基于OpenCV的圖像紋理特征提取電子信息工程專業(yè)

《基于OpenCV的圖像紋理特征提取電子信息工程專業(yè)》由會員分享，可在線閱讀，更多相關《基于OpenCV的圖像紋理特征提取電子信息工程專業(yè)（30頁珍藏版）》請在裝配圖網(wǎng)上搜索。

1、基于Opencv的圖像紋理特征提取 摘要：OpenCV是一個基于開源發(fā)行的跨領域計算機視覺庫，能使用在Linux、Windows、Android和Mac OS眾多系統(tǒng)上。它輕量級而且高效，可以搭建在如今常用的開發(fā)工具上，如visual studio等。它的指令由眾多 C 函數(shù)與少部分 C++ 類組成，此外具有Python、Ruby等眾多接口，完成圖像處理與計算機視覺部分的通用算法。此次設計主要選擇opencv進行圖像紋理特征選取。紋理是物體表層的重要部分，可以大致分辨出物體特點，所以被普遍使用在圖像研究中。紋理研究主要通過相關處理科技從圖像內(nèi)選擇關鍵的表層灰度信息，且對紋理特點開展研術。

2、此類紋理特征提取以及基于此信息進行的圖像劃分是此研究領域內(nèi)的主要分析內(nèi)容?；谏鲜霈F(xiàn)實問題，本文重點分析相關提取方式，且根據(jù)紋理特征以及模式分辨中普遍使用的分類算法完成分類任務。 本論文首先介紹此次研究的背景以及意義，然后介紹opencv的發(fā)展和現(xiàn)狀以及一些簡單用法。然后介紹有關圖像處理的知識，以及一些基本的紋理提取方法，進而運用opencv 調(diào)用函數(shù)進行圖像的紋理特征的提取。本文選取三種普遍的提取方式來開展敘述，主要是Tamura 紋理分析法和濾波器等方式。之后主要使用灰度共生矩陣算法來實現(xiàn)計算，再給出它的具體實現(xiàn)過程同時并且實驗的的結(jié)果。 關鍵詞：opencv 紋理特征 特征提取

3、 圖像處理 Image Texture Feature Extraction Based On Opencv. Abstract：OpenCV is a cross-platform computer vision library based on open source distribution that runs on Linux, Windows, Android, and Mac OS.It is lightweight and efficient and can be built on commonly used development tools suc

4、h as visual studio.Its instructions are composed of a series of C functions and a small number of C++ classes, while providing interfaces for languages such as Python, Ruby and MATLAB, which realize many common algorithms for image processing and computer vision.This graduation design selects opencv

5、 to realize image texture feature extraction.As a basic property of the surface of an object, texture is widely used in image analysis because it can represent images well.Texture analysis USES image processing technology to extract important surface grayscale information from images and to analyze

6、texture features.Image texture feature extraction and texture based image classification are two important research topics in texture analysis.Aiming at these two problems, this paper studies a variety of texture feature extraction methods, and combines texture feature and pattern recognition to rea

7、lize image classification. This paper first introduces the background and significance of this research, then introduces the development and current situation of opencv and some simple usages.Then introduce knowledge about image processing, then the color of image texture is extracted through op

8、encv variables, selected three kinds of commonly used texture feature extraction method to study the implementation, including gray level co-occurrence matrix, Tamura analysis and filter.In this paper, the algorithms of three methods are introduced in detail, and the concrete realization process is

9、given and the results of experiments are given. Keywords：Opencv Texture Feature Feature Extraction The Image Processing 目錄 第一章 緒論 5 1.1選題背景與意義 5 1.2 研究現(xiàn)狀與方法 7 基于內(nèi)容圖像處理（CBIR） 7 圖像檢索 8 第二章 紋理分析及紋理特征 10 2.1紋理 10 2.2 紋理特征的表達方法 11 2.3紋理分析法 21 第三章 圖像檢索 24 第四章 提取方法的實現(xiàn) 26 第五章 工作結(jié)論與展望

10、 34 致 謝 35 參考文獻 36 第一章 緒論 1.1選題背景與意義 圖像是人類視覺的基礎，是自然景物的客觀反映，是人類認識世界和人類本身的重要源泉。伴著到來的信息化多媒體時代，人們不僅僅在工作會接觸到越來越多的圖像信息，生活中也會接觸到大量的信息。據(jù)IDC預測，全球的大數(shù)據(jù)總量在2020年將為40ZB，其中將會有有七成會以圖片和視頻的形式來進行存儲。如何基于內(nèi)容的圖像檢索在海量的圖像中，找到需要的圖像開始被大眾所重視，也就是CBIR(Content-based image retrieval)，已經(jīng)成為現(xiàn)目前的熱門話題。 CBIR屬于近似匹配科技，包

11、含計算機視覺、圖像處置、理解以及數(shù)據(jù)庫等眾多行業(yè)的研究結(jié)構(gòu)，此處主要特征提取以及索引的創(chuàng)建部分需要讓計算機自主進行，防止人工操作的失誤。使用者檢索的環(huán)節(jié)通常是供應樣例圖像(Queryby Example) 或敘述草圖(Queryby Sketch) ，自主抽取此查詢圖像的特點，之后和信息庫內(nèi)的特點開展對比，且把和查詢特點類似的圖像回饋給操作者。此類提取主要被劃分成低層視覺以及語義內(nèi)容。因為當前計算機視覺以及圖像認知發(fā)展能力不高，導致CBIR也不能全面支持針對語義的圖像查找，因此當前分析大部分匯聚在完善的檢索算法，大多數(shù)都是面向低層特征，也就是憑借圖像顏色、紋理、形狀等特點開展查找[[] 王福斌

12、,李迎燕,劉杰,陳至坤.基于OpenCV的機器視覺圖像處理技術實現(xiàn)[J].機械與電子,2010(06). ]。 紋理特征此領域查找的主要特點，根本上就是分析圖像臨近像素點灰度的空間分布狀況。表征了體現(xiàn)了物體表面的具有緩慢變化或者周期性變化的表面結(jié)構(gòu)組織排列屬性，是一種反映圖像中同質(zhì)現(xiàn)象的視覺特征。多年來，研究者們建立了許多紋理算法以測量紋理特征。大概可以分為四類：統(tǒng)計分析法，比如，基于灰度共生矩陣的紋理分析法；模型法，比如，聯(lián)立自回歸模型法；頻域分析法，比如，基于濾波器變換法；結(jié)構(gòu)分析法，比如，數(shù)學形態(tài)法。其中，應用最廣泛的是統(tǒng)計分析法，也就是馬上尋求刻劃紋理的特點，通過上述特點或融合其

13、余內(nèi)容對圖像內(nèi)某部分（而并非某個像素）開展劃分。圖像局部自相關函數(shù)、灰度共生矩陣、灰度游程和分布的多種具體數(shù)量，是普遍使用的數(shù)字紋理特征。比如灰度共生矩陣使用灰度空間方位表示紋理。因為粗紋理的此類分布伴隨距離變化比細紋理更加緩慢，所以上述兩個類型具備明顯不同的灰度共生矩陣。 近期，紋理特征提取科技開始得到良好的發(fā)展發(fā)。其他國家大部分技術研究組織也在開展此部分研究，例如MIT視覺紋理分析機構(gòu)，UC Bekerley紋理測試組織，我國科學院自動化研究所模式辨別重點實驗室等。計算機視覺行業(yè)主要會議ICCV和CVPR一直保留有關紋理分析的專題討論會。國內(nèi)外有關紋理分析的論文逐年增加，說明紋理特征分析

14、是各國研究人員研究的熱點。但是由于各種算法都有其優(yōu)缺點，單一的紋理分算法很難達到滿意的效果，所以紋理分析將朝著繼續(xù)引入新的理論或數(shù)學工具分析紋理特征的方向發(fā)展。 1.2 研究現(xiàn)狀與方法 1.2.1研究方法 本文的研究環(huán)境是opencv2.4.9構(gòu)建在Visual stdio2012環(huán)境下。研究主要采用試驗的方式，采集不同紋理類型的圖片，然后根據(jù)紋理特征對其進行分類和整理。通過對OpenCV的學習與對紋理特征相關論文的研究，總結(jié)現(xiàn)有的幾種比較成熟的紋理特征提取算法，并用其中兩種提取圖像紋理特征。若是條件允許則進一步嘗試設計基于紋理特征的圖像檢索系統(tǒng)。 1.2.2 研究現(xiàn)狀 OpenCV

15、是目前面向BSD許可（開源）發(fā)行的跨領域計算機視覺庫，主要使用在Linux、Windows、Android和Mac OS相關系統(tǒng)內(nèi)。屬于輕量級此外效率高——由眾多 C 函數(shù)與少部分 C++ 類組成，此外絕壁Python、Ruby、MATLAB等眾多接口，可以妥善進行圖像處理以及視覺部分通用算法。OpenCV使用C++語言編寫，主要接口為C++語言，然而目前也留存眾多其他類型的接口[[] 陳勝勇.基于OpenCV的計算機視覺技術實現(xiàn)[M].科學出版社,2008. ]。 本文將介紹圖像和紋理的概念，簡單闡述幾種紋理特征提取算法的原理，并且借助OpenCV，提取出目標圖像的紋理特征，以達到

16、通過此次畢業(yè)設計初步理解圖像紋理特征提取相關算法的目的。 基于內(nèi)容圖像處理（CBIR） 基于內(nèi)容的圖像檢索（CBIR）是指根據(jù)圖像顏色、紋理、形狀等視覺特征，從已定的圖像庫中查找含有特定特征的圖像。與傳統(tǒng)的圖像檢索手段不同，它融合了圖像理解科技，在傳送圖像的時候把其主要特征向量也存儲到數(shù)據(jù)庫。在開展相關檢索活動的時候，對所有確定的關鍵圖，開展圖像研究，且選擇其具備的特征向量。把上述特征向量與數(shù)據(jù)庫內(nèi)的特征向量對應起來，依照相似距離大小在圖像庫中進行搜索就可以得到所需要的檢索圖了。 CBIR 方法利用圖像的視覺特性，實現(xiàn)了用圖像來檢索圖像。這比利用傳統(tǒng)的文字標注等要有效的多。基于內(nèi)容的圖像

17、檢索是根據(jù)圖像的顏色 、形狀、紋理等特征以及這些特征的組合來查詢圖像的，這是計算機圖像處理和數(shù)據(jù)庫技術的很好的結(jié)合。它具有以下幾個顯著的特征： （1）主要查找呈現(xiàn)圖像內(nèi)容的多種量化特點； （2）采用針對相似性度量的近似查找； （3）大部分使用實例查找QBE方式。 對于基于內(nèi)容的圖像檢索有三個關鍵：一是要選取恰當?shù)膱D像特征；二是要采取有效的特征提取算法；三是要有準確的特征匹配算法。 圖像檢索 以內(nèi)容為基礎的圖像檢索依照圖像及其內(nèi)容語義和上下文關系開展查詢，以圖像語義特點為條件從圖像信息庫內(nèi)尋找到具備類似特點的其余圖像。當前逐漸有大量使用在現(xiàn)實環(huán)境的此類檢索系統(tǒng)，比如由IBM企

18、業(yè)涉及的早期商業(yè)化QBIC系統(tǒng)，和國外學校研究的WebSeek系統(tǒng)以及Photobook系統(tǒng)等。圖像檢索的目標是給定一個查詢圖像，尋找呈現(xiàn)內(nèi)容相似的一組圖像。 本文將設計基于紋理特征的圖像檢索系統(tǒng)。具體做法是： 1）通過灰度共生矩陣算法得到其紋理特征，并且與目標圖像相比對； 2）通過相關的相似性衡量指標，確定兩幅圖片的相似性，大致檢索出與目標圖像相似的圖像[[] 王慧琴.基于OpenCV的人臉識別的研究[J].長治學院學報,2016(05). ]。 基于內(nèi)容的圖像檢索系統(tǒng)具備很大的發(fā)展空間，主要是使用在下面多個部分： 1 知識產(chǎn)權保護 伴隨科技持續(xù)進步，知識產(chǎn)權開始被我們所

19、重視，目前盜版科技水平持續(xù)提升，工藝品以及商標仿制科技頻繁更新，現(xiàn)有的技術保護方式在知識產(chǎn)權保護領域受到限制。商標一般使用圖像與文字兩部分敘述突出特點。圖形標記當前一般使用手工編碼形式，上述形式會導致法律問題。所以使用圖像檢索技術可自主高效的對商標開展查找。 2 犯罪和圖片過濾 利用人臉辨別科技就能從眾多數(shù)據(jù)庫中尋找相應目標，因此具備較高的價值特別是在安全組織，公安組織。在網(wǎng)絡發(fā)展較快的當前，互聯(lián)網(wǎng)不和諧圖片不斷增加，此時可使用此類檢索技術開展過濾與查找。 3 網(wǎng)上圖像搜索和數(shù)字圖書館 Internet 目前開始進入到一般家庭中，甚至影響到大眾日常生活，互聯(lián)網(wǎng)內(nèi)不僅包含眾多文本

20、內(nèi)容之外，也存在充足的圖像資源讓我們使用。全新的網(wǎng)絡引擎需要協(xié)助使用者從眾多不需要的資源內(nèi)尋找自身所想要的圖像，上述引擎需要具備較高的信息匹配效率，高效尋找所需內(nèi)容。CBIR 可以在多媒體數(shù)據(jù)自動分類方面有很大促進作用[[] 王皖君,程玉柱,李趙春.基于OpenCV的圖像處理編程教學模式研究[J],電子世界,2017(17). ]。 4. 全新視頻服務與圖像編輯 以內(nèi)容為基礎的圖像檢索科技能使用在視頻查找中，全新視頻功能可以從目前視頻內(nèi)尋找到所需畫面，此外自主選擇讓大眾觀看與查找，假如使用者需要，也可以利用重要畫面進行播放。在虛擬網(wǎng)絡應用中，需要獨立對圖像內(nèi)的無禮進行精準分割，之后

21、添加到其余環(huán)境內(nèi)。自主分割此外分辨物體具備重要的作用。 第二章 紋理分析及紋理特征 2.1紋理 2.1.1紋理定義 紋理沒有一個特定的概念。其主要是呈現(xiàn)圖像內(nèi)同質(zhì)問題的視覺特點，其充分表現(xiàn)出物體表層具備緩慢變化或者周期性變化的表面結(jié)構(gòu)組織排列特點。用戶描述對辨別物體來說十分關鍵重。各類物體是具備多種紋理特點的，其也是導致大眾視覺不同的主要因素，還是物體劃分和辨別的主要基礎。一般來說，構(gòu)成紋理的基本單元稱為紋理基元或紋元（texture element）。 2.1.2紋理特征 紋理特征是目前不依靠顏色或者亮度內(nèi)容就可以呈現(xiàn)內(nèi)部同質(zhì)問題的視覺特點，其主要涵蓋物體表層結(jié)構(gòu)組織排

22、列的關鍵內(nèi)容，以及與外界環(huán)境的關系。我們把紋理特征分為四種類型：（1）統(tǒng)計型紋理特征。統(tǒng)計型紋理特征中以灰度共生矩陣為主，是建立在估計圖像的二階組合條件概率密度基礎上的一種方法。（2）模型型紋理特征。 模型型紋理特征提取方法主要以隨機場方法和分型方法為主。（3）信號處理型紋理特征。該特征主要是利用某種線性變換、濾波器或者濾波器組將紋理轉(zhuǎn)換到變換域，然后應用某能量要求選擇紋理特點。（4）結(jié)構(gòu)型紋理特征。指出紋理主要包含眾多基元，各類基元的具體方向以及數(shù)目影響最終形式[[] 陳美龍,戴聲奎.基于GLCM算法的圖像紋理特征分析[J].通信技術,2012(02) . ]。 以上四種紋理特征的提

23、取方法之間雖然有不同但也是相互有關聯(lián)的。 2.2 紋理特征的表達方法 在之前的五十 多年中，大部分專家對紋理開展深入分析，此外試圖對此特征提取方式開展劃分。到現(xiàn)在出現(xiàn)眾多分類方式，普遍使用四種分類方式，接下來我們開展詳細的分析和論述，重點對不同提取方式內(nèi)的特點開展敘述。 2.2.1 統(tǒng)計法 統(tǒng)計法一般依照圖像鄰域像素灰度值的彼此關系和分布情況著手，使用少數(shù)統(tǒng)計量表示圖像紋理，主要使用紋理的統(tǒng)計特點與規(guī)律，重點用來敘述類似大地、氣象云圖、山川一樣詳細，然而缺少具體規(guī)律的圖像紋理。此方式是紋理特征敘述的早期方式，此外主要被使用敘述人工紋理。因此在目前統(tǒng)計時，依照具體數(shù)目，將此方式分類成

24、三部分，主要是：一階與二階、高階統(tǒng)計量。 灰度共生矩陣 灰度共生矩陣 (GLCM ) 方式主要是Haralick等專家在二十世紀中后期指出的,目前此方式逐漸被使用在紋理統(tǒng)計中。此方式不只可以呈現(xiàn)圖像亮度分布特點，此外也表現(xiàn)出具備類似亮度與亮度的兩個像素點在方位上存在的分布狀況。一般將條件概率提取紋理當做特征，得到像素級灰度紋理在空間內(nèi)的彼此關系。通常依照圖像像素之間的方向與距離創(chuàng)建矩陣，之后從此陣提取具備價值的統(tǒng)計特征來敘述紋理。由于紋理是臨近像素或區(qū)域灰度上幾何方位等彼此關系的表征，所以統(tǒng)計位于同樣位置關系的像素的灰度相關性，就能使用上述像素的某條件概率來代表最終紋理特征。 2.2.2

25、 頻譜法 頻譜法是創(chuàng)建在視頻科技和多尺度科技前提下的紋理研究方式，主要使用信號處理等方式，通常利用傅里葉變換把空間域的紋理圖像變到頻率域內(nèi)，利用統(tǒng)計峰值處的面積、峰值和原點距離平方、峰值處的相位、不同峰值之間的相角差等得到在空間域不容易得到的紋理特征，比如周期、功率譜內(nèi)容等。一般來說，傅立葉頻譜中突出的峰值對照紋理的主方向內(nèi)容，峰值在頻域平面方位對照周期內(nèi)容，粗紋理頻率分量匯聚在低頻區(qū)域，細紋理對照高頻區(qū)域。 普遍使用的頻譜法一般包含傅立葉功率譜法、Gabor 變換等眾多方式。 基于濾波的紋理特征提取 之前使用的傅里葉變換只可以敘述所有時段的頻譜，而不能得到某個部分譜內(nèi)容。所以，對于頻

26、譜分量伴隨時間改變的非平穩(wěn)內(nèi)容，此變換方式無法得到效果。一般來說，大部分紋理圖像都不是平穩(wěn)的，為了得到充足的局部頻域而，短時傅里葉變換隨之出現(xiàn)。其假定在窗函數(shù)某個短暫時間內(nèi)非平穩(wěn)信號呈現(xiàn)出平穩(wěn)性，之后利用移動窗函數(shù)，統(tǒng)計出多個時間的功率譜。方式目前使用的重要短時傅里葉變換[[] 劉麗,匡綱要.圖像紋理特征提取方法綜述[J].中國圖象圖形學報,2009(04) ]。 小波變換被使用在圖像紋理研究的主要優(yōu)勢為，其具備尺度特點，其中圖像紋理也呈現(xiàn)出此特點，所以從上述層面進行分析此變換方式主要使用在圖像紋理研究中。使用 函數(shù)產(chǎn)生的二維濾波器具備較好的現(xiàn)實功能，此外可以和生物視覺系統(tǒng)相似，其具備容

27、易調(diào)諧的方向以及徑向頻率帶寬和融合調(diào)諧的中心頻率，在時域與頻域全部得到較高分辨率。所以濾波可以看作是一種小波變換。 2.2.3 模型方法 模型法把紋理基元的分布和數(shù)學模型相對照，使用統(tǒng)計、信號研究等知識以及相關方式對紋理模型開展深入研究，進而得到紋理特征。第一使用完善的圖像模型來明確紋理的解析模型，之后把所有紋理的解析模型使用相同紋理特征參數(shù)集來代表，此部分參數(shù)明確具體模型的紋理特征。所以，精準預估模型特征參數(shù)集是開展此類紋理研究的核心。普遍使用：小波研究、隨機場模型、分形等眾多方式。此處，隨機場模型對規(guī)律非均勻的紋理敘述水平不高。分形法則是上述模型法的一部分，其主要使用分形維數(shù)以及孔數(shù)來

28、進行敘述。此類方式不只能代表紋理，此外還能合成紋理。接下來大致敘述自回歸紋理模型。 其是隨機場模型的重要使用案例。 2.2.4 結(jié)構(gòu)方法 從結(jié)構(gòu)層面研究圖像紋理基元的類型以及排列分布特征的方式被叫做結(jié)構(gòu)研究方式。此研究方式通常依照偏心度、面積、方向、矩等諸多特點明確主要基元，之后使用句法模式辨別知識，采用形式語言對紋理排列原則開展敘述。結(jié)構(gòu)方式一般使用在現(xiàn)有基元上，使用形態(tài)學、拓撲法、圖論等方式敘述紋理基元的幾何特點與排列規(guī)律。 Tamura紋理特征 根據(jù)大眾對紋理視覺感知的深入分析結(jié)果，Tamura等專家指出紋理特征敘述。Tamura紋理特征的多個分量對照心理學領域內(nèi)的不同屬性

29、，主要是是粗糙度（coarseness）、對比度（contrast）、方向度（directionality）、 線像度（linelikeness）、規(guī)整度（regularity）和粗略度（roughness）。此處，前幾個部分對于圖像檢索尤其重要。 2.2.5 各種方法優(yōu)缺點比較 紋理特征提取的方法有很多，每種方式都表現(xiàn)出一定的優(yōu)點和不足。此處灰度直方圖的矩方式相對直接清楚，還是發(fā)展時間較長的敘述方式，然而灰度直方圖的矩方法描述的紋理特征比較單一，所以目前使用此方式并不多。二十世紀中期年, Weszka 等專家對比不同方式的優(yōu)點和不足。 指出此方式具備更多的功能，可以被普遍應用。 使用

30、 濾波器來研究紋理是目前比較重要的方式,即便 能量譜能可以得到紋理內(nèi)眾多高效內(nèi)容,然而改變窗口大小位置,無法直接得到紋理在頻率以及方向上微小變動,無法達到現(xiàn)實使用需求。此外,因為紋理特征選擇時一般需要通過眾多 濾波器構(gòu)成組, 此外也要眾多參數(shù)的明確,另外 濾波在完成上并未尋找到高效算法,因此其需要完成眾多統(tǒng)計任務。和其進行比較,小波變換傳承與發(fā)揚 變換, 不只時頻窗口隨意轉(zhuǎn)變,此外窗口外形還能伴隨窗口中心頻率變動而積極調(diào)節(jié)。 結(jié)構(gòu)研究方式的主要優(yōu)勢是使用對紋理組成的理解以及高層檢索，可以敘述人工規(guī)則紋理。對于自然紋理，因為基元原本提取艱難和基元彼此間排布規(guī)則不容易使用明確的數(shù)學模型敘述，在

31、此部分敘述方式中，結(jié)構(gòu)研究法使用較少或者頻繁被當做輔助研究方式。 2.3紋理分析法 2.3.1基于灰度共生矩陣的紋理分析法 使用兩個方位的象素聯(lián)合概率密度來確定共生矩陣，其不只可以呈現(xiàn)亮度分布特點，也表現(xiàn)出具備相同或類似亮度的象素彼此間的位置分布特點，是相關具體亮度變動情況的二階統(tǒng)計特點。圖象的灰度共生矩陣可以表現(xiàn)出灰度具體方向、相鄰間隔、變動幅度的整體內(nèi)容，其是研究圖象局部方式與其排列原則的重要條件。 主要算法為： 假定x軸方向像素總數(shù)是，y方向則是，為了減少研究大量灰度級的任務量，把圖像灰度進行歸并，G代表歸并之后綜合數(shù)量，因此最高灰度級是第級，記錄： 將圖像f詮釋成從

32、* 到G的主要變換，也就是對* 內(nèi)的所有點，對照某個G灰度。確定方向是，間隔是d的灰度共生矩陣是： 代表矩陣內(nèi)第i行j列之元素，此處，(i, j)G *G，i，j的距離是d， = 0°，45°，90°，135°。在d值不大的時候，對照變化較慢的紋理圖像(粗紋理)，其灰度聯(lián)合概率矩陣對角線處的數(shù)值高，側(cè)重于作對角線劃分；假如紋理變動明顯(細紋理)，此時對角線數(shù)值變小，其中對角線兩邊元素值變大，側(cè)重于勻稱劃分。 將軸當做起始，逆時針統(tǒng)計，對多種，矩陣元素的概念為 記號#{x}代表集合 x 元素數(shù)。矩陣i行j列元素代表全

33、部方向，臨近間隔是d的像素內(nèi)存在取i值，其次取j值的臨近對點數(shù)。此時灰度共生矩陣表現(xiàn)出圖像灰度有關方向、臨近間隔、變動幅度的全部內(nèi)容，其是研究圖像的局部模式以及排列原則的前提。從其著手，就能全面提取敘述所有特點。對式代表的共生矩陣進行正規(guī)化處置： 此處 R 為正規(guī)化常數(shù)。經(jīng)過處理之后的特征值表現(xiàn)出較高的紋理分辨率。在選擇 d = 1， = 0°時，每行都存在2(?1) 個水平臨近對點，所以總數(shù)是2 ( ?1) 水平相鄰對點，假如R = 2 (?1) 。此時選擇 d = 1，= 45°時，總共2( ?1)(?1) 相鄰對點，假如R = 2(?1)(?1) 。根據(jù)對稱性我們就能知道，在

34、= 90°與 135°時，可知相鄰對點數(shù)比較明顯。記成： 此類共生矩陣檢索圖像的環(huán)節(jié)為： (1)把圖像庫內(nèi)全部圖像實施灰度量化，從原本的256級變成16級； (2)創(chuàng)建不同方向上的灰度共生矩陣，主要是水平、垂直、對角線、反對角線，使用數(shù)學式表述是0 °, 45 °, 90 °, 135°； (3)創(chuàng)建特征向量。把上述向量存放在特征矩陣內(nèi)，此類矩陣每一列是圖像內(nèi)的特征向量，代表圖像。此類向量是由圖像的多個共生矩陣的不同特征參數(shù)的均值與方差所組成； (4)對特征矩陣實施高斯歸一化； (5)主要環(huán)節(jié)(1)-(4)統(tǒng)計歸一化之后的待查詢圖像的特征向量； (6)使用歐氏距離來實施相似

35、度測試，把示例圖和特征矩陣內(nèi)全部向量實施對照。 2.3.2 Tamura 紋理分析法 由灰度共生矩陣的統(tǒng)計特性得出的紋理特征和大眾視覺感受并未創(chuàng)建緊密關系，Tamura等人指出其具備的主要特點，在一定程度上和大眾心理感知相符合，接下來開展詳細論述，此處有些部分具備深遠的影響。 粗糙度： 對每個像素點計算不同大小窗口的平均強度值，并求不重疊窗口的平均強度差，對每個像素點在若干個窗口中選擇一個最優(yōu)窗口（差值最大）的值作為S?best值，求所有S?best的平均值。 對比度： 方向度： 其中利用以個方向的卷積模板得到上兩每個像素點的和 ?得到梯度向量的模： 方向： 將其

36、放入對應的k個bin中可以得到梯度方向直方圖。 ?在梯度方向直方圖中，由峰值可以得到圖像的總體方向 2.3.3基于 小波的紋理特征提取 因為小波變換的研發(fā)，為圖像壓縮、傳播與研究帶來一定的便利。很多專家使用此研究方式代表圖像紋理特征，得到較好的成果。1946年專家指出早期利用高斯函數(shù)增加頻移之后出現(xiàn)的函數(shù)。 濾波器組在多分辨率領域內(nèi)具備明顯的優(yōu)勢，目前表示 變換在 2D 測試不準(時間與頻率分辨率彼此矛盾的量)時，對信號頻率域與空間域可以最優(yōu)敘述。利用把圖像和濾波器卷積就能得出眾多濾波圖像，不同圖像均敘述了相應尺度與相應方向度內(nèi)的具體內(nèi)容，因此可利用基于Gabor小波變換來得出不

37、同濾波圖像的紋理特征，開展后續(xù)檢索活動。 Gabor 函數(shù)主要使用高斯函數(shù)，可以在在給定區(qū)域內(nèi)選擇相應的頻域特征.比較明顯的2-D Gabor 函數(shù) h(x,y)和其傅立葉變換 H(u,v)為下述類型: 此處:g(x,y)主要是調(diào)制高斯函數(shù);σx 與σy 在不同坐標軸上的標準方差,其影響濾波器影響范圍;W 是復正弦函數(shù)在橫軸內(nèi)的頻率. 把 Gabor 函數(shù)劃分成實部 hR(x,y)與虛部 hI(x,y)兩類,使用其濾波得出的圖像是 ： Gabor小波變換雖然不是正交變換，但是它是對圖像紋理特征的較好選擇。經(jīng)過證明，它比用Harr等正交小波提取的圖像紋理特征要好。它的運算

38、速度非?？?，以根據(jù)需要對不同方向和尺度進行紋理的提取，是提取圖像紋理特征的常用方法。 第三章 圖像檢索 基于opencv的圖像檢索（CBIR）是主要涵蓋四個時期，主要是：得到圖像、選擇特征、劃分、檢索，最后一個時期是我們需要關注的重點：選擇怎樣的算法去提取怎樣的特征，高效且全面開展圖像劃分和測試。數(shù)字圖像總共包含三類底層特征，主要是顏色、亮度、紋理，此處第三類特征具備分析價值，由于其不依靠其他部分，因此也可以被當做明顯的視覺特點。呈現(xiàn)圖像內(nèi)具體特征反復出現(xiàn)的情況。所以，此類紋理特征提取是目前圖像檢索領域具備現(xiàn)實意義與理論影響的部分。因此本文重點基于上述紋理特征現(xiàn)狀開展深入分析。CBIR

39、 基于具體系統(tǒng)使用領域，直接將其劃分成：商用、網(wǎng)絡以及分析應用系統(tǒng)三部分，接下來進行全面敘述和整理： 1 商業(yè)用系統(tǒng) 在商用行業(yè)內(nèi)，最初采用基于內(nèi)容圖像檢索的企業(yè) IBM（世界商用機器企業(yè)），其生產(chǎn)出全球知名的產(chǎn)品。主要設計的圖像檢索系統(tǒng)是圖像進庫、特征提取、顧客查找等多個方面。顧客可直接使用關鍵字開展查詢，此外也能使用圖像其余特征顏色與紋理查詢。可以使用眾多查詢形式，包含人工作圖、色彩、紋理、案例圖像等。使用模板圖像，調(diào)色板以及草圖查詢。Virage 企業(yè)目前也設計出于內(nèi)容的檢索引擎。一般包含圖像研究、對比、管理等多個部分，不僅支持色彩，亮度，也可以開展紋理特征的直接查找，其能被當做

40、插件應用在一般查詢行業(yè)，還能延伸其功能，使用到其他行業(yè)。 2 網(wǎng)絡應用系統(tǒng) 谷歌實驗室設計出全新科技，第一是“Similar Images”(相似圖片)，此科技可輕松讓我們在谷歌數(shù)據(jù)庫內(nèi)尋找到和內(nèi)容相似的圖片。第二是“News Timeline”(新聞時間線)，使用者可隨意滑動時間框，如同查看報一般查找以往內(nèi)容。 假如使用者查找“ice cube”（冰立方）關鍵詞，那么圖片搜索會馬上顯示凍塊與西海岸說唱歌手內(nèi)容。使用者不需要改變原本搜索內(nèi)容。當前，谷歌相似圖片搜索頁面依舊使用，其為使用者所提供的結(jié)果和當前標準版大致類似。思考到谷歌實驗室的 Google Transit（Google M

41、aps 具備的公共交通換乘查詢業(yè)務）和與Google Suggest（搜索建議）產(chǎn)品目前在研究中，所以此實驗室會長久留類似似圖片。 3 研究應用系統(tǒng) 基于內(nèi)容圖像檢索一般使用在學校的分析組織，目前被大眾多了解的是 Photobook、VisualSEEK、MARS。Photobook 重點是提取圖像形狀、紋理和臉部特點，使用者可依照自身需求設置多種查找要求，其具備的人臉辨別逐漸在美國軍事行業(yè)被普遍使用。 VisualSEEK 重點將網(wǎng)絡當做基礎，目前在圖書館內(nèi)部系統(tǒng)內(nèi)使用，其通常依照圖像色彩、亮度和多種位置開展圖像查詢。MARS 由美國伊利諾斯學校研究(Illinois)，主要是計

42、算機信息庫，內(nèi)容查找，視覺等眾多現(xiàn)實需求形成的，和其余系統(tǒng)不管在科技層面，還是在研究層面都表現(xiàn)出明顯的差異，其主要目標并不是使用單獨特征表現(xiàn)圖像，主要是通過大部分圖像外觀特征組成完善的檢索體系，進而使用在多個領域內(nèi)，滿足顧客的即時交互需求，也是首個提取 relevance 系統(tǒng)的分析組織 。 第四章 提取方法的實現(xiàn) 前邊的第二章和第三章對紋理特征相關定義與信息和紋理特征提取的方法進行了描述，在第四章中將從中選擇灰度共生矩陣這種方法，結(jié)合具體的實例進行實現(xiàn)，將從提取出的值結(jié)合紋理特征進行分析。 灰度共生矩陣的特征提取算法 以下是基于灰度共生矩陣的過程結(jié)果： 本章主要展示主代碼

43、， 主代碼： 通過灰度共生矩陣代碼主要提取出下圖的值，分別是能量、熵、對比度和逆差分矩 （1） 能量（二階矩） asm 二階矩反映了圖像灰度分布均勻程度和紋理粗細度。因為它是灰度共生矩陣各元素的平方和，又稱為能量。大時紋理粗，能量大；反之，小時紋理細，能量小。 （2） 熵 eng 熵反映圖像中紋理的復雜程度或非均勻度。若紋理復雜，熵具有較大值；反之，若圖像中灰度均勻，共生矩陣中元素大小差異大，熵較小。 （3） 對比度（慣性矩）con 對比度可理解為圖像的清晰度。紋理的溝紋深，大，效果清晰；反之，小，則溝紋淺，效果模糊

44、。 （4） 逆差分矩 Idm 下面為幾個實例的原圖與提取結(jié)果： A、 該圖能量值為asm=1.94488，熵eng=3.87891， 對比度con=8.15264，逆差矩Idm=3.88649 B、 該圖能量值為asm=2.50352，熵eng=4.29536， 對比度con=3.15281，逆差矩Idm=3.83448 C、 該圖能量值為asm=0.43202，熵eng=11.3134， 對比度con=4.06651，逆差矩Idm=3.31277 D、 該圖能量值為asm=1.88262，熵eng=

45、6.16887， 對比度con=0.802291，逆差矩Idm=3.93529 由上邊提取出的特征值可得出： （1） 圖像B的紋理最粗，能量最大；圖像C的紋理最細，能量最?。? （2） 圖像C的熵最大，所以紋理最復雜；圖像A的熵較小，所以圖像中灰度均勻，共生矩陣中元素大小差異大； （3） 圖像A紋理的溝紋深，對比度大，效果清晰；圖像D對比度小，紋理的溝紋淺，效果模糊； 第五章 工作結(jié)論與展望 現(xiàn)在時代隨著計算機網(wǎng)絡的迅速發(fā)展，云計算、物聯(lián)網(wǎng)的發(fā)展速度也是越來越快，數(shù)字圖像技術也是得到了廣泛應用。對大規(guī)模圖像數(shù)據(jù)庫、多媒體信息的有效管

46、理和分類檢索已經(jīng)成為了現(xiàn)目前圖像處理領域最需要解決的問題之一，圖像的紋理特征提取以及根據(jù)提取出來的紋理特征對圖像進行檢索是解決紋理這一問題的重要方法。 本文在廣泛查閱國內(nèi)外有關基于圖像紋理檢索技術資料的基礎上，論述了目前國內(nèi)外基于圖像紋理特征提取領域的現(xiàn)狀和發(fā)展趨勢。文中以提取圖像紋理特征為主線，討論了基于opencv的圖像特征提取方法。 人的感知系統(tǒng)的判斷受心理很視覺因素的影響非常大，主觀性很強，而圖像的檢索是通過相似度度量算法來實現(xiàn)的，相似度是度量算法，客觀性很強，并且能達到令人滿意的檢索結(jié)果。又因為圖像的特征提取是圖像檢索的關鍵，而圖像的特征很復雜，直到現(xiàn)在都沒有一個統(tǒng)一的標準來描述

47、圖像的特征。研究圖像的其它特征提取的算法，如顏色特征、語義特征等充實現(xiàn)在的圖像特征研究方法。因為圖像特征的綜合信息優(yōu)于單一信息，因此我們也可以綜合上面的幾種描述方法進行圖像特征描述，但是方法的綜合需要很多關鍵技術進行協(xié)調(diào)，不同特征占特征總量的權值不同，因此進一步提高綜合特征描述技術的性能是以后研究的方向之一。 致 謝 在此篇論文快完成的這個時候，謹以此文，獻給在此期間幫助和關心我的人。 首先非常感謝我的畢設指導老師趙平華老師，從最開始的題目選擇，開題的報告到后邊實驗進度和論文的完成進度，都是趙老師一直在關注并且?guī)椭?。在我選擇了這個論文

48、題目后，也是趙老師耐心的為我講解opencv、圖像、紋理等等知識點，讓我最開始就對這個題目中的內(nèi)容有一定的熟悉，進而去了解，到后來趙老師的一直關注，才能順利的完成這篇論文。趙老師嚴謹?shù)墓ぷ鲬B(tài)度和對學生的全力幫助，是非常值得學習和敬佩的。在此期間，也讓我的思維和學識跟以前不一樣了，思維變得更寬廣，學識變得更多，也讓自己獨立學習和鉆研的能力更上了一層樓。對我今后的幫助是無窮的，所以非常感謝趙老師。 然后要感謝幫助我的同學，在我論文期間，遇到難題也是一直有在和同學討論并且能讓我有新的思路，也是感謝同學一直的幫助，是我完成論文必不可少的精神支柱。 還要在此感謝我的親人特別是父母。一直以來都是父母在

49、為我加油打氣，不論什么時候，父母總是在身邊陪伴我度過所有快樂或悲傷的時光，是我不斷前進的永恒的動力。 最后，感謝所有人。 參考文獻 [1]王福斌,李迎燕,劉杰,陳至坤.基于OpenCV的機器視覺圖像處理技術實現(xiàn)[J].機械與電子,2010(06). [2]陳勝勇.基于OpenCV的計算機視覺技術實現(xiàn)[M].科學出版社,2008. [3]王慧琴.基于OpenCV的人臉識別的研究[J].長治學院學報,2016(05) . [4]王皖君,程玉柱,李趙春.基于OpenCV

50、的圖像處理編程教學模式研究[J],電子世界,2017(17). [5]陳美龍,戴聲奎.基于GLCM算法的圖像紋理特征分析[J].通信技術,2012(02) . [6]劉麗,匡綱要.圖像紋理特征提取方法綜述[J].中國圖象圖形學報,2009(04) [1] M.Simard, G.Degrandi, K.P.B.Thomson. Adaptation of the Wavelet Transform for the Construction of Multiscale Texture Maps of SAR Images. Canadian Journal of Remote Sens

51、ing, Sep.1998, 24(3): 264-285. [2] K.Chang, A.Hsu. Image information systems: where do we go from here? IEEE Trans. on Image Processing, Vol.2, No.4, PP. 429-441, Oct.1993. [3] Hursehka, Harald, Natter, Martin. Comparing performance of feed forward neural nets and K-menas of cluster based market

52、 segmentation. European Journal of Operational Research. Volume: 114, Issue: 2, April16, 1999, pp: 346-353. [4] Gehrke, Ramakrishnan R, Ganti V. Rainforest: A framework for fast decision tree construction of large dataset [A]. Proc.Ini. ConfVLDB’98[C]. NewYork:Aug, 1998: 416-27. [5] Bosch A, Zis

53、serman A, Xavier Mun. Scene Classification Using a Hybrid Generative/ Discriminative Approach. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2008,30(4): 712–727. [6] Ibrahim Kushehu. Genetic Programming and Evolution Generalization[J]. IEEE Trans.ON Evolutionary Computation, VOL.

54、6, Oct. 2002. [7] Opelt A, Fussenegger M, Pinz A,etc.Weak Hypotheses and Boosting for Generic Object Detection and Recognition. 2004. Vol II: 71-84. [8] Olivier Chapelle, Patrick Haffner, Vladimir N. Vapnik.Support vector machines for histogram based image classification. IEEE Transaction on Neu

55、ral Networks, 1999, 10(5): 1055 -1064。 [9] Haralick, R.M., Shanmugam, K., Dinstein, I. Texture features for image classification. IEEE Transactions on Systems, Man and Cybernetics, 1973, 3 (6), 610-621. [10] W.Equitz, W.Niblack. Retrieving Images from a Database Using Texture-Algorithms from the

56、 QBIC System. Technical Report. RJ 9805, Computer Science, IBM Research Report, 1994. [11] Tao Dacheng, Li Xuelong, etc. A Set of Novel Textural Features Based on 3D Co-occurrence Matrix for Content-based Image Retrieval.International Conference on Information Fusion, 2002, 2: 1403-1407. [12] M.

57、Reed, Y.Zeevi. Localized Texture Processing in Vision: Analysis and Synthesis in Gaborian Space. IEEE Trans. on Biomedical Engineering, 1989, 36(1): 115-129. [13] Smith J R, Chang S F. Transform Feature for Texture Classification and Discrimination in Large Image Database. In Proc of IEEE Int’1 Co

58、nf on Image Processing. Austin, Texas, 1994. [14] 趙健, 張文軍. 一種有效的基于小波幀變換包的紋理分類方法. 計算機輔助設計與圖形學學報, 1997, 9(6): 520-526. [15] K.S.Thyagarajan, Tom Nguyen, Charles Persons. A Maximum Likelihood Approach to Texture Classification Using Wavelet Transform.In Proc. IEEE Int.Conf. on Image Processing, 199

59、4: 640-644. [16] Joan Weszka, Charles Dyer, Azeril Rosenfield. A Comparative Study of Texture Measures for Terrain Classification.IEEE Trans. On Systems,Man,and Cybernetics, 1976, SMC-6(4): 269~ 285. [17] W.Y.Ma, B.S.Manjunath. A Comparison of Wavelet Transform Features for Texture Image Annotat

60、ion. In Proc. IEEE Int.Conf. On Image Proc. 1995, 2: 256-259. [18] A.P.Pentland. Fractal-Based Description of Natural Scenes. IEEE Trans. Pattern Recognition and Machine Intelligence, 1984, 6(6): 661-674. [1] 劉曉民．紋理研究綜述[J]．計算機應用研究，2008，25(8)：2284-2288． [19] John R Smith, Shih-Fu Chang. Automated

61、 binary texture feature sets for image retrieval. IEEE International Conference on Acoustics, Speech and Signal Processing, 1996 4: 2239-2242. [20] Robert M. Haralick, K. Shanmugam. Texture features for image classification. IEEE Transactions On System, Man and Cybernetics, 1973, 3(6):610-621. [

62、21] 劉麗，匡綱要．圖像紋理特征提取方法綜述[J]．中國圖象圖形學報，2009，4：622-633． [22] 薄華，馬縛龍，焦李成．圖像紋理的灰度共生矩陣計算問題的分析[J]．電子學報，2006，34(1)：155-158． [23] J. Mridula, K. Kumar, D. Patra. Combining GLCM features and Markov random field model for color textured image segmentation. International Conference on Devices and Communicati

63、ons, 2011:1-5. [24] EM Darling, RD Joseph. Pattern recognition from satellite altitudes[J]. IEEE Transactions on System, Science, Cybernetics, 1968, 4(1): 38-47. [25] Bradford, West Yorkshire. Texture classification by matching co-occurrence matrices on statistical manifolds[C]. IEEE Internation

64、al Conference on Computer and Information Technology, 2010, 10th:1-7 [26] BV. Ramana Reddy, M. Radhika Mani, KV. Subbaiah. Texture classification method using wavelet transforms based on gaussian markov random field[J]. International Journal of Signal and Image Processing, 2010, 1(1):35-39. [27] AP. Pentland. Fractal baaed description of natural scenes[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1984,6(6):661-674. 30