【導(dǎo)讀】需要解決的問題。原理，說明了目前這一領(lǐng)域的發(fā)展現(xiàn)狀。分別介紹和對比，并分析了其優(yōu)劣性。最后以基于內(nèi)容的圖像檢索為重點，利用VC++編程工。具對Web圖像檢索系統(tǒng)進行了模擬和驗證。

　　

【正文】 ction )、頻率 (frequency )和相位 (phase )。 上一章討論的顏色特征無疑是圖像視覺的重要感知特征，但是由于把圖像的綜合信息僅壓縮到某一顏色空間，對于圖像特征信息有時表示能力不足，易出現(xiàn)顏色相近而視覺相差甚遠 的情況。兩幅顏色分布相近但紋理不同的圖像，語義信息也不同。若僅按照顏色特征進行檢索勢必會造成檢索準確性的降低。如果引入圖像的紋理特征，在進行相似性檢索時會拉大兩幅圖像的相似性距離，使圖像的檢索 結(jié)果更精確。 灰度共生矩陣 統(tǒng)計分析的方法利用紋理的統(tǒng)計特性和規(guī)律來描述紋理，它適用于像木紋、砂地、草坪那樣的細而不規(guī)則的自然紋理，也同樣適用于人工紋理，是最早應(yīng)用在紋理分析中的方法之一。統(tǒng)計方法從根據(jù)像素灰度值的統(tǒng)計分析出發(fā)，推導(dǎo)出一些統(tǒng)計量表達紋理特征。 灰度共生矩陣是描述在 方向上，相隔 S 像元距離的一對像元 ，分別具有灰度值 i 和 j的出現(xiàn)概率，其元素可記為 P((i， j)∣ s， θ )簡記為 。顯然灰度共生矩陣是一個對稱矩陣，其階數(shù)由圖像中的灰度級個數(shù)決定。假設(shè)灰度 圖像 f(x， y)其灰度級數(shù)為 L，則有。灰度共生矩陣的各元素值由下式求得 : P(i， j|s， θ )= ( , | , )( , | , )ijP i j sp i j s? ??? ， 假設(shè)給定如下的僅具有 3 個灰度級的圖像區(qū)域，分別記數(shù)符合上述位置算子的像素空間組合的數(shù)目形成頻度矩陣，再將其歸一化，即除以符合位置關(guān)系的總數(shù)就得到共生矩陣。共生矩陣的階數(shù)與圖像的灰度級別數(shù)相等。 灰度共生矩陣方法是考慮處于幾何位置的一對對像素的灰度相關(guān)性并以這一對對像素出現(xiàn)某種灰度的條件概率來表征紋理，可以定量的描述圖像紋理特征。從灰度共生矩陣中，前人總結(jié)了 14 種特征來表征圖像的紋理。但是在實際應(yīng)用中如果計算所有的 14 種特征，顯然計算量很大， 常用的有能量、熵、慣性矩、相關(guān)性這四種特征 : (1)能量： ASM= 2, ijijP? ， 它是對圖像灰度分布均勻性的度量。當(dāng) Pt 的數(shù)值分布較集中于 l=對角線附近時，其相應(yīng)的 ASM 值較大 。 反之 ASM 值則較小。 (2)熵： ENT=, .logij ijijpp?， 熵是對圖像的信息量的度量，紋理信息也屬于圖像 信息。若圖像沒有任何紋理，則灰度共生矩陣兒乎為零矩陣，熵值接近為零。當(dāng)灰度共生矩陣中各 數(shù)值相差不大且較分散時， EN7，值較大 。反之，若幾數(shù)值較集中時， ENT 值較小。 (3)慣性炬： CON=, ||n klijij i j p??， 可以理解為圖像紋理清晰程度。在圖像中，紋理的溝紋越深，其數(shù)值就越大，圖像的視覺效果越清晰。對于粗紋理，由于 Pi 的數(shù)值較集中于主對角線附近，此時 ((i 一 j)的值 較小，所以相應(yīng)的 CON 值也較小。相反，對于細紋理則相應(yīng)的 CON 值較大。 (4)相關(guān)性： COR=2,( )( ) ijiji w j u p???? ， 相關(guān)是用來描述矩陣中行或列元素之間相似程度的，它是灰度線性關(guān)系的度量。例如，某圖像具有水平方向的紋理，則圖像在水平方向土的灰度共生矩陣的相關(guān)值往往大于其它方向灰度共生矩陣的相關(guān)值。 灰度共生矩陣的簡化計算 如何選擇灰度共生知陣中距離 s 和方向 ，以及如何用共生矩陣的參數(shù)做紋理分析，長期以來一直是研究者們關(guān)心的課題。通常情況下，我們都是選取、 s=1， ? =0176。 ， 45176。 ， 90176。 ，135176。 來計算四個方向的共生矩陣，這樣的選擇沒有理論支持，因此是否可以完整的描述紋理的特征也不得而知。而如果選擇所有的值，那么巨大的計算量給紋理分析帶來了困難。并且共生矩陣的能量、熵等特征參數(shù)之間有一致性，即有冗余性，因此特征值的計算可以有選擇的進行，而不需要算全部。馬爾可夫隨機場 (MRF)可以對圖像進行建模和解釋。一幅圖像如果滿足馬爾可夫性質(zhì)，那么就可以用馬爾可夫隨機場來描述，它表達了圖像數(shù)據(jù)的空間概率分布是和點的位置沒有關(guān)系的， 一幅 圖像如 果滿足性質(zhì) : f(s|L(s))=f(s|N)， Markov 性質(zhì) ，其中 L(s)是除點外所有像點的集合， N 是點、的鄰域，那么該圖像灰度的空問分布可以用 Markov 隨機場模型來描述。它表達了圖像數(shù)據(jù)的空間概率分布是和點的位置沒有關(guān)系的。也可以理解為某個像索只與鄰域的像素相關(guān)，而與鄰域以外的像索相關(guān)性很小，在計算時可以忽略。 基于灰度共生矩陣的特征提取 將原始的彩色圖像轉(zhuǎn)換為灰度圖像 ： 由于基于灰度共生矩陣的提取圖像紋理特征的方法是建立在圖像灰度值基礎(chǔ)上的，而存在于圖像數(shù)據(jù)庫中的圖像均是彩色的 JPG 格式的圖像，此種格式?jīng)]有灰度項，因此首先要需要計算各彩色圖像的灰度值。 灰度級量化 ： 由灰度變換得到的圖像灰度為 0255，共 256 級，據(jù)此生成的共生矩陣太大為 256 256。根據(jù)人的視覺特征，大部分圖像的相似程度主要由一些比較粗的紋理特征決定，過細的紋理人眼無法區(qū)分且增大了一計算量。因此為減少計算兀余，在生成圖像共生矩陣之前，需要壓縮原始圖像灰度等級，例如分為 64 級、 32 級或 16 級。經(jīng)過實驗發(fā)現(xiàn)這三個級別的檢索效果相當(dāng)，可分為 16 級時，特征提取的速度提高了一半以上，本文將原始圖像的灰度級量化為 16 個級 別，即從 015 級。 特征值的計算 ： 經(jīng)過理論推導(dǎo)和實驗仿真證明了共生矩陣的簡化是正確的，按照上一節(jié)的推導(dǎo)結(jié)果，我們知道當(dāng)像元距離、足夠大時，共生矩陣的計算結(jié)果趨 r 穩(wěn)定，并引與方向 無關(guān)，因此我們可以只計算 ? =0176。 方向的一個共生矩陣。然后計算這個共生矩陣的三個紋理統(tǒng)計參數(shù)，分別是慣性矩 CON， 熵 ENT 和相關(guān)性 COR， 最后以各個參數(shù)的均值和標準差作為紋理特征向量中的各個分量。 特征向量的歸化 ： 由于上述 6 個特征值的物理意義和取值范圍均不相同，因此應(yīng)該對這 些特征值進行內(nèi)部歸一化處理，這樣在計算相似距離時，可使各分量具有相同權(quán)重。本文采用了高斯歸一化方法，其優(yōu)點是少量超大或超小的元素值對整個歸化后的元素值分布影響不大。具體方法如下 ： 一個 N 維德特征向量課記為： F={f1， f2， ? ， fN}， 若用 I1， I2 ，? Ik 代表圖像庫中的圖像，則對于其中任一幅圖像 Ii，其對應(yīng)的特征向量為： {f1， f2， ? ， fN}。 假設(shè)特征分值系列 {f1， f2， ? ， fN}符合高斯分布。計算器均值 mi 和 標準差 σ j，然后利用公式 ,Nijf = , iifi j m?? 將 fi， j歸一化至 [1， 1]區(qū)間，這樣各個 fi， j均轉(zhuǎn)變成具有 N(0， 1)分布的直，,Nijf 如果用 3σ j 進行歸一化，則 ,Nijf 的值在 [1， 1]區(qū)間的概率可達 99%，實際應(yīng)用中將 [1 ，1]區(qū)間以外的 fi， j值設(shè)為 1 或 1 以保證所有的 fi， j的值均在 [1， 1]區(qū)間。 綜合顏色、紋理特征的檢索 由于紋理特征能對空間信息進行一定的描述 .所以我們考慮可綜合利用顏色 和紋理特征，這樣不僅能夠表達更多的圖像信息，而且可以從不同方面史加詳細的對圖像進行描述，以得到更好的檢索結(jié)果。 首先按照之前的方法分別提取圖像的顏色直方圖和灰度共生知陣的特征參數(shù)，然后將這兩個向量結(jié)合起來進行檢索。由于顏色特征和紋理特征物理意義不同，不直接具有可比性。這樣當(dāng)我們采用歐氏距離進行綜合特征相似度量時，應(yīng)對顏色和紋理的特征向量進行外部歸一化。內(nèi)部歸一化的目的是使特征向量內(nèi)部各分量在相似度量時地位相同 。而特征向量外部歸一化是對不同的特征向量進行歸一化，其目的是使綜合特征的各特征向量在相似距離計算中的 地位相同。 特征向量的外部歸化實際上是對圖像庫內(nèi)所有圖像對的相似距離進行歸 一化，其主要步驟如下 : (1) 計算圖形庫中每兩個圖像 I， J 所對應(yīng)特征向量 Fi， Fj間的相似距離： Di， j=dis(Fi， Fj) I， J =1， 2… ， M， 且 I? J； (2) 計算出得到的 M(M1)/2 個距離值均值 md 和標準差 ? p； (3) 對查詢圖像 Q，計算其余圖形庫中 每個圖形庫中的相似距離記為： D1Q， D2Q， DMQ ； (4) 對 D1Q， D2Q， DMQ先進行高斯歸一化，再作如下線性變換： NIQ?? ( 3IQ Dm?? +1)/2 ，容易得知： NQD 的值有 99%落在 [0， 1]區(qū)間 顏色和紋理特征經(jīng)過巨述歸一化處理后，保證了在綜合檢索時兩 個特征向量在相似距離計算中地位相似。而且，由于圖像特性的差異，在采用特征綜合描述時， 顏色和紋理所占的比屯并不是固定不變的。若將兩類特征結(jié)合起來，并能根據(jù)圖像條件的變化，自適應(yīng)的確定不同特征所起的作用，就使檢索方法具有一定的自適應(yīng)性。為解決這一問題，本文在圖像檢索的過程中，對顏色和紋理特征進行線性加權(quán)求和，得到兩幅圖像的相似性距離 ：D=WcDc+WtDt，其中 Wc， Wt 別表示顏色和紋理在整個相似度比較中所占的權(quán)重，并滿足 ：Wc+Wt=1， Dc， Dt 分 別表示兩幅圖像的顏色、紋理特征的相似性距離。顯然，加權(quán)值之間的比例大小，代表了顏色特征和紋理特征在圖像相似性檢索中的重要程度，也會影響到檢索的準 確性，因此必須恰當(dāng)?shù)脑O(shè)定其數(shù)值。 第五章 圖像 檢索 系統(tǒng)設(shè)計 與實現(xiàn) 系統(tǒng)開發(fā)環(huán)境介紹 本次設(shè)計以微軟開發(fā)的 VC++ 為開發(fā)環(huán)境，其中主要用到的是 MFC（微軟基礎(chǔ)類庫），VC++ 是 Microsoft 公司推出的一個基于 Windows 系統(tǒng)平臺、可視化的集成開發(fā)環(huán)境，它的源程序按 C++語言的要求編寫，并加入了微軟提供的功能強大的 MFC(Microsoft Foundation Class)類庫。 MFC 中封裝了大部分 Windows API 函數(shù)和 Windows 控件，它包含的功能涉及到整個 Windows 操作 系統(tǒng)。 MFC 不僅給用戶提供了 Windows 圖形環(huán)境下應(yīng)用程序的框架，而且還提供了創(chuàng)建應(yīng)用程序的組件，這樣，開發(fā)人員不必從頭設(shè)計創(chuàng)建和管理一個標準 Windows 應(yīng)用程序所需的程序，而是從一個比較高的起點編程，故節(jié)省了大量的時間。另外，它提供了大量的代碼，指導(dǎo)用戶編程時實現(xiàn)某些技術(shù)和功能。因此，使用 VC++提供的高度可視化的應(yīng)用程序開發(fā)工具和 MFC 類庫，可使應(yīng)用程序開發(fā)變得簡單。 MFC (Microsoft Foundation Class Library)中的各種類結(jié)合起來構(gòu)成了一個應(yīng)用程序框架，它的目的就 是讓程序員在此基礎(chǔ)上來建立 Windows 下的應(yīng)用程序，這是一種相對 SDK 來說更為簡單的方法。因為總體上， MFC 框 架定義了應(yīng)用程序的輪廓，并提供了用戶接口的標準實現(xiàn)方法，程序員所要做的就是通過預(yù)定義的接口把具體應(yīng)用程序特有的東西填入這個輪廓。Microsoft Visual C++提供了相應(yīng)的工具來完成這個工作： AppWizard 可以用來生成初步的框架文件（代碼和資源等）；資源編輯器用于幫助直觀地設(shè)計用戶接口； ClassWizard 用來協(xié)助添加代碼到框架文件；最后，編譯，則通過類庫實現(xiàn)了應(yīng)用程序特定的邏輯。 有 如下特征： 封裝： 構(gòu)成 MFC 框架的是 MFC 類庫。 MFC 類庫是 C++類庫。這些類或者封裝了Win32 應(yīng)用程序編程接口，或者封裝了應(yīng)用程序的概念，或者封裝了 OLE 特性，或者封裝了ODBC 和 DAO 數(shù)據(jù)訪問的功能，等等，分述如下 ： (1)對 Win32 應(yīng)用程序編程接口的封裝 ： 用一個 C++ Object 來包裝一個 Windows Object。例如： class CWnd 是一個 C++ window object，它 Windowswindow(HWND)和 Windows window有關(guān)的 API 函數(shù)封裝在 C++ window object 的成員函數(shù)內(nèi)，后者的成員變量 m_hWnd 就是前者的窗口句柄。 (2)對應(yīng)用程序概念的封裝 ： 使用 SDK 編寫 Windows 應(yīng)用程序時，總要定義窗口過程，登記 Windows Class，創(chuàng)建窗口，等等。 MFC 把許多類似的處理封裝起來，替程序員完成這些工作。另外， MFC 提出了以文檔 視圖為中心的編程模式， MFC 類庫封裝了對它的支持。文檔是用戶操作的數(shù)據(jù)對象，視圖是數(shù)據(jù)操作的窗口，用戶通過它處理、查看數(shù)據(jù)。 (3)對 COM/OLE 特性的封裝 ： OLE 建立在 COM 模型之上，由于支持 OLE 的應(yīng)用程序必須實 現(xiàn)一系列的接口（ Interface），因而相當(dāng)繁瑣。 MFC 的 OLE 類封裝了 OLE API 大量的復(fù)雜工作，這些類提供了實現(xiàn) OLE 的更高級接口。 (4)對 ODBC 功能的封裝 ： 以少量的能提供與 ODBC 之間更高級接口的 C++類，封裝了ODBC API 的大量的復(fù)雜的工作，提供了一種數(shù)據(jù)庫編程模式。 繼承： 首先， MFC 抽象出眾多類的共同特性，設(shè)計出一些基類作為實現(xiàn)其他類的基礎(chǔ)。這些類中，最重要的類是 CObject 和 CCmdTarget。 CObject 是 MFC 的根類，絕大多數(shù)MFC 類是其派生的，包括 CCmdTarget。 CObject 實現(xiàn)了一些重要的特性，包括動態(tài)類信息、動態(tài)創(chuàng)建、對象序列化、對程序調(diào)試的支持，等等。所有從 CObject 派生的類都將具備或者可以具備 CObject 所擁有的特性。 C