基于互补特征的纹理图像检索_纹理特征

　　摘要:针对互补特征可以有效地改善图像检索系统性能的特点，提出一种在改进Contourlet变换域采用�L�1�能量与广义高斯分布参数特征的纹理图像检索方法。首先，应用改进的方法对方向子带系数进行广义高斯统计建模。然后，分别单独利用各个特征和相应的相似性测度进行检索。最后，基于直接的相似性测度和，采用这两种互补的特征进行检索。实验结果表明，和采用单一特征相比较，互补特征由于充分地反映了图像的结构信息和随机分布信息，从而有效地提高了纹理图像数据库的平均检索率。
　　
　　关键词:改进的Contourlet变换；建模；�L�1�能量；广义高斯分布；互补特征； 纹理图像检索�
　　
　　中图分类号: TP391.41文献标志码:A
　　�
　　Texture image retrieval based on complementary features�
　　QU Huai.jing��*
　　School of Information and Electric Engineering, Shandong Jianzhu University, Jinan Shandong 250101, China
　　
　　Abstract:
　　Because the performance of the image retrieval system could be effectively improved using the complementary features, a retrieval method of the texture image using �L�1� energy and generalized Gaussian distribution parameter features was proposed in the improved Contourlet transform domain. Firstly, the directional subband coefficients were modeled as generalized Gaussian distribution using an improved approach. Then, the texture images were respectively retrieved based on the single feature and the corresponding similarity measurement. Lastly, using the complementary features and the direct summation of their similarity measurements, the texture images were retrieved. The experimental results show that, compared with single feature, the average retrieval rates of the texture image database are effectively improved by the complementary features due to fully representing the structural information and the random distribution information.
　　
　　Because the performance of the image retrieval system could be effectively improved by using the complementary features, a retrieval method of the texture image using �L�1� energy and generalized Gaussian distribution parameter features was proposed in the improved Contourlet transform domain. Firstly, the directional subband coefficients went through generalized Gaussian modeling with an improved approach. Then, the texture images were respectively retrieved based on the single feature and the corresponding similarity measurement. Lastly, using the complementary features and the direct summation of their similarity measurements, the texture images were retrieved. The experimental results show that, compared with single feature, the average retrieval rates of the texture image database are effectively improved by the complementary features that fully represent the structural information and the random distribution information.
　　�Key words:
　　improved Contourlet transform; modeling; �L�1� energy; generalized Gaussian distribution; complementary feature; texture image retrieval
　　
　　�
　　0 引言�
　　随着数字图书馆和多媒体数据库容量的飞速增长，基于内容的图像检索目前已变得日益重要和必不可少�［1］。纹理存在于几乎所有的图像之中，并在人类的视觉过程中起着重要的区分作用。根据人眼视觉特性的研究，纹理可以有效地反映图像中不同区域的结构、方向、粒度和规则性的差异�［2］。因此，研究基于内容的纹理图像检索有着重要的意义。�
　　不同的搜索引擎采用不同的特征来检索图像。纹理图像具有丰富的方向性，而人类感知纹理是通过将图像分解成不同频率和不同方向的分量来完成的�［3］。因此，纹理图像的特征广泛采用滤波器组的方法来提取�［4］。典型地，离散小波变换�［5］、Gabor小波变换�［3］和复小波变换�［6］可以将纹理图像特征表达为子带的能量属性。但是，这些方法要么只提供有限的方向信息，要么计算复杂度高。为此，Contourlet变换得到了广泛的关注�［7-8］。�
　　通常，纹理图像检索利用的是单一的特征。然而，人类习惯采用不同类型的特征来区分不同的纹理模式�［9］。研究表明，较好的纹理区分能力可以通过联合考虑互补的特征对来获得�［10］。为此，在Contourlet变换域可从两个方面来选择纹理图像的特征。一方面，由于频域的能量分布可以识别纹理的结构信息，因此可采用方向子带系数的能量为特征；另一
　　
　　方面，纹理被视为一种潜在的随机过程，它的特性可通过统计建模来有效地刻画，因此方向子带系数的统计分布参数也可作为特征。目前，研究互补特征对纹理图像检索性能影响的文献尚不多见。�
　　本文提出一种基于改进Contourlet变换域纹理图像互补的�L�1�能量与广义高斯分布参数特征的检索方法。由于�L�1�能量能有效地反映纹理图像的结构信息，而广义高斯分布参数特征能准确地反映纹理图像的随机分布信息，因此二者结合可以有效地提高纹理图像的检索性能。实验结果验证了这种方法的可行性。�
　　1 改进的Contourlet变换�
　　由Do等�［7］提出的Contourlet变换是一种多尺度、多方向的图像表示方法。它的多尺度变换采用拉普拉斯金字塔结构，而方向滤波器组采用临界采样。因此，变换的冗余度较低，只有4/3。通常，Contourlet变换在捕捉自然图像方向信息方面的能力优于小波变换。但是，它的基图像在频域中存在“混叠”现象，从而不能很好地被局域化。�
　　由Lu等�［8］提出的改进Contourlet变换可以在频域中产生局域化良好的基图像。不同于原始Contourlet变换，它采用了一种新的金字塔结构用于多尺度分析，其结构如图1所示。
　　为了比较和验证准确性，与文献［5］基于小波变换的建模方法相似，本文的建模方法也是将所估计的广义高斯概率密度曲线和Contourlet方向子带系数的直方图相拟合。�
　　统计建模的实验图像取自VisTex数据库，其中大小为512×512的40类纹理图像被采用�［5］8。每一个512×512图像又被不重叠地分割为16个128×128的灰度子类图像。这样，一个具有640个灰度纹理图像的标准实验数据库就被建立。�
　　分别针对纹理图像Fabric14和Leaves8的两个子类图像，基于改进的Contourlet方向子带系数，给出一些典型的实验结果，如图2所示。其中，图2(a)～(d)为四个子类图像，图2(e)～(h)分别为对应的同一方向子带的统计建模结果,Var和beta分别表示所估计的方差和形状参数。由图2可见：1）方向子带系数的统计特性可以由所估计的广义高斯分布准确地描述；2）分布参数具有明显的纹理类别区分性。即，同一类纹理的参数值相近，而不同类纹理的参数值有较大的差异。可以预期，方向子带广义高斯分布参数的准确提取将有助于提高纹理图像检索的性能。�3 基于互补特征的纹理图像检索�
　　检索的任务就是在总量为�M个未标签的纹理图像库中搜索和某一个查询图像相似的前N个要检索的图像，其中N�M。每一个查询图像的检索性能根据其平均检索率来评价。平均检索率定义为在前N个被检索的图像中和查询图像属于同一类的图像占检索得到的所有正确图像的百分数的平均值。�
　　在本文的纹理图像检索实验中，查询图像选为上述标准纹理库640个图像中的任一个，而相应的备选图像为来自同类的其他15个图像。�
　　3.1 基于能量特征的检索�
　　纹理图像的方向结构信息通常存在于图像的中频到高频区域，并且可以采用能量特征进行有效的区分�［3, 12］。在本部分的检索实验中，L�1范数被用作�Contourlet�变换域纹理图像的能量特征。即:�
　　μ�k=1MN∑Mi=1∑Nj=1|C�k（i,j）| （5）�
　　其中：C�k(i,j)为纹理图像第k个�Contourlet�方向子带的系数，M×N是该子带的大小。基于此能量特征，纹理图像检索采用的相似性测度为欧氏距离�［3,5］。�
　　�实验中，Contourlet变换所采用的滤波器和第1章所述的相同。对于不同尺度和不同方向的子带，其检索实验的结果如表1所示。�

推荐访问:纹理 互补 图像 特征