数字图像处理作业

目录

1 引言 (4)

2 基于纹理特征的图像检索方案 (5)

2.1 双树复小波变换原理 (5)

2.2 灰度共生矩阵 (5)

3 图像检索的实验设计 (6)

3.1 图像检索算法的描述 (6)

3.2 双树复小波纹理特征的提取 (7)

3.3 灰度共生矩阵纹理特征的提取 (7)

3.4 相似性度量 (8)

4 实验思路及结果分析 (9)

参考文献 (9)

基于纹理的图像检索技术

摘要本文主要基于图像的纹理特征，在改进DWT小波变换和灰度共生矩阵的缺陷后，进行检索。传统的DWT小波变换在提取图像纹理特征时存在震荡、平移变化、混频和缺乏方向性四种缺陷。为克服这些缺陷，本文采用双树复小波变换对图像检索中的查询图像和目标图像进行分解，提取6个方向上的纹理特征，为了弥补双树复小波变换缺少不同尺度纹理的空间分布特征的缺陷，又利用这两种图像的灰度共生矩阵提取4个统计量特征；最后用Canberra距离进行相似性度量并输出图像检索的结果。

关键字：图像检索；双树复小波；灰度共生矩阵；纹理特征。

ABSTRACT

This paper mainly based on image texture feature, the improvement of DWT wavelet transform and the defect of gray level co-occurrence matrix after the search. Traditional DWT wavelet transform in image texture feature extraction are concussion, translation, frequency mixing and lack of direction four kinds of defects. To overcome these defects, this paper adopts double tree after wavelet transform of image retrieval query image and target image decomposition, the texture feature extraction six direction, in order to make up for the double tree after wavelet transform of the spatial distribution of different texture features of the defects, and use of these two kinds of image gray level co-occurrence matrix extract four statistic characteristics; Finally in Canberra distance similarity measure and the results of the output image retrieval.

Key words: image retrieval; Double tree complex wavelet; Gray level co-occurrence matrix; Texture feature.

1 引言

以图片查询为基础的数字图像检索是一个令人感兴趣和富有挑战性的课题。近年来，随着数字化图书馆及多媒体数据库的出现，这些问题显得更加重要。传统的方法是用文字特征如电影片名、标题及关键词给每幅图像加上手工注释，通过检索这些文字来检索图像。然而，这种方法存在许多问题，因为图像的内容有时很难用一个标题或关键词来描述，如人的脸部图像或一个纹理模式等，用简单的文字描述就可能显得模棱两可，不足以进行充分的图像检索。在某些情况下，一幅图像内可能含有多个目标，而每个目标都有自己的特征，这就更增加了描述的难度。另外，随着图像数据库的增大，用关键词来描述图像，将变得十分复杂，不足以充分表达图像的内容，因此传统的图像检索方法已显得力不从心了。

20世纪70年代以来,图像检索技术已逐步为人们所关注。由于基于文本关键字的图像检索存在着文本标注主观性过强的问题从而影响了图像检索的精度,因此基于内容的图像检索方法成为了图像检索领域的研究热点。基于内容的图像检索使用同一种方法分别从查询图像和目标图像中提取特征,通过特征对比输出检索结果。这些特征主要分为低层特征和高层语义特征。低层特征包括颜色特征、纹理特征、形状特征等[1]。本文主要针对纹理特征的提取方法进行研究。

早期对纹理特征提取的研究是在模式识别的背景下展开的,所采用的方法多为统计学方法,典型的文性特征代表是Tamura概括的粗糙度、对比度、方向性、线相似性、规则性和粗略度六个与人的视觉相关的纹理特征[2]。另外还有基于二阶灰度统计特征的灰度共生矩阵法。由于这些典型的方法是对整幅图像进行分析处理,缺少局部细节的纹理信息,检索效果较差。现在较流行的基于纹理特征的图像检索是利用小波分析理论提取特征实现图像检索[3]。

2 基于纹理特征的图像检索方案

本文采用双树复小波变换结合灰度共生矩阵法提取纹理特征并用于纹理图像检索。此方法利用了早期灰度共生矩阵法和现在流行的小波提取纹理特征方法各自的优势来实现互补,能更全面表达纹理图像的内容,提高图像检索的精度。 2.1 双树复小波变换原理

二维离散小波变换(DWT)的二抽取过程引起了较大混叠,带来畸变,严重影响小波系数表征原信号特征的能力。混叠带来的缺陷主要表现在两个方面:第一,平移敏感性,输入信号一个很小的平移会使小波系数产生非常明显的变化；第二,缺乏方向选择性,弱化了其它方向的信息,这一缺陷同样会丢失一些重要信息[4]。为了克服这些缺陷,Kingsbury等人提出了二维双树复小波变换(Dual-Tree ComplexWaveletTrans-form,DT-CWT)[5]。二维双树复小波变换包含两个平行的小波树,即树A和树B两个分支。其中上部树A的叠加滤波器组表示复小波变换的实部,下部树B的叠加滤波器组表示复数小波变换的虚部。DT-CWT是冗余的,对于一维信号,产生了2:1的冗余度,对于n维信号,将产生2n:1的冗余度[6],但变换之后的系数同时具有近似平移不变性、系数对应性以及方向各异性的特点[7]。二维双树复小波变换产生了6个方向的高频子图像, 6个小波子带的主方向分别为:θ={+15°,+45°,+75°,-15°,-45°,-75°}，这样就可以提取输入的查询图像和目标图像在6个方向上的细节系数矩阵,实现纹理特征的分析。

2.2 灰度共生矩阵

灰度共生矩阵法建立在估计图像的二阶矩组合条件概率密度函数基础上。该方法是一种传统的统计学纹理分析方法,虽然不能对局部细节纹理和纹理方向性的特征进行有效描述,但可以弥补双树复小波提取纹理特征缺少不同尺度纹理空间分布的缺陷,其基本原理如下:假定待分析的纹理图像为一矩形图像,水平和垂直方向上各有Nc和Nr个像元,将每个像元上出现的灰度量化为Nq级。