基于内容的图像检索系统.doc

1、摘要近年来，随着多媒体技术和计算机网络的飞速发展，全世界的数字图像的容量正以惊人的的速度增长。这些数字图像中包含了大量有用的信息。然而，由于这些图像是无序地分布在世界各地，图像中包含的信息无法被有效的访问和利用。一般的文字搜索引擎对于图像数据来说，几乎束手无策，这就要求有一种能够快速而且准确的查找访问图像的技术，也就是所谓的图像检索技术。基于内容的图像检索(Content-Based Image Retrieval，CBIR)指的是查询条件本身就是一幅图像，它建立索引的方式是通过提取图像特征，然后通过计算比较这些特征和查询条件之间的距离，来决定两幅图像的相似程度。本文主要对基于内容的图像检索系

2、统进行设计，系统设计的重点在于图像的低层特征提取。本系统设计主要包括：图像低层特征（颜色、纹理等特征）的提取及描述，多特征融合技术和特征匹配技术等方面。本文首先论述了国内外基于内容的图像检索技术的研究现状、检索特点以及应用领域，然后从图像检索系统的基本原理入手，实现了图像的预处理，图像颜色特征、纹理特征的提取，以及图像库、特征库的构成，接着通过欧式距离进行相似度匹配。最后，本系统为查询接口提供一个友好的用户界面，采用MATLAB GUI(Graphical User Interface)设计实现了一个基于内容的图像检索系统，并对系统的各个模块及其功能进行了介绍。通过仿真实验，对Corel图像库

3、中的500幅图像进行了检索实验。实验结果表明，本系统计算简单、有效，能够取得较好的检索效果。关键词：图像检索； 颜色特征； 纹理特征； 相似性度量； GUI设计AbstractIn recent years, with the development of multimedia technology and the rapid development of computer network, the worldwide digital image capacity is increasing at an alarming rate. These digital image contains a

4、 lot of useful information. However, these images are randomly distributed throughout the world, the image contains information cannot be accessed and used effectively. General text search engine for the image data seems almost incapable, this requires a fast and accurate image searching technology,

5、 also known as the image retrieval technology.Content based image retrieval ( Content-Based Image Retrieval, CBIR ) itself is a pair of images, it is indexed by the image feature extraction, then determine the degree of similarity of two images through the calculation and comparison of the features

6、and the distance between the query conditions.This paper focuses on the CBIR system design,. This design is focused on low-level feature extraction.of image .The system design mainly includes: low level image features ( color, texture feature extraction and description ) extraction and description,

7、multiple features fusion and feature matching technology and so on. This paper first discusses the domestic and foreign content based image retrieval technology research status, characteristics and application field of retrieval, and then from the image retrieval system basic principle, realization

8、of image preprocessing, image color feature, texture feature extraction, and image library, characteristic database, and then through the Euclidean distance similarity matching. Finally, the system for the query interface provides a friendly user interface, using MATLAB GUI ( Graphical User Interfac

9、e ) design and implementation of a content-based image retrieval system, and of the various modules of the system and its function are introduced. Through the simulation test, the Corel image database of 500 images retrieval experiment. The experimental results show that, this system has the advanta

10、ges of simple calculation, effective, can obtain good retrieval results.Keywords：Image retrieval; Color feature; Texture feature; Similarity measurement; GUI design目 录摘要IAbstractII目 录III1 绪论11.1 选题背景及研究意义11.2 图像检索技术发展历程11.2.1 基于文本的图像检索21.2.2 基于内容的图像检索系统21.3 CBIR技术应用31.4 经典CBIR系统介绍41.5 论文结构62 图像特征分析8

11、2.1 图像颜色特征分析82.1.1 颜色空间及转换82.1.2 颜色量化102.1.3 颜色特征的提取方法112.2 图像纹理特征分析132.2.1图像纹理特征描述132.2.2纹理特征的提取方法143 特征提取算法选择193.1 颜色特征提取算法193.1.1 颜色的量化193.1.2 颜色特征的提取193.2 纹理特征提取算法203.2.1 图像预处理203.1.2 纹理特征的提取214 图像特征匹配算法224.1 相似度量定理224.2 常用的匹配算法224.3 本系统的匹配算法245 CBIR的设计与实现255.1 开发工具及系统运行环境255.1.1 开发工具255.1.2 运行环

12、境265.2 系统结构设计、系统功能265.2.1 系统的结构265.2.2系统实现的功能描述275.3 系统运行方法及设计结果275.3.1 系统运行示例275.3.2 设计运行结果315.4 性能评价335.4.1 性能评价准则335.4.2 性能分析346 总结与展望36致谢37参考文献38附录 A39附录 B5555河南理工大学毕业设计（论文）说明书1 绪论1.1 选题背景及研究意义随着多媒体技术、计算机通信技术及Internet网络的迅速发展，图像多媒体信息来源不断扩大。图像作为一种内容丰富，表现直观的多媒体信息，长期以来一直受到人们的亲睐。每天人们熟知的天气预报离不开卫星云图的帮助

13、，公安人员迅速破案需要大量的罪犯图像信息作为辅助，网上时兴的电子购物，也多半是以图像的形式向用户展现商品的。各种各样的应用需求的出现，使图像信息资源的管理和检索显得日益重要。基于内容的图像检索技术正是在这种背景下，成为近10年的研究热点之一。这项技术的主要思想是根据图像中物体(或区域)的颜色、形状、纹理，空间位置关系等特征以及这些特征的组合来查询图像。研究该项技术既有深远的意义，也将面临着巨大的挑战。随着我国社会经济的发展，使得从公共媒体到家庭娱乐、从自然科学到社会科学，每一个领域都渗透着对多媒体技术和因特网技术的应用，都要求对各种资料的智能化的管理。国内较有代表性的系统有：浙江大学计算机系研

14、究的基于图像颜色的检索系统Photo Navigator、清华大学的Internet上静态图像的基于图像内容检索的原形系统、中科院计算技术研究所数字化技术研究室开发的Image Hunter系统、南京邮电学院研制的基于纹理和颜色特征的实验系统等。这些系统的框架和查询的处理过程都很相似，只是采用的特征和搜索方法各具特色，性能也互有差异。国外著名系统如：IBM公司的QBIC系统，是IBM公司与20世纪90年代开发制作的图像和动态景象检索系统，是第一个商用基于内容的图像检索系统，它的系统结构及所采用的技术对后来的检索系统有很深远的影响。QBIC支持基于示例图像、用户构造的略图、选择颜色、纹理等的查询

15、。另外国外其他典型系统代表有：Virage公司的VIR工程系Photo book系统、哥伦比亚大学的Visual SEEK和WEB SEEK查询系统以及美国伊利诺斯大学的MARS系统等。1.2 图像检索技术发展历程随着数据库管理技术和计算机视觉的发展，图像检索技术自20世纪70年代依赖，一直成为人们研究的热门课题。从图像检索技术发展的过程来看，主要经历了两个阶段：基于文本的图像检索阶段和基于内容的图像检索阶段。1.2.1 基于文本的图像检索基于文本的图像检索技术(Text-Based Image Retrieval,TBIR)属于传统的图像检索技术，它的历史可以追溯到20世纪70年代末。它主要

16、是对图像进行人工分析，对图像的物理特征、内容特征进行文本注录或标引，建立类似于文本文献注录的索引数据库，并通过检索这些数据库获得图像编号，继而利用这些编号索引实际图像。TBIR的技术广泛应用，如google、baidu、sohu、yahoo等搜索引擎目前均采用这种方式来检索图像。但是，这种采用对图像建立关键词等文本描述信息的方式已经越来越不适应图像信息检索的要求，究其原因主要是存在以下几个局限性：（1）对图像加注文本信息是由手工完成，费时费力。（2）文本描述信息是非常主观的，不同的人对同一幅图像可能有不同的理解，这样就使得文本描述信息存在二义甚至是多义性，因此当用户在查询时输入的关键词和数据库

17、中的关键词不一致就会导致查询失败。（3）一幅图像所表达的意思是不可能用几个关键词表达清楚的。（4）不同国家不同民族很难用同一种语言对图像加注标志，而且对图像语义理解的差异很大。为了突破基于文本的图像检索技术的诸多弊端，人们转向研究将图像中所包含的内容信息来作为图像的索引。1.2.2 基于内容的图像检索系统基于内容的图像检索技术的主要思想是根据图像的一些低级视觉特征，如颜色、纹理、图像对象的形状以及它们之间的空间关系等内容特征作为图像的索引，计算基准查询图像和图像数据库中图像的相似距离，按照相似度匹配进行检索。基于内容的图像检索技术的研究涉及到人工智能、计算机视觉、信号处理、模式识别、认知心理学

18、、数据库、人机交互等诸多学科领域，具有重要的理论意义。同时，它也是理论和实践紧密结合的一项研究，其最终目的就是帮助人们更方便、更快捷和更准确地去找到锁需要的多媒体资源，因此该技术具有巨大的应用前景。基于内容的图像检索系统的主要目的还是要克服基于文本图像检索技术的局限性。基于内容的图像检索技术具有如下的特点：（1）直接从图像的内容中提取线索。正是由于这一特点，使得基于内容的图像检索技术突破了传统的基于关键词检索的局限，直接对图像本身进行分析并提取特征，使得检索能够更加接近目标。（2）提取特征的方法多种多样。从图像中可以提取的特征包括颜色、纹理、形状、目标轮廓等。（3）检索是人机交互的。一般来讲，

19、人对于目标的特征比较敏感，能够迅速分辩出目标的颜色、形状等信息，但是对于大量的对象，一方面难以记住这些特征，另一方面人工从大量数据中查找目标效率非常低，而这正是计算机的长处。因此，在基于内容的图像检索中，人和计算机相互分工配合进行检索。（4）基于内容的图像检索是一种近似匹配。在检索中，可以采取逐步求精的算法，每一层中间结果都是一个集合，不断减小集合的范围，直到定位到近似目标。这一点和传统数据库的精确匹配算法有明显的不同。CBIR的一般框架如图1-1所示。特征提取（颜色、纹理等）图像数据库建立用 户索引机制相似图像匹配机制查询接口图像特征库数据库查询图1-1 CBIR一般框架1.3 CBIR技术

20、应用CBIR技术将对大规模图像信息的管理和访问提供有力的支持。它可以应用于信息检索服务、犯罪预防、医疗诊断、新闻和广告、商标和知识产权、地理信息和远程遥感、教育培训和军事等领域，目前比较成熟的应用有指纹识别、人脸识别和图像搜索引擎等。CBIR应用非常广泛，如：（1）知识产权保护科技的飞速发展使得人们越来越关注知识产权的保护问题。许多知识产权的载体都是图像，最明显的是商标和艺术作品。商标知识产权体现在专用的文字描述和专用的图形标记两个方面。为了防止侵权，需要通过严格的商标审查程序来确认新申请的候选商标是否与己注册商标过分相似。毫无疑问，利用基于内容的图像检索技术实现商标的专用图形标记的自动审查具

21、有非常现实的意义。（2）新一代网上搜索网络正逐渐渗透到人们的日常生活中，除了文本资源外，网上还存在非常丰富的图像资源。新一代网上搜索引擎应该具有协助用户从海量而且无序的网上图像资源中寻找符合要求的图像的能力。（3）医学和遥感图像的分析和处理尽管传统的图像处理领域早就开始涉足医学和遥感图像的分析和处理的研究，但它们仍然是一个开放的研究课题，无论是民用还是军事，医学和遥感图像的分析和处理都具有非常重大的现实意义。特别当图像规模增加时，准确有效的图像分析手段以及快速的图像识别和检索技术将凸现其重要性。（4）犯罪与安全预防当将图像的内容限制在特定领域时，基于内容的图像检索技术将找到更为具体的应用。例如

22、，安全部门可以将人的主要特征(如指纹和脸部)的图像存储在数据库中，通过指纹识别和人脸识别就有可能从大量的指纹库或者人脸库中自动识别出特定的目标。毫无疑问，这具有重大的社会价值。除此以外，基于内容的图像检索技术还可以应用到设计(时装、装演和结构)、远程教育以及个人相册管理等方面。综上所述，基于内容的图像检索技术涉及多个研究领域，有着广泛的应用前景。1.4 经典CBIR系统介绍迄今为止，已经有许多比较成功的基于内容的图像检索系统问世。这些系统在一定范围内都得到比较理想的效果，下面对图像检索系统方面的研究成果进行介绍。（1）QBIC：国际商用机器公司IBM公司的QBIC(Query by Image

23、 Content)系统是第一个商用的基于内容的图像检索系统。QBIC的系统结构由图像入库、特征计算和查询阶段三部分构成。QBIC支持在大型图像数据库中基于视觉特征的检索，这些特征包括颜色百分比、颜色分布、纹理特征等。在检索时，用户可以使用例子图像、用户草图、所选颜色、纹理模式等方式进行查询。QBIC使用的颜色特征有平均(R，G，B)、(Y，I，Q)、(L，A，B)和MTM(Mathematical Transform to Mussel)坐标，及元颜色直方图，对于黑白商标还提供了分形检索方法。纹理特征用的是Tamura纹理描述的改进版本，也就是粗糙度，对比度和方向性的结合。形状特征则采用形状的

24、面积、圆形度、离心率、主轴方向以及一组变换无关矩等描述方法。QBIC的索引子系统中，对于维数比较高的特征，如形状特征,采用KLT(Karhunen Loeve transform)变换或将主分量变换降维至2到3维，然后用树组织多维索引结构。在检索时，为了提高匹配效率，在执行真正的匹配算法前将先通过快速滤波器(fast filter)来产生最优的一些分量来参与后续比较慢的匹配算法。在它的新系统中，结合了基于文本的关键词检索和基于内容的相似性检索。QBIC结合了多种查询方式，如标准的系统查询方式、选择特征查询和草图查询等，界面比较友好，其系统构架对后来的图像检索系统有深远影响。（2）Virage系

25、统是由Virage公司开发的一个基于内容的图像检索引擎。系统分层表示：图像表达层、图像对象层、领域对象层和领域事件层，支持基于颜色、颜色布局、纹理和结构(对象边界信息)的可视化查询。Virage在QBIC的基础上所作的改进在于它还支持上面提到的4种基本检索的任意组合的检索方式，用户可以根据自己的需要，调节各项特征的权重。在Virage系统中图像索引的提取需要经过图像的预处理，然后提取图像的特征索引，它将这些特征称为原语，并进一步把原语分为通用型原语和特定领域原语。Virage技术的核心是Virage Engine以及在图像对象层上的操作。Virage Engine主要有三个方面的功能：图像分析

26、、图像比较和图像管理，它将搜索引擎作为一个插件，既可以应用到通用的图像查询，也可对其进行扩展并应用到特定领域。（3）Photobook是麻省理工学院(MIT,Massachusetts Institute of Technology)多媒体实验室开发的交互式图像浏览和检索工具，它包含4种应用领域的示范：纹理识别、形状识别、人脸识别和大脑形状识别。纹理识别主要针对以纹理为主体内容的图像；形状识别给出了一些具有简单形状物体的检索示例；人脸识别是MIT基于其研究技术基础上开发的新的应用领域；大脑形状识别则是Photobook的一个新的应用领域，它在检索过程中处理图像的3D数据。Photobook系统

27、的主要思想是保留语义的图像压缩，将图像信息压缩到对感知重要的一组系数。它的最新版本为FourEyes，在图像注解和检索过程中加入了人的因素。它突出了交互式语义查询及系统学习能力，并且还应用了相关反馈的技术。系统可以保留用户的记录，使用一个代理设施来进行学习，通过分析选择出较好的匹配模式，以改进识别功能。（4）VisualSEEK/WebSEEK：VisualSEEK为视觉特征检索引擎，WebSEEK是面向网络的文本和图像检索引擎，二者均由哥伦比亚大学(Columbia University)开发。VisualSEEK系统由4个部分构成：图形用户界面、服务器应用、图像检索服务器和图像归档。系统采

28、用的图像特征是全局颜色直方图、区域的二进制颜色集和基于小波变换的纹理特征，其主要特点是图像区域的空间关系检索和视觉特征从压缩域提取。WebSEEK是面向Web的检索工具，主要包括三个主要模块：图像、视频收集模块，对象分类索引模块，检索浏览和查找模块。它支持基于关键词和视觉内容的检索。系统采用了先进的特征提取技术，用户界面方便友好，查询途径丰富，结果输出画面生动，支持用户直接下载信息。（5）Netra系统是由加利福尼亚大学(University of California)的亚历山大数字图书馆(ADL，Alexandria Digital Library)开发的一个基于内容的图像检索原型系统。N

29、etra使用颜色、纹理、形状和分割图像区域中的空间关系信息来检索。它着重从已分割的图像中查找相似区域进行匹配，使用基于纹理分析的Gabor滤波器，基于神经网络的图像库构造以及图像边缘基于流的区域分割。此外，NETRA还使用了一些特殊的特征表述，便于快速完成用户的一些特殊的查询，如检索包含A的颜色、B的形状和C的纹理的图像，并将它们分类列出。NetraII是Netra的新版本，是一个基于区域和颜色特征的图像检索系统，主要采用了一些在彩色图像分割算法和局部颜色特征描述方面所做出的成果，如色彩量化、特征的距离化度量等，使得图像分割更加快速。（6）MARS(Multimedia Analysis an

30、d Retrieval System)是由伊利诺伊大学厄巴纳-香槟分校(University of Illinois at Urbana-Champaign)开发的多媒体分析和检索系统。它是一个多学科共同研究的成果，内容涉及计算机视觉、数据库管理系统和信息检索。MARS的主要特点是数据库管理系统(DBMS,Database Management System)和信息检索技术(IR,Information Retrieval)的结合，包括如何进行分级的精确匹配：索引和检索技术的结合，包括检索算法如何发挥底层索引结构的优点；以及计算机和人的结合，包括相关反馈技术。MARS系统并不集中于要找到单一最

31、优的图像描述特征，而在于根据应用的实际环境和用户的需要在检索框架中动态的组合调整各种不同的图像特征。MARS在图像检索领域正式提出了相关反馈的体系结构，相关反馈的各种技术被用在各个层次的检索过程中，包括查询向量的优化，相似度算法的自动选择，以及图像特征权重的自动调整。1.5 论文结构本文的内容构架介绍如下：第1章 作为本文的绪论，首先概括论述了本系统设计的背景，简述了图像检索技术的发展，其次阐述了CBIR技术的应用场合，并对国内外经典的CBIR系统做了简单的介绍。最后，明确了本文所研究的重点内容。第2章 首先描述了图像颜色特征的提取。通过比较颜色空间的异同，将图像转换成符合人类视觉特征的颜色空

32、间。通过颜色量化以达到减少计算量，最后描述了几种颜色特征的提取方法。对于纹理特征先进行了简单的叙述，然后描述了纹理特征的几种提取方法。第3章 本章节主要描述了该系统所使用的特征提取算法。在HSV颜色空间进行非等间隔量化。采用颜色直方图来提取颜色特征。在灰度图像进行灰度级压缩，然后采用灰度共生矩阵来提取纹理特征。第4章 主要介绍了图像匹配所采用的几种相似性度量方法。并阐述了本系统所使用的欧式距离方法，实现了多特征相似度融合。第5章 实现了MATLAB下基于内容的图像检索系统。本系统使用的算法实现了基本功能。介绍了系统实现的软硬件环境和软件界面，说明了系统的使用步骤，并通过系统实验根据其检索效果进

33、行了比较和性能分析。2 图像特征分析2.1 图像颜色特征分析颜色特征是在图像检索中应用最为广泛的视觉特征。一方面，由于颜色往往和图像中所包含的物体或场景十分相关；另一方面，相对于纹理和形状等特征，颜色特征对图像本身的尺寸、方向、视角、平移、旋转等方面的依赖性较小，具有较强的鲁棒性。本系统是从颜色空间及转换与颜色量化入手，通过颜色直方图来进行图像颜色特征的提取。2.1.1 颜色空间及转换（1）RGB颜色空间RGB颜色模型又称RGB颜色空间，它是一种色光表示模式，是使用最多、最熟悉的颜色模型。计算机定义R、G、B三种颜色成分的取值范围是0-255，0表示没有刺激量，255表示刺激量达最大值。R、G

34、、B均为255时就合成了白光，R、G、B均为0时就形成了黑色。R、G、B为三原色，各个原色混合在一起可以产生复合色，如图2-1所示。绝大部分的可见光可以用R、G和B三色光按不同比例和强度的混合来表示。在颜色重叠的位置，产生青色、洋红和黄色。因为RGB颜色合成产生其它颜色，它们也称为加色。图2-1 RGB三原色混合效果RGB颜色空间的缺点是：改变一个颜色时，三个通道上的颜色全部需要修改：它不是均匀视觉的颜色空间，颜色空间上的距离，并不代表人眼视觉上的颜色相似性。（2）HSV颜色空间HSV颜色空间是一种面向视觉感知的颜色模型，HSV空间能够较好的反映人眼对色彩的感知和鉴别能力。它直接对应于人眼颜色

35、视觉特性三要素，即色调H、饱和度S和亮度V，通道间各自独立。色调H表示从一个物体反射过来的或透过物体的光波长，即是光的颜色，不同波长的光呈现不同的颜色，具有不同的色调。饱和度S表示颜色的深浅程度，饱和度高颜色深，如深蓝。饱和度低则颜色浅，如浅蓝。饱和度的深浅与颜色中加入白色的比例有关，它反映了某种颜色被白色冲淡的程度，白色成分为0，则饱和度为100%，只有白色，则饱和度为0。亮度V表示人眼感觉到的光的明暗程度，与物体的反射率成正比。用一个三维空间锥体可以将色调、饱和度、亮度表示出来如图2-2示：色调H被表示为绕圆锥中心轴的角度，饱和度S被表示为从圆锥的横截面的圆心到这个点的距离，亮度V被表示为

36、从圆锥的横截面的圆心到顶点的距离。图 2-2 HSV颜色模型（3）颜色空间的转换HSV颜色空间是一个均匀颜色空间，其转换是一个非线性变换。一幅图像中的RGB值(R，G，B)通过非线性转换可转换到HSV空间值(H，S，V)。一般情况下获取的图像都是在RGB空间描述的，但是RGB空间结构并不符合人们对颜色相似性的主观判断，所计算出来的两种颜色之间的距离无法正确表征人们实际所感知到的两种颜色的真实差异。而HSV颜色空间由色调(H)、饱和度(S)、亮度(V)三个分量组成，与人眼的视觉特性比较接近，其中亮度表示颜色的明暗程度，主要受光源强弱影响；色调表示不同颜色，如红、绿、黄；而饱和度表示颜色的深浅如深

37、红、浅红。显然，HSV空间要比RGB空间更直观，更容易接受。因此，为了更符合人眼的视觉特征，经常需要做颜色空间的转换，将RGB颜色空间转换为HSV颜色空间，转换公式如下：（2-1）（2-2）（2-3）给定RGB颜色空间的值，则转换到HSV空间的值计算如下：设，定义为：（2-4）则(2-5)（2-6）需要说明的是，在时，即的情况下，没有意义，这时可定义：，。在Matlab里面通过该指令h,s,v = rgb2hsv(Image);来进行RGB到HSV的空间转换。其中rgb2hsv是一个把rgb图像转化为hsv图像的函数，这两种图像都是索引图像。2.1.2 颜色量化颜色量化是图像工程中的一项基本而

38、重要的技术，它是进行图像分割和对象提取的基础。自然界具有无限丰富的颜色，真彩色图像具有种颜色，而在某些情况下（如图像检索、印染等），对颜色的数目有一定的限制。如何选取有代表性的若干种颜色，并把各种颜色都归并到这些代表色上，就是颜色量化需要解决的问题。颜色量化的定义为确定一组颜色以代表图像的颜色空间，然后确定从颜色空间到选定颜色集合的映射。颜色量化技术一般可分为均匀和非均匀量化两类。在均匀量化方法中，变量的范围被分为相等的空间。颜色空间的均匀量化比非均匀量化计算速度快，但是，量化后的颜色空间中的许多部分都是没用的，这是因为图像中可能不含有这些量化区间中的颜色。在非均匀量化中，变量的范围被随即地剖

39、分成一系列区间。通过采用基于图像统计的颜色查找表，可保证量化颜色空间中的每个区间都非空，从而使所显示的图像获得更好的视觉效果。目前常用的颜色量化方法大体可分为分割算法和聚类算法两大类。代表性的分割算法有频度序列法、中值分裂发、八叉树法等，其基本思想是将图像中出现的频率最高的K种色彩作为调色板，然后将其余颜色按照最小距离准则映射到调色板中。聚类算法则先选择若干聚类中心，然后按某种准则对颜色进行迭代聚合，知道合适的分类为止。典型的有K均值聚类算法、模糊c均值聚类算法、学习向量法等。2.1.3 颜色特征的提取方法（1）颜色直方图颜色直方图就是根据图像中每个像素出现在色彩空间的概率统计而成的，计算颜色

40、直方图需要将颜色空间划分为若干个小的颜色区间，每个区间成为直方图的一个柄(bin)。然后，通过计算颜色落在每个小区间的像素数量可以得到颜色直方图。横坐标表示颜色的色彩的值，纵坐标表示每个小的颜色区间中所对应的图像像素的总和。它的优点就在于它能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。颜色直方图是在许多图像检索系统中被广泛采用的颜色特征表示法。在RGB颜色空间中，颜色直方图可以看成是一个离散函数，即（2-7）其中，k表示图像的特征取值，L表示特征可取值的个数，表示图像中具体征值为k的像素个数，n表示图像

41、像素的总个数。（2）颜色累加直方图当图像中的特征并不能取遍所有可取值时，统计直方图中会出现一些零值。这些零值的出现会对相似性度量的计算带来影响，从而使得相似性度量并不能正确反映图像之间的颜色差别。为解决这个问题，在全局直方图的基础上，Stricker和Orengo进一步提出了使用“累加颜色直方图”的概念。在累加直方图中，相邻颜色在频数上是相关的。相比一般直方图，虽然累加直方图的存储量和计算量有很小的增加，但是累加直方图消除了一般直方图中常见的零值，也克服了一般直方图量化过细过粗检索效果都会下降的缺陷。图像特征统计的累积直方图也是一个一维的离散函数，即对原有统计直方图作迭代累加。显然，当k =

42、L-1时，累积直方图的纵坐标值为1，因为根据所有条件概率求全概率的值为1。对彩色图像，可对其3个分量分别做累积直方图。（3） 颜色矩另一种非常简单而有效的颜色特征表示方法是由Stricker和Rengo所提出的颜色矩(ColorMoments)。这种方法的基础在于图像中任何的颜色分布均可以用它的矩来表示。此外，由于颜色分布信息主要集中在低阶矩中，因此仅采用颜色的一阶矩、二阶矩和三阶矩就足以表达图像的颜色分布。与颜色直方图相比，该方法的另一个好处在于无需对特征进行向量化。颜色的三个低阶矩在数学上可以用公式，表达：（2-8）（2-9）（2-10）颜色矩己经成功地应用于许多基于内容的图像检索系统(如

43、QBIC)，特别是对于图像中只包括一个目标的时候非常有效，由于采用9个数值(三个颜色坐标轴，每个坐标轴包括三个颜色矩)，所以相对于其它颜色特征而言，采用颜色矩表示颜色特征是一个非常有效的表示方法。虽然传统的颜色直方图方法与其他方法相比不能很好的表达图像的空间特征，但却是最简单、最广泛使用的方法。2.2 图像纹理特征分析纹理是一种不依赖于颜色和亮度的反映图像同质现象的视觉特征，体现了物体表面共有的内在特性；同时，纹理还包含了物体表面组织结构排列的重要信息以及它们与周围环境的联系。正因为如此，纹理特征在基于内容的图像检索中得到了广泛的应用。本节介绍了四类（统计法、结构法、频谱法、模型法）经典的纹理

44、描述算法，在此基础上，详细讨论了灰度共生矩阵的描述方法。2.2.1图像纹理特征描述（1）纹理及纹理特征的定义纹理是自然界中常见的现象，是任何事物构成成分的分布或特征。习惯上认为纹理是表现在视觉图像上灰度或颜色分布的某种规律性，这种规律性在不同类别的事物中有着不同的特点。人们常将那些在图像局部区域内呈现不规则性，而在整体上表现出某种规律性的特征成为纹理。它具有层次性、尺度性、平移不变性和确定与随即二重性。与其他图像特征相比，纹理反映了图像灰度模式的空间分布，包含了图像的表面信息及其与周围环境的关系，更好地兼顾了图像的宏观信息与微观结构，纹理分析便成为图像分析的重要手段。由于人们对纹理的感受是与心

45、里效果相结合的，用语言或文字来描述纹理通常很困难，因此，尽管人们的视觉系统能很方便的识别纹理，但对于问题图像却很难下一个确切的定义。纹理特征，是指利用计算机技术从数字图像中计算出来的，可以定量描述人对纹理的定性的感知的某些参数，它对区域内部灰度变化或色彩变化的某种规律进行量化，这些纹理特征能够尽可能的缩小纹理的类内差距，同时尽可能增大纹理的类间差距。纹理的视觉特征一般有三个基本两：周期性、方向性和随机性，其中周期性和方向性是两个高层次纹理特征，可以用来知道纹理图像的知觉感知。不同的应用问题和不同的图像类型都给图像纹理特征提出了不同的需求，一方面，纹理定义的不统一性使得纹理分析中的问题更为复杂，

46、更具有挑战性；另一方面也由于纹理本身具有的多种属性使得研究者可以引入多种模型来描述纹理特征。（2）常用的纹理分析方法纹理分析，是指通过一定的图像处理技术提取纹理特征，从而获得纹理的定量或定性描述的处理过程。一般包括两方面的内容，即检测出纹理基元和获得有关纹理基元的排列分布方式的信息。其基本过程是：先从像素出发，在纹理图像中提取出一些辨识能力比较强的特征，作为检测出的纹理基元，并找出纹理基元排列的信息，简历纹理基元模型；然后再利用这些纹理基元模型对纹理图像进行分割、分或识别处理。目前已经有不少纹理特征提取算法，但是由于在实际处理的图像中纹理的随机性非常大，因此很难找到一种广泛适用的纹理模型。概括

47、起来说，图像纹理特征的提取方法主要有四大类：统计法、结构法、模型法和频谱法。 统计法统计法是利用像素的统计特性来建立纹理的特征参数，主要思想是通过图像中灰度级分布的随机属性来描述纹理特征，主要适用于分析像木纹、森林、山脉、草地那样的纹理细腻而且不规则的物体。 结构法纹理的结构特征可以通过图像纹理基元的排列规律来描述，假定纹理基元以一定规律重复排列组合成纹理模式，那么就可以通过分析这些纹理基元的排列规则来提取特征。纹理基元理论认为，复杂的纹理可以由若干简单的纹理基元以一定的有规律的形式重复排列构成。 模型法模型法假设纹理按某种模型分布，采用模型的参数作为纹理特征。典型的方法是随即场模型法，如马尔

48、可夫随即场（MRF）模型法、Gibbs随即场模型法、Wold模型、分形模型法等。这类方法的关键是如何为待处理图像选择合适的模型以及如何估计所选模型的参数。该类方法存在计算量大，自然纹理很难用单一模型表达的缺点。 频谱法统计方法和基于模型的方法与人类视觉机理脱节，难以进行更精确的纹理描述，因此，在分析纹理图像时，常常采用频谱法。频谱法就是将纹理图像看作二维信号，使用滤波方法对纹理图像进行分析的一种方法。频谱法包括傅里叶分析法和Gabor、塔式、树式等小波变换方法，主要是利用频率特性来表示纹理特征。2.2.2纹理特征的提取方法（1）直方图的矩直方图的表示方法：用横轴代表灰度值，纵轴代表像素数，统计一幅图像的像素按灰度分布的图形就是该幅图像的灰度直方图，也可用纵