基于彩色局部模式共生矩阵图像检索.docVIP

基于彩色局部模式共生矩阵图像检索 　　[摘要] 本文提出了一种称之为彩色局部模式共生矩阵的图像特征描述子，并应用于图像检索。它首先计算彩色图像的真彩色边缘，然后将彩色图像量化为64种颜色，最后通过共生矩阵来描述两个彩色局部模式的空间相关性。实验结果表明，彩色局部模式共生矩阵结合了局部二值模式(LBP)和灰度共生矩阵(GLCM)算法的优点，具有良好的检索性能，能够有效地描述颜色和纹理特征以及空间关系。 　　[关键字] 图像检索 局部二值模式 边缘检测 彩色局部模式共生矩阵 　　 　　1 前言 　　在基于内容的图像检索中，颜色、纹理和形状特征是一个被广泛关注的研究问题。多年来,图像分析主要集中于研究灰度图像。颜色是一种很重要的视觉属性，它能够提供丰富的信息来表达图像内容。彩色纹理能够描述物体表面颜色构成和分布信息的重复模式,颜色结构的组织排列等信息。它综合了颜色和灰度纹理特征，比灰度纹理更加能够体现图像内容。 　　Haralick等人提出用灰度共生矩阵来定义纹理特征[2]。灰度共生矩阵是一种经典的二阶统计方法，它适合于描述纹理特征，但它不能够描述形状特征和颜色特征。Huang 等人[2] 定义了颜色相关图来描述图像特征并用应用于基于图像检索，颜色自相关图是颜色相关图的一种变化形式，它们能够表达像素随着距离变化的空间相关性，但是不同的图像可能具有相同的颜色相关图。Vassili Kovalev等人提出了彩色共生矩阵来进行基于例子图像的查询[3]，它利用量化后RGB颜色值代替相应点的像素值。Christoph Palm提出了整合颜色和纹理信息的共生矩阵来进行图像分类[6]，分别称之为单通道共生矩阵和多通道共生矩阵。A.Gelzinis提出了一种新方法来挖掘共生矩阵的描述能力[7]。它通过多项式把不同距离值的14个灰度共生矩阵特征向量组合成为新的特征向量，这些新特征向量具有比较强的稳定性。 　　纹理特征只是反映了物体的表面属性，在很多情况下，纹理特征并不能够准确地表达图像内容。针对这样的问题，本文提出了一个新型的共生矩阵描述子，本文称之为彩色局部模式共生矩阵（CLPCM）。它首先计算彩色图像的真彩色边缘，然后把彩色图像均匀量化为64种颜色，通过描述两个彩色局部模式的空间相关性来表达图像内容，并用于图像检索。彩色局部模式共生矩阵完全不需要进行任何图像分割，能够分析彩色局部模式的结构组织排列情况。它能够综合灰度共生矩阵和局部二值模式（LBP）的优点，所以它所包含的图像信息量要远远大于灰度共生矩阵和局部二值模式，描述能力也强于灰度共生矩阵和局部二值模式。实验结果表明，它能够有效地整合颜色和纹理特征，具有良好的检索性能。 　　2 局部二值模式(LBP) 　　T.Ojara等人提出了局部二值模式(LBP)算法[8]。它能够表示具体像素和邻域像素的局部纹理信息。假设有一个3×3的窗口，它由包含9个元素的集合表示，其中表示在邻域中第个像素的灰度级，表示中心像素的灰度级，邻域中的8个像素总是以某种顺序排列，中心像素的局部纹理信息可以从邻域中的8个像素中提取。将中心像素与邻域像素进行比较，如果周围像素大于中心像素，则该点值赋值为1，否则赋值为0。最后将一个权值模板与周围处理后的图像进行对应相乘求和，详细算法可以参考文献[11]，本文将不再赘叙。 　　LBP方法能够描述具体像素的局部纹理，它表达了中心像素和相邻像素之间的相对关系。LBP直方图可以统计出局部纹理信息出现的频率，能够用于描述局部纹理的空间结构。 　　3 边缘检测 　　传统的梯度计算方法和彩色梯度计算方法[1]虽然能够检测图像边缘，但是都丧失了颜色信息。二维图像函数f(x,y)的梯度可定义为如下向量[1]： 　　 （1） 　　 该向量的幅值为： 　　 　　（2） 　　通常情况下，该向量用绝对值来表示： 　　（3） 　　假设c代表RGB彩色空间中的任意向量，彩色分量是坐标的函数，分别对彩色图像的R、G和B三个分量进行边缘检测，则得到： 　　 （4） 　　如果简单地把RGB三个分量的梯度信息进行叠加，所得到的梯度图像类似于灰度图像。为了使图像边缘保持彩色信息，本文采用一种新型边缘提取方法，它能够最大限度地保持颜色信息，它如下所示： 　　 （5） 　　利用式（5）对彩色图像进行边缘检测，得到的梯度图像仍然是彩色图像。如图1所示： 　　 　　图1 原图像和彩色边缘图像 　　本文对三个图像分量进行边缘检测时，采用的Sobel算子。 　　4 彩色子局部模式共生矩阵 　　为了综合颜色，边缘和空间信息，本文提出了彩色局部模式共生矩阵（CLPCM）。彩色局部模式共生矩阵表示图像中相距D的两个彩色图像局部模式同时出现的联合概率分布。假设把彩色图像量化为w种颜