小波域颜色和纹理特征提取及图像检索方法研究
图像检索算法的综述
图像检索算法的综述随着计算机科学的快速发展，图像检索技术也得到了极大的发展和突破。
图像检索是从图像数据库中获取相关图像的过程，主动的检索过程是通过输入查询图像，在图像库中进行搜索，以返回最符合查询图像的结果。
现代图像检索技术主要分为两个阶段：特征提取阶段和相似度比较阶段。
分别介绍如下：一、特征提取阶段1.颜色颜色是一种在图像中广泛使用的特征，计算机可以很容易地提取和比较图像中的颜色信息。
常见的颜色直方图方法是基于彩色空间的统计方法。
2.纹理纹理是一种可看作是由若干个相似或重复的形式元素构成的、呈现出一定规律性的二维空间形式单元，可以用来描述图像的细节特征。
纹理特征提取方法包括灰度共生矩阵、Gabor滤波器和局部二值模式等。
3.形状形状是一种能够捕捉图像主要信息的关键特征。
形状特征可以通过边缘检测等方法进行提取，主要包括边缘匹配、轮廓匹配等。
4.空间布局空间布局主要描述了图像中各个特征的相对位置和大小比例。
常用的方法包括关键点检测和图像分割等。
二、相似度比较阶段在特征提取阶段中，提取图像特征的方法产生了一组特征向量，需要将它们之间进行比较，以找到最相似的图像。
相似度比较方法包括欧几里得距离、余弦距离和皮尔逊相关系数等。
除以上传统方法外，深度学习在图像检索中也得到了广泛应用。
深度学习模型利用反向传播算法自动调整模型参数以最小化错误率。
当前，应用最广泛的深度学习模型是卷积神经网络（CNN）。
CNN能够对大量的图像数据学习到特征，从而实现图像检索或分类的高维特征提取和准确度提升。
作为目前最常用的图像检索算法，基于深度学习的图像检索模型在实际工程应用中也取得了很好的效果。
然而，仍存在一些问题需要解决，如如何提高性能、处理更复杂的图像数据和实现大规模并行计算等问题。
总的来说，图像检索算法是一个非常广泛的领域，目前在不断地研究和优化中。
各种不同的算法都有其自身的优点和应用场景，但也存在各种问题和局限性，需要不断地进行改进和优化。
一种图像检索中纹理特征提取的方法
母波 （ ） 通过 ａ 尺度 发生 变化 ， 向 ＠ 变化 方
为：
０＝ △ ０ ０＝ ， Ａ ２丌 （ ４）
基于频谱 的 Ｇ ｂ ｒ 换分析 纹理特征 的方 法。 ａｏ变
（ ） ｅ一 ‘ “． ＝ 砰
＝ ｅ （２￣ （ （ 一 － ２
将 所有 滤波 器的最 高上 限频 率 和最 低下 限频
率 分别 设 为 ０４和 ００ ， ． ．３ 由人 眼 的 视觉 特 性 ， 频 此 率 范 围可 以完全 满足人 眼对纹 理 的感知 。 可确定 中心频 率为（ ， ， ＝ ， ， 其 中 ： ０ ｍ １ … Ｍ， ）
取 出纹 理 特 征 ． 而 获 得 纹 理 的 定 量 定 性 描 述 的处 理 从
Ｃ（，） ｂ ｘｙ 由小 波 变 换 的 母 波 得 到 ：
（ ） ＝ （ ） （ ２）
过程Ｉ １ 】 。纹理 分析包 括 ： 模型分 析方 法 ： ① 基于像 素进
行。 建立 纹理模 型 ， 而后做 出分析 。 模型 分析方 法通常
维普资讯
图 形 图 像
ｉ
种图像检索中纹理特征提取的方法
丛 鑫 ． 孙 劲 光
（ 宁工程技 术大学 电子 与信息 工程 系 ， 辽 葫芦 岛 １ ５ ０ ２ １５）
摘
要 ：基于 内容的检 索技术 就是 直接根据描 述媒 体对 象 内容的各 种特征 进行检 索 ． 它的研 究 目标是 提供 在 没有人参 与的情 况下能 自动识别或理 解 图像 重要特征 的算 法。本 文介绍 了基 于 Ｇａｏ ｂ ｒ滤波 器和 Ｇａｏ 小波变换提取 纹理特征 的分析 方法 ， ｂｒ 以及 对 Ｇａｏ ｂ ｒ小波进 行 了高斯 归一化 以提 高对 图像检 索
小波变换在图像特征提取中的应用案例
小波变换在图像特征提取中的应用案例小波变换是一种信号处理和图像处理中常用的数学工具，它在图像特征提取中有着广泛的应用。
本文将通过几个实际案例来介绍小波变换在图像特征提取中的应用。
案例一：纹理特征提取纹理是图像中重要的视觉特征之一，通过提取图像的纹理特征可以用于图像分类、目标识别等应用。
小波变换可以有效地提取图像的纹理特征。
以纹理分类为例，首先将图像进行小波分解，得到不同尺度和方向的小波系数。
然后，通过对小波系数进行统计分析，如计算均值、方差等，可以得到一组纹理特征向量。
最后，利用这些特征向量可以进行纹理分类。
案例二：边缘检测边缘是图像中物体之间的分界线，对于图像分析和目标检测具有重要意义。
小波变换可以有效地提取图像的边缘信息。
通过对图像进行小波变换，可以得到不同尺度和方向的边缘响应。
然后，通过对边缘响应进行阈值处理和边缘增强，可以得到清晰的边缘图像。
这些边缘图像可以用于图像分割、目标检测等应用。
案例三：图像压缩图像压缩是图像处理中的重要任务，可以减少存储空间和传输带宽的消耗。
小波变换可以用于图像的有损压缩和无损压缩。
在有损压缩中，通过对图像进行小波分解和量化，可以得到低频和高频小波系数。
然后，通过对高频系数进行舍弃或者量化，可以实现对图像的压缩。
在无损压缩中，通过对小波系数进行编码和解码，可以实现对图像的无损压缩。
案例四：图像增强图像增强是改善图像质量和提高图像视觉效果的重要任务。
小波变换可以用于图像的多尺度增强。
通过对图像进行小波分解，可以得到不同尺度和方向的小波系数。
然后，通过对小波系数进行增强操作，如对比度增强、锐化等，可以改善图像的质量和增强图像的细节。
综上所述，小波变换在图像特征提取中有着广泛的应用。
通过对图像进行小波变换，可以提取图像的纹理特征、边缘信息等重要特征，实现图像分类、目标检测等应用。
同时，小波变换还可以用于图像的压缩和增强，提高图像的质量和视觉效果。
因此，小波变换在图像处理中具有重要的地位和应用前景。
基于图像处理的纹理分析与识别算法研究
基于图像处理的纹理分析与识别算法研究摘要：图像纹理是一种视觉特征，对于图像分析和识别具有重要意义。
本文针对基于图像处理的纹理分析与识别算法进行研究，探讨了常见的纹理特征提取方法和纹理分类技术，并对图像纹理分析与识别在实际应用中的挑战进行了讨论。
通过对现有算法的综合分析和比较，提出了一种综合性的纹理分析与识别算法，该算法在不同数据集上进行了实验验证，并与其他算法进行了对比。
实验结果表明，该算法在纹理分类任务中取得了较好的性能。
1. 引言图像纹理是指图像中不规则的、表达风格和结构的像素分布。
它能提供丰富的视觉信息，被广泛应用于图像处理、模式识别、计算机视觉和机器学习等领域。
基于图像处理的纹理分析与识别算法的研究旨在自动化地从图像中提取纹理特征并进行分类识别，以满足实际应用中对纹理信息的需求。
2. 纹理特征提取方法在图像纹理分析中，提取纹理特征是非常关键的一步。
常见的纹理特征提取方法包括灰度共生矩阵、局部二值模式、Gabor滤波器和小波变换等。
2.1 灰度共生矩阵灰度共生矩阵（GLCM）是一种用于描述纹理特征的统计方法。
它通过计算图像中不同像素之间的灰度级关系来提取纹理特征。
主要包括对比度、相关性、能量和熵等几个特征参数。
灰度共生矩阵方法简单且计算效率高，被广泛应用于纹理分析与识别任务中。
2.2 局部二值模式局部二值模式（LBP）通过比较中心像素与相邻像素的灰度级来提取纹理特征。
它具有不变性和计算效率高的优点，被广泛应用于人脸识别、纹理分类和目标检测等任务中。
2.3 Gabor滤波器Gabor滤波器是一种基于多频率和多尺度模型的纹理特征提取方法。
它模拟人眼对纹理信息的感知过程，具有较好的旋转和尺度不变性。
Gabor滤波器在纹理分析和识别任务中取得了较好的效果。
2.4 小波变换小波变换是一种将信号分解成不同尺度和频率的方法。
它通过分析图像中不同的频率分量来提取纹理特征。
小波变换方法具有较好的多尺度性和时间-频率局部化特性，被广泛应用于图像压缩和纹理分类等领域。
综合目标区域颜色特征与纹理的图像检索
综合目标区域颜色特征与纹理的图像检索摘要:本文是基于目标区域的图像检索,首先将图像进行增强,将增强后的图像利用直方图确定图像的目标区域,然后结合目标区域的纹理特征对图像进行检索。
该方法客服了单一的颜色特征忽视图像空间信息的缺点,颜色和纹理相结合达到了较好的检索效果。
关键词:灰度增强自适应阈值Gabor变换基于内容的图像检索技术通过分析图像的颜色、纹理、形状等,建立特征索引,并存储在特征库中。
将目标图像与特征库里的图像特征相比较进行检索。
颜色特征是图像检索中最直观的方法,但是仅仅依靠颜色特征进行检索能够丢失图像的空间信息,因此,文中结合颜色和纹理两个特征对图像进行检索,通过实验表明该结合算法达到了好的检索效果。
1 图像目标区域选择1.1 分段线性灰度增强分段线性灰度增强将需要的图像细节灰度级扩展,增强对比度,将不需要的图像细节灰度级压缩。
基本原理:假设输入图像f(x,y)的灰度为0～M级,增强后图像g(x,y)的灰度为0～N级,区间[a,b],[c,d]分别为原图形与增强图像的某一灰度区间,分段线性变换函数为:0≤f(x,y)≤a (1)文中取a=30,b=80,c=100,c=220,灰度等级N=225,M=190,原始图像与灰度增强后图像如图1、图2。
1.2 自适应阈值方法进行图像分割在实际应用情况下,当照明不均与,有突发噪声或者背景灰度变化较大时,整幅图像分割时将没有合适的单一阈值,因此采用自适应阈值方法进行图像分割。
自适应阈值方法是对每个像素确定以其自身为中心的一个邻域窗口,寻找窗口内像素的最大值和最小值,并取二者的平均值作为阈值。
如图三所示以C为当前像素,选取C的8邻域窗口,该窗口的最大灰度值为max_value,最小灰度值为min_value,则阈值T设置为实际上,在选择邻域窗口时,不一定要选择8个窗口,但是窗口越大,需要处理的数据就越多,时间复杂度就越大。
为了采用八方向邻接技术,文中采用八窗口作为邻域窗口(如表1)。
图像特征提取方法详解(十)
图像特征提取方法详解一、引言图像特征提取是图像处理和计算机视觉中的一个重要环节。
通过提取图像中的特征信息，可以实现对图像的分析、识别和分类。
在实际应用中，图像特征提取方法的选择对图像处理的效果和性能有着重要影响。
本文将详细介绍几种常用的图像特征提取方法，并对它们的原理和特点进行分析。
二、颜色特征提取颜色是图像中最直观的特征之一，因此颜色特征提取在图像处理中具有重要意义。
常用的颜色特征提取方法包括直方图法、颜色矩法和颜色空间转换法。
直方图法通过统计图像中各个颜色通道的像素分布来表示颜色特征，颜色矩法则利用颜色矩来描述颜色空间的特征。
颜色空间转换法则是将图像从RGB颜色空间转换到HSV或Lab颜色空间，以获取更加直观和有效的颜色特征。
三、纹理特征提取纹理是图像中的一种重要特征，它可以描述图像中的细节和表面特征。
常用的纹理特征提取方法包括灰度共生矩阵法、局部二值模式法和小波变换法。
灰度共生矩阵法通过统计图像中像素灰度级别之间的关系来描述纹理特征，局部二值模式法则是通过计算像素点与其邻域像素的灰度差异来描述纹理信息。
小波变换法可以将图像分解成多个频率成分，从而获取不同尺度和方向上的纹理特征。
四、形状特征提取形状是图像中的另一个重要特征，它可以描述物体的外形和结构。
常用的形状特征提取方法包括边缘检测法、轮廓描述子法和形状上下文法。
边缘检测法通过检测图像中的边缘信息来描述物体的形状，轮廓描述子法则是通过对物体轮廓的特征点进行描述来获取形状特征。
形状上下文法则是将物体的轮廓信息转换为一种描述子，从而描述物体的形状特征。
五、特征提取方法的应用图像特征提取方法在实际应用中有着广泛的应用，例如图像检索、目标识别和图像分类等。
在图像检索中，通过提取图像的颜色、纹理和形状特征，可以实现对图像的检索和相似度比较。
在目标识别中，通过提取目标图像的特征信息，可以实现对目标的快速识别和定位。
在图像分类中，通过提取图像的特征信息，可以实现对图像的分类和识别。
融合颜色和纹理的图像检索技术研究
在此基础上 ，Ｊ 入Ｔ ｍ ｒ 纹理 特征的三个 分量 ： 糙度 、对 Ｊ ａｕ ｕ ａ 粗 比度和方 ｒ性 ，组成新的特征向量 。即 ： ｕ 】
ｆ＝［ 以 … ． ／， １ Ｈ Ｈ， ． ， （— ） Ｊ ２ ６
部和外部特征 间的归一化 ，研 究了各特征之 间的互补 关系，实验表明文 中的方法是很 有效的，
随着图像 等多媒体 资源 的 日 益丰富 ，传统检索方式 已不能再满 足检索需求 ，为了便 于图像的检索和 识别 ，基于 内容的 ｌ像检索技 术应运 而生。但 是 ， 此技术 存在许多目前无 法解决 的难题 ，主要难 度最终仍 然归结 到图像 的理解 的根本 题上 ，即汁算机对 ｌ像 内容 ｊ
征分量 ，都 假定服从 正态分布 ，首先提取每 一特 征分量的均 值 ． 和标 准差 ． ，得到均 值Ｍ． ， 【 ，
文章介绍 了划分子 区域计算 累加直方 图的颜 色特征提取 方法以及利／Ｇａｏ 小波 方法的纹理特征提取法 ￣ ｂｒ 图像检 索 颜 色直方 图 Ｇ ｂ ｒ ａｏ 小波 归一化
ｇ （， ） 一 ｇ ｘ ， ａ＞１ ， ∈Ｚ ｙ ：ｎ （ ’ ） ｙ， ， ｎ ｍ （— ） ２ ２
的理解相 当有 限 ，目前 计算机 无法 自动实现对 ｌ像 内容进 行浯义层 的分析和解释 ， 这也正是 计算机视觉 、 图像理解 以及模式 识别等领 域的一个难点 ｆ题【 ｕ １ 】 ｌ 此 ，通过低层特征的研 究来缩小ｌ像低 层 ｎ因 驾 特征和高层语义之 间的鸿沟成 为近儿年来研究的热点 。 本文首先介绍了颜色和 纹理特 征的提取 方法 ；然后研 究了特 征 的归一化及各特征问的互补性 ， 并提 出了一种利 用综合特 征进行检
图像处理中的特征提取与图像识别算法
图像处理中的特征提取与图像识别算法图像处理是一门涉及数字信号处理、计算机视觉和模式识别的多学科交叉学科。
特征提取（feature extraction）和图像识别算法（image recognition algorithms）是图像处理中两个重要的研究领域。
本文将介绍特征提取的概念、方法和常用算法，并探讨图像识别算法的原理和应用。
一、特征提取特征提取是图像处理中的一项重要任务，其目的是从原始图像中提取出有代表性、具有辨识度和可用性的特征，以实现对图像的分析、识别和理解。
常见的特征提取方法有以下几种：1. 基于形状和空间的特征提取：形状特征是基于图像中的几何形状、轮廓和边界提取的，常用的方法有Hough变换、边缘检测和轮廓分析等。
空间特征则是通过对图像的空间位置和分布进行分析，常见的方法有纹理分析、颜色直方图和尺度不变特征变换（SIFT）等。
2. 基于频域的特征提取：频域特征是通过对图像进行傅里叶变换或小波变换等频域分析方法得到的，可以用于图像的频率特征、能量特征和相位特征提取等。
常见的方法有离散傅里叶变换（DFT）、快速傅里叶变换（FFT）和小波变换等。
3. 基于统计的特征提取：统计特征是通过对图像中像素值的统计分析得到的，可以用于图像的平均值、方差、熵等特征提取。
常见的方法有灰度共生矩阵（GLCM）、灰度差异度（Contrast）和相关性（Correlation）等。
二、图像识别算法图像识别算法是通过特征提取和模式匹配等技术，将图像与已有的模型进行比对和匹配，从而实现对图像内容的自动识别和分类。
以下是几种常见的图像识别算法：1. 模板匹配算法：模板匹配是一种基本的图像识别算法，通过将已知的模板与待匹配图像进行比对，找出最相似或最相关的部分。
常用的方法有均方差匹配和相关性匹配等。
2. 主成分分析（PCA）算法：PCA是一种常用的降维算法，它通过线性变换将高维数据转换为低维的特征空间，从而实现对数据进行压缩和降维。
纹理特征提取方法
纹理特征提取方法纹理特征提取是图像处理和计算机视觉领域的重要研究方向之一，受到了广泛关注。
纹理特征提取的目的是从图像中提取出与纹理相关的特征，这些特征可以用于图像分类、目标检测、图像分割等任务。
本文将介绍一些常用的纹理特征提取方法，并对它们的原理和应用进行详细阐述。
1. 统计纹理特征：统计纹理特征是最常用的一类方法，它们基于图像的灰度分布、边缘直方图、自相关矩阵等统计信息来描述纹理特征。
其中最著名的方法是局部二值模式(LBP)，它通过比较像素与周围邻域像素的灰度值大小来构造二进制编码，然后用这些编码来描述图像的纹理特征。
LBP具有旋转不变性和灰度不变性的特点，因此在人脸识别、纹理分类等领域取得了广泛应用。
2. 滤波纹理特征：滤波纹理特征是另一类常用的方法，它通过对图像进行一系列滤波操作，提取出与纹理相关的特征。
常用的滤波器包括高斯滤波器、拉普拉斯滤波器、小波变换等。
例如，Gabor滤波器是一种常用的纹理特征提取方法，它可以对图像进行多尺度、多方向的滤波操作，得到多个特征图像，然后将这些特征图像进行组合，得到最终的纹理特征表示。
滤波纹理特征具有较好的局部性和尺度不变性，因此在纹理分类、图像检索等任务中表现出较好的性能。
3. 频域纹理特征：频域纹理特征是一类基于频域分析的方法，它通过对图像进行傅里叶变换或小波变换等操作，将图像从空间域转换为频率域，然后提取出与纹理相关的特征。
其中最典型的方法是基于功率谱密度(PSD)的纹理特征提取方法。
PSD表示了图像在频域上的能量分布，它通常通过对图像的傅里叶变换进行幅度平方操作得到。
频域纹理特征具有较好的局部性和旋转不变性，因此在纹理分类、医学图像分割等领域具有广泛的应用前景。
4. 结构纹理特征：结构纹理特征是一类基于局部结构的方法，它通过对图像的像素之间的关系进行建模，提取出与纹理相关的特征。
其中最著名的方法是局部二阶统计纹理特征，它通过计算图像的局部协方差矩阵、局部相关矩阵等来描述图像的纹理特征。
基于小波变换的特征提取方法分析
基于小波变换的特征提取方法分析首先，从基本原理上讲，小波变换是一种将信号从时域转换到频域的方法。
与传统的傅里叶变换不同，小波变换不仅可以提供频域信息，还可以提供时域信息。
它通过对信号进行多尺度分析，将信号分解为不同频率的小波子项，再对每个小波子项进行进一步的分解，直到达到所需的尺度。
这样可以将信号的频域和时域特征同时提取出来。
小波变换具有一些特点和优势。
首先，小波变换具有局部性，即在时域上对信号的其中一局部进行分析。
这使得小波变换能够更准确地捕捉信号的瞬态特征。
其次，小波变换具有多尺度分辨率，可以适应不同频率的信号。
它能够精确地分解信号的不同频率成分，进而提取出更多的频域信息。
此外，小波变换还具有平移不变性，即对于信号的平移不敏感。
这使得小波变换具有较好的时移不变性，可以更好地应对信号中存在的时间偏移。
基于小波变换的特征提取方法主要有以下几种。
第一种是基于小波包变换的特征提取方法。
小波包变换是小波变换的一种扩展形式，能够将信号进一步分解为更小的子带。
通过对小波包系数的统计特征进行提取，如均值、方差等，可以获得一组反映信号频域特征的特征向量。
第二种是基于小波能量谱的特征提取方法。
通过计算不同尺度小波变换系数的能量，可以得到信号在不同尺度上的频域特征。
第三种是基于小波熵的特征提取方法。
小波熵是一种量化信号中的不确定性和复杂性的指标，可以反映信号的时域和频域特征。
通过计算小波熵和其它相关指标，可以提取出信号的时频特征。
基于小波变换的特征提取方法在各个领域都有广泛的应用。
例如，在语音信号处理中，可以利用小波变换提取语谱图，用于语音识别和语音合成。
在图像处理中，可以利用小波变换提取图像的纹理特征，用于图像分类和图像检索。
在生物医学信号处理中，可以利用小波变换提取脑电图和心电图的时频特征，用于疾病诊断和治疗。
综上所述，基于小波变换的特征提取方法是一种强大的信号处理工具，能够同时提取信号的频域和时域特征。
它具有局部性、多尺度分辨率和平移不变性等特点，适用于各种领域的特征提取和信号分析任务。
如何利用小波变换进行图像特征提取
如何利用小波变换进行图像特征提取引言：图像特征提取是计算机视觉领域中的重要任务之一，它可以帮助我们从图像中提取出有用的信息。
小波变换作为一种强大的信号处理工具，被广泛应用于图像特征提取中。
本文将介绍小波变换的原理及其在图像特征提取中的应用。
一、小波变换的原理小波变换是一种时频分析方法，它可以将信号分解成不同尺度和频率的子信号。
小波变换的核心是小波函数，它具有时域和频域的双重特性。
通过对信号进行小波变换，我们可以得到信号在不同尺度和频率上的分量，从而实现对信号的分析和处理。
二、小波变换在图像特征提取中的应用1. 边缘检测边缘是图像中重要的特征之一，它可以帮助我们理解图像的结构和形状。
小波变换可以通过对图像进行高频分析，提取出图像中的边缘信息。
通过对小波变换的高频分量进行阈值处理，我们可以得到图像中的边缘信息。
2. 纹理分析纹理是图像中的一种重要特征，它可以帮助我们识别和分类不同的物体。
小波变换可以通过对图像进行多尺度分析，提取出图像中的纹理信息。
通过对小波变换的低频分量进行统计分析，我们可以得到图像中的纹理特征。
3. 物体识别物体识别是图像处理中的一项重要任务，它可以帮助我们识别和分类不同的物体。
小波变换可以通过对图像进行多尺度和多方向分析，提取出图像中的物体信息。
通过对小波变换的多尺度和多方向分量进行特征提取，我们可以得到图像中的物体特征。
三、小波变换的优势和挑战1. 优势小波变换具有多尺度和多方向分析的能力，可以提取出图像中的丰富信息。
同时，小波变换还具有良好的局部性和时频局部化特性，可以更好地适应图像的局部特征。
2. 挑战小波变换的计算复杂度较高，需要大量的计算资源和时间。
同时，小波变换对信号的平稳性和周期性有一定的要求，对于非平稳和非周期信号的处理效果可能较差。
结论：小波变换作为一种强大的信号处理工具，在图像特征提取中具有广泛的应用前景。
通过对图像进行小波变换，我们可以提取出图像中的边缘、纹理和物体等重要特征，从而实现对图像的分析和处理。
基于小波变换的纹理特征提取
厶 Ｌ ，
ＨＨ， Ｌ。 Ｌ Ｈ。 ＨＨｌ
图像 的内容包括 图像的颜色 、 理 、 纹 形状等视 觉特征 和语义特征 。 其巾 ， 纹理特 征作为最为 显著的视 觉特征之 一 ， 它是 一种不依赖 于颜色 或亮度 反映 图像 中同质现象 的视觉特征 。 纹理特征包含 了物体表面结构
组织排 列的重要信息 ， 以及与周 围环境 的联系 ｌ 。因此在基 于内容的图 １ ］
表 １ ｆ ｗ ｒ的二 层 小 波 系数 分 析 ｌ ｅ ｏ 图 号
Ｌ Ｌ
小波变换能将原始图像的能量集 巾到少 部分小波 系数上 ， 分解后的小 且
波系数在 ３个方向的细节分量有高度 的局 部相关性 ， 这为特征提 取提供 了有利 的条件 ，因此本研究提 出了采用小 波变换提取 图像 的纹 理特征 ， 实验结果表明 了该方法能够取得较好的检索结果。
１ ３６ ０ ．３ １ ３７ ０ ．９
５ｌ７ 、９ ３ ．８ ９２ ２ ．２ ８５ ｌ、 ５４３
－８ ． ３４ｌ ７ ｌ ３、 ８
－５ 、 ２ ７７ —３ 、０ ｌｌ －２ ０ ９．９ 一ｌ － ｌ ３８
２６ 、８ ２７ 、６
ｌ４ 、７ ０ ７ｌ 、 ０８ －３ ０２ 、５
５６ 、９ ５５ 、７
２９ ．６ ｌ５ 、６ １７ ．４ ０５ 、９
从表 ｌ可 以看 出 ， 小波 变换 系 数 具 有 以下 几 个 特 点 ：
（） １ 随着 分层数的增多 ， 小波 系数的范围越来越 大 ， 说明了越往后小
基于纹理特征的图像检索技术研究
基于纹理特征的图像检索技术研究在当前数字化信息时代，图像信息的检索技术成为了热门研究领域之一。
随着数字图像的产生和存储方式不断更新，如何更加高效、精确地检索图像数据成为了研究者们所关注的问题。
其中，基于纹理特征的图像检索技术以其高效、快速、准确等优点而备受关注和研究，本文将对基于纹理特征的图像检索技术进行详细探讨。
一、图像纹理及其特点图像纹理是指图像中局部像素的自相似性，它不同于色彩、形状等概念，是一种感性的表现形式。
图像纹理具有以下基本特点：1. 局部性：图像纹理是指图像中局部区域的像素分布情况，这种局部性使得图像纹理分析成为了一种非常有效的图像特征提取方法。
2. 非线性：图像纹理是一种非线性结构，其内部的像素分布并不遵循线性规律，因此难以使用传统的线性方法进行处理。
3. 平移不变性：图像纹理对平移不变性具有较好的特性，即纹理在不同的图像区域中具有相同的表现形式。
4. 互异性：图像纹理在不同的图像中具有不同的表现形式，具有良好的互异性。
二、基于纹理特征的图像检索技术基于纹理特征的图像检索技术主要是通过提取图像纹理特征来表示图像数据，然后运用这些特征进行图像检索。
具体而言，它需要完成以下几个步骤：1. 图像采样：对目标图像进行采样，将图像划分为若干个小的区域，然后在每个小区域内进行图像信息提取。
2. 纹理特征提取：在每个小区域内，采用不同的特征提取算法对图像纹理进行分析和提取，得到可区分不同图像的特征向量。
3. 图像特征匹配：将待检索图像与数据库中的图像相匹配，采用不同的相似性度量方法（如欧氏距离、余弦相似度等）进行图像比对，并评估它们之间的相似性关系，找出与之最相似的图像。
经过以上步骤，基于纹理特征的图像检索技术便能够获得满足检索需求的图像数据。
三、基于纹理特征的图像检索技术的优缺点基于纹理特征的图像检索技术的优点主要有以下几点：1. 快速准确：基于纹理特征的图像检索技术能够在较快的时间内完成图像匹配，且匹配结果准确率较高。
光学遥感图像处理与特征提取算法研究
光学遥感图像处理与特征提取算法研究光学遥感图像处理和特征提取算法是遥感图像处理中的重要研究方向，对于提取地物信息、监测环境变化和支持决策具有重要作用。
本文将介绍光学遥感图像处理与特征提取算法的研究进展和相关技术。
一、光学遥感图像处理的基本步骤在光学遥感图像处理中，一般包括预处理、图像增强、图像纠正、图像分割和目标提取等步骤。
1. 预处理：预处理是指对原始图像进行去噪、均衡化、几何校正等处理，以提高图像质量和减少干扰。
2. 图像增强：图像增强旨在改善图像的视觉效果，使关键信息更加明显。
常用的增强方法包括直方图均衡化、滤波、锐化等。
3. 图像纠正：图像纠正是根据遥感图像接收和采集过程中的几何和辐射特性，对图像进行校正和调整，以获取准确的地物信息。
纠正方法包括几何校正、辐射校正和大气校正等。
4. 图像分割：图像分割是将遥感图像划分为不同的区域或对象的过程，常用的分割方法包括基于阈值、基于区域和基于边缘的分割算法。
5. 目标提取：目标提取是在图像中提取感兴趣的地物目标，如建筑物、道路、植被等。
目标提取方法包括基于形状、纹理、颜色和深度学习的方法。
二、光学遥感图像特征提取算法光学遥感图像特征提取算法旨在从图像中提取地物的重要特征，用于分类、识别和定量分析等应用。
常用的特征提取方法包括颜色特征、纹理特征、形状特征和空间特征等。
1. 颜色特征：颜色是图像中最直观的特征之一，可以通过直方图、颜色矩和颜色空间转换等方法来提取图像的颜色特征。
颜色特征在地物分类和目标检测中具有重要作用。
2. 纹理特征：图像中的纹理是由像素之间的灰度和颜色变化所形成的。
纹理特征可以通过灰度共生矩阵、小波变换和纹理滤波器等方法来提取。
纹理特征对于地物分类、土地利用和环境监测具有重要意义。
3. 形状特征：形状是地物的重要特征之一，可以通过轮廓提取、区域属性和形状描述函数等方法进行提取。
形状特征在地物识别和变化检测中具有重要作用。
4. 空间特征：空间特征是指地物之间的相对位置和相互关系。
视频图像处理与特征提取算法研究
视频图像处理与特征提取算法研究随着科技的不断发展，视频图像处理领域的研究越来越受到人们的关注。
在众多视频图像处理技术中，特征提取算法是其中至关重要的一部分。
本文将探讨视频图像处理的相关技术以及特征提取算法的研究。
一、视频图像处理技术1. 图像去噪图像去噪是常见的视频图像处理技术之一。
通过消除图像中的噪声，可以提高图像的质量和清晰度。
常用的图像去噪方法包括中值滤波、小波变换等。
2. 边缘检测边缘检测是图像处理中的常用技术，它可以识别图像中的物体边界。
常用的边缘检测算法有Sobel、Canny等。
这些算法能够通过计算图像像素之间的梯度来寻找边缘。
3. 图像分割图像分割是将图像划分为若干个具有相似特征的区域的过程。
图像分割技术在很多应用中被广泛使用，如医学图像分析、目标识别等。
常见的图像分割算法有基于阈值、基于区域的方法。
4. 目标识别与跟踪目标识别和跟踪是视频图像处理的重要应用领域。
目标识别技术可以识别图像或视频中的目标物体，而目标跟踪技术能够追踪目标物体在视频序列中的运动轨迹。
常见的目标识别与跟踪算法有基于模板匹配、卡尔曼滤波等。
二、特征提取算法的研究1. 基本特征提取方法基本特征提取方法是最常见的特征提取算法之一。
它通过计算图像的局部特征，如颜色、纹理等来描述图像内容。
常用的基本特征提取算法有灰度共生矩阵、方向梯度直方图等。
2. 深度学习在特征提取中的应用近年来，深度学习技术在图像处理领域取得了巨大的突破。
深度学习算法可以通过构建深层神经网络来学习图像的抽象特征。
常见的深度学习模型有卷积神经网络、循环神经网络等。
3. 基于图像的特征提取基于图像的特征提取方法是一种通过分析图像形状、边缘等特征来描述图像内容的算法。
这种方法可以应用于图像检索、图像分类等领域。
常见的基于图像的特征提取算法有形态学、边缘检测等。
4. 基于时空特征的提取对于视频图像来说，除了静态图像的特征外，还存在时空特征。
基于时空特征的提取算法可以捕捉图像序列中的动态变化信息。
基于内容图像检索中纹理特征提取的研究
大量有用 的信息 ， 然而 ， 由于这些 图像是无 序地分布在 世界各
地， 图像 中包 吉 的信 息 无法 被 有 效 访 问 和利 用 。这就 要求 有 一 种能 够快 速 而且 准 确地 查 找访 问 图 像 的 技 术 ， 就 是 所 谓 的 图 也 像检 索技 术 。 因此 ， 国内 外 的 图像 数 据 库 技 术 的 研 究 中 出 现 了
体或 区域的颜色 、 形状 、 纹理 、 空间位置关系等特征 以及这些特
征 的组合 来 查 询 图像 。Ｃ Ｉ 临 的挑 战 就 是 寻 找 提 高 检 索精 Ｂ Ｒ面 确度 和降 低 检 索 时 间 的 方 法 。Ｃ Ｉ 全 面 、 泛 的 综 述 在 文 献 ＢＲ 广 ［ ～２ 中有 介绍 。 １ ］
化就 能 导致 不 同尺 度 Ｄ ＷＴ 系 数 的很 大 区 别 ， 以 两 个 相 同 图 所 案 的小 空 间变 化 将产 生 显著 不 同 的 特 征 向量 。Ｄ Ｔ—Ｃ ＷＴ 给 出
近年来 ， 随着多媒体技术 和计算 机 网络 的飞速发展 ， 全世
界 的数字 图像 容 量 正 以 惊 人 的速 度 增 长 。 数 字 图像 中包 含 了
一
了六 个 不 同方 向的 纹理 信 息 ， 以克 服 Ｄ 可 ＷＴ的 这些 问题 【 。 ６ ］
个 新 热点 一基 于 内容 的 图 像 检 索 Ｃ Ｉ Ｃ ｎｅｔ ａｅ ｍ． Ｂ Ｒ（ ｏｔ —Ｂ ｓ Ｉ ｎ ｄ
ａｅ ｅ ｅａ） ｇ ｔ ｖ１。所 谓基 于 内 容 的 图像 检 索 ， 指 根 据 图像 中 物 Ｒ ｒ ｉ 是
织及 其 与周 围环 境关 系 的许 多 重 要 信 息 。并 且 ， 理 特 征 是一 纹
种统 计 特征 ， 有旋 转 不 变 性 和较 强 的抗 噪音 能力 。在 检 索 具 有 粗细 、 密 等方 面 有 较 大 差 别 的 纹 理 图像 时 ， 用 纹 理 特 征 进 疏 利 行检 索是 一 种有 效 的方 法 Ｊ 。 特征 提 取是 Ｃ Ｉ Ｂ Ｒ的基 础 。 目前 普 遍 使 用 的纹 理 特 征 是 通 过 Ｇ ｂｒ ａｏ 小波 【 或离 散 小 波 变 换 （ ＷＴ） 树 结 构 小 波［ 变换 ４ Ｄ 和 ］ 得到 的 。虽 然基 于特 征 的 Ｇ ｂｒ 波 给 出 了较 好 的检 索 性 能 ， ａｏ 小 但是 还存 在 两个 主要 缺 点 ：． ａｏ 的基 本 函 数 不是 直交 的 ， ａＧ ｂｒ 这 就增 大 了冗余 和 内存 需 求 ； ． 于 特 征 提 取 的 时 间 很 长 ， 制 ｂ用 限 了检 索速 度 。 现在 对 小波 理论 的发 展 为 Ｃ Ｉ 供 了更 好 的选 择 。 因 为 ＢＲ提 小波 是 下 一 代 静 态 图 像 编 码 标 准— — ＪＥ Ｐ Ｇ一２０ ０ ０的 核 心 技 术， 并且 选用 小波 特 征 实 现 了 Ｃ Ｉ Ｂ Ｒ系 统 可 以直 接在 压缩 域 中 工作 。在 Ｄ ＷＴ 中 ， 我们 得 到 水 平 、 直 、 角方 向 上 的边 缘 信 垂 对 息 。 图 １ ａ 所示 。 然 而 ． 纹理 特 征 的 提 取 ， ＷＴ 方 向 的 选 如 （） 对 Ｄ 择性 不好 ， 只有 三 个 方 向 的 信 息 。 同 时 。 为 输 入 信 号小 的 变 因
档案学中的图像处理与图像检索方法
档案学中的图像处理与图像检索方法档案学作为一门研究和管理历史文献的学科，随着数字化时代的到来，面临着越来越多的图像资料。
图像处理和图像检索成为了档案学中的重要研究方向。
本文将介绍档案学中常用的图像处理方法和图像检索方法，并探讨其在档案学研究中的应用。
一、图像处理方法1. 图像去噪在档案学中，往往会遇到一些老旧图像，这些图像可能存在噪点、污渍等问题。
图像去噪是图像处理的基本步骤之一。
常用的图像去噪方法包括中值滤波、均值滤波和小波去噪等。
这些方法可以有效地去除图像中的噪点，提高图像的质量。
2. 图像增强图像增强是指对图像进行亮度、对比度、色彩等方面的调整，以改善图像的视觉效果。
在档案学中，图像增强可以帮助研究人员更清晰地观察图像中的细节，提高图像的可读性。
常用的图像增强方法包括直方图均衡化、灰度拉伸和锐化等。
3. 图像分割图像分割是指将图像分成若干个区域，以便更好地进行后续处理。
在档案学中，图像分割可以帮助研究人员将文本、图像等元素从背景中分离出来，便于进一步的分析和处理。
常用的图像分割方法包括阈值分割、边缘检测和区域生长等。
二、图像检索方法1. 基于内容的图像检索基于内容的图像检索是指通过图像的视觉特征进行检索，而不是通过文本描述。
在档案学中，基于内容的图像检索可以帮助研究人员快速找到所需的图像资料。
常用的基于内容的图像检索方法包括颜色直方图匹配、纹理特征提取和形状匹配等。
2. 基于标签的图像检索基于标签的图像检索是指通过给图像添加标签或关键词，然后通过关键词检索来找到所需的图像。
在档案学中，基于标签的图像检索可以帮助研究人员更方便地组织和管理大量的图像资料。
常用的基于标签的图像检索方法包括基于文本的检索和基于标注的检索等。
3. 基于深度学习的图像检索随着深度学习的发展，基于深度学习的图像检索方法逐渐成为研究热点。
深度学习可以通过神经网络自动学习图像的特征表示，从而提高图像检索的准确性和效率。
在档案学中，基于深度学习的图像检索可以帮助研究人员更精确地找到所需的图像资料。
如何使用小波变换进行信号特征提取
如何使用小波变换进行信号特征提取信号特征提取是信号处理领域中的一个重要任务，它可以帮助我们从复杂的信号中提取出有用的信息。
而小波变换作为一种有效的信号分析工具，被广泛应用于信号特征提取中。
本文将介绍如何使用小波变换进行信号特征提取，并探讨其在实际应用中的优势和限制。
一、小波变换简介小波变换是一种时频分析方法，它可以将信号分解成不同尺度和频率的小波系数。
与傅里叶变换相比，小波变换具有更好的时域和频域局部性。
小波变换通过对信号进行连续或离散的小波分解，得到小波系数，从而实现信号的特征提取和分析。
二、小波变换的优势1. 多分辨率分析能力：小波变换可以将信号分解成不同尺度的小波系数，从而提供了多尺度的信号分析能力。
这使得小波变换在处理具有不同频率成分的信号时具有更好的适应性。
2. 时域和频域局部性：小波变换具有时域和频域局部性，能够更好地捕捉信号的瞬态特征和局部频率变化。
这使得小波变换在处理非平稳信号时具有优势，例如生物信号、地震信号等。
3. 信息压缩能力：小波变换可以通过对小波系数的阈值处理，实现信号的信息压缩。
这对于存储和传输大量信号数据时非常有用，可以减少数据量并保留重要的特征信息。
三、小波变换的应用小波变换在信号特征提取中有广泛的应用，下面以几个具体的应用领域为例进行介绍。
1. 生物医学信号处理：小波变换可以用于生物医学信号的特征提取，如心电图（ECG）信号的QRS波群检测、脑电图（EEG）信号的睡眠分期等。
通过对小波系数的分析，可以提取出与特定疾病或状态相关的特征，为医学诊断和监测提供支持。
2. 图像处理：小波变换可以用于图像的特征提取和压缩。
通过对图像的小波分解，可以提取出不同尺度和方向的纹理特征，用于图像分类、目标检测等任务。
同时，小波变换还可以实现图像的压缩编码，减少图像数据的存储和传输量。
3. 振动信号分析：小波变换可以用于振动信号的故障诊断和预测。
通过对振动信号进行小波分解，可以提取出与故障特征相关的频率成分和能量分布，从而实现对机械设备的故障检测和健康状态评估。
遥感图像分析中的特征提取方法研究
遥感图像分析中的特征提取方法研究遥感图像是使用遥感技术获取的地球表面的图像数据，具有广泛的应用领域，如农业、环境监测、城市规划等。
在遥感图像分析中，特征提取是一项关键的任务，它可以帮助我们理解和解释图像中的信息，从而支持后续的分类、目标检测和变化检测等任务。
本文将介绍遥感图像分析中常用的特征提取方法，并对其进行研究和探讨。
一、基于像素的特征提取方法1. 光谱特征提取光谱特征提取是遥感图像分析中最常用的方法之一。
它利用不同波段的反射率或辐射率来描述地物的光谱特征。
常用的光谱特征包括光谱指数（如归一化差异植被指数、土壤调节植被指数）、光谱编码特征和光谱形状特征等。
这些特征可以用来反映地物的生理状态、土壤类型以及地表覆盖情况。
2. 纹理特征提取纹理特征描述图像中的纹理结构，它可以用来区分不同地物之间的差异。
常用的纹理特征提取方法包括协方差矩阵、格雷共生矩阵和小波变换等。
这些方法可以用来量化图像中的纹理信息，并提取与地物类别相关的纹理特征。
3. 形状特征提取形状特征描述地物在空间中的形状和几何属性。
常用的形状特征包括面积、周长、形状指数和紧凑度等。
这些特征可以用来区分不同类别的地物，如水体、建筑物和森林等。
二、基于目标的特征提取方法1. 目标边界特征提取目标边界特征是指提取目标轮廓或边界的特征。
这些特征可以用来分析目标的形状、大小和结构等属性。
常用的目标边界特征提取方法包括边缘检测、边界跟踪和边界描述等。
2. 目标纹理特征提取目标纹理特征提取是指提取目标表面的纹理特征。
它可以用来分析目标的表面纹理结构和纹理特征。
常用的目标纹理特征提取方法包括灰度共生矩阵、小波变换和纹理过滤器等。
三、基于空间信息的特征提取方法1. 空间相对关系特征提取空间相对关系特征描述地物之间的位置关系。
常用的空间相对关系特征包括距离、角度和邻域关系等。
这些特征可以用来分析地物之间的空间布局和空间关系。
2. 空间结构特征提取空间结构特征描述地物在空间上的结构和组织。
遥感影像解译中的纹理特征提取方法与实践指南
遥感影像解译中的纹理特征提取方法与实践指南引言：纹理特征是遥感影像解译中的重要信息之一，可以提供有关地物和地表类型的详细信息。
纹理特征提取是利用图像处理和分析技术来定量描述和分析纹理特征的过程。
本文将介绍一些常用的纹理特征提取方法，并提供一些实践指南，以帮助研究人员和从业人员在遥感影像解译中更好地运用纹理特征。
一、纹理特征提取的方法1.统计特征提取法：统计特征提取法是最常用的纹理特征提取方法之一、它基于对图像区域的像素值统计进行分析，包括均值、标准差、方差、最值等统计量。
这些统计特征可以用来描述纹理的均匀性、粗糙度和细节等信息。
2.结构特征提取法：结构特征提取法是基于图像的空间结构进行分析的方法。
其中，灰度共生矩阵（GLCM）和灰度差异共生矩阵（GLDM）是常用的结构特征提取方法。
GLCM通过计算灰度级之间的相对位置关系，描述纹理的对比度、方向、平滑度等特性；GLDM则描述不同灰度级之间的寻找熵、对比度等特性。
3.频域特征提取法：频域特征提取法是将图像转换到频域进行分析的方法。
其中最常用的方法是对图像进行傅里叶变换，并计算其频谱特征。
频域特征能够提供关于纹理重复性和变化的信息。
4.模型特征提取法：模型特征提取法是利用数学模型对纹理进行建模，并从模型中提取特征。
其中，小波变换是常用的模型特征提取方法之一、小波变换能够捕捉到图像中的局部特征，提供更详细的纹理信息。
二、纹理特征提取的实践指南1.数据选择：选择与研究目标相关的高质量遥感影像数据进行分析。
确保数据清晰、分辨率适中，以获取更准确的纹理特征。
2.区域选择：选取具有代表性的区域进行分析。
遥感影像往往包含大量的信息，为了减少冗余和噪声，可以选择感兴趣的区域进行特征提取。
3.特征选择：根据研究目标选择适当的纹理特征。
不同的纹理特征可以提供不同的信息，因此需要根据需求进行选择。
4.参数设置：为提取特定纹理特征，需要根据实际情况设置合适的参数。
这些参数包括窗口大小、灰度级数量、邻域距离等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
小型微型计算机系统Journal of Chinese Computer Syste m s2009年10月第10期Vol 130No .102009 收稿日期:2008205229 基金项目:辽宁省自然基金项目(20072156)资助;辽宁省教育厅科学技术研究项目(20060486)资助;南京邮电学院图像处理与图像通信江苏省重点实验室开放基金项目(ZK 207008)资助. 作者简介:宋琳琳,女,硕士研究生,研究方向为图像检索技术;王相海,男,1965年生,博士,教授,博士生导师,CCF 高级会员,研究方向为CG 、CAGD 、多媒体信息处理.小波域颜色和纹理特征提取及图像检索方法研究宋琳琳1,2,王相海1,31(辽宁师范大学计算机与信息技术学院,辽宁大连116029)2(内蒙古民族大学数学与计算机科学学院,内蒙古通辽028043)3(南京大学计算机软件新技术国家重点实验室,江苏南京210093)E 2m ail:xhw ang @lnnu .edu .cn摘 要:对小波域图像颜色和纹理特征的提取方法进行研究,在图像颜色特征提取方面,提出一种基于分块的HS I 分量低频子带颜色特征提取方法,该方法首先根据人眼对图像的关注度对图像进行分块,对每一块的HS I 分量的小波分解低频子带的颜色特征进行提取,并通过加权获得图像的颜色特征;在图像纹理特征提取方面,提出一种基于高频子带灰度2差分基元共生矩阵的二阶统计量和各子带方向特征的纹理特征提取方法,增加了方向特性的纹理特征对图像纹理的刻画更加精细;在此基础上,提出一种综合利用所提出图像颜色和纹理特性的图像检索算法,提高了图像的检索精度.实验结果验证了所提出方法的有效性.关键词:提升小波;颜色;纹理;方向性;图像检索中图分类号:TP 391 文献标识码:A 文章编号:100021220(2009)1022078207Color and Texture Extracti on and Research of I mage Retr i eva l Ba sed on W avelet Terr itorySON G L in 2lin1,2,W AN G X iang 2hai1,31(C ollege of Computer and Infor m a tion Technology,L iaoning N or m a l U niversity,D a lian 116029,China )2(C ollege of M a them a tics and Computer Science,Inner M ongolia U niversity for N a tiona lities,Tongliao 028043,C hina )3(S ta te Key Labora tory for N ovel Soft w a re Technology,N anjing U niversity,N anjing 210093,China )Abstract:This paper firstly studies the i m age color and texture features based on w avelet territory .In the i m age color features aspect,w e introduce a color features ′extract m ethod based on HS I low 2frequency subband color features after partition .F irstly,according to the i m age attention from hum an eyes,w e sp lit the i m age into sub 2blocks .Then extract HS I low 2frequency subband color features of each sub 2block after w avelet transfor m ,and w e can obtain the i m age color features by w eighting .In the texture features aspect,w e put for w ard a texture features ′extract m ethod based on the gray 2difference p ri m itive co 2occurrence m atrix of high 2frequency subband and the orientation features of each subband .The descrip tion to the i m age texture of this m ethod is m orn fine because of adding the o 2rientation features .O n this foundation,the i m age retrieval algorithm using both color and texture features i m p rove the i m age retrieval p recision .The experi m ent result testifies the validity of the p roposed algorithm.Key words:lifting w avelet ;color ;texture;orientation;i m age retrieval1 引 言当今社会信息以爆炸方式迅速增长,种类不断增加,如何从海量数据中获得需要的信息日益显得重要.近年来,基于内容的图像检索技术[1]成为多媒体信息处理的热点问题.所谓基于内容的图像检索(C ontent B ased I m age R etrieval,简称CB I R )是指根据描述图像的内容的各种特征进行检索,这些特征通常包括图像中对象或区域的颜色、形状、纹理、空间位置关系等特征以及这些特征的组合等等.颜色是图像的一个重要属性,它对图像的几何形变通常具有一定的稳定性;纹理通常被定义为图像的某种局部性质,是图像空间信息分布的定量描述.近年来,人们对基于颜色和纹理特征的图像检索技术进行了积极的研究,目前用于检索的图像颜色特征主要分为全局颜色特征和空间颜色特征,全局颜色特征主要包括颜色直方图特征[2]、颜色矩特征[3]和颜色熵特征[4]等等,该类方法计算相对简单,但缺少对图像空间分布信息的描述;空间颜色特征主要有颜色聚合向量[5]、颜色相关图[6]等.此外,还出现了基于分块的局部颜色特征的提取方法[7].纹理特征的提取方法具有包括统计纹理分析和结构纹理分析两种方法,前者包括灰度直方图方法和共生矩阵方法[8]等,该类方法原理简单,容易实现,但是存在计算量过大的缺点.结构分析法是从结构上探索图像纹理的规律,即纹理被认为是由一些简单的纹理基元以一定的规律重复排列组合而成,该类纹理提取的难点是基元的提取和排列规则的确定.近年来,基于小波变换的纹理特征分析受到重视,提出一些基于小波多尺度分析的纹理分析方法,比如M anthalkar 等人采用离散小波包分解的方法得到了一种具有旋转和尺度不变的纹理特征[9],H aley 等人则提出一种基于G abor 小波模型的纹理特征[10],该特征同样具有旋转不变性,此外,文献[11]对图像进行H arr 小波提升变换后,提取其高频子带的能量作为纹理特征,提取低频子带的能量作为颜色特征.但总体而言,目前基于小波的纹理特征对图像的纹理特征反映的还不够全面,很多算法的复杂度还很高,对其进行的研究还处于发展之中.本文对基于提升小波变换域的图像颜色和纹理特征的提取方法进行研究,在颜色提取方面,提出一种基于分块的HS I 分量低频能量的颜色特征提取方法,即首先根据人眼对图像中心区域关注程度较高的特点对图像进行区域分块,然后对每一块HS I 分量的小波分解低频子带的颜色特征进行提取,并通过对不同区域分块颜色特征的加权获得图像的颜色特征;在纹理提取方面,提出一种基于高频子带的灰度2差分基元共生矩阵的二阶统计量和各子带方向特征的纹理特征提取方法,该方法结合了各高频子带的统计特性和结构特性,同时又结合其方向特性,较为全面的反映了图像的纹理特性;在此基础上提出一种综合所提出颜色和纹理特征的图像检索算法,提高了检索精度.实验结果验证了方法的有效性.2 基于提升方案的整数小波变换及其特性提升方案小波,又称为第二代小波,是由W.Sw eldens 等人于1995年提出的[12],其特点是所有的运算都在空间域进行,而基于提升方案的整数小波变换(下文简称整数小波),仅含有移位和加减运算,变换速度快,易于硬件实现,并且可以实现精确重构,在图像压缩领域得到了广泛应用.提升方案小波的正向提升过程包含三个基本步骤:切分、预测和更新,其中切分的过程是将信号s j 切分成两个互不相交的子集,通常是将一个原始信号分为偶数样本s j ,2l 和奇数样本s j ,2l +1,即:s j ,2l =even (s j ),s j ,2l +1=odd (s j );预测是针对数据间的相关性,采用一个与数据结构无关的预测算子P,先将P 滤波器作用于偶数样本上得到奇数样本的预测值P (s j ,2l ),再将该预测值与原始奇数样本S j ,2l +1相减,得到奇数样本的预测误差d j -1,预测过程的表达式为d j -1=s j ,2l +1-P (s j ,2l );更新是利用更新算子U 对s j ,2l 作预测,生成较低分辨率下对原始信号的一种逼近信号s j -1,它保持了s j 的基本特性,其过程为s j -1=s j ,2l +U (d j -1).对s j -1反复进行正向提升过程即可得到离散小波变换尺度系数和小波系数的完备集合,更详细的讨论参见文献[12,13].提升方案小波,与经典小波变换相比,该小波具有构造简单、反变换容易实现、运算速度快和节省存储空间等优点.它具有许多良好的特性,这些性质奠定了小波域图像检索技术的基础.这些特性主要表现在以下几个方面:2.1 空间2频率定位特性图像的小波变换域很好地提供了确定诸如图像边缘和纹理等区域的空间2频率位置信息,而这些信息对于提取图像的纹理特征是十分重要的;2.2 多分辨率特性小波变换构成了对图像的多尺度视频分解,它将图像分解为低分辨率逼近图像和各层次的水平、垂直、对角线方向的高分辨率的细节成分,小波域的这种对图像的多分辨率表示对于图像的渐进检索和传输具有重要意义,采用该机制进行图像检索可以大量节省处理时间;2.3 小波分解的空间2频率特性与HV S 某些视觉特性的相似性该特性是小波变换区别于FFT 和D C T 的一个重要方面,根据该特性可以对HV S 敏感区域的特征进行相应的加权处理,以突出HV S .3 颜色特征的提取3.1 图像的分块加权策略根据HVS 特性,一幅图像的中心区域通常更会引起人眼的注意,这样为了突出图像中心区域特征的重要性,我们首先对图像进行非均匀分块(参见图1),设图像的大小为M ×N,其中标注为1的区域大小为(2M /3)×(2N /3),标注为2～5的区域其大小为(M /6)×(N /6),标注为6、7区域的大小为(M /6)×(2N /3),标注为8、9区域的大小为(2M /3)×(N /6).对每一分块图像的颜色特征(参见下面3.2节)采用类似标准正态分布函数φ(x )=e -x 2/2(x ≥0)作为权值[14]对其加权处理(参见图2),其中轴表示图像中的象素点距离图像块中心点的距离,原点对应原图像中心点,1对应图像顶点距离中心点的距离,φ(x )为对应点x 的特征权值.这样,对图像中不同块的颜色特征采用不同的加权特征处理,对于原图像中心区域块的特征,其权值较大一些,而对图像边缘区域块的权值相对要小一些,突出了图像中心区域颜色特征的作用.3.2 基于小波的分块图像颜色特征提取在进行图像检索时,为了准确提取表征原始图像的颜色信息,所选择的颜色空间应尽可能符合HV S 对色彩的感知特性,本文采用HS I 作为颜色空间.对于一幅图像,在图像的小波多尺度表示方法中,图像的主要信息都集中在低频子带中,包括图像的颜色、形状等多种特征;而图像的细节信息主要集中在中高频部分[15].本文的颜色特征从低频子带中提取[11],从而大大节省了图像颜色特征的计算时间.对图像每一分块的H 、S 、I 分量进行一级小波分解,分别提取其低频子带的平均能量作为颜色特征,具体计970210期 宋琳琳等:小波域颜色和纹理特征提取及图像检索方法研究 算公式如下:E kH =1P k×Q kρP ki=1ρQ kj=1|SkH(i,j)|E kS =1Pk×QkρP ki=1ρQ kj=1|SkS(i,j)|E k I=1Pk×QkρP ki=1ρQ kj=1|S kI(i,j)| ,k=1,2,…,9(1)其中,Pk ×Qk为第k(k=1,2,…,9)块(参见图1)低频子带的大小,SkH (i,j)、SkS(i,j)和SkI(i,j)分别为H、S、I分量第k块低频子带的系数.这样对图像每一分块均可获得如下的颜色特征向量:f(k)=(E kH,E kS,E k I),k=1,2,…,9(2) 3.3 图像颜色特征的提取算法Step1.对于图像的第k(k=1,2,…,9)个分块,分别对H、S、I分量进行一级小波分解,得到第k块的颜色特征向量:f(k)=(EkH ,EkS,Ek I),k=1,2,…,9(3) Step2.综合各分块的特征向量,获得整幅图像的颜色特征向量:F=(f(1),f(2),…,f(9))(4) Step3.设图像的中心坐标(即中间1块的中心坐标)为(x,y0),计算第k块的中心坐标(x k,y k)与图像中心坐标的距离:Xk =(xk-x0)2+(yk-y0)2,(k=1,2,…,9)(5) Step4.确定第k个分块的加F(k)=f(k)×φ(X k),(k=1,2,…,9)(6) Step5.综合各分块的加权特征向量,最后可获得整幅图像的加权颜色特征向量:FF=(F(1),F(2),…,F(9))(7) 3.4 相似度计算设FFp =(F(1)p,F(2)p,…,F(9)p)和FF q=(F(1)q,F(2)q,…,F(9)q)分别为图像p和q的综合加权颜色特征向量,那么两幅图像的相似度距离为:D iscol (p,q)=ρ9i=1D(F(i)p,F(i)q)(8)其中,D(F(i)p ,F(i)q)=α1(E pi H-E qi H)2+α2(E pi S-E qi S)2+α3(E pi V-E qi V)2为两图像第i块的距离;(E pi H,E p i S,E p i V)、(E q i H,E q i S,E q i V)分别为两图像第i(i=1,2,…,9)块的特征向量;α1,α2,α3为H、S、I 各分量的权重,考虑到由于人眼对色调最为敏感,本文选取α1=0.6,α2=α3=0.2该参数也可通过试验统计获得.4 纹理特征的提取4.1 基本思想图像的纹理特征是对局部区域中像素之间关系的一种度量.本文利用提升方案的整数小波变换对图像进行分解,然后提取其各高频子带的共生矩阵特征量,同时结合结构方法中的纹理基元,综合考虑各高频子带中基于统计和结构的纹理特性,此外,结合各子带的方向特性,提取了小波变换后各高频子带的方向性特征.4.2 图像小波变换高频子带能量分布统计我们从第6节所述的图像库的每类图像中选取一幅图像,分别对其进行三级提升方案的整数小波变换,其9个高频子带的能量统计及分布情况分别如表1和图3所示.表1 五类图像不同子带的能量Table1 Energy of five kinds of i m age′different subband 图像能量 建筑花卉动物海滩汽车E HL111422726E LH8210410E HH8417419E HL11912211435E LH114413814E HH1189211029E HL23023312555E LH21910161222E HH22618281440 E0/E0.17650.20830.27370.15310.22E1/E0.33330.26040.30730.32650.312 E2/E0.49020.53130.41900.52040.468表1中,(EHL0,ELH0,EHH0)、(EHL1,ELH1,EHH1)和(EHL2,E LH2,E HH2)分别为一级、二级和三级三个高频子带的能量; E0、E1、E2分别为一级、二级和三级上三个高频子带的总能量;E为9个高频子带的总能量;E/E、E1/E、E2/E分别为三个级别高频子带的能量占总能量的比值.图3中,横坐标分别对应表1中EHL0～EHH29个高频子带;纵坐标为高频子带的能量.图3 五类图像高频子带能量曲线图Fig.3 Energy graph of five kinds of i m age′high2frequency subband从表1和图3中可以看出,对于这些自然图像,总体而言尺度越高,子带的能量越大,而子带能量越高,纹理的区分辨别力就越强[16].这样,对于高尺度子带提取出的纹理特征,我们应该赋予其更大的权值,以增加它在相似度比较时的重要性.根据表1的三个能量比值结果,E/E在0.15～0.27的范围之内;E1/E在0.26～0.33的范围之内;E2/E在0.41～0. 53的范围之内,总体上符合2:3:5的比例,这样在对后面4.3～4.4节所提出的纹理特征进行加权处理时,对0～2尺度上子带的纹理特征我们分别赋予0.2～0.5的权值.0802 小 型 微 型 计 算 机 系 统 2009年4.3 小波域的灰度2差分基元共生矩阵及特征向量4.3.1 灰度共生矩阵及纹理基元(1)灰度共生矩阵.灰度共生矩阵又称灰度共现矩阵,是一种利用图像灰度的二阶统计特征进行纹理分析的有效工具[8],该工具通常用于统计处于同样位置关系的一对像素灰度的相关性,并利用这一对像素出现某种灰度的条件概率来表示.灰度共生矩阵的元素p (i,j |d,θ)描述在θ方向上,相隔d 个像素距离的1对像素分别具有灰度值i 和j 所出现的概率(频数).它可以反映不同像素相对位置的空间信息,但并不能直接反映出纹理特性.虽然也可以通过灰度共生矩阵采用多个方向的统计特征进行检索[16],但是该特征一般不能很好的表达图像的全局信息.(2)纹理基元.结构分析方法是从结构上探索纹理的规律.纹理基元描述了局部纹理特征,对整幅图像中不同纹理基元的分布统计可获得图像的全面纹理信息,其中关键是基元的提取,图4给出了最基本的几种基元结构[17],其中阴影部分为当前像素,空心方格为其邻域像素(以下同).图4 五种纹理基元结构Fig .4 Five kinds of texture p ri m itive structure4.3.2 灰度2差分基元共生矩阵(1)基元阵的确定.设原图像为f (x,y ),x =1,2,…,M;y=1,2,…,N,其灰度级为L.对任意非边缘像素(x,y ),本文采用八邻域基元(图4d )来定义其差分值f (0)△(x,y ),即为它与周围八邻域像素灰度平均值之差:f (0)△(x,y )=|f (x,y )-(f (x -1,y -1)+f (x,y -1)+f (x +1,y -1)+f (x -1,y )+f (x +1,y )+f (x -1,y +1)+f (x,y +1)+f (x +1,y +1))/8|(9)对于图像的四边缘像素,除去四角点的上边缘、下边缘、左边缘和右边缘像素的差分值f (i )△(x,y ),i =1,…,4分别采用图5a ～5d 的五邻域基元结构予以计算,具体差分值如下:f (1)△(x,y )=f (x,y )-(f (x -1,y )+f (x +1,y )+f (x -1,y +1)+(x,y +1)+f (x +1,y +1))/5f (2)△(x,y )=f (x,y )-(f (x -1,y -1)+f (x,y -1)+f (x +1,y -1)+f (x -1,y +1)+f (x +1,y +1))/5f (3)△(x,y )=f (x,y )-(f (x,y -1)+f (x +1,y -1)+f (x +1,y )+f (x,y +1)+f (x +1,y +1))/5f (4)△(x,y )=f (x,y )-(f (x -1,y -1)+f (x,y -1)+f (x -1,y )+f (x -1,y +1)+f (x +1,y +1))/5(10) 而对于左上、右上、左下和右下四个角点像素的差分值f (i )△(x,y ),i =5,…,8分别采用图5e ～5h 的三邻域基元结构予以计算,具体差分值如下:f (5)△(x,y )=f (x,y )-(f (x +1,y )+f (x,y +1)+f (x +1,y +1))/3f (6)△(x,y )=f (x,y )-(f (x -1,y )+f (x -1,y +1)+f (x,y +1))/3f (7)△(x,y )=f (x,y )-(f (x,y -1)+f (x +1,y -1)+f (x +1,y ))/3f (8)△(x,y )=f (x,y )-(f (x -1,y -1)+f (x,y -1)+f (x -1,y +1))/3(11)图5 四边缘像素基元结构F ig .5 P ri m itive structure of four edge p ixel进一步,将象素(x,y )的差分值f (i)△(x,y ),i =0,1,…,8作为相应(x,y )的基元值,从而确定整个图像的基元阵B M ×N .(2)灰度2差分基元共生矩阵的确定.定义图像灰度2差分基元共生矩阵G 的大小为L ×(L g +1),其中L 为图像的灰度级,L g 为图像基元阵B M ×N 中元素的最大值,G L ×L g 中的元素G (i,j )(i =0,1,…,L -1;j =0,1,…,L g )为灰度值等于i 、基元值等于j 的点对数量.我们首先对图像进行三级提升方案的整数小波变换,然后分别统计9个高频子带各自的灰度2差分基元共生矩阵G (k ),k =1,2,…,9,其中,k =1,2,3、k =4,5,6和k =7,8,9分别表示一级、二级和三级尺度上的三个高频子带.4.3.3 特征向量的确定仿照文献[8]中对于传统灰度共生矩阵特征向量的定义,我们也提取熵、能量、逆差距和惯性这四个对纹理特征能很好予以描述的二阶统计量来作为灰度2差分基元共生矩阵的特征量.这样对于4.3.2节确定的每一个子带的灰度2差分基元共生矩阵G(k ),k =1,2…,9,分别计算其熵(H )、能量(E )、逆差距(L )和惯性(I ):H (k )=-ρm k -1i =0ρn k -1j =0G(k )(i,j )log 2G (k )(i,j )E (k )=ρm k -1i =0ρn k -1j =0[G(k )(i,j )]2L (k )=ρm k -1i =0ρn k -1j =0G (k )(i,j )21+(i -j )2I(k )=ρm k -1i =0ρn k -1j =0(i -j )2G (k )(i,j )(12)其中,m k 和n k 为第k 个子带的宽和高.进一步,定义每一个子带的特征向量T (k )为:T (k )=180210期 宋琳琳等:小波域颜色和纹理特征提取及图像检索方法研究 (H(k),E(k),L(k),I(k)),k=1,2,…,9.这样图像的灰度2差分基元共生矩阵纹理特征向量为:TT l=(T(1),T(2),…,T(9))(13) 4.4 图像小波子带纹理的方向特征图像经三级提升方案的整数小波变换以后,对于水平方向、垂直方向和对角线方向上三个高频子带的能量分别为:(ELH0,ELH1,ELH2)、(EHL0,EHL1,EHL2)和(EHH0,EHH1,EHH2),令:s(1)=E HHE LH+E HLs(2)=E HH1E LH1+E HL1s(3)=E HH2ELH2+EHL2(14) 则s(1),s(2),s(3)表示各级高频子带中对角线方向子带的能量与其它两个方向子带能量的偏离程度,令TT2=(s(1),s(2),s(3))(15) 则该向量在一定程度上描述了子带纹理的方向性特征.4.5 纹理特征的综合及归一化处理4.5.1 综合纹理特征向量我们将小波域的灰度2差分基元共生矩阵特征向量与小波子带的纹理方向性特征向量联合起来组成最后的综合纹理特征向量:TT=(TT2,TT1)=(s(1),s(2),s(3),T(1),T(2),…,T(9))(16)其中,s(i),T(j)(i=1,2,3;j=1,2,…,9)参见(13)、(15)式. 4.5.2 特征值归一化由于各个特征分量的物理意义和取值范围不同,这样我们对纹理特征向量中的各个分量进行高斯归一化处理[18],具体分别对TT1和TT2进行归一化处理,以TT1为例介绍归一化的具体过程,TT2的归一化过程与此类似.假设图像库中第i幅图像灰度2差分基元共生矩阵特征向量为,TTi1=[T(1)i1,T(2)i1,…,T(9)i1,],其中T(j)i1=[f(1)i1,j,f(2)i1,j,f(3) i1,j ,f(4)i1,j],j=1,2,…,9,f(m)i1,j(m=1,…,4)表示第i幅图像、第j个子带的第m个特征.假设特征分量值序列{f(m)i1,j }j=1,…,9;m=1,…,4服从高斯分布,计算出其均值μi 和标准差σi,则利用下式对{f(m)i1,j}j=1,…,9;m=1,…,4的每一个元素进行如下归一化:f(m)i2,j=f(m)i2,j-μiσi(17) {f(m)i1,j }j=1,…,9;m=1,…,4经上式归一化后获得的{ f(m)i1,j}j=1,…,9;m=1,…,4服从均值为0、方差为1的正态分布.如果用3σi 代替σi进行归一化,则 f(m)i1,j的值落在[21,1]之间的概率达99%,实际应用中,可将 f(m)i1,j大于1的值定义为1,小于21的值定义为21,以保证所有 f(m)i1,j均落在[21,1]之间.4.6 纹理特征的相似度计算设TTp =(s(1)p,s(2)p,s(3)p,T(1)p,T(2)p,…,T(9)p)和TT q=(s(1)q ,s(2)q,s(3)q,T(1)q,T(2)q,…,T(9)q)是两幅图像p和q的归一化后的综合纹理特征向量,那么两幅图像的纹理相似度为:D is tex(p,q)=ρ3i=1v i D(s(i)p,s(i)q)+v1ρ3i=1D(T(i)p,T(i)q)+v2ρ6i=4D(T(i)p,T(i)q)+v3ρ9i=7D(T(i)p,T(i)q)(18)其中,D(s(i)p,s(i)q)=(s(i)p,s(i)q)2和D(T(i)p,T(i)q)=(H(i)p-H(i)q)2+(E(i)p-E(i)q)2+(L(i)p-L(i)q)2+(I(i)p-I(i)q)2分别为第i级子带方向性特征的距离和第i个子带上灰度2差分基元共生矩阵特征向量之间的距离;vi为第i级上总体纹理特征的权值,由4.2节的统计结果,我们选取v1=0.2,v2=0.3,v3=0.5.5 小波域颜色和纹理特征的综合5.1 颜色和纹理特征的归一化由于颜色和纹理特征属于不同类型的特征向量,取值范围不同,不具有直接的可比性,需要对它们进行外部归一化,在这里我们仍采用高斯归一化方法对其进行如下处理:(1)对于图像库中的每一对图像a和b,计算他们的颜色相似度D iscol(a,b)(参见(8)式)和纹理相似度D istex(a,b) (参见(18)式).(2)计算并保存颜色特征和纹理特征的均值μcol、μtex和方差σcol、σtex.(3)计算每一对图像a和b归一化后的颜色和纹理相似度,使得它们的值都落在[0,1]区间中:D is′col(a,b)=[D is col(a,b)-μcol3σcol+1]/2(19)D is′tex(a,b)=[D is tex(a,b)-μtex3σtex+1]/2(20) (4)最后,计算两幅图像a和b的总的相似度距离:D is(a,b)=s1D is′col(a,b)+s2D is′tex(a,b)(21)其中,s1和s2分别为颜色和纹理特征的权重,满足s1+s2=1.有关s1和s2选取的讨论见6节实验结果.5.2 综合颜色和纹理特征的图像检索算法结合本文所给出的图像颜色和纹理特征,给出图像检索算法的总体过程如下:Step1.根据第3节颜色特征的提取步骤,分别提取样本图像和目标图像的颜色特征,并按照公式(8)计算出两图像颜色特征的相似度D iscol;Step2.根据第4节纹理特征的提取步骤,分别提取样本图像和目标图像的纹理特征,并按照公式(18)计算出纹理特征的相似度D istex.Step3.分别对D iscol和D istex按照公式(19)和(20)进行归一化处理,并按照公式(21)求出最终两幅图像总的相似度D is.6 实验结果与分析我们采用C orel图像库[19]中的一部分图像构成检索库,包括建筑、花卉、动物、海滩、汽车等5种类型,每种类型选取100幅图像,合计500幅图像,并通过如下的平均查准率来评价和对比本文算法的有效性和准确性:2802 小 型 微 型 计 算 机 系 统 2009年查准率=检索出的图像中相关图像数目/检索出的图像数目6.1 颜色特征检索的实验结果在基于颜色特征检索的实验中,我们将本文的颜色提取算法与HS I 空间颜色直方图进行比较,从图7和图8中可以看出,基于本文的颜色提取算法相似图像更靠前.6.2 纹理特征检索的实验结果在基于纹理特征检索的试验中,首先将本文的纹理提取算法与小波变换后提取共生矩阵特征量的方法进行比较.我们以数据库中的建筑图像为例,取出10幅作为示例图像,每次检索选取前21幅最相似的图像作为检索结果(即检索出图像的数目),然后计算10次检索结果的平均查准率.表2 小波共生矩阵与本文纹理提取算法的平均查准率Table 2 A verage p recision of w avelet co 2occurrence m atrixand the p roposed texture extract algorithm 特征提取方法平均查准率(%)小波共生矩阵49.16本文纹理提取算法67.28表3 小波灰度2差分基元共生矩阵及结合方向性特征的比较Table 3 C om parison of w avelet gray 2difference p ri m itive co 2occurrence m atrix and com bine the orientation feature 特征提取方法提取1幅图像特征时间(s )平均查准率(%)小波灰度2差分基元共生矩阵0.0855.36小波灰度2差分基元共生矩阵+方向性特征0.0967.28从表2中可以看出本文小波域灰度2差分基元共生矩阵结合方向特征的纹理提取算法的查准率要比传统的小波共生矩阵高.从表3中可以看出,在纹理特征中加上方向特征以后,查准率提高了很多,提取特征的时间略有增加,但幅度不大.6.3 颜色特征和纹理特征检索的实验结果我们将颜色和纹理特征综合起来进行检索,当对颜色和纹理分配不同的权重时,检索的结果会有不同.我们从数据库中分别取出一幅花卉、海滩和汽车图像进行实验,从表4中可表4 综合颜色和纹理特征权重的选取与检索结果Table 4 Selection of color and texture feature ′w eightand the retrieve result of synthesize algorithm 颜色和纹理权重(s 1,s 2)花卉查准率(%)海滩查准率(%)汽车查准率(%)0.7,0.362.4554.1664.250.5,0.568.0258.2470.430.4,0.673.6363.4574.260.3,0.777.4966.9582.860.2,0.885.2471.3981.270.1,0.976.8668.4377.49以看出,对于花卉和海滩图像,颜色特征和纹理特征的权重分别取0.2和0.8时,查准率达到最高;对于汽车图像,当颜色和纹理特征的权重分别取0.3和0.7时略高于权重分别取0.2和0.8时的查准率,综合这些统计结构,本文算法中对于颜色和纹理特征的权重分别取0.2和0.8.表5 本文基于颜色和纹理以及综合颜色纹理算法的平均查准率(%)Table 5 A verage p recision of the p roposed color andtexture algorithm and synthesize algorithm 检索方法海滩动物汽车本文基于颜色的算法50.2656.4761.52本文基于纹理的算法62.3267.3574.32综合颜色和纹理的算法69.2373.4880.89选取海滩、动物和汽车等三类图像,每类图像随机选取10幅作为示例图像进行检索,每次检索选取前21幅最相似的图像作为检索结果(即检索出图像的数目),然后计算10次检索结果的平均查准率.从表5中看出,综合利用颜色和纹理特征比单独采用一种特征进行检索具有更好的查准率.7 结 论本文首先对基于提升小波变换域的图像颜色和纹理特征的提取方法进行研究,提出一种基于分块的HS I 分量低频能量的颜色特征提取方法,该方法根据人眼对图像不同区域的关注程度不同将图像分成若干区域块,对每一分块HS I 分量的小波分解低频子带的颜色特征进行提取,并加以不同的权重来获得图像的总体颜色特征;同时在纹理提取方面,结合各高频子带的统计特性、结构特性,以及方向特性,提出一种基于高频子带的灰度2差分基元共生矩阵的二阶统计量和各子带方向特征的纹理特征提取方法,该方法较为全面的反映了380210期 宋琳琳等:小波域颜色和纹理特征提取及图像检索方法研究。