基于邻域均值灰度共生矩阵的图像检索

表1 检索精度表
信息系统工程 │ 2012.1.20 23
参考文献
[1]王惠明.图像纹理特征的提取方法[J].中国传媒大学学报:自然 科学版,2006,13(1):4-8.
[2]Zhuang Yueting,Pan Yunhe. Web-based Multimedia Information Analysis and Retrieval[M].Beijing: Tsinghua University Public,2002.
像为细而不规则的纹理，则成对像元点的二维直方图
倾向于均匀分布；若是粗而规则的纹理，则倾向于作
对角分布。距离差分值(a，b)取不同的数值组合，可以
得到沿一定方向相隔一定距离
的像元之间灰
度联合概率矩阵。a和b的取值要根据纹理周期分布的
特性来选择。
共生矩阵反映了图像灰度分布关于方向、局部邻域
和变化幅度的综合信息，但它并不能直接提供区别纹理
(2) 角二阶矩（能量） ASM=
(3)熵
BNT=-
(4)相关 COR=
其中：
是矩阵M 中每列元素之和；
分别是
的均值和标准差。
三、算法描述
3.1邻域均值共生矩阵
若存在一副图像
，任选
其中一个点，其周围4邻域像素点像素的均值为 ：
。 计算每个像素的8邻域像素灰度的均值为：
由此我们可以得到计算周围K邻域点的
关键词：图像检索；灰度共生矩阵；纹理；邻域均值
纹理是一种重要的视觉线索，是图像中普遍存在而 又难以描述的特征，至今还没有公认的定义[1]。纹理分 析技术一直是计算机视觉、图像处理、图像分析、图像 检索等的活跃研究领域。纹理分析作为诸如上述应用的 基础性研究领域之一，其研究内容主要包括：纹理分类 和分割、纹理合成、纹理检索和由纹理恢复形状。这些 研究内容的一个最基本的问题是纹理特征提取。
图像检索中，较常用的纹理特征主要有Tamura纹理 特征、自回归纹理模型、方向性特征、小波变换和共生 矩阵等形式[2]。
一、共生矩阵法[3]
首先建立一个基于像素之间方向性和距离的共生矩 阵，然后从矩阵中提取有意义的统计量作为纹理特征， 最后用4个方向的统计特征量做平均，提取均值及方差 构成一个8元向量用于检索。此方法在多数情况下是有 效的，但也存在一些问题：由于灰度共生矩阵本身具有 方向性，进而从该矩阵提取的统计量也只能反应某一方 向信息。虽然检索时采用了4个方向的统计量做平均， 但还是不能很好的表达图像全局信息。为了克服共生矩 阵法的局限性，论文提出了邻域平均值共生矩阵提取图 像纹理特征。
[3]贾永红.计算机图像处理与分析[M].武汉:武汉大学出版 社,2001:231-235.
[4]杨帆.数字图像处理与分析[M].北京:航空航天大学出版 社,2007:277-281.
[5]章毓晋.图像工程(上册)[M].北京:清华大学出版社,2000.
（作者单位：山东师范大学信息科学与工程学院）
但是由于以上四个分量的意义跟取值范围不同，小 的分量和较大的分量相比，在计算时容易被忽略，所以
五、结论
本文提出的邻域均值灰度共生矩阵，其邻域大小可 以根据情况改变。基于邻域均值灰度共生矩阵的图像纹 理特征提取能够很好的将统计和结构分析方法结合在一 起。该方法不仅以灰度分布为特点，跟结合了纹理的空 间结构，得到很好效果。方法有一定的旋转不变性，引 入了图像的空间信息。并以少量的特征数量描述一幅图 像，表达效果好，计算小，有很强的实用价值。 H
，把均值t(i，
j)做为邻域均值共生矩阵的特征值。
邻域均值共生矩阵是由灰度矩阵和均值共同构
建而成：
其中Hij定义为集合
中元素的数目。将{Hij}做归一化处
理，得到归一化的均值共生矩阵Pij使其各元素之和
为1。
共生矩阵的缺点是计算量大，为了解决这个问
题，先把图像由彩色图像转化为灰度图像，然后把灰度
级数由256[5]转化为32，虽然转化损失了度量精度，但
四、实验结果
本实验构建了300幅图像数据库并将其命名为 MyImage，其中包括花朵，雪景，汽车，动物，食 品，书籍等图片。其中含有雪景和汽车各50幅。本实 验的运行环境是windows7操作系统，应用的matlab 7.0编程，采用的是8邻域均值共生矩阵方法，从该矩 阵中提取4个特征向量，用3.2的检索方法进行检索。 表1列出了灰度共生矩阵、邻域均值共生矩阵的检索 平均精度。
二、灰度共生矩阵法
共生矩阵用两个位置的象素的联合概率密度来定 义，它不仅反映亮度的分布特性，也反映具有同样亮度
或接近亮度的象素之间的位置分布特性，是有关图象亮
度变化的二阶统计特征，它是定义一组纹理特征的基 础。
在图像中任意取一点(x，y)及偏离它的另一点 (x+a，x+b)设该点对的灰度值为(i，j)。令点(x，y)在 整幅图像上移动，则会得到各种(i，j)值，设灰度值的 级数为k，则i与j的组合共有k2种。对于整幅图像，统 计出每一种(i，j)值出现的次数，然后排列成一个方 阵，再用(i，j)出现的总次数将它们归一化为出现的概 率Pij，则称这样的方阵为灰度联合概率矩阵。灰度联 合概率矩阵实际上就是二像元点的联合直方图。若图
的特性，还需要计算出熵、能量，反差，相关等。
对于灰度级为N级的图像，共生矩阵为M×X维矩
阵， 即
。其中：位于(h，k)的元素 表示
相距
的灰度为h，而另一个灰度为k的像素对出
现的次数。由纹理共生矩阵提取的四个[4]特征量为：
(1)对比度（惯性矩） CON=
22 信息系统工程 │ 2012.1.20
REGION LNFO 数字地方
大大减少了计算量。转化的数学公式为：
邻域灰度共生矩阵并不能反映图像的纹理特征，
还是需要求出其4个特征向量
。利用T
可以定义、分析以及比较含有纹理结构的图像。
3.2检索方法
对每幅图像计算得到的4维特征向量
用
于表示图像的纹理特征，距离匹配采用欧式距离
同样需要对它们进行特征内部归一化。这样在计算相似 距离的时候，可以使各分量具有相同权重。归一化时仍 采用高斯归一化方法[2]。
REGION LNFO 数字地方
基于邻域均值灰度共生矩阵的图像检索
◆ 步亚东 侯德文
Leabharlann Baidu
摘要：纹理广泛存在于自然界中，是物体表面最本质的属性。纹理技术 一直是热门研究领域，纹理特征提取作为纹理分析的首要任务更是人们研究 的焦点。当图像发生旋转时，用已有的基于灰度共生矩阵的图像检索方法， 不能很好的给出检索结果，在此基础上，本文提出了一种基于邻域均值灰度 共生矩阵的图像检索方法。该方法既能描述图像的灰度分布信息，又能表达 局部细节。改方法引入了图像的空间信息，对于图像旋转不敏感。实验结果 比较表明，新方法优于单纯的灰度共生矩阵方法。