基于多尺度幾何分析的紋理圖像檢索研究.pdf

1、隨著多媒體和Internet技術(shù)的快速發(fā)展，基于內(nèi)容的圖像檢索已經(jīng)成為圖像處理和計(jì)算機(jī)視覺(jué)領(lǐng)域的研究熱點(diǎn)，基于內(nèi)容的圖像檢索具有廣闊的應(yīng)用前景和重要的學(xué)術(shù)研究?jī)r(jià)值。經(jīng)過(guò)多年來(lái)的研究，基于內(nèi)容的圖像檢索已經(jīng)取得了豐碩成果。然而，基于內(nèi)容的圖像檢索依然面臨著巨大的挑戰(zhàn)，仍然存在著許多需要進(jìn)一步解決和深入研究的問(wèn)題。本文以提高基于內(nèi)容的紋理圖像檢索精度為目標(biāo)，對(duì)基于內(nèi)容的紋理圖像檢索中的相似性度量、旋轉(zhuǎn)不變特征提取、多特征提取、基于支持向量機(jī)

2、的分類和檢索、概率紋理圖像檢索進(jìn)行了深入研究。
　　 本文的主要工作如下:
　　 紋理圖像檢索包括圖像特征提取和相似性度量。相似性度量是紋理圖像檢索的關(guān)鍵技術(shù)之一，在圖像檢索中發(fā)揮著重要作用。目前，已經(jīng)有多種相似性度量方法。Kokare等人比較了用于紋理圖像檢索的九種相似性度量，即Euclidean、Canberra、Bray-Curtis、Manhattan、Weighted-Mean-Variance、Mahalan

3、obis、Chebychev、Squared Chi-Squared和Squared Chord相似性度量。Kokare等人的實(shí)驗(yàn)結(jié)果表明，與其它七種相似性度量相比，Canberra和Bray-Curtis相似性度量在圖像檢索中能夠取得比較好的檢索精度，但是檢索精度仍不夠理想。在圖像檢索研究中，構(gòu)造更好的相似性度量方法是一項(xiàng)較有意義的工作。本文提出了一種紋理圖像檢索的相似性度量方法。實(shí)驗(yàn)結(jié)果表明，與Euclidean距離、Canberr

4、a距離、Bray-Curtis距離和Weighted-Mean-Variance距離等相似性度量方法相比，本文提出的相似性度量方法獲得了更高的紋理圖像檢索精度。
　　 目前，已經(jīng)有多種旋轉(zhuǎn)不變紋理特征提取方法被提出，在這些方法中，基于模型的方法對(duì)于旋轉(zhuǎn)不變紋理特征的提取有較好的效果，但是這類方法有一個(gè)共同的缺點(diǎn)，即對(duì)于不同的紋理選擇一個(gè)普適的模型是相當(dāng)困難的。Han等人使用Garbor濾波器來(lái)提取旋轉(zhuǎn)不變紋理特征，但是Garbo

5、r通道的數(shù)目不易確定。Manthalkar等人使用離散小波包變換來(lái)提取旋轉(zhuǎn)不變紋理特征。因?yàn)殡x散小波變換對(duì)平移敏感，并且方向性差，所以Kokare等人使用雙樹(shù)旋轉(zhuǎn)復(fù)小波濾波器和雙樹(shù)復(fù)數(shù)小波變換來(lái)改進(jìn)旋轉(zhuǎn)不變紋理圖像檢索精度。本文提出了一種基于多尺度幾何分析和加權(quán)平均相關(guān)相似性度量(WARD)的旋轉(zhuǎn)不變紋理圖像檢索算法。通過(guò)計(jì)算每個(gè)非下采樣Contourlet變換尺度下的所有子帶的平均能量和平均標(biāo)準(zhǔn)偏差，得到具有旋轉(zhuǎn)不變性的紋理特征。在加

6、權(quán)平均相關(guān)相似性度量(WARD)中，兩幅圖像之間相似性度量不會(huì)受到任何其它圖像的影響，并且不需要計(jì)算整個(gè)圖像庫(kù)的統(tǒng)計(jì)數(shù)據(jù)，所以具有更廣闊的應(yīng)用前景，例如互聯(lián)網(wǎng)上的圖像檢索等。實(shí)驗(yàn)結(jié)果表明，與目前的一些旋轉(zhuǎn)不變紋理圖像檢索相比，本文提出的基于多尺度幾何分析和WARD的旋轉(zhuǎn)不變紋理圖像檢索算法提高了紋理圖像檢索精度。
　　 由于單一的旋轉(zhuǎn)不變紋理特征描述紋理的能力有一定的局限性，旋轉(zhuǎn)不變紋理多特征有更強(qiáng)的表示紋理的能力。本文提出了一

7、種基于非下采樣Contourlet變換和灰度共生矩陣的多特征的旋轉(zhuǎn)不變紋理特征提取方法。非下采樣Contourlet變換具有各向異性和平移不變性，其系數(shù)反映了圖像的紋理和細(xì)節(jié)。灰度共生矩陣描述了圖像的方向性、鄰近空間關(guān)系、方差的變化范圍。通過(guò)計(jì)算每個(gè)非下采樣Contourlet變換尺度下的所有子帶的平均能量和平均標(biāo)準(zhǔn)偏差以及灰度共生矩陣的二階矩角、慣性熵、慣性矩、反差分矩和慣性相關(guān)系數(shù)的均值和標(biāo)準(zhǔn)差，得到旋轉(zhuǎn)不變的多紋理特征。實(shí)驗(yàn)結(jié)果表

8、明，與Kokare等人于2006年提出的旋轉(zhuǎn)不變紋理圖像檢索算法相比，本文提出的基于非下采樣Contourlet變換和灰度共生矩陣的旋轉(zhuǎn)不變紋理圖像檢索算法取得了更好的旋轉(zhuǎn)不變紋理圖像檢索精度。
　　 本文提出一種基于多尺度幾何分析和支持向量機(jī)的紋理圖像分類和檢索算法。非下采樣Contourlet變換和局部二元模式被用來(lái)提取紋理特征，支持向量機(jī)被用來(lái)對(duì)圖像進(jìn)行分類和檢索。非下采樣Contourlet變換具有各向異性和平移不變性，

9、局部二元模式具有旋轉(zhuǎn)和灰度不變性。支持向量機(jī)具有好的分類性能。實(shí)驗(yàn)結(jié)果表明與目前的一些方法相比，本文提出的基于非下采樣Contourlet變換、局部二元模式和支持向量機(jī)算法能夠取得更好的圖像檢索精度。
　　 為了進(jìn)一步提高紋理圖像檢索的精度，本文提出一種基于多尺度幾何分析的概率紋理圖像檢索方法，采用非下采樣Contourlet變換對(duì)圖像進(jìn)行分解，利用伽瑪分布對(duì)分解得到的子帶系數(shù)進(jìn)行模型化，并且圖像之間的相似性度量通過(guò)Kullba