一种基于纹理的图像检索算法

水平方向： （ ） ｌ（ ２ ｙ ２１） ＝ ， ＋ ）Ａ（ ￣ ｌ 一－ ，
科 技 论 坛
・ ９・ ５
种基于纹理 图像检索 算法
许 兀 飞
（ 西安科技 大学 计 算机 学院， 陕西 西安 ７ ０ ５ ） １ ０４ 摘 要： 通过 分析 原有 纹理粗糙度 ， 出一种改进 的纹理粗糙度算 法： 提 在选取领域尺 寸和 计算领域 均值 差值这 两个方 面需要改进。实 验表 明， 改进 纹理粗糙度具有 更强的纹理分辨能力和更好的旋转不变性 ， 于改进 纹理粗糙 度的 图像检 索结 果优 于原有纹理粗糙度 的图 基
像检 索 结果 。 关键 词 ： 于 内容 的 图像 检 索 ； 理 ； 糙 度 基 纹 粗
２ 选 取领域尺 寸 １ 纹理 是 描述 图像 时常用 的— 个概 念 （ 似 于颜 色 ，也 常取 决 于感 类 原有 Ｒ ｓｎｅ 纹理粗糙度的算法的基本思想是从不同的领域尺寸 ｏｅｆｌ ｄ 知）作为图像的—个重要特征， 。 纹理也是基于内容检索的—条主要线索 ， 中根据领域均值差值最大准则确定尺寸 ， 然后根据所确定的最佳尺寸来 是图像中—个重要而且又难以描述的特征。很多图像在局部区域内可能 呈现出不规则性， 而在整体上却表现出某种规律性。 习惯上把图像中这种 计算图像的纹理粗糙度。 可见 ， 关键是选取领域尺寸 。 原有纹理粗糙度算 法采用指数量化来选取领域尺寸。 但实际上选取领域尺寸存在两种量化 局部不规则而整体有规律的特 陛弥之为纹理。 １对应 于人 眼视觉感受 的纹理特 征 方法 ： 指数量化和线 『量化。下面， 生 具体分析一下这两种量化方法。 首先我们分别给出指数量化和线 ｆ量化的数学表达形式 ： 生 Ｔ ｒ ｒ等人研究了一系列的对应于人眼感受 的纹理特征 ， ａ ｕａ ｎ 分别为 粗糙 度 （ ａｓｎｓ 、对 比度 ｃｎｒｓ、方 向性 （ｒｃｏ ａｔ 、线 ｆ ｃ ｒ ｅｓ ０ ｅ １ ｏｔ ｔ ａ） ｄ ｅｔ ｎｌｙ ｉ ｉ ｉ） 生状 指数量 化 ： （） ｎ＝Ｍ １ ＋ （） ８ 线 『量 化 ： Ｈ＝Ｍ × ＋ 生 Ｓ（ ） ｎ１ （） ９ （ ｅ ｌ ｅｅｓ 规整度（ｇｌｒｙ １ —ｉ ｎｓ 、 ｉ ｋ ｎ ） ｒ ｕａｉ） ｅ ｔ和平滑度（ｕ ｈ ｅｓ 并对每种纹理特 ｒ ｇｎｓ） ０ 等， 征给 出 了近似 的数学描述 。从人 的感知经 验可知 ， 糙度 、 比度和方 向 粗 对 其中：≥１Ｍ≥２Ｍ为常数 。 ｎ ， ， 根据公式（） ８和公式（） ９就可以得到两组 性是 ＾ 们区分纹 理时 所用的三个 最主要特 征 ， 中粗糙 度是 最基本 、 重 领域尺寸序列。 其 最 我们计算每组领域尺寸序列相邻尺寸距离 ， 作为相应量化 要 的纹理特征 。 方 法 的量 化精度 ： 纹理的定义是很广泛的， 但从狭义的观点来看 ， 纹理就是粗糙度。为 指 数量化 ： Ｓ（） Ｅ ＋） ｓ（） 一 Ｍ一 ） Ａ ｎ＝Ｓ １ Ｅ 一 一 Ｍ ＝（ １ Ｍ （０ １） 了能够正确运用纹理粗糙度， 需对其进行有效的数学描述。 最早在这一方 线性量化 ： Ｓ（ ＝ Ｌ ＋１ Ｓ（ ＝Ｍ×ｎ ） Ｍ× ＝ Ａ ） Ｓ（ ） Ｌ ） ｎ ｎ 一 ｎ （＋１ 一 ｎ Ｍ （１ １） 令 Ｃ －１ ， ＝Ｍ－ ≥１则有 △ ｎ一△ ＝Ｍ（Ｍ 一 ）。由ｎ ， （） （ ） Ｃ １ ≥１得 面有奠基ｌＴ作的是 Ｒ ｓｎｅ 等 ，ｆ 在一系列的纹理粗糙度尺度 生 ｏｅｆｌ ｄ 门 基础上 提出 了基 于最佳 尺寸的纹 理粗糙度算 法 。这种算 法一方 面克 服 了 Ｃ 一一１ ， 由 Ｍ≥２得 △ 一 Ｓ（ ＞０即 △ ｅ ） Ａ ） Ｍ ≥０又 ， （ Ａ ） ， Ｓ（ ≥ Ｓ ） ｎｔ 粗糙度对对比度的依赖Ｉ 另一方面能有效地处理显微纹理图像。此外 生， 由上面的分析可以得出结论： 指数量化的精度低于线性量化。 那么采 Ｋ ｒ Ｔ ｍ ｒ等人所使用的纹理粗糙度 ，也都基于 Ｒ ｓｎｅ 纹理粗 用指数量化选取领域尺寸的纹理粗糙度算法对纹理模式的分辨能力不 ａ ｕ和 ａ ｕａ ｏｅｆ ｄ ｌ 糙度算法。下面， 我们给出 Ｒ ｓｎｅ 纹理粗糙度算法的步骤 ： ｏｅｆｌ ｄ 如线 性量 化 。既 然指数 量 化的精 度低 ， 么如果 采用 指数 量化 来选 取领 那 步骤一： 对每—个像素 ， 计算多尺寸领域均值。选取领域尺寸为 ２的 域尺寸， 就有可能会 出现具有不 同基元尺寸的纹理图像却具有相同纹理 幂次方 ， ２ ２ ２ ３ 。我们采用的领域尺寸为 ２的幂次方加一 ， 如 ×， …３ × ２ 即 粗糙 度特征参数 自Ｊ 。 勺 情况 （ １ ×（Ｋ１， 中 ｋ 。像素 （，的领 域均值 为 ２＋ ） ２＋ ） 其 ≥１ ｘ） ｙ ２ 计算领域均值差值 ２ 生１ ｙ ｜ 原有粗糙度算法的第二步是计算领域均值差值。它的关键是确定关 ＾ ） （ｙ ，一 ∑ ｆ， ／ １ （ ）（ ＋） ｉ ２ 于当前像素对称像素的坐标位置。 原有算法在关于当前像素在水平方向、 其巾 ｋ １ ｙ ≥ ， ） 素 的灰 度值 。 为像 垂直方向上对称像素的均值差值 ， 这无疑是不够准备。 因为它没有考虑到 步骤 二 ： 每一４ ｆ素 ， 算 在水 平方 向上 和在垂 直方 向上关 于 当 像素局部梯度方向对计算领域均值差值的影响。 对 － ＂￣ 训 ｇ 前像素 对称 的两 个领域边 缘像素 的领域 均值差值 。下 面分别给 出在水平 为了更好地说明这— ， 我们将灰度图像像素梯度矢量的模记为ｌ ， △ ｑ 和垂直 方向上 的领 域均值 差值计 算公式 ： 水平夹角记为 ０。Ａ 可由公式计算得到， ＪＧ Ｊ ０可由公式（３计算得到 ， １）