基于二进小波统计特征的纹理图像检索
基于纹理描述符的图像特征抽取方法探索与应用
基于纹理描述符的图像特征抽取方法探索与应用在计算机视觉领域，图像特征抽取是一项重要的任务，它能够将图像中的信息转化为计算机可以理解和处理的形式。
而纹理描述符作为图像特征抽取的一种方法，具有广泛的应用前景。
本文将探讨基于纹理描述符的图像特征抽取方法的原理与应用。
一、纹理描述符的原理纹理是指图像中具有一定规律和重复性的局部结构。
纹理描述符的目的是将纹理的特征抽取出来，以便于图像识别、检索等任务的进行。
常见的纹理描述符包括灰度共生矩阵（GLCM）、局部二值模式（LBP）、方向梯度直方图（HOG）等。
1. 灰度共生矩阵（GLCM）灰度共生矩阵是一种描述图像纹理的统计方法。
它通过计算图像中不同像素之间的灰度值关系，来反映图像的纹理特征。
常见的灰度共生矩阵特征包括对比度、能量、熵等。
2. 局部二值模式（LBP）局部二值模式是一种用来描述图像纹理的二进制编码方法。
它通过比较像素点与其周围像素点的灰度值大小关系，将其转化为二进制编码，从而表示图像的纹理特征。
LBP特征具有旋转不变性和灰度不变性的优点。
3. 方向梯度直方图（HOG）方向梯度直方图是一种用来描述图像纹理的梯度统计方法。
它通过计算图像中不同像素点的梯度方向和梯度大小，来反映图像的纹理特征。
HOG特征在目标检测和行人识别等任务中有着广泛的应用。
二、基于纹理描述符的图像特征抽取方法基于纹理描述符的图像特征抽取方法主要包括以下几个步骤：1. 图像预处理在进行纹理描述符的计算之前，需要对图像进行预处理，以消除噪声和增强图像的对比度。
预处理方法包括直方图均衡化、高斯滤波等。
2. 纹理描述符的计算在预处理之后，可以开始计算纹理描述符了。
根据具体的需求和任务，可以选择不同的纹理描述符算法进行计算。
例如，可以使用GLCM算法计算灰度共生矩阵特征，或者使用LBP算法计算局部二值模式特征。
3. 特征选择和降维计算得到的纹理描述符往往具有较高的维度，为了减少计算复杂度和提高分类性能，需要进行特征选择和降维。
基于纹理的图像检索
关 键 词 ： 图像 检 索 ；纹理 特 征 ； 小波 分析 ；Ｇ ｂｒ ａｏ
ｌ ｇ Ｒｅ ｒｅｖ ｂ ｓ ｄ ｍａ ｅ ｔ ｉ ａｌ ａ ｅ ｏｎ Ｔｅ ｕ ｅ ｘｔ ｒ Ｆｅ ｔ ｅ ａ ｕ ｓ
Ｙ Ｎ ｉ －ｙｎ ＷＡ Ｇ Ｃ ｅ ｇ ｕ ＷＡＮ ｕ 一×ａ Ａ Ｊｎ ｇ ｉｇ． Ｎ － ｈ ｎ －ｒ ． Ｇ Ｙ ｎ ｉｏ
Ａｂ ｔａ ｔ Ｔ ｇ ｔ ｈ ｒ ｈ ｍｅ ｎ ，ｈ ｒｔｒａ ｏ ｔ ｘ ｕｅ ｆａ ｕｅ ｂ ｓｄ ｎ Ｇｒ ｙ Ｌ ｖ ｌ Ｃ －ｏｃ ｒｅ ｃ Ｍａ ｒ ｉ ｒａ ｈ ｄ Ｌ ｔ ｃ ｌ ｉ ｇ ｓｒ ｃ ： ｏ ｅ ｔ ｅ ｉ ｔ ｇ ａ ｓ ｔ ｅ ｅｉ ｌ ｆ ｅ ｔ ｒ ｅ ｔ ｒｓ ａ ｅ ０ ｖ ａ ｅｅ ｏ ｃｕ ｒｎｅ ｔｉ ｓ ｅ ｓｅ ． ｅ ｏｏ ｍａ ｅ ｘ ｒ ｂｃ ｍｅ ａ ｉ ｇ ｔｘｔｒ ｆａ ｕ ｅ ｂ ｒｔｉ ｅ ｆｒ ｅ ｏ ｇｒｙ ｍａ ｅ，ｅ ｕｅ ｅ ｔ ｒｓ ｅ ｅ ｒ ｖ ｄ ｏｍ ｆ ｕ ｄｒｃ ｉｎ ，ｎｌｄ ｇ ｎｒ ｙ，ｎ ｒｐ ｉ ｒｉ ａ ｒｘ ｎ ｒｌｔｄ ｅ ｔｒ ｈ ｔ ｒ ｔ ｘ ｕｅ ｅ ｏ ｒ ｉ ｔ ｓ ｉｃ ｉ ｅ ｅｇ ｅｔｏ ｙ， ｅｔａ ｅ ｏ ｕｎ ｎ ｍ ｔｉ ａ ｄ ｅａ ｅ ｖ ｃ ｏ ｔａ ａ ｅ ｅ ｔｒ ｆ ａｕｅ ｖ ｌｅ Ｌ ｔｒ．ｈ ｒｔｉａ ｆ ｅ ｔ ｒ ｆａ ｕ ｅ ｂ ｓｄ ｄ ｎ ｅ ｔ ｒｓ ａｕ ： ａ ｅ ｔｅ ｅ ｒ ｌ ｔｘ ｕｅ ｅ ｔ ｒｓ ａ ｅｅ ｏ Ｇａ ｏ ｗａ ｅｔ ． ｒｔ ｅ ｇ ｂ ｒ ｖ ｏ ｂｒ ｖ ｌ Ｆｉ ｌ ｓ ｔ ａ ｏ ｗａ ｅｔ ｅ ｈ ｍｏｈ ｒ ｖｌ ｂ ｔｅ ｔｅ ｗａ ｅｔ ｔｅ ｍａ ｅ ｖ ｌ， ｉ ｉ ｇ ｗ＿ ｅ 】 】ｂ
基于小波纹理、语义特征和相关反馈的医学图像检索
维普资讯
第 ４期
邰晓英等 ：基于小波纹理、语义特征和相关反馈的医学图像检索
２ ５
ｐｔ， ’ ｔｊｌ
，．
．
，
， 、
群 ［ ， ， ，）∈（， ） ｍ＝０ｌ一 ＝ｄ ｆ ｋ，＝ｉ （ ， ＝Ｊ ｛ 后， （ ，］ Ｚ × 一 （ ）ｍ ２ ， ｎｌ ， （， ， ） ， ｍ，） ｝ ｆ ２
ｆ『 ０ ： ！ ： ！墨 ！！ ！ ： 竺 ：三： ： 三！ ｆ ｌ 。 ： 竺 墨） 二 三 三： 竺 ， ） ： 』 二
（） １
收 稿 日期 ・２ ０ —１０ 修 订 日期 ：２ ０— １１ ０ ５１—７ ０ ６０ —１ 基 金 项 目 。国 家 自然 科 学 基 金资 助 项 目 （０ ７ ０９ ６４２９）
率 、查 全率 和 平 均序 号三 方 面进 行 比较 分析 ，验 证 了此 方 法 的 有效 性 。
２ 纹 理 特 征 的 分 析 与 比较
２１ 灰 度 层共 现 矩 阵 ． ］
灰 度 层 共 现矩 阵是 描 述 在 ０ 向上 的 ，相 隔 ｄ像 素 距 离 的 一对 像 素 ，分 别 具 有 灰 度 层 ｉ ， 出现 方 和 的 概 率 ，其 元 素可 记 为 （ ，ｄ０ 。 由此 可得 灰 度 层 共现 矩 阵是 一 个 对称 矩 阵 。距 离 为 ｄ，方 向分 别 为 ０ ｆ ｌ，） ， 度和 ９ ０度 的公 式分 别 为 ： ．
Ｖｏ ＿２ ｌ １
Ｎｏ ４ ．
Ａｕ ｕ ｔ２ ０ ｇ ｓ， ０ ７
基 于小波纹理 、语义特 征和相关反馈 的 医学 图像检 索
邰晓英 ， 王李冬 ２ ， 巴特尔
（ ．宁 波 大 学 信息 学 院 ，浙 江 宁 波 ３ ５ １ ：２ １ １ ２ １ ．杭 州 师 范大 学 钱 江 学院 ， 浙 江 杭 州 ３ ０ １ １０ ２
基于特征抽取的图像检索方法与实例分析
基于特征抽取的图像检索方法与实例分析随着数字图像的广泛应用和存储技术的快速发展，图像检索成为了一个重要的研究领域。
图像检索的目标是根据用户的查询需求，从大规模的图像数据库中快速准确地检索出相关的图像。
基于特征抽取的图像检索方法通过提取图像的特征信息，将图像转化为一组数值特征，从而实现对图像的高效检索。
本文将介绍基于特征抽取的图像检索方法，并通过实例分析来说明其应用。
一、基于特征抽取的图像检索方法1. 特征提取特征提取是基于特征抽取的图像检索方法的核心步骤。
常用的特征包括颜色特征、纹理特征和形状特征等。
颜色特征可以通过提取图像的颜色直方图或颜色矩来表示；纹理特征可以通过提取图像的纹理统计信息（如灰度共生矩阵）来表示；形状特征可以通过提取图像的边缘信息或轮廓信息来表示。
特征提取的目标是将图像转化为一组数值特征，以便进行后续的相似度计算。
2. 相似度计算相似度计算是基于特征抽取的图像检索方法的关键步骤。
在特征提取之后，需要计算查询图像与数据库中每个图像之间的相似度。
常用的相似度计算方法包括欧氏距离、余弦相似度和相关系数等。
相似度计算的目标是确定查询图像与数据库中图像的相似程度，从而确定检索结果的排序。
3. 检索结果排序检索结果排序是基于特征抽取的图像检索方法的最后一步。
在相似度计算之后，需要根据相似度的大小对检索结果进行排序，以便用户能够快速准确地找到所需的图像。
常用的排序方法包括基于相似度的升序排序和基于相似度的降序排序。
检索结果排序的目标是将与查询图像最相似的图像排在前面，提高检索效率。
二、实例分析为了更好地理解基于特征抽取的图像检索方法的应用，下面将通过一个实例进行分析。
假设我们有一个包含1000张猫和狗的图像数据库，并且我们希望根据用户的查询，从数据库中检索出与查询图像最相似的图像。
首先，我们通过颜色特征提取方法提取图像的颜色直方图。
查询图像是一张黄色猫的图片，我们可以通过计算查询图像的颜色直方图与数据库中每个图像的颜色直方图之间的欧氏距离，来计算它们之间的相似度。
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。
基于小波变换的二值模式检索
基于小波变换的二值模式检索摘要：提出了一种基于小波变换后的二值模式图像检索。
把图像库里的图像通过小波变换压缩预处理，方便图像快速入库提取图像特征。
选取二值模式技术处理，以便有效提取图像的特征进行检索。
实验数据库采用Brodatz纹理图像库，对比了边缘拟合算法，共生矩阵和灰度纹理矩检索图像的检索效率，得出小波变换后的二值模式检索效率较高。
关键词：二值模式；图像检索；小波变换；共生矩阵；灰度纹理矩；检索效率0 引言直接对压缩格式的图像进行检索的技术，称为压缩域上的检索技术。
它与传统的基于原始数据域的图像检索相比较，所需处理的数据量将大大减少（但信息量没有或基本没有减少）。
在压缩域的图像检索中，直接在压缩数据上进行操作，不需要或不完全需要解压缩的环节。
基于压缩域的图像检索与传统的基于原始域或解压域的图像检索相比，有许多优点，包括：①压缩域上的数据量比原始域或解压域上的数据量要少，有利于提高整个系统的效率；②在压缩域上检索可省略解压缩的附加环节，既可减少处理时间，也可减少设备开销；③许多对图像压缩的算法在压缩过程中已对图像进行了大量的处理和分析，在检索中利用这些处理和分析的结果，可以减少计算量，提高检索效率；④在压缩域上，某些特征向量的信息就包含在压缩系数中，所以额外的存储量可以省去。
本文的基本思路是：首先对实际图像进行小波变换压缩操作，然后对压缩后的图像进行二值化处理，在此基础上再进行图像检索。
由于小波变换具有时间、频率都局部化的特点，而且在变换压缩过程中已对图像频谱法的纹理进行了描述，所以在检索中利用小波变换的纹理特征，可提高检索效率，实验结果也验证了这种方法的有效性。
1 图像的小波变换傅立叶变换存在不能同时进行时间-频率局部分析的缺点，而Gabor变换克服了这方面的不足，但Gabor变换的时-频窗口是固定不变的，窗口没有自适应性，不适于分析多尺度信号过程和突变过程，而且其离散形式没有正交展开，难于实现高效算法。
基于小波变换的多尺度自配准纹理分析
Ａｕ ｏ ｔ—
种性质均与人类视觉 相关联 ， 纹理分析的重要 工具 。 是
引
言
但傅 里叶变换 不能进行 多尺度分 析 ， Ｇ ｂ ｒ与小波 而 ａｏ 变换不具有 自配准性质 。如在纹理分 析过程 中同时 使用 多尺度及 自配准性质 ， 分析效 果将 得到一 定的提 高 基 于 此 ， 中 构 造 小 波 系 数 频 谱 （ｒｑ ｅ ｃ 文 ｆ ｕ ｎｙ ｅ
（ｎｏｍａｉｎＳ ｉ ｃ ｎ ｎ ｉｅｒｎ ｏｌ ｅ Ｙ ｎｈ ｎＵｎｖｒｉ Ｑｉｈ ａ ｇ ａ ６ ０ ４ Ｃ ｉａ Ｉｆ ｒ ｔ ｃ ｎｅ ｄ Ｅ ｇｎｅｉｇＣ ｌ ｇ ， ａ ｓａ ｉｅｓｙ， ｎ ｕ ｎ ｄ ｏ ０ ６０ ， ｈｎ ） ｏ ｅ ａ ｅ ｔ
Ａｂ ｔ ａ ｔ Ｔｈ ｍ ｕ ｔ— ｃ ｌ ｎ ｔ ｅ ｕ ｏ ｒ ｇ ｓ ｒ ｔｏ ｒ ｅ ａ ｅ ｗｉｈ ｈｕ ａ ｓｏ ａ ｄ ｔ ｅ ｍ ｐ ｒａ ｔ ｏ ｌ ｓｒｃ ｅ ｌｉｓ ａ ｅ ａ ｄ ｈ ａ ｔ —ｅ ｉｔａ ｉｎ ａ ｅ ｒ ｌｔ ｄ ｔ ｍ ｎ ｖｉｉ ｎ， ｎ ｈ ｉ ｏ ｔ ｎ ｔ ｏｓ ｅ ｐ ｃａｌ Ｏ ｔ ｘｔ ｒ ｎａｙ ｉ． ｅ ｃ ｎ ｅ ｔａ ｏ ｒ ｑ ｅ ｃ ｐ ｃ ｒ ｓ ｅ ｉｌｙ ｔ ｅ ｕ ｅ ａ ｌ ｓｓ Ｔｈ ｏ ｃ ｐ ｂ ｕｔｆ ｅ ｕ ｎ ｙ ｓ ｅ ｔ ｕｍ ｆｗａ ｅ ｅ ｏ ｆｉｉｎ （ ｏ ｖ ｌｔｃ ｅ ｆｃｅ ｔ ＦＳＷ Ｃ）ｉ ｎ ｒ ｄｕ ｅ ｓｉ ｔｏ ｃ ｄ ｗｈｉｈ ｃ ｈａ ｔ ｅ ｃ ｐ ｂｉ ｔ ｏ ａ ｔ — ｅ ｉｔａ ｉｎ ａ ｅ ｏｎ ｍ ｕ ｔ—ｃ ｌ ． Ｔｈｅ ｉ ｉ ｏ ｔｍ ｉｅ ａ ｃ ｒ ｉ ｇ ｔ ｅ ｓ ｈ ａ ａ ｌ ｙ ｆ ｕ ｏ ｒ ｇｓ ｒ ｔｏ ｂ ｓ ｄ ｉ ｌｉｓ ａｅ ｎ ｔ ｓ ｐｉ ｚ ｄ ｃ ｏ ｄｎ ｈ ｃ ａ ａ ｔ ｒｓ ｉ ｏ ａ ｅ ｅ ｃ ｅ ｆｃｅ ． Ｔ ｈ ｌｓ ｓ ｅ ｉ ｔ ｅ ｔａ ｔ ｈ ｆ ａ ｕ ｅ ｅ ｔ ｒ ｆｏ ｈ ｒ ｃ ｅ ｉｔｃ ｆ ｗ ｖ ｌｔ ｏ ｆｉｉｎｔ ｅ ａ ｔ ｔ ｐ ｓ Ｏ ｘ ｒ ｃ ｔ ｅ ｅ ｔ ｒ ｖ ｃｏ ｓ ｒ ｍ ｔ ｅ ｈ ＦＳ Ｃ． Ｔｈ Ｗ ｅ ａ ｇ ｒｔ ｍ ｉ ｔ ｓｅ ｂｙ ｍ ａ ｅ ｒ ｔ ｉｖ ｌ ｃ ｍ ｐ ｒ ｄ Ｏ ｒ ｅ ｓ ｒ ｔ ｒ ｄ ｌ ｏ ｉｈ ｓ ｅ ｔｄ ｉ ｇ ｅ ｒｅ ａ ｏ ａ ｅ ｔ ｔｅ — ｔｕｃ ｕ ｅ ｗａ ｅ ｅ ａ ｄ ｖ ｌ ｔ ｎ Ｆｏ ｒｅ ｔ ａ ｆ ｒ ． Ｔｈ ｕ ｉｒ ｒ ｎｓｏ ｍ ｅ ｅ ｐ ｒｍ ｅ ｔｒ ｓ ｔｓ ｏ ｈａ ｘ ｅ ｉ ｎ ｅ ｕｌ ｈ ｗｓ ｔ ｔＦＳＷ Ｃ ｓａ ｐ ｏ ｉｉ ｅ ｈ ｄ ｔ ｅ ｔ ｒ ｎａｙ ｉ ． ｉ ｒ ｍ ｓｎｇ ｍ ｔ ｏ Ｏ ｔ ｘ ｕ ｅ ａ ｌ ｓｓ Ｋ ｅ ｗｏ ｄ ｙ ｒｓ
- 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)。
基于二进小波统计特征的纹理图像检索赵 平1，尚赵伟2(1. 北京交通大学理学院，北京100044；2. 重庆大学计算机学院，重庆400044)摘 要：二进小波变换利用模局部极大值来提取图像的多尺度边缘信息。
该文研究了二进小波系数的统计特性，提出并验证了二进小波系数直方图服从于指数分布。
分析了二进小波系数的一阶、二阶统计矩(共生矩阵)特性并将其应用于纹理特征提取。
理论分析和实验说明，采用Manjunath 方法和二阶统计矩方法的二进小波在纹理图像检索方面优于单小波。
关键词：二进小波变换；纹理；共生矩阵；统计特征；纹理分类Texture Image Retrieval Based on Statistical Characteristic ofDyadic Wavelet TransformZHAO Ping 1, SHANG Zhao-wei 2(1. School of Science, Beijing Jiaotong University, Beijing 100044; 2. College of Computer Science, Chongqing University, Chongqing 400044)【Abstract 】The dyadic wavelet transform utilizes local modulus maximum of a wavelet transform to obtain multiscale edges information. This paper analyzes the statistical characteristics of the wavelet detail coefficients of the dyadic wavelet transform, and brings forward the wavelet coefficients histogram of nature texture image which can be modeled by a family of exponentials. It studies the ways to extract the texture features using the first-order and second-order (co-occurrence) based on the dyadic wavelet transform. Experimental results show that methods of Manjunath and second-order of the dyadic wavelet are better than that of scalar wavelet on texture image retrieval.【Key words 】dyadic wavelet transform; texture; co-occurrence matrix; statistical characterization; texture retrieval计 算 机 工 程Computer Engineering 第33卷 第20期Vol.33 No.20 2007年10月October 2007·人工智能及识别技术·文章编号：1000—3428(2007)20—0210—03文献标识码：A中图分类号：TP391.40纹理是图像的基本视觉特性之一，是一种不依赖于颜色和亮度的反映图像中同质现像的视觉特征。
因此，纹理特征在基于内容的图像检索中应用广泛。
目前，对纹理的分类主要基于多分辨或者多通道的分析理论上，例如Gabor 滤波器组和单小波变换。
利用Gabor 变换的主要缺点是：Gabor 滤波器组的输出不是完全正交的；在纹理特征之间明显存在着相关性。
另外，Gabor 变换是不可逆的[1]，这就限制了在纹理合成等方面的应用。
因此，本文提出了基于二进小波统计特征的纹理图像检索方法。
1 二进小波变换若函数()x ψ具有性质()d 0x x ψ=∫，则该函数是小波函数。
在多分辩分析框架下，利用信号多尺度边缘分解和重构的二进小波[2]不但完备、稳定，而且是冗余的，并保留了时移不变性。
二进小波分解产生的不同尺度上的小波系数矩阵的大小是相同的，且可提取每个像素点在各个尺度上梯度矢量的模和该矢量在水平方向的幅角。
所以，二进小波变换可得到较多的表示图像性质的小波信息(见图1)。
图1 lena 图像的二进小波3级分解示意图图1中的信息按列从左到右分别为水平、垂直方向和低频信息。
2 二进小波的统计特性单小波在各个尺度的小波系数直方图服从于指数族[3]：(||/)()u h u Ke βα−= (1)其中，α表示直方图突出部分的宽度；β与直方图的突出部分衰减成反比；K 表示直方图的高度。
该模型已经应用到图像编码和纹理分类等方面。
文献[4]验证了小波系数直方图是一个单峰对称的图形(当β=2时，服从于高斯分布)。
本文对二进小波系数是否服从于指数分布进行了研究。
为了便于描述模型与实际数据的差异，本文定义了如下两个参数以说明两者之间的拟和程度：(1)对称性[4]max max 11(()())M i i i asm h u u h u u M ==−−+∑2(2) (2)拟和度11(()'())M i i i fitness h u h u M ==−∑2(3) 其中，'()h u 表示通过参数确定的模型；()h u 表示实际图形；M 表示直方图的个数。
文献[5]采用矩估计法对模型的参数进行估计。
文献[6]利用最大似然估计来估计模型的参数，以矩估计法的值作为初始值，然后通过运用Newton-Raphson 迭代法得到最大似然基金项目：赵 平(1965－)，男，副教授、博士，主研方向：图像处理，小波分析，模式识别等；尚赵伟，讲师、博士 收稿日期：2006-10-24 E-mail ：pingzhao@估计的参数模型。
本实验采用Brodatz 图像数据库中的112幅图像作为样本集，利用单小波和二进小波对每幅图像进行3次分解。
通过观察不同尺度上的小波系数直方图和分布函数的几何图形，发现二进小波与单小波十分相似：两者都是单峰对称的。
根据对单小波和二进小波分解在不同尺度上的小波系数直方图的统计，分别得到矩估计和最大似然估计模型的对称性和拟合度，统计结果见表1。
通过对照，发现二进小波的参数与单小波的参数具有较高的相似性。
因此，可以推断出二进小波的小波系数直方图也服从于指数族分布。
采用最大似然估计法得到的模型在对称性和拟和度方面均高于矩估计法。
表1 单小波和二进小波参数对照矩估计最大似然估计名称 单小波 二进小波 单小波 二进小波 均值 7.316 3e-006 1.136e-006 2.984 5e-006 1.121e-006 对称性 方差 2.979 6e-005 6.442e-006 1.189 1e-005 5.642e-006 均值 3.839 3e-005 0.002 3.487 8e-005 0.001 9 拟合度方差1.215 8e-0040.001 69.280 3e-0050.001 63 基于统计特征的纹理特征提取基于统计方法的纹理特征提取在纹理分割与合成、纹理检索等方面应用广泛。
常用的特征是一阶统计矩和二阶统计矩[4]。
一阶统计矩一般采用能量特征(式(4)、式(5))作为纹理特征。
1,11|(,)|Ni j m coef i j N ==∑ (4) 21/22,11((,))Ni j m coef i j N ==∑ (5)在文献[4]中提出利用小波系数直方图的参数α、参数β值作为纹理的特征。
由于在对小波系数直方图的参数做估计时，利用了小波系数的一阶统计矩，因此参数α、参数β也反映了一阶统计矩特性。
一阶统计矩视每个小波系数为独立变量分布，只考虑了整个小波系数的统计特性，不能区分小波系数的排列情况。
因此，一般方法采用高阶统计量以避免该问题，即使用二阶统计量对小波系数的分布进行统计。
该统计采用共生矩阵的方法以反映小波系数关于方向、相邻间隔、变换幅度的综合信息，是分析小波系数矩阵的局部模式和它们排列规则的基础。
在文献[1]中提出了基于共生矩阵的14种描述纹理特征的参数。
为了便于比较，本文只采用了其中的7个用于描述小波系数的纹理特征[4]。
共生矩阵的特征与方向信息密切相关，为了获得旋转不变性，对每个特征量于不同方向(0°,45°,90°,135°)地求均值和方差，从而抑制了方向分量，使得到的纹理特征与方向无关。
对纹理分类的计算采用常用的1l 距离，选取距离值最小的若干个图像作为相似图像。
4 实验结果和分析对所有的Brodatz 图像512×512按照4×4的格式进行不重叠分割，分割结果为128×128大小的1 792幅图像组成数据库。
由于来自于同一幅原图像的小图被认为是相互相关的，因此每张图像用于检索的小图都有15张相关的图像。
本实验采用检索性能评价方法来平均检索率K KRqqq q n N η===∑∑ (6)其中，q N 表示某个图像在大小为K 图像数据库中的比较相似的图像数目；q n 表示通过计算得到的正确的图像数目。
本实验采用的方法如下： (1)能量特征。
(2)小波系数直方图分布的参数(矩估计法)。
(3)小波系数直方图分布的参数(最大似然估计法)。
实验结果如表2所示。
表2 不同纹理特征提取方法的平均检索率方法单小波/(%)二进小波/(%)m 2 61.93 61.523α、β值(矩估计)62.859 57.27 α1、β1值(最大似然估计)63.33 58.94 通常，图像的能量主要集中在低频信息中，纹理的细节信息保留在高频，但上述方法只考虑了高频信息。
在二进小波中，基于一阶统计矩的特征提取方法的性能低于单小波，因为在利用小波系数直方图的分布模型来提取纹理特征时，该模型相对于单小波方法误差比较大造成的(见表1的对称性和拟合度对照表)。
在表2中，采用最大似然估计法提取的纹理特征的性能优于矩估计法，这是因为采用最大似然估计法得到的模型在对称性和拟和度方面均高于矩估计法。
其他结果与文献[6]的结论一致。
Manjunath [5]方法从能量角度出发，采用2l 距离进行相似计算，二进小波的检索率为72.04%，高于金字塔分解算法的检索率(69.84%)。
图2(a)是二进小波与金字塔分解算法db4的性能比较，根据纹理的视觉相似性将112幅图像分为32类[5]，用于纹理的性能分析。