基于LBP纹理特征的图像检索系统

合集下载
  1. 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. 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. 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)。

题目:基于LBP纹理特征的图像检索系统
院(系)计算机科学与技术学院
专业软件工程
届别2008届
学号0825121037
姓名
指导老师
指导老师职称副教授
华侨大学教务处印制
2012年5 月
摘要
随着计算机网络的飞速发展和多媒体编码技术的进步,网络上的资源日益丰富,尤其是直观的形象的多媒体信息备受人们的亲睐基于内容的图像检索,即(CBIR)。

CBIR的核心是使用图像的可视特征对图像进行检索。

纹理分类与分割是图像处理领域一个经久不衰的热点研究领域,纹理特征提取作为纹理分类与分割的首要问题,一直是人们关注的焦点,各种纹理特征提取方法层出不穷。

局部二元模式(LBP)是一种灰度范围内的纹理描述方式,它从一种纹理局部近邻定义中衍生出来。

本文实现了恒定的基础局域二值模式和旋转不变的局域二值模式两种纹理特征提取方式。

通过LBP纹理图生成灰度直方图,计算灰度直方图之间的欧式距离以完成图像检索比对。

本文采用VC++6.0环境下MFC项目导入OpenCV图像处理函数库设计了检索系统实现基于LBP纹理特征的图像检索。

在(加利福尼亚理工学院256类图像数据库)及(Queensland大学分类的brodatz自然纹理图像库)下进行测试并对结果进行分析与讨论。

关键字: CBIR;LBP特征提取;图像识别
ABSTRACT
Along with the rapid development of the computer network and multimedia code technology progress, the network resources are increasingly rich, particularly intuitive image of the multimedia information is people's pro-gaze content-based image retrieval, namely (CBIR). The core of the image is used CBIR the visual features to do image retrieval. Texture classification and segmentation image processing area is a hot research field of enduring, texture feature extraction and segmentation texture classification as a priority, and has been the focus of attention, all kinds of texture feature extraction method are endless.
Local Binary Patterns is a gray within the scope of the texture description way, it from a different texture Local neighbors in the definition of derivatives. This paper realized the constant based Local Binary Patterns and rotation invariant of Local Binary Patterns two texture feature extraction method. Through the LBP texture map generating gray-level histogram, calculation of gray histogram Euclidean distance between to complete than image retrieval. This paper using vc + + 6.0 environment MFC project launch OpenCV image processing function library design the retrieval system based on texture feature LBP image retrieval. In (the California institute of technology 256 kinds of image database) and (Queensland university of classification brodatz natural texture images library) test and the results are analyzed and discussed. keyword: CBIR, LBP feature extraction, image recognition
目录
摘要 (I)
ABSTRACT (II)
1 绪论 (1)
1.1 研究背景 (1)
1.2 基于内容的图像检索 (1)
1.2.1 基于内容的图像检索概述 (1)
1.2.2 基于内容的图像检索体系结构 (2)
1.2.3 基于内容的图像检索的特点 (4)
1.2.4 基于内容的图像检索性能评价 (5)
1.3 图像检索的国内外研究现状......... 错误!未定义书签。

1.4 图像检索的优缺点级展望 (8)
1.5 本论文结构 (9)
2 基于纹理的图像检索 (9)
2.1 基于纹理的图像检索 (9)
2.2.1 发展与现状 (9)
2.2.2 纹理的定义 (11)
2.2 局域二值模式 (12)
2.3 基本LBP (13)
2.4 旋转不变LBP (14)
2.5 本章小结 (16)
3 基于LBP的纹理图像检索 (17)
3.1 开发平台介绍 (19)
3.2 系统流程图 (17)
3.3 主要流程解释 (18)
3.4 图像检索算法 (18)
3.5 系统实现 (19)
3.5.1 系统窗口 (9)
3.5.2 系统主要算法 (11)
4 实验结果及分析 (24)
4.1 基于Brodatz纹理图测试 (19)
4.2 基于Caltech 256类图像数据库纹理图测试 (17)
4.3 图片旋转检索测试 (18)
5 结论 (32)
参考文献: (33)
致谢词: (30)
1绪论
1.1发展与现状
随着互联网技术以及多媒体技术的迅速发展,多媒体数据(包括图像和视频)急剧增长,这为人们提供了一个取之不尽、用之不竭的信息源。

而如何在浩如大海的多媒体信息世界中快速、准确得获得自己所需要的内容,己成为当前信息领域的重要课题。

图像作为一种内容丰富、表现直观的多媒体信息,具有文字信息所无法替代的丰富内涵和强大的描述能力,长久以来都受到人们的青睐,是日常生活中不可缺少的信息来源。

随着科学技术的快速发展,计算机技术、通信技术、多媒体技术的迅速发展以及互联网的普及,多媒体信息源不断扩大,每天都会产生各式各样以千兆字节计数的图像信息。

各行各业对图像的使用越来越广泛,研究也越来越深入,比如数字图书馆系统、遥感系统、医学图像管理、商标版权保护等。

各种庞大的图像数据库的建立,使得人们对图像信息检索的需求与日俱增。

图像信息资源的统筹管理与高效检索显得日益重要。

自从上世纪70年代以来,随着计算机视觉和数据库两大研究领域技术的飞速发展,图像检索技术逐渐成为了一个重要而活跃的研究领域。

但是,在这个领域仍然有许多技术不够完善或尚待解决。

因此,研究此课题既具有重大的意义,同时又面临严峻的挑战。

1.2基于内容的图像检索
1.2.1基于内容的图像检索概述
在传统的图像检索中,通常采用的是基于关键字的图像检索技术[1]。

该技术通过提取图像的文件名或者周边文字,建立图像索引。

当用户输入关键字进行检索时,系统将输入的关键字与图像索引进行匹配,返回相应的结果.该技术也被称为“字找图”。

目前,互联网上众多实用化的搜索引擎如百度、Google等采用的就是基于关键字的图像检索。

但是,该技术需要大量的人力对图像进行人工标注,并且人工标注无法准确描述蕴藏在图像中的丰富内容,而且还具有一定的主
观性。

为了弥补传统的图像检索技术的不足,基于内容的图像检索(Content Based ImageRetrieval,CBIR)应运而生[2]。

该技术通过提取图像的低层视觉特征(如颜色、纹理、形状等),对图像建立索引。

用户可通过提供示例图或构造草图、轮廓等多种方式提出查询要求。

系统对示例图和图像库中的图像进行匹配,根据相似度的大小决定查询结果的排列顺序。

该方法被形象的称为“图找图”。

1.2.2基于内容的图像体系结构
一个CBIR系统的基本组成如图1.1所示.系统包括特征提取模块、索引模块、匹配模块以及相关反馈模块。

图1.1
1.特征提取模块
所谓特征提取,就是对图像进行分析,提取出感兴趣的、可以反映图像内容的、并且适合于检索的特征,是CBIR系统的核心内容.现有检索系统所提取的内容特征大多包括颜色、纹理、形状、轮廓和空间位置关系等。

2.索引模块
一幅图像可以用多种特征来描述,而每种特征又有可能由多个特征分量所组成,因此最终得到的图像特征的维数可能比较高。

为了满足用户对检索系统实时
性的需要,需要选择一种适合于多维检索的索引算法。

目前,图像数据库索引技术主要包括:向量空间的索引(Spatial Access Methods ,SAM)和度量空间的索引(Metric Access Methods ,MAM)。

3. 匹配模块
基于关键字的图像检索一般基于精确的匹配,而基于内容的图像检索采用的是相似度匹配。

图像的相似度实质上是图像对应的特征之间的相似度。

合理的相似度度量方式也是实现高效的图像检索的关键。

不同的相似度度量方式有各自的优缺点,并非某一种度量方式适用于所有的图像检索系统。

常用的相似度度量方式有Minkowski 距离、二次式距离、直方图相交法、K —L 距离等,具体形式如下:
设查询图像的特征向量为g ,目标图像的特征向量为t ,特征维数为M ,D 表示查询图像与目标图像之间的相似度。

(1)Minkowski 距离
()p p M i i i t q t q D 11,⎪⎪⎭⎫ ⎝⎛-=∑= (1.1)
其中,p 取1、2时分别就是我们所熟知的绝对值距离和欧氏距离(Euclidean distance)。

(2)马氏距离(Mahalanobis distance)
()()()t q C t q t q D T
--=-1, (1.2)
其中,C 为特征向量的协方差矩阵。

(3)直方图相交法
假设g 和t 为含有M 个bin 的直方图,则二者之间的相交距离为:
()()i i M
i t q t q D ,m in 1,1∑=-= (1.3)
(4)二次式距离
对于基于颜色直方图的图像检索,二次式距离考虑到了不同颜色之间的相似度,因此比欧氏距离或直方图相交距离更有效。

两个颜色直方图g 和t 含有M 个bin ,则二者之间的二次式距离为:
()()()t q A t q t q D T
--=, (1.4)
其中,A 为颜色相似性矩阵。

(5)K —L 距离
()()∑==M i i i i t q q
t q D 1log , (1.5)
4.相关反馈模块
由于CBIR 主要是针对图像的低层视觉特征进行提取和匹配,而低层视觉特征和高层语义之间存在较大的差距,即“语义鸿沟”,从而使得检索结果往往不尽如人意。

为此,人们提出了相关反馈(Relevance Feedback ,RF)技术来改善检索结果。

相关反馈技术的核心内容是小样本学习问题.尽管该技术可以有效的改善‘曙义鸿沟”,但现实生活中的用户大多不愿对大量的图像进行标注,因此如何在样本个数较少的情况下,准确、迅速得捕捉用户需求己成为相关反馈技术的核心任务。

1.2.3 基于内容的图像检索的特点
基于内容的图像检索技术旨在通过对图像进行合理的描述,从而帮助用户更快捷、更准确地找到所需要的多媒体信息。

该技术的研究涉及了诸多学科领域,比如人工智能、计算机视觉、模式识别、信号处理、数据库、认知心理学、人机交互等,具有重要的理论意义和广泛的应用前景。

此外,CBIR 系统还具有如下特点:
1. 直接从图像的内容中提取信息。

它突破了传统的基于文本检索的局限,直接
对图像进行分析和提取特征,利用这些特征对图像进行描述并建立相应的索引。

2. 基于内容的图像检索采用的是近似匹配。

这一点与传统检索所采用的精确匹
配有着明显的区别。

3. 提取特征和建立索引都是由计算机自动完成,不仅避免了人工描述的主观
性,还大大减少了工作量。

4. 具有很强的交互性。

系统采用相关反馈,通过用户的评价来修正检索方法,
从而使得检索结果更加符合用户的需求。

整个检索过程是一个用户有限次的反馈和检索结果逐渐逼近最优结果的过程。

1.2.4 基于内容的图像检索的性能评价
CBIR 系统的性能评价标准是CBIR 系统的一个重要研究内容,指导和推动该系统的研发。

针对图像检索领域的不同问题,研究人员不断得提出新的特征提取方法、相似度度量方式以及索引机制等,期望可以提高系统性能。

然而目前对于不同的图像检索系统,还没有统一的评价标准来衡量系统性能的优劣。

图像检索系统的性能评价主要考虑计算复杂度和检索效率两个方面。

计算复杂度指的是提取特征的计算时间和特征匹配的时间,其中特征匹配的计算复杂度是决定一个系统是否快速的关键。

检索效率主要取决于系统选取的特征的区分能力以及匹配算法的有效性。

基于以上两方面的考虑,目前的评价方式大致可以分为两类:
第一类充分考虑人的主观视觉感受,这类方法主要是显示一系列的检索结果图像,由人的感受来评价检索结果的好坏。

这种评价方法具有一定的个性和主观性,说服力有限,并且不利于交流。

第二类方法是基于量化的方式。

这类方法是根据统计得到的结果,具有一定的通用性。

常用的评价标准有以下几种[3]:
1.查全率(Recall)
查全率指返回的检索结果中有效图像占整个图像库中所有相似图像的数量的比率,用于检测系统检索相关图像的能力。

b a a call +=Re (1.6)
其中,a 为检索出的相似图像的个数,b 为未检索出的相似图像的个数。

2.查准率(Precision)
查准率指返回的检索结果中有效图像的比率,用于检测系统排除无关图像的能力。

c
a a ecision +=Pr (1.7) 其中, a 为检索出的相似图像的个数,c 为检索出的不相似图像的个数。

3.误匹配率(Fallout) 误匹配率指返回的检索结果中无效图像占整个图像库中所有不相似图像的数量的比率,用于检测系统检索不相关图像的能力。

d
c c Fallout += (1.8) 其中,c 为检索出的不相似图像的个数,
d 为剩余图像个数(c b a N d ---=,N 为
图像总数)。

查全率的主要含义是在一次查询过程中,用户所查到的相关图像的数目和数据库中与目标图像相关的所有图像数目之比;而查准率主要指在一次查询过程中所查到的相关图像数目同该次查到的所有图像数目之比。

用户在评价算法的时候,可以预先选定含有特有目标的图像作为一组相关的图像,然后根据返回的结果计算查全率和查准率。

查全率和查准率越高,说明该检索算法的效果越好。

用查全率R 作为x 轴,查准率P 作为y 轴,绘制一条查准率-查全率曲线,简称为PVR 曲线。

设PVR 曲线为(,)f x y ,则(,)f x y 与x -y 轴围成的面积为:
10
(,)f S f x y dx =⎰ (1.9) 称f S 为PVR 指数。

据研究,该指数越大,图像检索性能越好。

由此可以看出,查全率反映检索的全面性,而查准率则反映检索的准确性,因此可以用查全率和查准率来评价系统的有效性。

该方法的局限性在于没有考虑检索结果中相似图像所处的位置,同时,高的准确率与查全率并不一定表明一个系统工作得好,这还要视具体的应用而定。

1.3图像检索的国内外研究现状
图像检索系统可以提供一个友好的人机交互界面,以便于用户快速准确得查找所需图像。

交互界面的设计综合了数据库、图像处理、计算机视觉、模式识别、人工智能等多种技术。

目前,人们已经开发了一些供商用的或研究用的图像检索系统。

其中比较有影响的系统有QBIC、Virage、Photobook、VisualSEEK、WebSeek、MARS等。

QBIC(Query by Image Content)[4]是由IBM公司20世纪90年代研究开发的著名的商用CBIR系统,该系统对后来的图像检索系统具有深远的影响。

QBIC 系统可以实现基于颜色、纹理和形状的检索。

其中,颜色特征的提取主要采用的是颜色直方图,纹理特征的提取采用的是粗糙度、对比度和方向性的结合,而形状特征采用的是离心率、主轴方向和代矩等。

此外,QBIC系统还支持基于文本的关键字的查询方式。

Virage[5]是Virage公司开发研制的一种基于内容的图像检索搜索引擎。

与QBIC系统相类似,该系统也支持基于颜色、颜色布局、纹理和形状等视觉特征的查询。

此外,Virage系统还支持以上四种特征的任意组合,并且用户还可以根据需要对不同的特征赋予不同的权值来改善检索结果。

Virage弓I擎及其在图像对象层上的操作是Virage技术的核心,该引擎既可以应用到通用的图像查询系统中,还可以对其进行扩展并应用到特定的领域或场合。

Photobook[6]是MIT媒体实验室研发的图像检索系统。

该系统包括三个子部分,分别用于提取形状、纹理和人脸特征。

用户可以在这三个部分分别按照特定的特征进行检索。

Photobook系统的人脸识别技术也被成功应用到了美国的警察机关。

为了便于用户的浏览和检索,该系统提供了一些交互式工具。

比如提供了多种相似度度量方式,使得用户可以选择一种或几种算法的线性组合来计算图像的相似度。

此外,用户还可以勾画兴趣区域,参与特征提取过程。

VisualSEEK[7]和W.ebSEEK都是美国哥伦比亚大学研发的检索系统。

其中前者支持基于视觉特征及其空间关系的查询,而后者是面向Web的查询系统。

系统利用图像区域的空间位置关系和从压缩域提取的视觉特征进行检索,而视觉特征是颜色特征和基于小波变换的纹理特征。

为了提高检索的速度,系统采用了二叉树索引技术。

MARS[8]是美国伊利诺斯大学Urbana Champaign分校研发的多媒体分析和检索系统。

该系统引入了相关反馈机制,根据用户的反馈,优化查询结果,提高了检索效率。

此外,还有斯坦福大学与滨州大学研发的SIMPLicity,加州大学Berkeley分校开发的基于区域的图像检索系统Blobworld,以及加州大学伯克利分校所研发的Chabot等。

近年来我国的研究人员越来越重视基于内容的图像检索系统的研发,相关单位也开发了不少各具特色的检索系统。

由中国科学院计算技术研究所和北京图书馆共同研发了基于特征的多媒体信息检索系统MIRES,该系统可以方便的接入Internet,对图像和中文全文进行检索.对图像提取颜色、纹理、形状进行检索,对中文全文进行的检索具有布尔检索、截词模糊匹配检索、完全字符串匹配检索等多种检索方式。

该系统现在已经在北京图书馆、科学数据库、计算机学报、测绘研究院等单位得到了初步应用。

清华大学计算机系于1997年研究开发了一个以Internet/浏览器为平台的基于内容图像检索系统ImgRetr。

该系统提取主颜色、颜色直方图、颜色分布、纹理特征、轮廓特征和主题词来对图像进行描述,在SS一树的基础之上提出了一种通用相似索引树,以此作为储存特征的底层相似索引结构。

iFind[9]系统是微软亚洲院研发的一个结合语义和视觉特征的图像相关反馈检索系统,该系统通过图像的标注信息构造语义网络,并在相关反馈中与视觉特征进行结合,在基于内容的图像检索中取得了比较理想的效果,具有一定的应用价值。

总之,CBIR技术是一个方兴未艾的研究领域,虽然已有不少的原型系统,然而随着科技的迅猛发展,许多问题仍需进一步的探索。

CBIR技术依赖于数据库、图像处理、模式识别等多个研究领域的发展,同时也将对其产生深远的影响,是一个很有发展前途的研究方向。

1.4 基于图像检索的优缺点及展望
网页搜索是基于文本的搜索,本身就是语义的一个直接表达,在文本中得到了直接的体现,所以搜索的技术相对比较简单,经过这几年的发展已经挺成熟了(至少在使用上是这样的感觉)。

图片的搜索相对起步较晚些,且难度比较大。

其中原因有很多:在早期的时候图片的数量远远少于文字(毕竟文字是信息的主要载体),但是随着社会进步,互联网的发展,多媒体在近几年得到了迅猛的发展,其中图片的量是爆炸式的增长。

各类的视频分享网站的出现就是一个信号。

基于人工标记的图片搜索已经远远跟不上人们的需求,而且如何有效的标记一张图片便于搜索也是一个问题(你的标记是否是最贴近用户的想法)。

举一个简单的应用例子,假如你看到一件衣服,很喜欢,但是不知道他叫什么,那么你去网络商城上搜索,根本无从下手。

而如果基于内容的图像检索,这个问题就可以得到解决。

他可以相对的准确的找出你想要的。

当然这只是生活中的一个很小的事情。

简单的说想对于传统的文本图像检索,基于内容的图像检索更为直观。

个人觉得随着多媒体的迅猛发展,基于内容的图像检索必将有很大的发展空间和前景。

1.5 本论文的结构安排
第一章为绪论,介绍了图像检索的研究背景和意义,简要介绍了基于内容的图像检索的体系结构、特点、性能评价,以及图像检索的国内外研究现状,同时说明了本论文的内容结构安排。

第二章主要介纹理图像检索和局部二值模式的相关理论。

第三章对系统的主要模块及其算法进行分析。

第四章对LBP纹理检索系统进行测试性能评价。

2基于纹理的图像检索
2.1 基于纹理的图像检索
2.2.1发展与现状
纹理是图像的重要特征之一在图像分析,识别及图像检索中起到非常重要的作用20世纪70年代以前出现了自相关函数法[10]功率谱方法,和一些与各种灰度频率相关的方法等。

这些方法取得一定成功,但是没有具体的定义、描述或纹理模型,仅仅是某种数学变换。

另外还有一些提取纹理特征的方法,也仅限于提取特定的图像属性,如纹理粗糙度,纹理直线性等。

1966年, Brodatz给出了很多纹理图像的例子,即所谓的Brodatz纹理库,成为后来人们研究纹理的重要数据源。

20世纪70年代,最有代表性的是Haralick对纹理的分析和理解以及提出的纹理特征提取方法,为后续的纹理研究提供了理论支持和技术积累。

1973年, Haralick在利用陆地卫星图像研究美国加利福尼亚海岸带的土地利用问题时,开创性地提出著名的GLCM,它在纹理分析中是一个很好的方法,广泛用于将灰度值转化为纹理信息。

此外,这个阶段出现的方法主要还有灰度行程长度法、灰度差分统计法,自回归模型法等,这些方法在纹理分类中有一定效果,但是这些方法的后继研究很少,在实际应用中也较少采用。

从20世纪80年代以来,MRF理论在纹理分析中掀起一阵热潮,为纹理特征提取找到了一个新的方向,尔后相继出现了MRF模型、Gibbs模型、高斯马尔可夫随机场( GMRF)模型、同步自回归模型( SAR) 、隐马尔可夫随机场模型(HMRF) 、广义MRF模型和多分辨率MRF等等。

同时,分形理论也为提取纹理特征注入了新的活力。

1984 年,Pentland等人在这方面做了开创性的工作,指出分形模型非常适用于描述纹理图像。

后来更多学者将分形用于纹理分类,以分数维来描述图像区域的纹理特征。

其中引人瞩目的是Chaudhuri 和Sarker提出了差分计盒算法,这是一种简单、快速、精度高的分形维数计算方法,也是目前用得较多的一种方法。

随后, Kapan等人提出了非常吸引人的扩展分形特征。

90年代以后,人们发现传统的纹理分析方法的一个瓶颈在于不能从多尺度
有效描述纹理特征。

小波理论的出现为时频多尺度分析提供了一个更为精确而统一的框架。

小波变换提供了一种在不同尺度上研究分析图像纹理细节的工具,为更精细地进行图像纹理分类和分析提供了新思路,在纹理分析中具有广阔的发展空间。

1989年,Mallat首先将小波分析引入纹理分析中之后,随之基于小波的纹理分析方法如雨后春笋般涌现出来。

随着小波理论的发展,小波在纹理特征提取中的应用也不断发展。

小波理论发展的许多分支,如多进制小波、小波包以及小波框架等等,它们均在图像纹理分析中发挥了积极的作用。

如Chang等人提出的基于树结构小波的纹理分类方法, Unser研究的基于小波框架的纹理分类方法。

近年来,较引人瞩目的是T.ojala等人于1996年提出的局部二进制模式(LBP) ,该方法分析纹理的吸引人的地方在于其计算复杂度小,具有多尺度特性和旋转不变特性,在纹理检索领域得到应用。

总的来讲,纹理特征提取在国际范围内呈现更加灿烂的局面,一方面,人们对已有经典的纹理特征提取方法进行深入研究与扩展;另一方面,新的纹理特征提取方法以及纹理特征提取方法的融合亦在蓬勃发展,主要集中在纹理多尺度特征、旋转不变特征的提取以及纹理特征的选择与融合,如GLCM与MRF的融合,小波方法与MRF的融合等等。

2 图像纹理应用
2.2.1纹理的定义
纹理的定义一直为人们所关注,但是,图像纹理定义问题至今没有得到圆满的解决,仍然不存在为众人所公认的定义,这正是由于图像纹理形式上的广泛性和多样性所造成的, 从而也使得研究者针对不同的应用提出了自己的概念与定义。

下面是几个具有代表性的定义:
定义1[11]纹理是一种反映像素的空间分布属性的图像特征,通常表现为局部不规则而宏观有规律的特性。

定义2[10]如果图像内区域的局域统计特征或其他一些图像的局域属性变化缓慢或呈近似周期性变化,则可称为纹理。

定义3 纹理就是指在图像中反复出现的局部模式和它们的排列规则。

定义4 纹理被定义为一个区域属性,区域内的成分不能进行枚举,且成分之间的相互关系不十分明确。

定义5[12]纹理是一种反映图像中同质现象的视觉特征,体现了物体表面共有的内在属性,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。

定义6 纹理具有三大标志:某种局部序列性不断重复、非随机排列和纹理区域内大致为均匀的统一体。

定义1从物质的组成及人类对物体的视觉感知的角度审视纹理。

定义2中,局部属性的集合可以理解为一些基元类型和它们的空间关系,这个定义的一个重要部分是属性必须在恒定的纹理区域内重复出现。

定义3通过纹理基元的局部模式的数目和类型以及它们的空间关系来描述纹理。

其余定义都强调了随机性、重复性、规律性等特征并存于纹理。

总之,上述诸定义都是基于特定应用背景的,其中的共识是: ①纹理不同于灰度和颜色等图像特征,它通过像素及其周围空间邻域的灰度分布来表现,即局部纹理信息;②局部纹理信息不同程度的重复性,即全局纹理信息。

对纹理的认识或定义决定了纹理特征提取采用的方法,由于难以对纹理给出一个精确和统一的定义,不能对纹理做出完整的表达,一方面使纹理分析中的问题更为错综复杂、更具有挑战性;另一方面,图像的研究者们不断引入各种模型从不同侧面来描述纹理的多种属性,使得对纹理的研究缤纷多彩。

相关文档
最新文档