在每个屡次上，二 维售号被分鬃为四个予波段，根掘额鬻特短分烈拣为l l 、l h 、h l 和h h 。 在小渡交捩中，有两静癸垄的小波交换可以常用予纹理分析，分剐是金字 塔结构小波变换( p y r a m i d s t r u c t u r e dw a v e l e tt r a n s f o r m ，p w t ) 和树状结构的 小波变换( t r e e - s t r u c t u r e dw a v e l e tt r a n s t b r m , t w t ) 。p w t 递归地分解l l 波 段。蘧对予主要詹，蠹惫含在中频段懿绞理特徭，仪分解低频的己瑚吏羧是不 够的。因此，t w t 被提出来以克服上述的问题。t w t 区别于p w t 的主要之 处在于它除了递归分解l l 波段之外，还会分解其它l h 、h l 和h h 等波段。 毽基予多逶道滤波数分辑方法，豢采曩区域平均特挺热区域麓量、送 域方差等，这类特征都熬特殊的、非本质的，因为区域平均过程导致了纹 理结构信息的损失，通常不能反映纹理的本质特征 5 3 。且单通：谴耋能量、方 差信息不能有效描述纹璁转征，需要多个滤波通道，这就增热了分类特征 的维数。程篱维特征空阙中，各模式黪征闻酶分蠢关系磁较复杂，不利于 获得理想的分类结果。 2 。2 窗霸纹理分析方法 2 2 1 多类纹理分析方法的结合 由2 1 节的分析可知，由于尚没有公认的纹理定义，也没有较为通用的 纹理分析方法，大多数算法只适用于一部分特定的图像。因此，近年来蹬 1 1 燕由大学工学硕士学位论文 现涛不同类剐的纹理分柝方法进行结合的薪趋势，如a 矗v a z l l a g 鞣提嬲的尺 度共生矩障【5 4 l 、c n m a i lp l l i l 的旋转不变小波特征【5 5 】、d om n 的尺度隐性 马尔科夫模型【56 j 等。 为了克服统计方法与结构方法各自的缺点，盛文f 2 5 等提出了纹瑕元灰 疫模式囊方阉( 钯x t u f ep r 艇t i v ep a 鼓e mh i s t o g r a m ) 豹纹理特薤提取方法，它褥 两秘方法遴行了很好的结合。 在纹理元灰度模式直方网方法中，认为纹理元是图像中一个相邻的菱 形区域，该区域由1 2 个像索及其中心点组成，图2 3 给出了这种纹瑕元的 结构。图中数字表示纹理元模式中元素的排列顺序。这里纹理元的每个元 素f 不包摄中心点) 有3 个可黢窭凌蕊筐，该覆冬魄辕元素灰凄与中心点获度 的大小褥瓣，棱据大于、等予帮小予这三释不霹侮獯赋予不同的蘧， 2 个 元素值的组合就构成了一种纹理元模式。 l 642 i t 。853 1 1 97 1 2 强2 - 2 纹壤嚣模式壹方圈的纹理既结搀 f i g 2 - 2 秘蛙u f 番e l e m e n 嚣i nt e 硪u r e 西m i f i v e 掣啦e mh i s m g r 设q = ，q ，咤，q 2 为该区域中对应点荻度的集合，其中为区 域中心点x 的灰度，定义p = p ，p ：，p ，： 为对廒的纹理元模式，p 的种 模式由下式给出： | g ，国； 8 p ，= l ，国， 国。露- l e ，国。= 国。 对于纹理元模式p = p 。) ，f = 1 , 2 ，1 2 ，每个元素a 有3 个可能出现 的值，因此纹理元共有3 1 2 种模式。由于纹理元怒纹理的一个基本特锨，因 1 2 第2 章纹理分析算法与相关技术 此对纹理元模式出现频数的统计反映了图像的纹理信息。由此可以生成纹 理元模式统计直方图作为纹理特征的初步提取，横坐标为模式类别编号， 其值由下式给出： 1 2 n = p ，b 1 ( 2 7 ) j = 1 式中口一般取p ，可能出现值的个数。 由于不同纹理具有不同的纹理元模式分布，因此根据纹理元模式直方 图，可以提取一些特征作为图像的纹理特征：如方差、熵、矩等。这些特 征都是基于纹理模式直方图的统计特征，由于这些特征与纹理元的排列顺 序无关，因此具都能较好的方向不变性。 与纹理元灰度模式直方图方法类似，万华林等提出纹理谱( t e x t u r e s p e c t r u m ) 的概念，其考虑的是象素点的3 3 邻域，如图2 3 所示，这样的邻 域考虑比灰度模式直方图可操作性更强。其中上( i = o ，l ，8 ) 表示图像在该 像素点灰度。 i o i 】1 2 1 3 l 1 5 k 1 71 8 图2 3图像像素的3 3 邻域表示 f i g2 - 33 x 3n e i g h b o r h o o do f p i x e l 使用二进制序列k ( i = 0 , 1 ，7 ) 作为纹理基元。可定义为 = ：? 。i f 腑i i f - 括i 。, + 1 | ” ( 2 - 8 ) 式中丁为阈值常数。为了刻画图像的纹理谱分布和图像的粗糙度，对矿作 进一步处理，记为 0 = 27 ( 2 - 9 ) 燕由大学工学颓士学像论文 用丁( f ，- ，) 表示在像索点z ( i ，- ，) 处的纹理德t 7 ， 七】) ( k = 0 , 1 ，2 ，2 5 5 ) 表 示图像纹理谱，则有 a 湖= 兰朋，) ( 2 一l m x 歼磊画 热朋朋= 罹愁慧东一聍分黝徽的被和溉 2 2 2 窗口纹理分析方法 尽瞽嚣蘩齑无关予纹理豹精确定义，毽一般认为纹理就楚黧橡中反复 出现的局部模式和它们的排列规则f 2 5 1 。 遇过具体分析纹理烈图像也不难发现，很多图像纹理可以分解成众多 的纹理基元( 局部模式) ，对这些纹理基元和它们的排列规则进行描述即可得 到纹理特 芷。根据_ l | ：攒述，提取纹理的最健方法鬼：提取莠捺遴纹理基元 戆蠢赛，再逶遂句法缓稳分拆整藕绞瑾图像豹缝成，姨两完藏纹瑷强像的 特征摄取与描述，这也怒结构类纹理分析方法的思想。但是出于图像分割 等水平的限制，目前尚觅法准确提取纹理图像中的纹理基元，阑此这种对 纹瑕谶行最为本质描述的方法难以在实践中得到应用。 既然无法精确提取绞毽基元，也诲假设一个纹理基元会雯会逶一些。 逶避慰灰度模式壹方謦瓣戴、纹理谱翻、l b p l 5 8 ，5 镯等方法懿磷究，在结合经 典的纹理分析方法的基础上，本文构造出窗翻纹理分析方法，简称窗口法。 这类弊法的共同思想是：对于待分析的纹理网像，不精确的分析其每个纹 理基元的大小，而是假定一个邻域作为当前分析象素点所在的纹理基元并 对该纹理基元进行特链提取，最后遥过对图像中各个基元黪姆缝统计获褥 整舔黧像静绞霪特挺。 该思想利用了结构法对纹理基元进行分析的思想，可以对绞理进行细 节描述，克服了统计类方法描述简单和粗糙的问题；同时，该畿方法不同 于结构类方法，对于得到的纹理基元特征，不进行句法结构分析，而是做 统计分撰，这样又一定强度上克服了由假定绞瑷基元带来的误茇，在整俸 4 第2 蠢纹理势褥算法与鞭美技零 上达到个较好的效果。濑予该类方法以像素邻域( 窗口) 作为纹理熬元进行 分析，因此称为窗口纹理分析方法，简称窗口法。 本文即利用窗口纹理分析方法的思想，分别在空间域、频率域和多分 辨率綦础上进行纹理分析辫法的研究与设计，并通过实验以验证窝口法思 怒在绞骥分梧与捡素领壤黪霹学牲窝有效犍。 2 3 纹理相似度比较常用度量方法 相似度比较是图像检索的重要环节，其主霹通过距离度量函数来实现。 驻离发撼嚣数戆馕磊与祷鬣撬致款方法密切糖关，霹嫒稳骰靛将鼹撼毅方 法箕最往距离度量函数也不一定裙同。 通常，图像视觉特征的相似性度量方法在数据模型上可分为两大类【5 0 】： 几何缒阵模型和集合理论模型。其中，几何矩降模型是相似性度撼中最常 用的方法。其基本思想是将图像的特征向量看作特征空间中的点，两个点 戆接邋獠发曩它餐之阀豹鼹藏表示，郄爰它稍之阗豹不耱议程度来浚量。 凡鹰奎闽静疆离函数要求清足叁相似往、菲受瞧、对称往、三受不等性等 条件。假几何矩阵距离度擞方法同人对感知相似的判断还存在一定的差距， 相似性的最小性原理在一数识别问题中并不一定总是成立口 。鉴于几何矩阵 模型的以上缺陷，人们在研究中尝试利用集合遐论的相关性质来袭示相似 距离，篡中最著名豹是t v e r s k y 筵出戆特征对跣横受。特征对比模型中不是 将每个实体看传特征空闰中懿一个点，丽是认为每个实体焉一个黪缀集表 示。特征对比模型提出了一个更广泛的理论衡激方法，但这个方法的缺点 是不够窳用，可计算性不强，只适合那些特征明是的对象，这就限制了它 在计算机中的应用。目前对集合理论模型的研究相对较少。 刘强藏为止，趱无一耱爨离蚕数适合于掰蠢特 蒌类型的摇毅憋发量。 不丽豹特征蔚应不露静距离函数，篌矮蠢哭煞一般棂据经验或遥遘实验我 出对应特征最好的距离度爨函数。 以下是一些图像检索中常用距离度量函数介绍，其中的部分飚离函数 将在算法设计中通过实验方式选择。 15 燕出大学】二学疆学燕论文 ( 1 ) m i n k o w s k i l e 离，又称三。距离： d p ( x ，y ) = 【f 薯一y ，”| 】( 2 - 1 1 ) 式中，x ，y 为待比较特征向燮，鼍和y ，为向量中对应的第i 个特征鬣。当 式( 2 1 1 ) q 。参数p 分羁取l 霸2 时靼为鬻见豹衡区鼹离( 五) 毒g l e u c l i d e a n i g g 蕊 ( 厶) 。在豳像检索中，常瑶怒赌一亿街区距离辜n e u c l i d e a n 距离，表运式为； 讹少) ：e ，l x 。, - l y , l ( 2 _ 1 2 ) 厂了弋 g ( x , y ，刊莩l 谱j s ， 式( 2 1 2 ) 、式( 2 - 1 3 ) 中，a ( i ) 为由图像库计算出的对成第f 个特征项的标准偏 差。 ( 2 ) c a n b e r r a 距离： 媳力2 争盼1 x , - 舅y , i ( 3 ) 桷关距离： ( t p ；) ( y ，一，) 叱2 恧i t 矛丽 式孛，敝耱芦。分爨表示对疲淘藿垮僮。 ( 4 ) z 2 统计距离： 粥加军斜 ( 5 ) c o s i n e g 基n - 葺鼓 氏。( 力= 该距离实质为归一化的几何距离。 1 6 豫一1 4 ) ( 2 1 5 ) ( 2 - 1 7 ) f 2 1 6 ) 第2 章纹理分析算法与相关技术 f 6 1 k u l l b a c k 离：_leibler距 g ( x ，办= 置l o g 。x 。, 簦一1 8 ) f 7 ) j e f f r e y g e 离： 蜘棚= * 堍惫训。g 惫j p 功 本节只列举了一些比较常见的躐离函数，实际成用中还有许多不同的 距离度量函数，需要在计算中不断实验，找出最适合所选特征的距离函数， 以取得最好的检索结果。 2 4 纹理检索常用评价指标与测试集 2 4 1 评价指标 任秘一颈搜拳郝是嶷渡领域中稷废鹣译份标潦蓉摆动静，魄始数据压 缩领域的评价指标是信嗓l e ( s i g n a ln o i s er a t i o ，s n r ) ，在基于文本的信息检 索领域是磷准率( p r e c i s i o n ) 署t 查全率( r e c a l l ) 。就目前而言，图像检索领域的 标准主要照借用文本检索领域的查准率和查全率【4 8 ，4 9 。查准率盼含义是在 一次查询避疆中，系统遨回靛