【正文】 Pietik228。228。 M228。 華僑大學畢業(yè)設計（論文） 33 參 考 文 獻 [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 [J]．中國圖象圖形學報， 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]．計算機學報， 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。任何技術(shù)都是由其相應領(lǐng)域的性能評價的準則向前推動的。通用的面向一般應用的存儲及檢索模型將對圖像檢索系統(tǒng)的實用起到極大的促進。網(wǎng)絡擴展的一個副 產(chǎn)品是多媒體，特別是圖像和視頻數(shù)據(jù)的海量膨脹。早期人們強調(diào)全自動意義上的單一最佳特征選擇，現(xiàn)在更強調(diào)交互式系統(tǒng)。 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)取得定進展，然而依然還有許名有待進一步解決的問題， (1)從自動分析到人機交互。 LBP 紋理作為眾多紋理特征的一種，其技術(shù)已經(jīng)相對成熟， 基礎 LBP紋理和旋轉(zhuǎn)不變的 LBP紋理圖像檢索都是相對簡單的圖像紋理特征描述方法 ，每種方法相對各有優(yōu)劣。所選圖片為： 華僑大學畢業(yè)設計（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對于同一副圖像的多角度旋轉(zhuǎn)圖像的檢索比對比較準確 華僑大學畢業(yè)設計（論文） 32 5 結(jié)論 在本文的第四部分詳細介紹了基于 LBP 紋理的圖像檢索系統(tǒng)的設計與測試并對結(jié)果進行分析。 270176。 經(jīng)統(tǒng)計該測試，其測試結(jié)果的平均查準率和查全率如下： 方法 查準率 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。但是總量來說基本 LBP 方法的效果更好。旋轉(zhuǎn)不變 LBP 中 前四個都是同類的，而基本 LBP 則不是，所以相對于不同的圖片，兩個方法的效果（這里指排在前面的同類的圖片較多）還是不確定的。這一點從全差率就可以很簡單看出。但是我個人覺得，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。 圖片 檢索結(jié)果： 華僑大學畢業(yè)設計（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 三個類分別有圖片 98張， 97 張， 151 張，總共 346 張。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 紋理圖測試 采用 圖像處理 _Caltech 256(加利福尼亞理工學院 256類圖像數(shù)據(jù)庫 )該庫共含有 257 個類 30607 張圖片。 華僑大學畢業(yè)設計（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， 兩種檢索的查準率和查全率分別為： 方法 查準率 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子圖的檢索，用基礎 LBP 紋理檢索方法更為準確。 （ 中提到） 系統(tǒng)開發(fā)完成后運行情況如下，以 圖片 （如下圖）為例： 其 LBP，旋轉(zhuǎn)不變 LBP 檢 索結(jié)果如以下圖示 圖片 LBP 檢索結(jié)果 旋轉(zhuǎn)不變 LBP 檢索結(jié)果 華僑大學畢業(yè)設計（論文） 27 在圖像庫中 01 類中共 16張圖片，檢索結(jié)果圖片數(shù)量為 24， LBP檢索出同類結(jié)果為 16張， 旋轉(zhuǎn)不變 LBP 檢索結(jié)果為 13 張 ， 所以 兩 種檢索的查準率和查全率分別為： LBP： P=16/24= % R=16/16=100% 旋轉(zhuǎn)不變 LBP： P=13/24=% R=13/16=% 以圖 片 （如下圖）為例： 其 LBP，旋轉(zhuǎn)不變 LBP 檢索結(jié)果如以下圖示 圖片 LBP 檢索結(jié)果 旋轉(zhuǎn)不變 LBP 檢索結(jié)果 在圖像庫中 42 類中共 16張圖片，檢索結(jié)果圖片數(shù)量為 24， LBP檢索出同類結(jié)果為 14 張，旋轉(zhuǎn)不變 LBP 檢索結(jié)果為 15 張，所以兩種檢索的查準率和查全率分別為： LBP： P=14/24= % R=14/16=% 旋轉(zhuǎn)不變 LBP： P=15/24=% R=15/16=% 通過 上面兩 張圖片的檢索結(jié)果對比，我們不難看出，對于相對單調(diào)規(guī)則的紋理圖案， LBP 紋理檢索方法優(yōu)于旋轉(zhuǎn)不變 LBP 紋理檢索方法。 設定檢索反饋個數(shù)為 24。 對Brodatz 圖像庫中的 111 幅紋理圖像， 隨機選出 20 副。 QuickSort(p,0,N)。 if(Mp[N].m ) { p[N].m =M。 Sum=Sum+pow(bin_val_abin_val_b,2)。 getline(in,str2)。 h++) { //獲得直方圖中的統(tǒng)計次數(shù) double bin_val_a = cvQueryHistValue_1D( hist1, h )。 for(int h = 0。 圖 LBP圖灰度直方圖 圖 LBP圖灰度直方圖 （ 6） 歐式距離計算 string str2。m_cvLBPImage,hist1,0,NULL)。size,CV_HIST_ARRAY,ranges,1)。//直方圖 ranges 取值 float* ranges[]={range}。 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。在這種算法下這個點的 LBP 算子 ={0,1?? 9}。每次周圍像素點比中心像素點大， LBP 算子加 1。 cvSetReal2D(m_cvLBPImage, row, col, center_lbp)。 華僑大學畢業(yè)設計（論文） 24 } } if(count3) { center_lbp=9。 while (j = 9) { if(value[9]!=value[0]) count=1。 int j = 1。 value[7]=1。 value[1]=1。 value[0]=1。 center_lbp = 0。 將這個點的 LBP值代入 LBP圖中。 } Center用來儲存中心像素點的灰度值，用它分別和周圍的 8個點的灰度值做對比 ，從正上放那個像素點開始，如果左上方像素點大于中心像素點，那么這華僑大學畢業(yè)設計（論文） 23 個點的 LBP算子 center_lbp就加 1，按順時針放向，正上方的像素點如果大于中心像素點那么 LBP算子 center_lbp就加 2，依次類推每次如果比較像素點大于中心像素點， LBP算子就加 。 } ?? } if (center = cvGetReal2D(m_cvImage, row+1, col+1)) { center_lbp += 128。 if (center = cvGetReal2D(m_cvImage, row1, col1)) { center_lbp += 1。 col++) { center = cvGetReal2D(m_cvImage, row, col)。 row++) for (int col=1。 for (int row=1。 （ 3） 生成基本 LBP算子主要代碼如下所示： int center=0。//轉(zhuǎn)換彩色圖像為灰度圖像 } 在這段代碼中首先對圖像是不是彩色圖像進行了一個判斷，如果是的，那么將圖像灰度化。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畢業(yè)設計（論文） 22 圖像，其一個像素點用一個字節(jié)表示該點的灰度值，在圖像處理時，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。 //縮放源圖像到目標圖像 圖 打開界面 （ 2） 創(chuàng)建灰度圖是作圖像處理最基本的一部，因為很多圖像的處理問題都要在灰度圖或者是二值化圖像上進行。 src = cvCreateImage( src_cvsize, Srcdepth, SrcnChannels)。 = rw。 系統(tǒng)實現(xiàn) 系統(tǒng) 窗口 本系統(tǒng)完成后的窗口如下 圖 系統(tǒng)窗口 華僑大學畢業(yè)設計（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