專利名稱：一種基于圖像紋理特征的圖像檢索方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種基于圖像紋理特征的圖像檢索方法，屬于計(jì)算機(jī)視覺(jué)、圖像理解以及模式識(shí)別等領(lǐng)域。
背景技術(shù)：
自90年代以來(lái)，隨著計(jì)算機(jī)技術(shù)、多媒體技術(shù)以及網(wǎng)絡(luò)技術(shù)的飛速發(fā)展，越來(lái)越多的圖像出現(xiàn)在人們的日常生活中。圖像數(shù)據(jù)的爆炸性增長(zhǎng)使得對(duì)圖像的管理和檢索成為關(guān)鍵。
紋理是重要的早期視覺(jué)特征之一，它反映了圖像可視表面的基本性質(zhì)。由于紋理特征的重要性和獨(dú)特性，已經(jīng)將紋理特征引入到圖像檢索領(lǐng)域，MPEG-7也相應(yīng)地制定了一些國(guó)際標(biāo)準(zhǔn)來(lái)介紹用于圖像檢索的紋理特征。盡管利用紋理特征進(jìn)行圖像檢索已經(jīng)不是新鮮的研究課題了，但是，目前的方法仍然有一些不盡人意的地方。其中，最突出的缺陷就是，多數(shù)的方法使用的紋理分析算法一般只能很好地描述一種類型的紋理圖像(均勻紋理或不均勻紋理)，然而，在實(shí)際的圖像檢索中，很難判斷出一幅圖像的紋理類型，所以，對(duì)紋理類型不加判斷，對(duì)所有圖像直接采用一種紋理描述方案的檢索方法很難真正提高檢索準(zhǔn)確率。
一般地，紋理可以分為規(guī)則的和不規(guī)則的兩種類型，也有稱之為均勻紋理和非均勻紋理。對(duì)于均勻紋理，其明顯特點(diǎn)是周期性、方向性和規(guī)律性，而非均勻紋理則隨機(jī)性較大。紋理是描述圖像灰度空間分布特征的，因此，無(wú)法用點(diǎn)來(lái)定義，分析紋理特征的尺度是相當(dāng)重要的。根據(jù)均勻紋理和非均勻紋理的不同特點(diǎn)，許多學(xué)者都認(rèn)為應(yīng)當(dāng)采用不同的尺度來(lái)分析不同類型的紋理，對(duì)于均勻紋理，使用較大的尺度以發(fā)現(xiàn)它的方向性、周期性等規(guī)律比較合適；而對(duì)于非均勻紋理，則應(yīng)使用較小尺度來(lái)刻畫(huà)它的隨機(jī)性。從紋理的特點(diǎn)不難看出，規(guī)則紋理較容易描述。結(jié)構(gòu)分析方法認(rèn)為規(guī)則紋理圖像中存在一些基本的紋理基元，紋理正是由這些紋理基元按一定的結(jié)構(gòu)規(guī)律重復(fù)形成的。對(duì)于非規(guī)則紋理圖像，隨機(jī)性占較大優(yōu)勢(shì)。因此，能夠準(zhǔn)確刻畫(huà)非規(guī)則紋理特征的方法對(duì)它的定義也不像對(duì)規(guī)則紋理定義那樣簡(jiǎn)單明了。目前幾種經(jīng)典的圖像紋理分析方法空間自相關(guān)函數(shù)法、傅立葉功率譜法、灰度共生矩陣法、基于馬爾可夫隨機(jī)場(chǎng)模型、Gabor filter紋理分析法。
在目前的圖像檢索系統(tǒng)中，圖像的紋理特征大多采用上述的紋理分析方法。但是，通過(guò)大量的檢索實(shí)驗(yàn)，我們發(fā)現(xiàn)，將這些算法直接移植的策略并不是十分適合圖像檢索。首先，多數(shù)的紋理特征描述方法只對(duì)一種紋理類型比較有效，而在實(shí)際的圖像檢索中，還沒(méi)有出現(xiàn)能夠自動(dòng)判斷紋理類型的算法，因此，系統(tǒng)獲取圖像的紋理類型比較困難，于是這也就導(dǎo)致了，對(duì)所有圖像使用同一種紋理描述子，這樣勢(shì)必將影響檢索準(zhǔn)確率。其次，即使我們想設(shè)計(jì)一種能夠?qū)Σ煌愋偷募y理進(jìn)行有區(qū)分描述，但是，各個(gè)算法由不同的研究組提出，且大多基于不同的理論基礎(chǔ)，因此，很難將它們統(tǒng)一在一起。

發(fā)明內(nèi)容
為避免現(xiàn)有技術(shù)的缺陷，本發(fā)明提出了一種基于Variogram函數(shù)的圖像紋理特征的檢索方法，適合于基于內(nèi)容圖像檢索應(yīng)用的圖像紋理特征描述方法。它利用在地理數(shù)據(jù)空間關(guān)系分析中常用的Variogram函數(shù)作為數(shù)學(xué)工具，針對(duì)均勻性紋理和非均勻性紋理這兩種紋理類型的不同特點(diǎn)，采用不同的策略，而且能夠?qū)煞N不同類型的紋理描述統(tǒng)一到一個(gè)框架之下。
本發(fā)明的基本思想，首先對(duì)查詢圖像進(jìn)行紋理類型估計(jì)；針對(duì)不同的紋理類型，使用不同的分析方法和不同的描述策略；生成特征矢量和進(jìn)行圖像匹配。其技術(shù)特征在于將圖像數(shù)據(jù)看作是區(qū)域化變量，以圖像數(shù)據(jù)的Variogram函數(shù)值，反映圖像象素的結(jié)構(gòu)性，和圖像數(shù)據(jù)的統(tǒng)計(jì)特性。在整個(gè)處理過(guò)程中，包括紋理類型的估計(jì)，紋理類型的分析，以及特征矢量的生成和進(jìn)行圖像匹配，都是采用Variogram函數(shù)，用一個(gè)基于Variogram函數(shù)的、統(tǒng)一的、適合于圖像檢索的紋理特征描述子；預(yù)先對(duì)圖像庫(kù)中的圖像也基于Variogram函數(shù)進(jìn)行紋理類型判斷，并進(jìn)行分類。
紋理類型的估計(jì)采用基于Variogram函數(shù)的紋理類型自動(dòng)估計(jì)。由于Variogram函數(shù)曲線應(yīng)該是單調(diào)遞增的，它反映出區(qū)域化變量隨著空間距離的增加不相關(guān)程度越來(lái)越大，但是對(duì)于具有周期性的規(guī)則紋理，Variogram函數(shù)表現(xiàn)為類似于正弦函數(shù)曲線的周期性，而類正弦函數(shù)周期正好為紋理的周期。而不規(guī)則紋理的Variogram函數(shù)曲線就不會(huì)明顯地表現(xiàn)出周期性，因此，我們就可以簡(jiǎn)單地利用能否尋找到Variogram函數(shù)的極限距離來(lái)判斷圖像具有規(guī)則紋理或是具有不規(guī)則紋理，而且極限距離的大小和方向也可以刻畫(huà)周期紋理的特征。
用紋理類型自動(dòng)預(yù)測(cè)算法對(duì)查詢圖像進(jìn)行紋理類型估計(jì)的具體方法1.在圖像中隨機(jī)選取n個(gè)象素點(diǎn)，分別以此n個(gè)象素點(diǎn)為中心，取大小的圖像區(qū)域；2.在每個(gè)小區(qū)域中，分別沿水平、垂直、正45度、負(fù)45度方向計(jì)算Variogram函數(shù)值，則對(duì)整幅圖像共有n×4條Variogram函數(shù)曲線；3.對(duì)每一條Variogram曲線首先使用Guass函數(shù)對(duì)其進(jìn)行平滑，然后根據(jù)極限距離判斷準(zhǔn)則判斷每一條曲線是否存在極限距離；4.若50％以上的曲線具有極限距離，則認(rèn)為此圖像中的紋理主要為規(guī)則紋理，使用規(guī)則紋理分析算法提取紋理特征；否則，認(rèn)為此圖像中的紋理主要為不規(guī)則紋理，使用不規(guī)則紋理分析算法提取紋理特征。
極限距離判斷準(zhǔn)則在Variogram曲線上尋找滿足下列條件的hi，i＝1，2，....條件1S*(hi)≤S*(1)或|S*(hi)-S*(1)|≤T，其中T為閾值；條件2S*(hi)＜S*(hi-1)且S*(hi)＜S*(hi+1)；條件3ΔS*(hi)為局部極大值，ΔS*(hi)≥V，且V為閾值；當(dāng)至少有一個(gè)hi滿足上述三個(gè)條件，則認(rèn)為此曲線的極限距離存在，并且把最小的hi定義為該曲線的極限距離，記為h；否則，認(rèn)為該曲線不存在極限距離。
紋理類型的分析分為規(guī)則紋理和不規(guī)則紋理。
對(duì)于規(guī)則紋理圖像，其空間相關(guān)性占優(yōu)，所以對(duì)于描述規(guī)則紋理圖像，一般應(yīng)當(dāng)在較大的尺度空間內(nèi)刻畫(huà)它的方向性和周期性。
1.把圖像分成多個(gè)2hmax×2hmax的小區(qū)域，每個(gè)小區(qū)域內(nèi)計(jì)算沿水平、垂直、正45度方向和負(fù)45度方向上的Variogram函數(shù)值S1*(d)、S2*(d)、S3*(d)、S4*(d)；2.在每個(gè)小區(qū)域內(nèi)，計(jì)算每個(gè)方向上的極限距離h1，h2，h3，h4，若某個(gè)方向上的極限距離不存在則記為0；3.賦予小區(qū)域內(nèi)每一點(diǎn)的紋理極限距離為該區(qū)域沿四個(gè)方向計(jì)算出的極限距離值。
hmax是所有Variogram曲線中最大的極限距離。
注意的是小區(qū)域的邊長(zhǎng)取為紋理分類算法中的最大極限距離hmax的二倍，目的是保證Variogram函數(shù)能夠在大于一個(gè)紋理周期內(nèi)計(jì)算，從而更有利于發(fā)現(xiàn)極限距離。
不規(guī)則紋理的分析在不規(guī)則紋理中圖像數(shù)據(jù)的隨機(jī)性占優(yōu)，在一定區(qū)域內(nèi)一般難以呈現(xiàn)規(guī)律性。我們采用圖像中每一個(gè)象素點(diǎn)在四個(gè)方向(水平、垂直、正45度和負(fù)45度)上的嚴(yán)格單步Variogram函數(shù)值來(lái)描述
Ss1*(1)=1/4×(|f(x,y)-f(x,y+1)|+|f(x,y)-f(x,y-1)|)]]>Ss2*(1)=1/4×(|f(x,y)-f(x+1,y)|+|f(x,y)-f(x-1,y)|)]]>Ss3*(1)=1/4×(|f(x,y)-f(x-1,y+1)|+|f(x,y)-f(x+1,y-1)|)]]>Ss4*(1)=1/4×(|f(x,y)-f(x-1,y-1)|+|f(x,y)-f(x+1,y+1)|)]]>其中f(x，y)為象素坐標(biāo)(x，y)的灰度值，Ss1*(1)、Ss2*(1)、Ss3*(1)、Ss4*(1)為象素坐標(biāo)(x，y)點(diǎn)在四個(gè)方向(水平、垂直、正45度和負(fù)45度)上的嚴(yán)格單步Variogram函數(shù)值，它們是在一個(gè)3×3的小區(qū)域內(nèi)計(jì)算的。
基于紋理的特征矢量的生成主要包括兩個(gè)步驟紋理譜的計(jì)算和自帶紋理表的生成。
其中，第一個(gè)步驟主要是統(tǒng)計(jì)圖像中每一個(gè)象素點(diǎn)紋理特征的分布情況；第二個(gè)步驟通過(guò)對(duì)紋理特征的統(tǒng)計(jì)結(jié)果進(jìn)行聚類，形成每一幅圖像具有代表性的紋理特點(diǎn)。
紋理譜，即用來(lái)統(tǒng)計(jì)圖像的紋理分布的直方圖。
對(duì)于規(guī)則紋理它的頻率譜用沿水平、垂直、正45度和負(fù)45度這四個(gè)方向上歸一化極限距離值和具有該極限距離值的點(diǎn)頻率來(lái)表示。用H1，H2，H3，H4分別表示四個(gè)方向上的紋理直方圖，則L×L的規(guī)則紋理圖像的直方圖Hi為Hi={(hi,jL,Ni,jL×L)};i=1,2,3,4;j=1,2,..........]]>其中，hi，j表示不同方向上的極限距離值，Ni，j表示具有極限距離值為hi，j點(diǎn)的個(gè)數(shù)。為了滿足圖像檢索的尺度不變性，我們對(duì)極限距離值和點(diǎn)的個(gè)數(shù)都進(jìn)行了歸一化處理。
不規(guī)則紋理的紋理譜的計(jì)算類似于規(guī)則紋理譜，用H′1，H′2，H′3，H′4表示四個(gè)方向上的紋理直方圖，則H′i={(Ssi,j*(1),Nsi,jL×L)};i=1,2,3,4;j=1,2,......]]>其中，Ssi，j*表示不同方向上嚴(yán)格單步Variogram函數(shù)值，Nsi，j表示具有Ssi，j*點(diǎn)的個(gè)數(shù)。
為了減少計(jì)算量，提高檢索速度，在紋理譜的基礎(chǔ)上我們?yōu)槊恳环鶊D像定制一個(gè)自帶紋理表，使用其中的一些代表性的信息來(lái)描述圖像的紋理特征。它的基本思路是在圖像紋理譜中進(jìn)行聚類操作，去除和合并不顯著的紋理特征，用少數(shù)的顯著紋理來(lái)代表整個(gè)圖像的紋理特征。步驟
1.計(jì)算四個(gè)方向上的紋理直方圖(紋理譜)，即圖象中每個(gè)紋理特征與其對(duì)應(yīng)的點(diǎn)頻數(shù)的統(tǒng)計(jì)圖(規(guī)則紋理，紋理特征是歸一化極限距離；不規(guī)則紋理，紋理特征是指嚴(yán)格單步Variogram函數(shù)值)；2.在每一個(gè)直方圖中，尋找所有的峰值點(diǎn)(即點(diǎn)頻數(shù)取局部極大值的點(diǎn))，假設(shè)共有n個(gè)峰值，分別記作T1，T2，...，Tn；3.對(duì)所有的峰按照象素點(diǎn)頻數(shù)由達(dá)到小排序得到T(1)，T(2)，....，T(n)序列；4.按照給定閾值(象素頻數(shù))對(duì)峰值序列進(jìn)行截尾，得到m個(gè)峰值序列T(1)，T(2)，...，T(m)并以它們對(duì)應(yīng)的紋理特征作為參考紋理特征表；5.如果m＜n，以各參考紋理特征為聚類中心，對(duì)T(m+1)，T(m+2)，....，T(n)與T(1)，T(2)，....，T(m)進(jìn)行最近聚類合并，假設(shè)在每一個(gè)峰值點(diǎn)都存在一個(gè)以該峰值點(diǎn)為中心服從高斯分布的聚類，合并小的類(從m+1到n)到與它最為鄰近的大的聚類(前n個(gè)類)中，并重新計(jì)算聚類中心；6.把所有合并后的聚類按照降序排列；7.在每一個(gè)直方圖中選擇M個(gè)最大的聚類(規(guī)則紋理M一般取3，不規(guī)則紋理M一般取6)；8.以每個(gè)方向上的M個(gè)最大聚類的中心作為圖象的自帶紋理表。
生成自帶紋理表后，每個(gè)方向選取M個(gè)最大聚類，則特征矢量為X={(t11,p11),....,(t1M,p1M);(t21,p21),....,(t2M,p2M);(t31,p31),....,(t3M,p3M);(t41,p41),....,(t4M,p4M)}]]>其中p代表點(diǎn)頻數(shù)，對(duì)于規(guī)則紋理t代表歸一化極限距離，不規(guī)則紋理的t代表嚴(yán)格單步Variogram函數(shù)值?？梢钥闯龌赩ariogram函數(shù)值的特征矢量具有一定的尺度和平移不變性。
圖像匹配是依據(jù)圖像間的相似性度量特征矢量生成后，檢索與待查詢圖像相似的圖像實(shí)質(zhì)上就是計(jì)算圖像特征矢量之間的距離，輸出與待查詢圖像特征矢量距離最小的圖像集合。


圖1本發(fā)明的檢索方法流程2一幅規(guī)則紋理進(jìn)行查詢的例子圖3一幅不規(guī)則紋理進(jìn)行查詢的例子圖4本發(fā)明的方法與MPEG-7提出的兩種紋理描述子在實(shí)際檢索系統(tǒng)中檢索準(zhǔn)確率比較曲線
具體實(shí)施例方式現(xiàn)結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步描述用于實(shí)施的硬件環(huán)境是Pentium-4 1.7G計(jì)算機(jī)、512MB內(nèi)存，運(yùn)行的軟件環(huán)境是V-C++6.0和Windows 2000。我們用C++程序設(shè)計(jì)語(yǔ)言實(shí)現(xiàn)了本發(fā)明提出的方法。實(shí)驗(yàn)所用的圖像數(shù)據(jù)庫(kù)共有2500幅紋理圖像，其中大約包括1500幅規(guī)則紋理圖像和1000幅不規(guī)則紋理圖像。圖像的來(lái)源有從Brodatz album中抽取、網(wǎng)上下載和從Corel Image Gallery中抽取，具體的紋理包括地面花紋紋理、木紋理、紙紋理、金屬紋理、布紋理和自然紋理等。實(shí)驗(yàn)參數(shù)取值T＝50，V＝200，規(guī)則紋理M＝3，不規(guī)則紋理M＝6。
設(shè)有一幅紋理圖像Q，其大小為L(zhǎng)×L。
1.在圖像中隨機(jī)選取20個(gè)象素點(diǎn)，分別以此20個(gè)象素點(diǎn)為中心，取m×m大小的圖像區(qū)域，m＝L/52.在每個(gè)小區(qū)域中，分別沿水平、垂直、正45度、負(fù)45度方向計(jì)算出Variogram函數(shù)，分別記為Si*(d)、S2*(d)、S3*(d)、S4*(d)；整幅圖像共有80條Variogram函數(shù)曲線；3.對(duì)80條Variogram曲線首先使用Guass函數(shù)對(duì)其進(jìn)行平滑，然后根據(jù)極限距離判斷準(zhǔn)則判斷每一條曲線是否存在極限距離；4.若40條以上的曲線具有極限距離，則認(rèn)為此圖像中的紋理主要為規(guī)則紋理，否則，認(rèn)為此圖像中的紋理主要為不規(guī)則紋理。
根據(jù)紋理的不同，分別使用規(guī)則紋理分析算法，或不規(guī)則紋理分析算法提取紋理特征。
然后再統(tǒng)計(jì)圖像中每一個(gè)象素點(diǎn)紋理特征的分布情況，并通過(guò)對(duì)紋理特征的統(tǒng)計(jì)結(jié)果進(jìn)行聚類，形成每一幅圖像具有代表性的紋理特點(diǎn)。生成自帶紋理表后，每個(gè)方向選取M個(gè)最大聚類，則特征矢量為
X={(t11,p11),....,(t1M,p1M);(t21,p21),....,(t2M,p2M);(t31,p31),....,(t3M,p3M);(t41,p41),....,(t4M,p4M)}]]>圖像I是數(shù)據(jù)庫(kù)中的任意一幅圖像，它對(duì)應(yīng)的特征矢量為X′={(t11′,p11′),...,(t1M′,p1M′);(t21′,p21′),...,(t2M′,p2M′);(t31′,p31′),...,(t3M′,p3M′);(t41′,p41′),...,(t4M′,p4M′)}]]>圖像匹配時(shí)，Q和I的距離計(jì)算如下1.分別計(jì)算；D1，D2，D3，D4；D1=Σi=14Σj=1M(pij-pij′)2+Σi=14Σj=1M(tij-tij′)2]]>D2=Σi=13Σj=1M(pij-pi+1j′)2+Σj=1M(p4j-pij′)2+Σi=13Σj=1M(tij-ti+1j′)2+Σj=1M(t4j-t1j′)2]]>D3=Σi=12Σj=1M(pij-pi+2j′)2+Σi=34Σj=1M(pij-pi-2j′)2+Σi=12Σj=1M(tij-ti+2j′)2+Σi=34Σj=1M(tij-ti-2j′)]]>D4=Σj=1M(p1j-p4j′)2+Σi=24Σj=1M(pij-pi-1j′)2+Σj=1M(t1j-t4j′)2+Σi=24Σj=1M(tij-ti-1j′)2]]>2.和QI之間的距離D(Q，I)＝min{D1，D2，D3，D4}由于圖像檢索要求具有尺度、平移和旋轉(zhuǎn)不變性，而算法中的特征矢量已經(jīng)具有尺度和平移不變性，因此，在計(jì)算距離時(shí)，為了取得旋轉(zhuǎn)不變性，先計(jì)算兩幅圖像每一種可能的對(duì)應(yīng)方向下的距離，選取最小距離作為匹配時(shí)的相似性度量距離。
另外，需要指出的是，圖像數(shù)據(jù)庫(kù)中的紋理圖像均根據(jù)自動(dòng)紋理類型估計(jì)算法預(yù)測(cè)出其紋理類型，并且對(duì)圖像按照紋理類型分類，在匹配時(shí)，預(yù)測(cè)出查詢圖像的紋理類型后，則僅僅度量查詢圖像和與之紋理類型相同的圖像之間的相似度，這樣就會(huì)大大的提高檢索速度。
圖2是一幅規(guī)則紋理進(jìn)行查詢的例子，圖3是一幅不規(guī)則紋理進(jìn)行查詢的例子。為了減少篇幅，我們只給出被檢索出來(lái)的前十個(gè)相似圖像。
本發(fā)明方法有兩個(gè)較為關(guān)鍵的技術(shù)第一，紋理類型自動(dòng)判斷法；第二，使用紋理信息進(jìn)行圖像檢索。首先，對(duì)于紋理類型自動(dòng)判斷方法，我們具體的評(píng)價(jià)測(cè)試如下從圖像庫(kù)中隨機(jī)挑選200幅規(guī)則紋理圖像，然后使用本發(fā)明的算法進(jìn)行判斷，算法的準(zhǔn)確率定義為判斷正確的圖像數(shù)目與總圖像數(shù)目(200幅)的比值。經(jīng)過(guò)計(jì)算，本發(fā)明提出的自動(dòng)紋理類型判斷方法的準(zhǔn)確率為86％。
本發(fā)明的一個(gè)突出優(yōu)點(diǎn)是它根適合于實(shí)際的檢索系統(tǒng)，因?yàn)樵趯?shí)際檢索中，無(wú)法得知圖像的紋理類型，所以也就很難確定使用哪一種紋理分析方法，而本文的方法預(yù)先自動(dòng)的預(yù)測(cè)紋理類型，并且相應(yīng)的使用合適的分析方法來(lái)提取特征。評(píng)價(jià)本方法準(zhǔn)確率的第二個(gè)實(shí)驗(yàn)，我們模擬實(shí)際的檢索過(guò)程，查詢圖像輸入后，本發(fā)明方法(包括紋理類型預(yù)測(cè))、Gabor filter算法和邊緣相位直方圖算法分別進(jìn)行檢索，然后計(jì)算檢索的準(zhǔn)確率。我們?cè)趫D像數(shù)據(jù)庫(kù)中隨機(jī)挑選100幅圖像來(lái)進(jìn)行測(cè)試，計(jì)算平均檢索準(zhǔn)確率，圖4給出了三種方法檢索的平均準(zhǔn)確率。從實(shí)驗(yàn)結(jié)果來(lái)看，本發(fā)明的方法由于能夠?qū)D像的紋理提前進(jìn)行預(yù)測(cè)，并且根據(jù)預(yù)測(cè)的結(jié)果采用不同的紋理分析方法，所以實(shí)際的檢索準(zhǔn)確率更高，而另外兩種方法一般只能適用于一種紋理類型，對(duì)于每一個(gè)查詢圖像，都采用同一種分析方法，在實(shí)際檢索系統(tǒng)中圖像紋理類型未知的情況下，檢索的準(zhǔn)確率低于本發(fā)明的方法。
此外，對(duì)于檢索時(shí)間，由于發(fā)明的方法大部分處理均在離線時(shí)完成，實(shí)際的檢索時(shí)間與特征矢量的維數(shù)、數(shù)據(jù)庫(kù)中圖像的數(shù)目、軟硬件環(huán)境有關(guān)。在目前的實(shí)驗(yàn)測(cè)試條件下，一般的查詢時(shí)間不會(huì)超過(guò)1秒，完全符合實(shí)時(shí)性的要求和完全能夠滿足用戶的要求。
通過(guò)實(shí)驗(yàn)證明，本發(fā)明提出的紋理類型自動(dòng)判斷算法較為準(zhǔn)確。通過(guò)兩個(gè)檢索準(zhǔn)確率的對(duì)比實(shí)驗(yàn)，盡管本發(fā)明在刻畫(huà)特定類型的紋理特征時(shí)，不如MPEG-7的兩個(gè)標(biāo)準(zhǔn)算子，但是，更加適合實(shí)際的檢索系統(tǒng)，對(duì)于實(shí)際的檢索系統(tǒng)，它的準(zhǔn)確率更高。綜合看來(lái)，本發(fā)明具有更為良好的性能。
權(quán)利要求
1.一種基于圖像紋理特征的圖像檢索方法，首先對(duì)查詢圖像進(jìn)行紋理類型估計(jì)；針對(duì)不同的紋理類型，使用不同的分析方法；生成特征矢量和進(jìn)行圖像匹配；其技術(shù)特征在于將圖像數(shù)據(jù)看作是區(qū)域化變量，以圖像數(shù)據(jù)的Variogram函數(shù)值，反映圖像象素的結(jié)構(gòu)性，和圖像數(shù)據(jù)的統(tǒng)計(jì)特性；在整個(gè)處理過(guò)程中，包括紋理類型的估計(jì)、紋理類型的分析，以及特征矢量的生成和進(jìn)行圖像匹配，都是采用Variogram函數(shù)，并用一個(gè)基于Variogram函數(shù)的、統(tǒng)一的、適合于圖像檢索的紋理特征描述子。
2.根據(jù)權(quán)利要求1所述的一種基于圖像紋理特征的圖像檢索方法，其特征在于紋理類型的估計(jì)采用基于Variogram函數(shù)的紋理類型自動(dòng)估計(jì)，其方法為1.在圖象中隨機(jī)選取n個(gè)象素點(diǎn)，分別以此n個(gè)象素點(diǎn)為中心，取大小的圖像區(qū)域；2.在每個(gè)小區(qū)域中，分別沿水平、垂直、正45度、負(fù)45度方向計(jì)算出實(shí)驗(yàn)Variogram函數(shù)，則對(duì)整幅圖像共有n×4條Variogram函數(shù)曲線；3.對(duì)每一條Variogram曲線首先使用Guass函數(shù)對(duì)其進(jìn)行平滑，然后根據(jù)極限距離判斷準(zhǔn)則判斷每一條曲線是否存在極限距離；4.若50％以上的曲線具有極限距離，則認(rèn)為此圖像中的紋理主要為規(guī)則紋理，使用規(guī)則紋理分析算法提取紋理特征；否則，認(rèn)為此圖像中的紋理主要為不規(guī)則紋理，使用不規(guī)則紋理分析算法提取紋理特征。
3.根據(jù)權(quán)利要求2所述的一種基于圖像紋理特征的圖像檢索方法，其特征在于極限距離判斷準(zhǔn)則是在Variogram曲線上尋找滿足下列條件的hi，i＝1，2，....條件1S*(hi)≤S*(1)或|S*(hi)-S*(1)|≤T，其中T為閾值；條件2S*(hi)＜S*(hi-1)且S*(hi)＜S*(hi+1)；條件3ΔS*(hi)為局部極大值，ΔS*(hi)≥V，且V為閾值；當(dāng)至少有一個(gè)hi滿足上述三個(gè)條件，則認(rèn)為此曲線的極限距離存在，并且把最小的hi定義為該曲線的極限距離，記為h；否則，認(rèn)為該曲線不存在極限距離。
4.根據(jù)權(quán)利要求1所述的一種基于圖像紋理特征的圖像檢索方法，其特征在于紋理類型的分析中對(duì)于規(guī)則紋理的分析1.把圖像分成多個(gè)2hmax×2hmax的小區(qū)域，每個(gè)小區(qū)域內(nèi)計(jì)算沿水平、垂直、正45度方向和負(fù)45度方向上的Variogram函數(shù)值；2.在每個(gè)小區(qū)域內(nèi)，計(jì)算每個(gè)方向上的極限距離h1，h2，h3，h4，若某個(gè)方向上的極限距離不存在則記為0；3.賦予小區(qū)域內(nèi)每一點(diǎn)的紋理極限距離為該區(qū)域沿四個(gè)方向計(jì)算出的極限距離值；hmax是所有Variogram曲線中最大的極限距離。
5.根據(jù)權(quán)利要求4所述的一種基于圖像紋理特征的圖像檢索方法，其特征在于分成的小區(qū)域的邊長(zhǎng)為紋理分類算法中的最大極限距離hmax的二倍。
6.根據(jù)權(quán)利要求1所述的一種基于圖像紋理特征的圖像檢索方法，其特征在于紋理類型的分析中不規(guī)則紋理的分析采用圖像中每一個(gè)象素點(diǎn)在四個(gè)方向(水平、垂直、正45度和負(fù)45度)上的嚴(yán)格單步Variogram函數(shù)值來(lái)描述Ss1*(1)=1/4×(|f(x,y)-f(x,y+1)|+|f(x,y)-f(x,y-1)|)]]>Ss2*(1)=1/4×(|f(x,y)-f(x+1,y)|+|f(x,y)-f(x-1,y)|)]]>Ss3*(1)=1/4×(|f(x,y)-f(x-1,y+1)|+|f(x,y)-f(x+1,y-1)|)]]>Ss4*(1)=1/4×(|f(x,y)-f(x-1,y-1)|+|f(x,y)-f(x+1,y+1)|)]]>其中f(x，y)為象素坐標(biāo)(x，y)的灰度值，Ss1*(1)、Ss2*(1)、Ss3*(1)、Ss4*(1)為象素坐標(biāo)(x，y)點(diǎn)在四個(gè)方向(水平、垂直、正45度和負(fù)45度)上的嚴(yán)格單步Variogram函數(shù)值，它們是在一個(gè)3×3的小區(qū)域內(nèi)計(jì)算的。
7.根據(jù)權(quán)利要求1所述的一種基于圖像紋理特征的圖像檢索方法，其特征在于特征矢量的生成主要包括兩個(gè)步驟紋理譜的計(jì)算和自帶紋理表的生成；第一個(gè)步驟主要是統(tǒng)計(jì)圖像中每一個(gè)象素點(diǎn)紋理特征的分布情況；第二個(gè)步驟通過(guò)對(duì)紋理特征的統(tǒng)計(jì)結(jié)果進(jìn)行聚類，形成每一幅圖像具有代表性的紋理特點(diǎn)；生成自帶紋理表后，每個(gè)方向選取M個(gè)最大聚類，則特征矢量為X={(t11,p11),....,(t1M,p1M);(t21,p21),....,(t2M,p2M);(t31,p31),....,(t3M,p3M);(t41,p41),....,(t4M,p4M)};]]>
8.根據(jù)權(quán)利要求7所述的一種基于圖像紋理特征的圖像檢索方法，其特征在于紋理譜的計(jì)算它的頻率譜用沿水平、垂直、正45度和負(fù)45度這四個(gè)方向上歸一化極限距離值和具有該極限距離值的點(diǎn)頻率來(lái)表示；對(duì)L×L的規(guī)則紋理圖像的直方圖Hi為Hi={(hi,jL,Ni,jL×L)};i=1,2,3,4;j=1,2,.....]]>不規(guī)則紋理圖像的直方圖為H′i={(Ssi,j*(1),Nsi,jL×L)};i=1,2,3,4;j=1,2,......]]>
9.根據(jù)權(quán)利要求1所述的一種基于圖像紋理特征的圖像檢索方法，其特征在于特征矢量的生成中的第二步自帶紋理表的生成是在圖像紋理譜中進(jìn)行聚類操作，去除和合并不顯著的紋理特征，用少數(shù)的顯著紋理來(lái)代表整個(gè)圖像的紋理特征；步驟為1.計(jì)算四個(gè)方向上的紋理直方圖(紋理譜)，即圖像中每個(gè)紋理特征與其對(duì)應(yīng)的點(diǎn)頻數(shù)的統(tǒng)計(jì)圖(規(guī)則紋理，紋理特征是歸一化極限距離；不規(guī)則紋理，紋理特征是指嚴(yán)格單步Variogram函數(shù)值)；2.在每一個(gè)直方圖中，尋找所有的峰值點(diǎn)(即點(diǎn)頻數(shù)取局部極大值的點(diǎn))，假設(shè)共有n個(gè)峰值，分別記作T1，T2...，TH；3.對(duì)所有的峰按照象素點(diǎn)頻數(shù)由達(dá)到小排序得到T(1)，T(2)，...，T(n)序列；4.按照給定閾值(象素頻數(shù))對(duì)峰值序列進(jìn)行截尾，得到m個(gè)峰值序列T(1)，T(2)，....，T(m)并以它們對(duì)應(yīng)的紋理特征作為參考紋理特征表；5.如果m＜n，以各參考紋理特征為聚類中心，對(duì)T(m+1)，T(m+2)，...，T(n)與T(1)，T(2)，....，T(m)進(jìn)行最近聚類合并，假設(shè)在每一個(gè)峰值點(diǎn)都存在一個(gè)以該峰值點(diǎn)為中心服從高斯分布的聚類，合并小的類(從m+1到n)到與它最為鄰近的大的聚類(前n個(gè)類)中，并重新計(jì)算聚類中心；6.把所有合并后的聚類按照降序排列；7.在每一個(gè)直方圖中選擇M個(gè)最大的聚類(規(guī)則紋理M一般取3，不規(guī)則紋理M一般取6)；8.以每個(gè)方向上的M個(gè)最大聚類的中心作為圖像的自帶紋理表。
10.根據(jù)權(quán)利要求1所述的一種基于圖像紋理特征的圖像檢索方法，其特征在于圖像匹配是依據(jù)圖像間的相似性度量特征矢量生成后，檢索與待查詢圖像相似的圖像實(shí)質(zhì)上就是計(jì)算圖像特征矢量之間的距離，輸出與待查詢圖像特征矢量距離最小的圖像集合。
全文摘要
本發(fā)明涉及一種基于圖像紋理特征的圖像檢索方法，利用在地理數(shù)據(jù)空間關(guān)系分析中常用的Variogram函數(shù)作為數(shù)學(xué)工具，將圖像數(shù)據(jù)看作是區(qū)域化變量，以圖像數(shù)據(jù)的Variogram函數(shù)值，反映圖像象素的結(jié)構(gòu)性，和圖像數(shù)據(jù)的統(tǒng)計(jì)特性。在整個(gè)處理過(guò)程中，包括紋理類型的估計(jì)，紋理類型的分析，以及特征矢量的生成和進(jìn)行圖像匹配，都是采用Variogram函數(shù)，用一個(gè)基于Variogram函數(shù)的、統(tǒng)一的、適合于圖像檢索的紋理特征描述子；預(yù)先對(duì)圖像庫(kù)中的圖像也基于Variogram函數(shù)進(jìn)行紋理類型判斷，并進(jìn)行分類。本發(fā)明的一個(gè)突出優(yōu)點(diǎn)是提出的紋理類型自動(dòng)判斷算法較為準(zhǔn)確，在實(shí)際檢索系統(tǒng)中圖像紋理類型未知的情況下，檢索的準(zhǔn)確率高，符合實(shí)時(shí)性的要求，在檢索時(shí)間上能滿足用戶的要求。
文檔編號(hào)G06T7/00GK1570972SQ0313442
公開(kāi)日2005年1月26日 申請(qǐng)日期2003年7月23日 優(yōu)先權(quán)日2003年7月23日
發(fā)明者郭雷, 韓軍偉 申請(qǐng)人:西北工業(yè)大學(xué)