一种基于灰度梯度共生特征的复小波域纹理检索方法.docVIP

一种基于灰度梯度共生特征的复小波域纹理检索方法 摘要：在图像经频域分解后的子带系数上引入灰度梯度共生矩阵，且计算低冗余度的特征值。将该特征应用于各种频域变换的子带系数上，并提出一种基于双树复数小波分解的灰度梯度共生矩阵纹理检索方法，实验结果表明，该方法有效的提高了检索精度。 关键词：灰度梯度共生矩阵； 小波变换；曲波变换； 轮廓波变换；双树复数小波变换；图像检索 引言 20世纪90年代以来随着多媒体技术和互联网技术的快速发展，对图像库进行有效管理和利用的需求越发迫切，图像检索作为其中的关键技术受到人们的广泛关注。传统的基于文本的检索技术由于具有人工提取工作量大且主观性强，文本描述不能充分表达图像内涵，文本二义性等缺点已不能适用于大规模图像集，因此，基于内容的图像检索(Content Based Image Retrieval,CBIR)逐渐成为研究热点。CBIR是指利用图像的视觉内容，如颜色，纹理，形状，空间布局，语义等，从大量图像数据中有哪些信誉好的足球投注网站用户感兴趣的图像。 国内外学者对图像纹理进行了大量的研究。根据信号处理理论，图像纹理特征的提取方法可分为：空间域方法和频域方法[1]。空间域方法可归类为统计方法，结构方法或混合方法[1-5]。频域方法中常用的有Gabor变换[6]，Wavelet变换[7]，Curvelet变换[8,9]，Contourlet变换[10,11],DT-CWT变换[12,13]等。 图像经频域方法分解得到的子带系数反映的是图像的灰度分布特征，不包含系数之间的关系。因此，我们在频域方法的基础上引入灰度梯度共生矩阵(GLGCM,Gray Level-Gradient Cooccurrence Matrix)，在保留图像灰度信息的同时引入图像的梯度信息以获得更丰富的纹理信息。自Haralick.R.M [14]提出共生矩阵方法以来，该方法成为提取纹理特征的主要方法之一，被应用于图像处理的各个领域。洪继光[15]用灰度-梯度共生矩阵模型对图像的纹理进行鉴别，将纹理特征应用于白血球样本分类是较早的研究之一。张弘 参数名称 计算公式 灰度均值 灰度标准差 小梯度优势 4.实验 我们将GLGCM特征应用于Wavelet变换，Curvelet变换，Contourlet变换,DT-CWT变换这几种常用的频域变换方法。在图像分解后的子带上计算表1中的特征，对图像库中的每幅图像提取该特征，并用Canberra距离来计算相似性。Canberra距离： 为两特征向量与之间的距离值。 为验证本文算法的有效性，实验中，我们采用M. N. Do 在中用的图像库和评价方法，将40幅512×512大小的MIT Vision Texture图像的每一幅分割成16幅互不重叠的128×128的小图像，得到640幅图像作为图像库。于是每16幅从同一图像分割而来的小图像被视为相关图像，用检索率来检验算法的检索能力 此文中，我们用图像库中的每一幅作查询图像做检索，检索。用评价检索算法的优劣 表2： 平均检索精度 单位：% 灰度均值/灰度 GLGCM+灰度均值/灰 标准差 度标准差 Wavelet 53.98 58.203 Curvelet 72.01 74.11 Contourlet 73.40 76.25 DT-CWT 78.78 81.22 从表2中可以看出与纯灰度特征方法相比，GLGCM特征方法的检索率明显提高。DT-CWT具有多分辨率性，多方向性，特别是其去相关性使得它的计算冗余度较其它方法低。所以，我们推荐使用DT-CWT和GLGCM结合的方法。 表3： 平均检索精度 单位：% 方法 特征 维度 文献[11] Contourlet+GGD 54 78.73 本文方法 DT-CWT+GLGCM+灰 度均值/灰度标准差 50 81.22 本文方