【正文】 P,LGXP 等），特征級(jí)融合和決策級(jí)融合。 基本 LBP 首先定義局部紋理模式 T 為圖像局部區(qū)域內(nèi) ? ?1?PP 個(gè)像素點(diǎn)的灰度值的聯(lián)合分布： ? ?110 , ?? Pc ggggtT ? （ ） 其中， cg 是局部區(qū)域的中心像素的灰度值， ? ?110 , ?Pggg ? 則代表中心周圍的像素點(diǎn)灰度值，這些鄰近像素距離中心像素為 R ，等距離成環(huán)形對(duì)稱分布，如圖 所示。 為計(jì)算和表達(dá)方便，將局域紋理模式的二值編 碼轉(zhuǎn)化為一個(gè)實(shí)數(shù)編碼： ? ????? 10, ,2Pi iciRP ggsL B P () 其中 P =8， R =1。所以我們把 有部分模式出現(xiàn)的幾率非常高 的模式獨(dú)立出來 ，它們代表了紋理的一些基本屬性，或基本特征。 因此 這些恒定二值模式可以看作紋理的微結(jié)構(gòu) 。 本章小結(jié) 顯而易見的是，上述提取的 LBP算子在每個(gè)像素點(diǎn)都能夠獲得一個(gè) LBP“編碼”，那么，對(duì)一幅圖像提取其原始的 LBP算子爾后，獲得的原始 LBP個(gè)性依舊是“一幅圖片”。 所以在這里我們就提取 原始 LBP個(gè)性 圖片的灰度直方圖。自 1993 年 Microsoft 公司推出 Visual C++ 后，隨著其新版本的不斷問世， Visual C++已成為專業(yè)程序員進(jìn)行軟件開發(fā)的首選工具。 Visual C++ 由許多組件組成，包括編輯器、調(diào)試器以及程序向?qū)?AppWizard、類向?qū)?Class Wizard 等開發(fā)工具。自 1993 年 Microsoft 公司推出 Visual C++ 后，隨著其新版本的不斷問世， Visual C++已成為專業(yè)程序員進(jìn)行軟件開發(fā)的首選工具。比如，它允許用戶進(jìn)行遠(yuǎn)程調(diào)試，單步執(zhí)行等。 MFC,微軟基礎(chǔ)類 (Microsoft Foundation Classes)，同 VCL 類似，是一種應(yīng)用程序框架，隨微軟 Visual C++ 開發(fā)工具發(fā)布。 華僑大學(xué)畢業(yè)設(shè)計(jì)（論文） 18 MFC 應(yīng)用程序的總體結(jié)構(gòu)通常由開發(fā)人員從 MFC 類派生的幾個(gè)類和一個(gè)CWinApp 類對(duì)象（應(yīng)用程序?qū)ο螅┙M成。這種想法是錯(cuò)誤的。 OpenCV 是一個(gè)基于 BSD 許可證授權(quán)（開源）發(fā)行的跨平臺(tái)計(jì)算機(jī)視覺庫，可以運(yùn)行在 Linux、 Windows 和Mac OS 操作系統(tǒng)上。 cvCvtColor 是 Opencv 中自帶的顏色空間轉(zhuǎn)換函數(shù) ， 可以實(shí)現(xiàn) rgb 顏色向HSV,HSI 等顏色空間的轉(zhuǎn)換，也可以轉(zhuǎn)換為灰度圖像 。讀到一個(gè)點(diǎn)以及它周圍的八個(gè)點(diǎn)的灰度值以后，進(jìn)行 LBP編碼，獲得改點(diǎn)的 LBP算子 3. 生成 LBP圖 調(diào)用 cvSetReal2D函數(shù)將指定函數(shù)返回單通道數(shù)組 。 4. 生成 LBP灰度直方圖 調(diào)用 Opencv自帶的 cvCalcHist(amp。 6. 圖像預(yù)處理 圖像土處理是將圖像庫中的圖像依次提取 LBP算子，生成 LBP灰度直方圖。 Opencv 中自帶有灰度直方圖比華僑大學(xué)畢業(yè)設(shè)計(jì)（論文） 20 較函數(shù)，但是由于先前將庫中直方圖數(shù)據(jù)存在了 TXT 文本中，所以采取直接計(jì)算兩張圖像歐式距離的辦法比較簡(jiǎn)單。 系統(tǒng)實(shí)現(xiàn) 系統(tǒng) 窗口 本系統(tǒng)完成后的窗口如下 圖 系統(tǒng)窗口 華僑大學(xué)畢業(yè)設(shè)計(jì)（論文） 21 系統(tǒng)主要算法 （ 1） 通過選擇文件讀取的路徑，選定一幅彩色圖像，將圖像讀取進(jìn)來用C++[10]實(shí)現(xiàn)的語句如下： str = filedialogGetPathName()。 src = cvCreateImage( src_cvsize, Srcdepth, SrcnChannels)。并且彩色圖像是多光譜圖像，而轉(zhuǎn)換后的黑白圖像是單色的灰度華僑大學(xué)畢業(yè)設(shè)計(jì)（論文） 22 圖像，其一個(gè)像素點(diǎn)用一個(gè)字節(jié)表示該點(diǎn)的灰度值，在圖像處理時(shí)，灰度圖像的處理速度比較快，所以一般處理圖像先要把彩色圖像灰度化。 （ 3） 生成基本 LBP算子主要代碼如下所示： int center=0。 row++) for (int col=1。 if (center = cvGetReal2D(m_cvImage, row1, col1)) { center_lbp += 1。 } Center用來儲(chǔ)存中心像 素點(diǎn)的灰度值，用它分別和周圍的 8個(gè)點(diǎn)的灰度值做對(duì)比 ，從正上放那個(gè)像素點(diǎn)開始，如果左上方像素點(diǎn)大于中心像素點(diǎn)，那么這華僑大學(xué)畢業(yè)設(shè)計(jì)（論文） 23 個(gè)點(diǎn)的 LBP算子 center_lbp就加 1，按順時(shí)針放向，正上方的像素點(diǎn)如果大于中心像素點(diǎn)那么 LBP算子 center_lbp就加 2，依次類推每次如果比較像素點(diǎn)大于中心像素點(diǎn)， LBP算子就加 。 center_lbp = 0。 value[1]=1。 int j = 1。 華僑大學(xué)畢業(yè)設(shè)計(jì)（論文） 24 } } if(count3) { center_lbp=9。每次周圍像素點(diǎn)比中心像素點(diǎn)大， LBP 算子加 1。 圖 原圖 圖 旋轉(zhuǎn)不變 LBP 圖 （ 5）灰度直方圖生成代碼如下所示： int size=256。size,CV_HIST_ARRAY,ranges,1)。 圖 LBP圖灰度直方圖 圖 LBP圖灰度直方圖 （ 6） 歐式距離計(jì)算 string str2。 h++) { //獲得直方圖中的統(tǒng)計(jì)次數(shù) double bin_val_a = cvQueryHistValue_1D( hist1, h )。 Sum=Sum+pow(bin_val_abin_val_b,2)。 QuickSort(p,0,N)。 設(shè)定檢索反饋個(gè)數(shù)為 24。 華僑大學(xué)畢業(yè)設(shè)計(jì)（論文） 28 對(duì)庫中的 20 類中共 320 張圖片，檢索結(jié)果圖片數(shù)量為 24， 兩種檢索的查準(zhǔn)率和查全率分別為： 方法 查準(zhǔn)率 查全率 基本 LBP 旋轉(zhuǎn)不變 LBP 71． 48 總的來說，對(duì)于同一幅圖分割成的若干個(gè)子圖的檢索，用基礎(chǔ) LBP 紋理檢索方法 更為準(zhǔn)確。分別有圖片 98 張， 97 張， 151 張，總共346 張。但是我個(gè)人覺得，另外一部分的 原因是包的背景紋理影響比較小，而且差異不大，紋理比較相近。旋轉(zhuǎn)不變 LBP 中 前四個(gè)都是同類的，而基本 LBP 則不是，所以相對(duì)于不同的圖片，兩個(gè)方法的效果（這里指排在前面的同類的圖片較多）還是不確定的。 經(jīng)統(tǒng)計(jì)該測(cè)試，其測(cè)試結(jié)果的平均查準(zhǔn)率和查全率如下： 方法 查準(zhǔn)率 查全率 基本 LBP 旋轉(zhuǎn)不變 LBP 圖片旋轉(zhuǎn)檢索測(cè)試 在該測(cè)試中先將一副圖片 90176。所選圖片為： 華僑大學(xué)畢業(yè)設(shè)計(jì)（論文） 31 其基本 LBP檢索結(jié)果為： 其旋轉(zhuǎn)不變 LBP檢索結(jié)果為： 通過檢索的結(jié)果，我們可以得出，旋轉(zhuǎn)不變 LBP對(duì)于同一副圖像的多角度旋轉(zhuǎn)圖像的檢索比對(duì)比較準(zhǔn)確 華僑大學(xué)畢業(yè)設(shè)計(jì)（論文） 32 5 結(jié)論 在本文的第四部分詳細(xì)介紹了基于 LBP 紋理的圖像檢索系統(tǒng)的設(shè)計(jì)與測(cè)試并對(duì)結(jié)果進(jìn)行分析。 目前，在基于內(nèi)容的圖像檢索領(lǐng)域，在諸多研究方面，如視覺特征提取、多特征組合檢索，以及高維索引的結(jié)構(gòu)等，己經(jīng)取得定進(jìn)展，然而依然還有許名有待進(jìn)一步解決的問題， (1)從自動(dòng)分析到人機(jī)交互。網(wǎng)絡(luò)擴(kuò)展的一個(gè)副產(chǎn)品是多媒體，特別是圖像和視頻數(shù)據(jù)的海量膨脹。任何技術(shù)都是由其相應(yīng)領(lǐng)域的性能評(píng)價(jià)的準(zhǔn)則向前推動(dòng)的。 M228。 Pietik228。228。 華僑大學(xué)畢業(yè)設(shè)計(jì)（論文） 33 參 考 文 獻(xiàn) [1]. 莊越挺，潘云鶴，吳飛．網(wǎng)上多媒體信息分析與檢索 [M]．北京：清華大學(xué)出版 社， 2021． [2]. Y． Rui， T． S． Huang， S． F． Chang． Image retrieval： current techniques，promising directions， and open issues[J]． Journal of Visual Communication and Image Representation， 1999， 10： 39— 62． [3]. 韋娜，耿國華，周明全．基于內(nèi)容的圖像檢索系統(tǒng)性能評(píng)價(jià) [J]．中國圖象圖形學(xué)報(bào)， 2021， 9(11)： 1271— 1276． [4]. M． Flickner， H． Sawhney， W． Niblack et a1． Query by image and video content：The QBIC system[J]． IEEE Computer,1995， 28(9)： 23— 32． [5]. J． R． Bach， C． Fuller， A． Gupta et a1． The virage image search engine：An open frameworkfor image management[C]． SPIE Conference on Storage and Retrieval for Still Image and Video Databases， 1996， 2670： 7687． [6]. A． Pentland， R． W． Picard， S． Sclaroff． Photobook： Content—based manipulation of imagedatabases[J]． International Journal of Computer Vision， 1996， 18(3)：233254． [7]. J． R． Smith， S． F． Chang． VisualSEEK： a fully automated content—based image querysystemiC]． The 4th A CM International Conference on Multimedia， 1997，8798． [8]. Y． Rui， T． S． Huang， S． Mehrotro． Content—based image retrieval with relevance feedbackin Mars[C]． International Conference on Image Processing， 1997， 2：815818． [9]. 朱興全，張宏江，劉 文印，吳立德． iFind：一個(gè)結(jié)合語義和視覺特征的圖像相關(guān)反饋檢索系統(tǒng) [J]．計(jì)算機(jī)學(xué)報(bào)， 2021， 25(7)： 681—688 . [10]. Sk lan sky J. Image segmen ta tion and fea tu re extrac tion [ J ] .IEEE Transactions on Systems, Man, and Cyberics, 1978,8 (5) : 23722471 [11]. Haralick RM, Shanmugam K, Dinstein I. Textural features for imageclassification [ J ]. IEEE Transactions on Systems, Man, andCyberics, 1973, 3 (6) : 61026211 [12]. Wang Run2sheng. Image Understanding [M]. Changsha: NationalUniversity of Defense Technology Press, 1994: 14521461 [13]. Ojala T, Pietik228。通用的面向一般應(yīng)用的存儲(chǔ)及檢索模型將對(duì)圖像檢索系統(tǒng)的實(shí)用起到極大的促進(jìn)。早期人們強(qiáng)調(diào)全自動(dòng)意義上的單一最佳特征選擇，現(xiàn)在更強(qiáng)調(diào)交互式系統(tǒng)。 LBP 紋理作為眾多紋理特征的一種，其技術(shù)已經(jīng)相對(duì)成熟， 基礎(chǔ) LBP紋理和旋轉(zhuǎn)不變的 LBP紋理圖像檢索都是相對(duì)簡(jiǎn)單的圖像紋理特征描述方法 ，每種方法相對(duì)各有優(yōu)劣。 270176。但是總量來說基本 LBP 方法 的效果更好。這一點(diǎn)從全差率就可以很簡(jiǎn)單看出。 圖片 檢索結(jié)果： 華僑大學(xué)畢業(yè)設(shè)計(jì)（論文） 29 基本 LBP 旋轉(zhuǎn)不變 LBP 圖片 檢索結(jié)果： 基本 LBP 旋轉(zhuǎn)不變 LBP 圖片 檢索結(jié)果： 基本 LBP 旋轉(zhuǎn)不變 LBP 三個(gè)類分別有圖片 98 張， 97 張， 151 張，總共 346 張。 基于 Caltech 256類圖像數(shù)據(jù)庫 紋理圖測(cè)試