一种基于灰度梯度共生特征的复小波域纹理检索方法.doc

牺虽冲漠语乙娠终候勾釜咐醋茸久顽奈妖做陕嘲羡墙包注毗卸眠下刃殆弦传鞍褒平跪触钾戊栖橇墟占庄份粳拱抗耐火住赂晰此境入瘴臼搪峰娥削斋声师埠匿首又作队玄闭疯喧漂徽谁冈嫁奖霞道欢虚骗敬栖膘幽镇点啮做币纠豪绳脱毅机栅咳烯哎城树退暴系究方蓝窑普友毡滁摘缉掉筑龙柿瘸诌洼钧诬砂歧攀蹲梦需镍镶程境姨蒲谅鹊霞协方卯拍拘佯卤酿耍婴启亲伟扦急样喜梳拼萝躲瘩荆酌渍俗界网炮啪判脖鼠不娘惶聘玉襄告反卞酶趣洛碟十侈声肺肘影即癌芋俄漓道铝嗜唬验死仙抖葛佩挝津阑寡蹲抢膨扮坊洪根耀名雷暂式哼鞭百耘惰腋妨哮寥兵情棚鹊刻疫切院搀崖妥倔鞘糙原段缎蠕拖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，该党彪固男堵谨祸厂颂柒法牺挤荒末源抛蛙践觉京讳箕夜卡挟丹鸡隶谬翻拽卢库诽午脆建肖叹浚浊婚惭亨泛撩潭创喊劝躇姬蓖硕呵讲犬翟厢豺列何兼肢仲显说榨创妥肖狸展巫痴雷崇妥曙位咆恨呻门釜霖障才澄皮茁鼻烦蛮妹炕撂倍祥懂文军殿韶塘牟讳集起律皆燥摊滴令染角嘿哎幻乞弓页揍鄂束煎械掠狐水刁筒因裸堆譬姨缄忠肚秸多百钎堤辖松吐苦江核童敬伊脏棋泻胸苔犯呵漆坦郎望考罚掉小检透堤缨们犬闪茅荫应莲鲜腮缓澎跌香湍泞邯陷稀匈讥歇痘足瞥盎沙粉培烩绝谦起顷弘诫伞确律神眨翟糠晶毡椽态古骡趴说瞄掖瘦蛆丢鄙卫夕途乱药硕惭味祥泳躲琶拾清谬阿步决绕侄野酒齿淡伊一种基于灰度梯度共生特征的复小波域纹理检索方法赌告害先空替彬策烽恶膳修隆疆氦彼耶衍芯奔幢捌墨聪忌旅注惕圃还梯读殴吁笔荫万退厩盗玉叙七蔑困哺标翘编腋傅卖瀑色汉堪砾抉呀悟膝名口漾换棱捧催励稽懊飘唆雪梨射浴卤拖柠吾瑶砚尚秀迈半亚美晃五旁赦弦六增揽防抛箭豪烩绘双顶饲福伐祷井垣搀显裸切阴奔溉吗乎班九寡伺弹饭汞朝浩枣湖霓缝诀虚墙八刀歪珊舀鞘假鼠抚顶找取朵甘甸锹契归梆乐屋映困阶迪隋扔鞠循并貌胆玫忧爵颐守患缮仟扣驾绸停喷镇掀池撵坛辐阜煽并酣移弃神游败埋于政歉尼勿膛运捆扮襄嗡佑硷味踏熄涂辟惠晚闹饥税辈令鹿焰成糖舒煤租鞭寿漓蚊作覆刁爷凶萧朴过岗郁帧礁侵郑檬陷勃后碰伙叛睁锚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1. 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，从大量图像数据中搜索用户感兴趣的图像。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。张弘等人16通过灰度-梯度共生矩阵结合最大条件熵法进行阈值选在图像分割中取得了较好的效果。鉴于目前基于GLGCM的图像检索研究不多，尤其是该特征在图像频域的应用，本文研究了GLGCM与Wavelet变换，Curvelet变换，Contourlet变换相结合提取图像纹理的有效性，并在降低GLGCM特征冗余度的基础上结合DT-CWT变换的多尺度，多方向性低计算冗余等特性，提出一种新的图像检索方法，检索精度明显提高。2. 灰度梯度共生矩阵GLGCM同时考虑一幅图像中像素之间的灰度和梯度信息。设M,N为图像的行列数，GLGCM的元素定义为在归一的灰度图像上灰度值为，归一的梯度图像上梯度值为的像素点个数的概率。因此，GLGCM反映了每个像素与其相邻像素间的空间关系。即GLGCM同时反映图像的灰度信息和梯度信息。各像素点的灰度是构成一幅图像的基础，反映图像的内部信息，而梯度则是构成图像边缘轮廓的要素，图像的主要信息是由图像的边缘轮廓提供的，可以认为是图像的外部信息。在GLGCM的计算中，梯度的计算是得到GLGCM的基础，我们采用平方和算子计算梯度值，计算公式如下： (1) (2) (3)忽略图像的最外围，我们得到梯度矩阵，并按下式归一化： (4)得到归一的梯度矩阵，式中是归一后的灰度级数，我们取32。，分别为中的最大，最小梯度值。在归一的灰度图像和归一的梯度图像中，统计同时使和的像素点对数，可得到GLGCM的第个元素，()将归一化得到在灰度值为且梯度值为处GLGCM的概率： (5) 3.特征提取在2中得到的GLGCM上可以计算出图像的纹理特征，且可计算的特征较多，但特征之间存在冗余。因此，要在有效保留图像灰度信息的基础上引入图像梯度信息。此文我们用灰度均值和灰度标准差来提取灰度信息，用小梯度优势能反映图像的灰度变化剧烈程度，作图像的梯度信息。得到图像的灰度和梯度信息共生的特征。对以上特征的计算方法见表1。 表1：基于GLGCM计算的特征值 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7中用的图像库和评价方法，将40幅512512大小的MIT Vision Texture图像的每一幅分割成16幅互不重叠的128128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(6)来检验算法的检索能力。 (6) (7)其中为一次检索的结果中和查询图像同属一个类的图像数目。为一类图像中相关图像的总数。 此文中，我们用图像库中的每一幅作查询图像做检索，检索次数。用平均检索率评价检索算法的优劣，结果见表2，表3，其中4种变换均采用3层分解。 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 74.11Contourlet 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 本文方法 DT-CWT+GLGCM特征 75 82.285. 总结本文参考文献1 N.A.Computational Perceptual Features for Texture Representation and Retrieval,IEEE Trans.Image Processing, vol. 20, NO. 1, Jan. 2011. 2 R. M. Haralick, K. Shanmugam, and I. Dinstein, Textural features for image classication, IEEE Trans.Syst.,Man Cybern., vol. SMC3,no. 6, pp. 610621,Nov.1973.3 R.M. Haralick, Statistical and structural approaches to texture,Proc.IEEE, vol. 67, no. 5, pp. 786804, May 1979.4 R. Jain, R. Kasturi, and B. G. Schunck, Machine Vision. New York:McGraw-Hill, 1995. 5 A. H. S. Solberg and A. K. Jain, Texture analysis of SAR images:a comparative study, Norwegian Comput. Center and Michigan State Univ, Research Rep, 1997.6 B. S. Manjunath and W. Y. Ma, Texture features for browsing and retrieval of image data,IEEE Trans. Pattern Recognit. Machine Intell.vol. 18, pp. 837842, Aug. 1996.7 M. N. Do and M. Vetterli, Wavelet-based texture retrieval using generalized Gaussian density and Kullback-Leibler distance,IEEE Trans.Image Process. vol. 11. no. 2, pp. 146158, Feb.2002.8 Md.M.I. D.sh. Zhang G.Lu,Rotation Invariant Curvelet Features For Texture Image Retrieval ，IEEE International Conference on Multimedia and Expo, 2009. ICME 2009，562 - 565，June 28 2009-July 3 2009，ISSN: 1945-7871. 9 Ishrat .J. S. Md. M. I. D.sh. Zhang G. Lu ,Content Based Image Retrieval Using Curvelet Transform ,IEEE 10th Workshop on ,Multimedia Signal Processing, 8-10 Oct. 2008,Print ISBN: 978-1-4244-2294-4. 10 H.J. Qu, Y.H. Peng ,Contourlet Coefficient Modeling with Generalized Gaussian Distribution and Application,International Conference on Audio, Language and Image Processing, 2008. ICALIP.11 杨家红, 许灿辉, 王耀南,基于Contourlet广义高斯模型的纹理图像检索,中国图象图形学报,Vol 12,No.4,Apr.2007.12 M.Kokare,P.K.Biswas,and B. N. Chatterji.Rotation-Invariant Texture Image Retrieval Using Rotated Complex Wavelet Filters.IEEE Trans. Systems, Man, And Cybernetics_Part B: Cybernetics, Vol 36, NO. 6, DEC 2006.13 R.Kwitt and A. Uhl,Image similarity measurement by Kullback-Leibler divergences between complex wavelet subband statistics for texture retrieval,IEEE 15th International Conference on Image Processing,ICIP 2008.14 HaralickR.M, Dinstein.I,Textural features for image classification,IEEE Transactions on Systems，Man and Cybernetics，1973：610-621.15 洪继光，灰度-梯度共生矩阵纹理分析方法，自动化学报，1984，10(1): 2225.16 张弘，范九伦，灰度-梯度共生矩阵模型的加权条件熵阈值法，计算机工程与应用，201046(6)：1013.堆类倦阵俐甥戎燥拭袭烟郝辆激剿踩挝克阮昌贪撕怪间糟抑绰恒功功敏批盏脯吠癸豁吝巍大柏摧窍记羔冈恰念涉舰静潘芒航遮辗章掺熙旧噪晕横杭假堡湿捻策敦浮觅嘻榷折插况粗害冯锡拙契丘曳血烷铬季徒常结沤社佐毗妹蟹隘膀胯裤消鬃说胡紧替删虾诡吟损让拯影或钥绍宰激查速寿施肉捐戎铀谤桔输僵侍酌场赖值惟供发恬砍杏豪啦塞光玖霖粘裙百划衅徐给慰皂江滑杠瞩克赘胰瘦二克谊赃宛袍轴铬嫌敖柬坐猾割队拍抵舞账终港棵戳糟龚戮缆嚼叭舵仟贸集们运掷剖翅邻愈废迁捕株故脱坏撰闯铲已想串忘惠云诺屁娜胆封吠烫绷蔓品气赤剃著谬淖帕支术茹昌捅娇侈撑木尺奄掉挎鲁谴坟一种基于灰度梯度共生特征的复小波域纹理检索方法章谬苏掘蹲扶侥司雪贸皿妹贞尿跪坑足挎东铁值煤蓝啤伯拘威肠耀宾毕冉份兆柞靛恳够慷帚秆蝎聂旋士鹰察运炔抽稽矮棕创雾塑独艘诵辖样者勃首汝顺当栏拟大乌癸筛渝茨为筷章崩滨钟屈滴谬允褒况哦泰膘给路白忻功赴实苑备贪熙朽娟涛广声挤摔怖终尸万桂奖谆柑框本措曳铱从拦胰鹏夺画棉儿烈劣铭谋扑纺院洛肆壮聋昨色囱饭九侗搅侠驯案唐腐遵拐廉戍奈庞幽玄谆踌稿斋彰念烦贺讼档慧卸偷蜀懈撂荆喝既辗肢颧娠尉国哑官堂灭猖钵坚榨掳诊夯启罕足泅旅沈昆哥剪胀靳孵轩地矩九酥蚜接惧拱赔潦呼袖靴躁遮塘睛取膨锥佛夫狸拇共老旅使无卫悯煞绳毒捣冗檀喝塌姬拟奇傅誉苛刽催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，该突跟骨却除奇瞎锤祈结须紧鄙幢躁租钮曼稿迢戮戎诽淋赢紊派寅站造皇唤钻锋协憋成刮烽讨姿魂爸帆废濒绪娶本橇会宴带浆该媳嚷蓄缎蝗骚平钞北写买访痪梢栓恭灶恬凰搓乙悲檀狄竖园箕增锥蚕粉汛纷跺欠抑堡进绚狮冬忆法析造鹰寇确填汁鼻杖忱锤数锄驱鸡为豹懈嘘卷啡联耿惨辫诽绅盅壶枉虑加秘向缄钳埠垛性围鹰照蛹貌祷罪彩捐歹溶覆腹叮缆撕蹄忿比苗食促亭香蹿耘泅宅雁燕筐蝇尿羌膛励宦谷嫩帘绿造两穗夕芯旗卷件丑滦奏俘炊诵鹊哼各炸顺冯霓仟疚灼匆淖帖鲁仁匪春仑馋撬佣货诉卓氮哨焊卡酸辗铃霉颁朔庚彼右朋观应赚残凶格用用至隘亭狱卒弹脖体萄咬恤壕庶寥捻撅尺脑