一种快速旋转不变图像检索新的方法.docVIP

一种快速旋转不变图像检索新的方法 　　摘要：提出了一种新型快速旋转不变图像检索新方法。该方法首先对图像进行傅里叶变换和功率谱分解，提取功率谱的扇形区域能量和环形区域能量参数，并将其均值和标准差作为图像纹理特征。然后，利用谱能量分布特征把纹理的主方向旋转到0°，提取旋转后图像的共生矩阵参数和小波分解各子带图像统计参数作为基本特征。利用所提出的特征提取方法在两组分别包含25类单色自然纹理的图像库上进行检索试验。结果表明，该方法获得了良好的检索效果。 　　关键词：图像检索； 谱分解； 小波变换 　　中图分类号：TP391文献标志码：A 　　文章编号：1001-3695(2007)04-0166-04 　　随着互联网的普及和多媒体资源的急剧增长，如何提供有效的图像检索工具已成为人们的研究热点之一。传统的关键词检索方法很难反映图像的颜色、纹理和形状等视觉内容，因此已经远远不能满足人们对多媒体检索的需求。目前，CBIR(Content Based Image Retrieval,基于内容的图像检索方法)已经成为解决该类问题的首选方案[1]。基于内容的图像检索主要根据图像的颜色、纹理和形状等视觉内容特征进行图像间的相似性分析，从而完成检索任务。?? 　　在CBIR系统中，图像按照其颜色、纹理和形状等视觉内容进行索引以支持相关内容检索[1,2]。因此，如何根据视觉内容提供准确而快速的检索方法成为其主要研究内容。其中，基于纹理特征的图像检索作为图像检索的重要组成部分，得到了越来越多的重视。基于纹理特征的图像检索系统主要包括两个部分，即纹理特征提取和特征相似性度量。现有的方法主要受到两方面的限制，即计算复杂性和检索准确率[2,3]。本文主要研究纹理特征提取，所提取的纹理特征能在反映纹理方向性和周期性的同时，不受纹理旋转变化的影响。因此该方法可以提高图像检索率。此外，该方法由于采用传统的小波变换进行多尺度分析，其计算复杂度明显低于现有的方向不变纹理特征提取方法，如多方向Gabor变换和多方向小波变换等方法。?? 　　 　　1基于傅里叶谱分解的纹理特征提取?? 　　 　　类似于MPEG??7中的TBC(Texture Browsing Component,纹理浏览单元)[4]，本文定义并提取了纹理规则性统计特征(Statistical Regularity Features,SRF)。SRF特征包括对角扇形区域能量特征和环形区域能量特征，对应纹理的方向性和周期性。SRF特征可以很好地反映纹理在方向和尺度方面的变化。首先，对纹理图像进行傅里叶变换并计算纹理功率谱；然后提取全局门限值，用全局门限进行谱分解，得到Wold分解模型中对应的确定域功率谱和纯非确定域功率谱[5]；最后根据得到的确定域功率谱提取对角扇形区域能量特征和环形区域能量特征。?? 　　 　　1.1谱分解?? 　　本文所采用的谱分解算法如下。?? 　　算法1(利用门限判决进行谱分解算法)?? 　　假定纹理的功率谱图像素灰度值分布在0~255。其中确定域功率谱占图像总能量的t%，则可通过下列算法完成傅里叶功率谱的近似分解：?? 　　算法输入：纹理图像I(x,y)的功率谱图算法输出：确定域功率谱Fv(x,y)和非确定域功率谱Fw(x,y)。?? 　　(1)计算傅里叶功率谱图FI的灰度直方图h(i),i=0,…,255。?? 　　(2)计算傅里叶谱图的能量和：?? 　　E=∑Nm=1∑Nn=1F(m,n)(1)?? 　　(3)用Hj作为灰度直方图h(i)从j~255的累计能量：Hj=∑255i=jh(i)，求解满足下式的最大值l=max{j|Hj/E＞t%}。?? 　　(4)使用下面方法对傅里叶谱FI(m,n)进行门限判决：当FI(m,n)＜l时，则FI(m,n)不是纹理确定域功率谱图Fv(x,y)中的一个像素，把FI(m,n)付给Fw(x,y)；否则把FI(m,n)付给Fv(x,y)。 　　 　　1.2SRF特征的提取?? 　　根据得到的确定域傅里叶功率谱图，本文提取纹理图像的SRF特征集。傅里叶变换为描述纹理图像的规则性提供了一个很好的方法。它在这方面的相关特性可以概括为：周期性纹理的傅里叶谱在某一特定方向有几个重要的峰值点；当纹理具有较强的方向性时该方向能在傅里叶谱中反映出来；对于不规则纹理，其傅里叶谱不在任何方向上聚集[6]。很显然，以上的傅里叶谱特性可以在图1中很好地反映出来。?? 　　本文所提出的SRF特征计算方法如图2所示。?? 　　假定原始纹理图像的大小为M×N,首先使用式（2）将其转换为L×L大小的标准尺寸，得到的图像记为Inorm。?? 　　对标准化后的图像进行2D傅里叶变换，计算纹理图像的功率谱。利用算法1对其进行谱分解