【文章內(nèi)容簡介】 中起到非常重要的作用 20世紀(jì) 70年代以前出現(xiàn)了自相關(guān)函數(shù)法 [10]功率譜方法 ,和一些與各種灰度頻率相關(guān)的方法等。這些方法取得一定成功 ,但是沒有具體的定義、描述或紋理模型 ,僅僅是某種數(shù)學(xué)變換。另外還有一些提取紋理特征的方法 ,也僅限于提取特定的圖像屬性 ,如紋理粗糙度 ,紋理直線性等。 1966 年 , Brodatz 給出了很多紋理圖像的例子 ,即所謂的 Brodatz 紋理庫 ,成為后來人們研究紋理的重要數(shù)據(jù)源。 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。 1973 年 , Haralick 在利用陸地衛(wèi)星圖像研究美國加利福尼亞海岸帶的土地利用問題時(shí) ,開創(chuàng)性地提出著名的 GLCM,它在紋理分析中是一個(gè)很好的方法 ,廣泛用于將灰度值轉(zhuǎn)化為紋理信息。此外 ,這個(gè)階段出現(xiàn)的方法主要還有灰度行程長度法、灰度差分統(tǒng)計(jì)法 ,自回歸模型法等 ,這些方法在紋理分類中有一定效果 ,但是這 些方法的后繼研究很少 ,在實(shí)際應(yīng)用中也較少采用。從 20 世紀(jì) 80 年代以來 ,MRF 理論在紋理分析中掀起一陣熱潮 ,為紋理特征提取找到了一個(gè)新的方向 ,爾后相繼出現(xiàn)了 MRF 模型、Gibbs 模型、高斯馬爾可夫隨機(jī)場 ( GMRF)模型、同步自回歸模型 ( SAR) 、隱馬爾可夫隨機(jī)場模型 (HMRF) 、廣義 MRF 模型和多分辨率 MRF 等等。同時(shí) ,分形理論也為提取紋理特征注入了新的活力。 1984 年 ,Pentland 等人在這方面做了開創(chuàng)性的工作 ,指出分形模型非常適用于描述紋理圖像。后來更多學(xué)者將分形用于紋理分類 ,以分?jǐn)?shù)維來描述圖 像區(qū)域的紋理特征。其中引人矚目的是 Chaudhuri 和Sarker 提出了差分計(jì)盒算法 ,這是一種簡單、快速、精度高的分形維數(shù)計(jì)算方法 ,也是目前用得較多的一種方法。隨后 , Kapan 等人提出了非常吸引人的擴(kuò)展分形特征。 90 年代以后 ,人們發(fā)現(xiàn)傳統(tǒng)的紋理分析方法的一個(gè)瓶頸在于不能從多尺度華僑大學(xué)畢業(yè)設(shè)計(jì)（論文） 11 有效描述紋理特征。小波理論的出現(xiàn)為時(shí)頻多尺度分析提供了一個(gè)更為精確而統(tǒng)一的框架。小波變換提供了一種在不同尺度上研究分析圖像紋理細(xì)節(jié)的工具 ,為更精細(xì)地進(jìn)行圖像紋理分類和分析提供了新思路 ,在紋理分析中具有廣闊的發(fā)展空間。 1989 年 ,Mallat 首先將小波分析引入紋理分析中之后 ,隨之基于小波的紋理分析方法如雨后春筍般涌現(xiàn)出來。隨著小波理論的發(fā)展 ,小波在紋理特征提取中的應(yīng)用也不斷發(fā)展。小波理論發(fā)展的許多分支 ,如多進(jìn)制小波、小波包以及小波框架等等 ,它們均在圖像紋理分析中發(fā)揮了積極的作用。如 Chang 等人提出的基于樹結(jié)構(gòu)小波的紋理分類方法 , Unser 研究的基于小波框架的紋理分類方法。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?？偟膩碇v ,紋理特征提取在國際范圍內(nèi)呈現(xiàn)更加燦爛的局面 ,一方面 ,人們對已有經(jīng)典的紋理特征提取方法進(jìn)行深入研究與擴(kuò)展 。另一方面 ,新的紋理特征提取方法以及紋理特征提取方法的融合亦在蓬勃發(fā)展 ,主要集中在紋理多尺度特征、旋轉(zhuǎn)不變特征的提取以及紋理特征的選擇與融合 ,如GLCM 與 MRF 的融合 ,小波方法與 MRF 的融合等等。 2 圖像紋理應(yīng)用 華僑大學(xué)畢業(yè)設(shè)計(jì)（論文） 12 紋理的定義 紋理的定義一直為人們所關(guān)注 ,但是 ,圖像紋理定義問題至今沒有得到圓滿的解決 ,仍然不存在為眾人所公認(rèn)的定義 ,這正是由于圖像紋理形式上 的廣泛性和多樣性所造成的 , 從而也使得研究者針對不同的應(yīng)用提出了自己的概念與定義。下面是幾個(gè)具有代表性的定義 : 定義 1[11] 紋理是一種反映像素的空間分布屬性的圖像特征 ,通常表現(xiàn)為局部不規(guī)則而宏觀有規(guī)律的特性。 定義 2[10] 如果圖像內(nèi)區(qū)域的局域統(tǒng)計(jì)特征或其他一些圖像的局域?qū)傩宰兓徛虺式浦芷谛宰兓?,則可稱為紋理。 定義 3 紋理就是指在圖像中反復(fù)出現(xiàn)的局部模式和它們的排列規(guī)則。 定義 4 紋理被定義為一個(gè)區(qū)域?qū)傩?,區(qū)域內(nèi)的成分不能進(jìn)行枚舉 ,且成分之間的相互關(guān)系不十分明確。 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。 定義 6 紋理具有三大標(biāo)志 :某種局部序列性不斷重復(fù)、非隨機(jī)排列和紋理區(qū)域內(nèi)大致為均勻的統(tǒng)一體。 定義 1從物質(zhì)的組成及人類對物體的視覺感知的角度審視紋理。定義 2中 ,局部屬性的集合可以理解為一些基元類型和它們的空間關(guān)系 ,這個(gè)定義的一個(gè)重要部分是屬性必須在恒定的紋理區(qū)域內(nèi)重復(fù)出現(xiàn)。定義 3通過紋理基元的局部模式的數(shù)目和類型以及它們的空間關(guān)系來描述紋理。其余定義都強(qiáng)調(diào)了隨機(jī)性、重復(fù)性、規(guī)律性等特征并 存于紋理?？傊?,上述諸定義都是基于特定應(yīng)用背景的 ,其中的共識是 : ①紋理不同于灰度和顏色等圖像特征 ,它通過像素及其周圍空間鄰域的灰度分布來表現(xiàn) ,即局部紋理信息 ； ②局部紋理信息不同程度的重復(fù)性 ,即全局紋理信息。對紋理的認(rèn)識或定義決定了紋理特征提取采用的方法 ,由于難以對紋理給出一個(gè)精確和統(tǒng)一的定義 ,不能對紋理做出完整的表達(dá) ,一方面使紋理分析中的問題更為錯綜復(fù)雜、更具有挑戰(zhàn)性 ； 另一方面 ,圖像的研究者們不斷引入各種模型從不同側(cè)面來描述紋理的多種屬性 ,使得對紋理的研究繽紛多彩。 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 。 LBP 嚴(yán)格來講是一種特征提取方式。就特征提取方式而言，目前最成熟最常用的是 gabor 特征。這兩種特征， gabor 效果更加魯棒， lbp 的特點(diǎn)是運(yùn)算速度快，便于在嵌入式等平臺運(yùn)行。一般如果 條件允許，二者會進(jìn)行結(jié)合，包括定義結(jié)合特征（比如 LGBP,LGXP 等），特征級融合和決策級融合。而影響人臉識別算法最終效果的因素還包括：鑒別特征提取方式（主流是 PCA+LDA），特征點(diǎn)定位精度（眼睛定位或臉部器官輪廓特征點(diǎn)定位），以及最終距離的計(jì)算方式（歐式，MQDF，以及各種融合，和閾值機(jī)制）。對于 LBP 本身，是一種紋理描述方法，在紋理分類，特征表示，物體檢測等領(lǐng)域都有應(yīng)用。此外， lbp 本身還有很多變種，包括 blockbased lbp(lab)， volume lbp（在相鄰幀時(shí)域進(jìn)行編碼）等，是一種使 用簡單，運(yùn)算速度快的特征，有很多應(yīng)用。 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。 華僑大學(xué)畢業(yè)設(shè)計(jì)（論文） 14 圖 對于一個(gè)包括 1 個(gè)中心像素和 8 個(gè)鄰域像素的 3 3 窗口，以中心像素的灰度值為閩值，將其鄰域的 8 個(gè)灰度值與閾值進(jìn)行比較，小于閾值的像素用 0 表示，反之用 1 表示．然后順時(shí)針方向讀出 8 個(gè)二進(jìn)制數(shù)值，作為該中心像素的特征值 。具體過程如圖 2． 2 所示，其中， pattern=10001111； LBP=1+16+32+64+128=241。 圖 這個(gè)點(diǎn)的像素的 lbp 算子就是 241。 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。 旋轉(zhuǎn)不變 LBP 當(dāng)圖像旋轉(zhuǎn)后，領(lǐng)域的像素僅僅圍繞中心像素轉(zhuǎn)過一定角度，排列順序沒有改變，相應(yīng)的灰度差分也沒有變化，但因?yàn)樽鴺?biāo)系沒有旋轉(zhuǎn)，所以二值編碼中的華僑大學(xué)畢業(yè)設(shè)計(jì)（論文） 15 0 和 1 就要環(huán)形移動，如圖 所示 。實(shí)際上，這些模式應(yīng)該視為相同的模式，為消除圖像旋轉(zhuǎn)帶來的影響，實(shí)現(xiàn)旋轉(zhuǎn)不變性，調(diào)整式為： ? ?? ?1,1,0,m in , ??? PkkL B PR o rL B P RPri RP ? () 0 0 0 0 1 1 1 1 0 0 0 1 1 1 1 0 0 0 1 1 1 1 0 0 0 1 1 1 1 0 0 0 1 1 1 1 0 0 0 0 1 1 1 0 0 0 0 1 1 1 0 0 0 0 1 1 1 0 0 0 0 1 1 10 0 0 0 1 1 1 1 ( 1 5 )0 0 0 0 1 1 1 1 ( 1 5 ) 圖 當(dāng) P=1， R=8 是 原來的 256 個(gè)二值模式 被壓縮 為 36 個(gè)具有旋轉(zhuǎn)不變性的二值模式。 這 些模式不是等概率出現(xiàn)的，差異很大，有些模式出現(xiàn)的幾率非常高。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。這些模式有一個(gè)共同的特點(diǎn)：具有很少的空間結(jié)構(gòu)的階躍，即在環(huán)形的二值編碼中，從 0 變?yōu)?1 或從 1 變?yōu)?0 的次數(shù)很少。圖像旋轉(zhuǎn)后由于插值的原因會造成像素 灰度值的改變，進(jìn)而導(dǎo)致二值編碼發(fā)生變位。由于結(jié)構(gòu)的特點(diǎn)，這些恒定二值模式相對于其它的二值模式，發(fā)生變位的幾率要小的多。 因此 這些恒定二值模式可以看作紋理的微結(jié)構(gòu) 。 華僑大學(xué)畢業(yè)設(shè)計(jì)（論文） 16 圖 局域紋理的恒定與非恒定二值模式 （ 8,1 ?? PR ） 為了再次調(diào)整 LBP 計(jì)算公式（ ） ，首先定義一個(gè) “ 恒定 ” 度量，即計(jì)算環(huán)形二值編碼中的 0/1 階躍次數(shù)： ? ? ? ? ? ? ? ? ? ???? ?? ???????? 11 101, Pi ciciccPRP ggsggsggsggsL B PU () 然后選擇 “ 恒定 ” 度量不大于 k 的模式作為恒定二值模式。為保證灰度尺度與旋轉(zhuǎn)不變性，調(diào)整式（ ）為 ? ? ? ?? ???????????? ??? 11,10, kL B PUPkL B PUggsL B PRPRPPi cir iukRP () 通常， 2?k 。 這樣，原始的 P2 個(gè)二值模式就 壓縮為 ? ?1?P 個(gè)恒定二值模式和一個(gè)非恒定二值模式，而且具有灰度與旋轉(zhuǎn)不變性。 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”。不過，這里我們曾經(jīng)將物體從圖片（圖片能夠會意為物體在原始測量空間獲得的測量個(gè)性）轉(zhuǎn)換為二次個(gè)性，也即便獲得了我們等閑說的“個(gè)性”。不過，這個(gè)所謂的“個(gè)性”并不能直接用于分辨分析。因?yàn)椋瑥纳厦娴姆治鑫覀兡軌蚩闯?，這個(gè)“個(gè)性”跟位相消息是緊湊相干的。 所以在這里我們就提取 原始 LBP個(gè)性 圖片的灰度直方圖。計(jì)算每個(gè)像素值所含的個(gè)數(shù)，用灰度直方圖進(jìn)行相似度比對。 華僑大學(xué)畢業(yè)設(shè)計(jì)（論文） 17 3 基于 LBP 紋理的圖像檢索系統(tǒng) 開發(fā)平臺介紹 VC++ Visual C++ ，簡 稱 VC 或者 ，是微軟推出的一款 C++編譯器，將 “ 高級語言 ” 翻譯為 “ 機(jī)器語言（低級語言） ” 的程序。 Visual C++是一個(gè)功能強(qiáng)大的可視化軟件開發(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。雖然微軟公司推出了 Visual C++.NET(Visual C++)，但它的應(yīng)用有很大的局限性，只適用于 Windows 202 Windows XP 和 Windows 。所以實(shí)際中 ，更多的是以 Visual C++ 為平臺。 Visual C++ 由 Microsoft 開發(fā) , 它不僅是一個(gè) C++ 編譯器，而且是一個(gè)基于 Windows 操作系統(tǒng)的可視化集成開發(fā)環(huán)境（ integrated development environment， IDE）。 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。 這些組件通過一個(gè)名為 Developer Studio 的組件集成為和諧的開發(fā)環(huán)境。 Microsoft 的主力軟件 產(chǎn)品。Visual C++是一個(gè)功能強(qiáng)大的可視化軟件開發(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。雖然微軟公