本文节选自《基于纹理的图像检索算法研究》。描述了几种基于纹理特征的图像检索算法。
第 3 章基于纹理特征的图像检索
3.2 基于灰度共生矩阵的纹理分析法
灰度共生矩阵是分析纹理特征的一种有效方法,该方法研究了图像纹理中灰度级的空间依赖关系。它对灰度的分布特性是通过对灰度值不同的像素的分布来表示的,同时这些像素对空间位置关系和分布特性也得到了体现。主要过程是,以像素对的方向和距离为变化量建立共生矩阵,再从此矩阵中提取可以表征图像内容的统计量(能量、熵、惯性矩、相关量)作为纹理特征。这样的过程满足检索准确度的情况下,降低了计算量。
基于共生矩阵的图像检索过程为:
(1)将图像库中的所有图像进行灰度量化,由原来的256级变化到16级;
(2)构造四个方向上的灰度共生矩阵,这四个方向分别是水平、垂直、对角线、反对角线,用数学式表示为0 °, 45 °, 90 °, 135°;
(3)构造出特征向量。将特征向量存在特征矩阵中,特征矩阵的每一列为一幅图像的特征向量,表示的是一幅图像。特征向量是由每幅图像的四个共生矩阵的四个特征参数的均值和方差所构成的;
(4)对特征矩阵进行高斯归一化;
(5)使用步骤(1)-(4)计算归一化后的待查询图像的特征向量;
(6)利用欧氏距离来进行相似度测量,将示例图与特征矩阵中所有的特征向量进行匹配。
3.3Tamura 纹理分析法
因为由灰度共生矩阵的统计特性得到的纹理特征与人类的视觉感知没有建立对应关系,Tamura等人提出了纹理特征的6种属性,分别为对比度、粗糙度、方向度、规整度、线性度和粗略度,其中前三者作用较大。
3.4 基于 Gabor 小波的纹理特征提取