【正文】 eval. In (the California institute of technology 256 kinds of image database) and (Queensland university of classification brodatz natural texture images library) test and the results are analyzed and discussed. keyword: CBIR, LBP feature extraction, image recognition 華僑大學(xué)畢業(yè)設(shè)計(jì)（論文） III 目錄 摘 要 .................................................. I ABSTRACT ............................................. II 1 緒論 ................................................. 1 研究背景 ........................................ 1 基于內(nèi)容的圖像檢索 ............................... 1 基于內(nèi)容的圖像檢索概述 ...................... 1 基于內(nèi)容的圖像檢索體系結(jié)構(gòu) .................. 2 基于內(nèi)容的圖像檢索的特點(diǎn) .................... 4 基于內(nèi)容的圖像檢索性能評價(jià) .................. 5 圖像檢索的國內(nèi)外研究現(xiàn)狀 ......... 錯誤 !未定義書簽。 CBIR 的核心是使用圖像的可視特征對圖像進(jìn)行檢索。 本文采用 VC++ MFC項(xiàng)目導(dǎo)入 OpenCV圖像處理函數(shù)庫設(shè)計(jì)了檢索系統(tǒng)實(shí)現(xiàn)基于 LBP紋理特征的圖像檢索。 各行各業(yè)對圖像的使用越來越廣泛，研究也越來越深入，比如數(shù)字圖書館系統(tǒng)、遙感系統(tǒng)、醫(yī)學(xué)圖像管理、商標(biāo)版權(quán)保護(hù)等 。 當(dāng)用戶輸入關(guān)鍵字進(jìn)行檢索時(shí)，系統(tǒng)將輸入的關(guān)鍵字與圖像索引進(jìn)行匹配，返回相應(yīng)的結(jié)果．該技術(shù)也被稱為“字找圖” 。 基于內(nèi)容的圖像體系結(jié)構(gòu) 一個(gè) CBIR 系統(tǒng)的基本組成如圖 1． 1 所示．系統(tǒng)包括特征提取模塊、索引模塊、匹配模塊以及相關(guān)反饋模塊 。 不同的相似度度量方式有各自的優(yōu)缺點(diǎn)，并非某一種度 量方式適用于所有的圖像檢索系統(tǒng) 。 相關(guān)反饋技術(shù)的核心 內(nèi)容是小樣本學(xué)習(xí)問題．盡管該技術(shù)可以有效的改善‘曙義鴻溝”，但現(xiàn)實(shí)生活中的用戶大多不愿對大量的圖像進(jìn)行標(biāo)注，因此如何在樣本個(gè)數(shù)較少的情況下，準(zhǔn)確、迅速得捕捉用戶需求己成為相關(guān)反饋技術(shù)的核心任務(wù) 。 4． 具有很強(qiáng)的交互性 。 檢索效率主要取決于系統(tǒng)選 取的特征的區(qū)分能力以及匹配算法的有效性 。 ca aecisio n ??Pr () 其中， a 為檢索出的相似圖像的個(gè)數(shù)， c 為檢索出的不相似圖像的個(gè)數(shù) 。據(jù)研究，該指數(shù)越大，圖像檢索性能越好。 QBIC系統(tǒng)可以實(shí)現(xiàn)基于顏色、紋理和形狀的檢索 。 該系統(tǒng)包括三個(gè)子部分，分別用于提取形狀、紋理和人臉特征 。系統(tǒng)利用圖像區(qū)域的空間位置關(guān)系和從壓縮域提取的視覺特征進(jìn)行檢索，而視覺特征是顏色特征和基于小波變換的紋理特征 。 清華大學(xué)計(jì)算機(jī)系于 1997年研究開發(fā)了一個(gè)以 Inter／瀏覽器為平臺的基于內(nèi)容圖像檢索系統(tǒng) ImgRetr。各類的視頻分享網(wǎng)站的出現(xiàn)就是一個(gè)信號。 本論文的結(jié)構(gòu)安排 第一章為緒論，介紹了圖像檢索的研究背景和意義，簡要介紹了基于內(nèi)容的圖像檢索的體系結(jié)構(gòu)、特點(diǎn)、性能評價(jià)，以及圖像檢索的國內(nèi)外研究現(xiàn)狀，同時(shí)說明了本論文的內(nèi)容結(jié)構(gòu)安排 。 20 世紀(jì) 70 年代 ,最有代表性的是 Haralick 對紋理的分析和理解以及提出的紋理特征提取方法 ,為后續(xù)的紋理研究提供了理論支持和技術(shù)積累。隨后 , Kapan 等人提出了非常吸引人的擴(kuò)展分形特征。近年來 ,較引人矚目的是 T． ojala 等人于 1996 年提出的局部二進(jìn)制模式 (LBP) ,該方法分析紋理的吸引人的地方在于其計(jì)算復(fù)雜度小 ,具有多尺度特性和旋轉(zhuǎn)不變特性 ,在紋理檢索領(lǐng)域得到應(yīng)用。 定義 5[12] 紋理是一種反 映圖像中同質(zhì)現(xiàn)象的視覺特征 ,體現(xiàn)了物體表面共有的內(nèi)在屬性 ,包含了物體表面結(jié)構(gòu)組織排列的重要信息以及它們與周圍環(huán)境的聯(lián)系。 華僑大學(xué)畢業(yè)設(shè)計(jì)（論文） 13 局域二值模式 局部二值模式 (Local Binary Pattern， LBP) [1315]是由 T． ojala 等在 1996 年提出的，由于理論、計(jì)算簡單，因此受至 UJ許多研究者的青睞，被廣泛應(yīng)用于圖像處理領(lǐng)域． LBP 可以刻畫鄰域內(nèi)像素點(diǎn)的灰度相對于中心點(diǎn)的變化情況，注重像素灰度的變化，符合人類視覺對圖像紋理的感知特點(diǎn)，是一種有效的紋理圖像描述子 。 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)形對稱分布，如圖 所示。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。 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”。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。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。 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。這種想法是錯誤的。 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 。 4. 生成 LBP灰度直方圖 調(diào)用 Opencv自帶的 cvCalcHist(amp。 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單。 src = cvCreateImage( src_cvsize, Srcdepth, SrcnChannels)。 （ 3） 生成基本 LBP算子主要代碼如下所示： int center=0。 if (center = cvGetReal2D(m_cvImage, row1, col1)) { center_lbp += 1。 center_lbp = 0。 int j = 1。每次周圍像素點(diǎn)比中心像素點(diǎn)大， LBP 算子加 1。size,CV_HIST_ARRAY,ranges,1)。 h++) { //獲得直方圖中的統(tǒng)計(jì)次數(shù) double bin_val_a = cvQueryHistValue_1D( hist1, h )。 QuickSort(p,0,N)。 華僑大學(xué)畢業(yè)設(shè)計(jì)（論文） 28 對庫中的 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。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。 經(jīng)統(tǒng)計(jì)該測試，其測試結(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)檢索測試 在該測試中先將一副圖片 90176。 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)從自動分析到人機(jī)交互。任何技術(shù)都是由其相應(yīng)領(lǐng)域的性能評價(jià)的準(zhǔn)則向前推動的。 Pietik228。 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。早期人們強(qiáng)調(diào)全自動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)。 270176。這一點(diǎn)從全差率就可以很簡單看出。 基于 Caltech 256類圖像數(shù)據(jù)庫 紋理圖測試 采用 圖像處理 _Caltech 256(加利福尼亞理工學(xué)院 256類圖像數(shù)據(jù)庫 )該庫共含有 257 個(gè)類 30607 張圖片。 對