由于本书第2章至第4章已经提出了三种灰度纹理图像的特征提取方法，并且HSV颜色空间中的亮度分量V就是灰度纹理图像，可将本书第2章至第4章提出的灰度纹理图像特征提取方法直接应用于HSV颜色空间中的V分量，从而实现灰度纹理特征的提取。......
2025-09-29
基于纹理特征的图像检索系统设计
【摘要】：为了利用纹理图像特征提取技术构建一个具体的图像检索系统，本节利用本书第5章提出的彩色纹理图像特征提取框架，所设计的样本图像特征提取过程如图7-4所示。在进行图像检索之前，可预先离线计算检索数据库中所有样本图像的特征向量，将其存储起来，方便以后每次进行图像检索时使用；对输入的查询样本图像，需要在线计算其特征向量。图7-5本节提出的图像检索系统框图
为了利用纹理图像特征提取技术构建一个具体的图像检索系统，本节利用本书第5章提出的彩色纹理图像特征提取框架，所设计的样本图像特征提取过程如图7-4所示。具体的实现流程如下：①对原始的样本图像进行采样，降低样本图像的尺寸；②将样本图像转换到HSV颜色空间，分别获得亮度分量V、色调分量H和饱和度分量S；③对色调分量H和饱和度分量S分别进行粗略量化，然后计算粗略量化后H分量和S分量的联合直方图，将其作为样本图像的粗略颜色信息；④利用本书第4章提出的DDT-CLBP算法从亮度分量V提取灰度纹理特征；⑤把提取的粗略颜色信息和灰度纹理特征进行级联融合，将其作为样本图像在图像检索时的查询特征。
图7-4 本节提出的图像检索系统的特征提取过程
在图像检索系统中，检索的准确性和实时性是两个最重要的指标，因此本节设计的图像特征提取方法（图7-4）综合考虑了图像检索的准确性和实时性指标，主要体现在以下几个方面：
（1）对于尺寸较大的原始图像，通过采样的方式适当缩小图像的尺寸，一方面对检索的准确性影响不大，另一方面可以显著降低特征提取的计算量和所提取特征的维数，从而提高检索系统的实时性，因此在对每个原始的样本图像进行特征提取之前，本节方法先对原始的样本图像进行采样操作，使图像的长、宽不超过100像素。
（2）在利用DDT-CLBP算法从亮度分量V提取灰度纹理特征时，本节方法只利用一个半径（R， P）=（1， 8）的参数组合来计算灰度纹理特征，这样不但能减小灰度纹理特征提取的计算量，而且能降低所提取的灰度纹理特征的维数，从而提高检索系统在特征提取阶段和特征匹配阶段的实时性。
（3）在提取颜色特征时，本节方法对表示颜色信息的H分量和S分量采用粗略量化的策略，将它们的量化等级均设为Lc=10，这样可以显著降低颜色特征的维数，提高算法的实时性。
在进行图像检索之前，可预先离线计算检索数据库中所有样本图像的特征向量，将其存储起来，方便以后每次进行图像检索时使用；对输入的查询样本图像，需要在线计算其特征向量。为了计算查询样本与检索数据库中每个样本的特征距离，这里采用扩展的Canberra距离（Extended Canberra Distance， ECD）作为特征距离的测度[139]，即
式中：
Q —— 查询样本的特征向量；
Qi —— 查询样本特征向量Q的第i个分量；
M —— 检索数据库中一个样本的特征向量；
Mi —— 检索数据库中一个样本特征向量M的第i个分量；(https://www.chuimin.cn)
µQ —— 查询样本特征向量Q的所有分量的平均值；
µM —— 检索数据库中一个样本特征向量M的所有分量的平均值；
L —— 特征向量Q或M的长度。
为了充分利用样本的颜色信息和灰度纹理特征进行图像检索，本节方法分别计算查询样本与检索数据库中每个样本的颜色特征ECD距离和灰度纹理特征ECD距离，并分别进行归一化，然后将这两种归一化的特征距离进行加权求和，将其作为查询样本与检索数据库中每个样本的最终距离测度。归一化的颜色特征ECD距离和灰度纹理特征ECD距离的加权求和公式为
式中：
ECDc —— 归一化的颜色特征ECD距离；
ECDt —— 归一化的灰度纹理特征ECD距离；
ECDf —— 归一化的颜色特征距离和灰度纹理特征距离加权融合后的距离；
α —— 颜色特征距离和灰度纹理特征距离加权时的权值参数，其范围是[0， 1]。
在获得查询样本与检索数据库中每个样本的最终特征距离之后，将这些特征距离按升序进行排列，越靠前的样本与查询样本越相似。通常情况下，查询人员只关心排序最靠前的N个最相似的样本图像，因此检索系统将最靠前的N个样本图像作为返回的查询结果。按照上述方法，本节提出的图像检索系统框图如图7-5所示。
图7-5 本节提出的图像检索系统框图
相关文章
- 详细阅读
-
基于局部特征和原型匹配的图像检索技术详细阅读
现有的图像检索方式主要分为两种：基于文本的图像检索和基于内容的图像检索。针对以上两点问题，本书对局部特征提取技术和相关反馈技术进行了深入的研究分析，提出了一种基于局部特征的图像检索方法。......
2025-09-29
-
纹理特征及其在图像处理中的应用详细阅读
纹理是人类视觉系统对自然界物体表面现象的一种感知，是人们描述和区分不同物体的重要特征之一。同时，纹理是一个区域特征，与观察尺度相关。所以，纹理特征可以认为是图像中灰度、颜色或细小的结构形状在空间上呈现规律的变化［70］。纹理基元具有面积、周长、偏心率、方向、延伸度、矩等特征。......
2025-09-29
-
基于局部特征和多分辨率技术的图像拼接方案详细阅读
航拍图像拼接技术是当前机器视觉领域的一个研究热点，已经被广泛应用于地理信息系统、地质灾害监测、城市规划和战场态势评估等许多方面。但是，由于是在飞行器上对地面场景的俯视拍摄，所以又有其自身的特点和难点，比如飞行器姿态变化导致的航拍视角改变、飞行器升降造成的图像分辨率不同、天气状况对图像质量的影响等。该方法比较适合于全景图像拼接。......
2025-09-29
-
多个半径纹理特征的优化融合方法详细阅读
显然，当取小的半径R值时，是在小的邻域内进行纹理特征检测，可获取微观的纹理特征；当取大的半径R值时，是在大的邻域内进行纹理特征检测，可获取宏观的纹理特征。因此，本章采用多个半径R值相结合的方法来捕获更丰富的宏观和微观的纹理图像特征，从而提高特征的鉴别能力。......
2025-09-29
-
图像子带分解基于频带分割的编码技术详细阅读
基于分解子带的图像编码称为频带分割编码，其基本思想是把信号分解成低分辨率的平滑近似和高频细节两部分，分别称为低频子带和高频子带。对每个生成的子带又可以用同样的方式进一步分解。图7-25说明了一幅图像经过二级小波变换的过程以及形成的各个子带分布。为此，考虑设计基于ap2的图像分解和重构。实际上，对于二维图像的分解可通过一维滤波器分别在行列方向上进行。......
2025-09-29
-
纹理特征研究的历史与现状详细阅读
人类对纹理特征的研究最早可追溯到1962年Julesz[44]对纹理视觉感知模型的研究，时至今日，人们对纹理图像的研究已经有50多年的历史。在国内，清华大学的郭振华[52-57]、国防科技大学的刘丽[1，2， 58-61]、重庆邮电大学的宋铁成[62-64]等也在该方面进行了深入的研究。图1-7展示了当选择距离d=1、方向θ=0°时根据输入图像计算GLCM矩阵的基本原理。例如，将原始图像量化为32或16个灰度等级，则GLCM方法的计算量会大大降低。......
2025-09-29
-
基于互信息法的特征选择方案详细阅读
利用互信息法选择特征的基本原则是选择类别相关的特征，同时排除冗余的特征。因此，基于互信息的特征选择一般遵循这样一种模式：在顺序前向搜索中寻找与类别互信息最大而与前面已选特征互信息最小的特征项。在目标分类中可以简单认为：互信息越大，特征ti和类别Cj共现的程度越大。那么，ti和Cj的互信息可以由下式计算：式中，A、B、C、D的含义和6.4.3节中约定的完全相同。......
2025-09-29
相关推荐