【正文】 改進(jìn),使用直方圖表示了最重要的粗糙度、對比度、方向度特征。同時介紹了在基于內(nèi)容的圖像檢索技術(shù)中相關(guān)性反饋技術(shù)。 其次,描述了紋理和紋理特征,介紹了幾種常用的紋理分析方法,有灰度直方圖、邊緣方向直方圖、空間灰度共生矩陣、Tamura紋理特征、Gabor濾波器和Gabor小波以及圖像紋理譜分析方法,本文在傳統(tǒng)的紋理特征提取方法的基礎(chǔ)上,利用Gabor小波變換在數(shù)字圖像中局部區(qū)域的頻率,方向信息的優(yōu)異性能,和共生矩陣對圖像的整體區(qū)域有著較好的處理效果的特點(diǎn),嘗試了結(jié)合灰度共生矩陣和Gabor濾波器來提取紋理特征的方法,并對提取的特征進(jìn)行高斯歸一化處理。在已經(jīng)存在的顏色特征,紋理特征,形狀特征等幾種特征提取方法中,由于紋理特征能夠描述圖像的平滑,稀疏,規(guī)則性等特性,因此本文決定采用紋理特征作為圖像檢索的依據(jù)。基于內(nèi)容的圖像檢索(CBIR)不同于傳統(tǒng)的基于文本的圖像檢索,它實(shí)際上是一種模糊查詢技術(shù),通過對圖像提取一定的特征,找出在特征空間中與查詢要求接近的圖像,從而實(shí)現(xiàn)在圖像數(shù)據(jù)庫中自動地、智能地檢索、查詢和管理圖像。如何有效地對這些圖像進(jìn)行分析、存儲和檢索是一個亟待解決的問題。將提取的顏色特征與紋理特征相結(jié)合作為支持向量機(jī)(SVM) 的輸入,同時引入相關(guān)反饋來對圖像進(jìn)行分類與檢索,以便近一步提高檢索效率是有待進(jìn)一步研究的內(nèi)容。為了最優(yōu)地獲取數(shù)據(jù)的變化量,這里a =6 ,即取前6 個特征值。a 遠(yuǎn)小于n ,而a個特征值對應(yīng)的特征向量構(gòu)成負(fù)荷矩陣P ∈Rn a , L 到低維空間的投影就包含在得分矩陣中T = L P (3)由T 返回到n 維空間的投影為L = TPT (4)由^L 張成的子空間稱為得分空間,其所包含的信息量近似原空間L 中所包含的信息量[9 ]。在CBIR 中應(yīng)用這種模型更適合用戶的　 主元分析法(PCA) 對L 的降維處理由節(jié)1. 2 可得到L 矩陣, L 為一m n 矩陣, m 、n 由圖像尺寸決定。這種顏色模型用Munsell 三維空間坐標(biāo)系統(tǒng)表示,因坐標(biāo)之間的心理感知獨(dú)立性,因此,可以獨(dú)立感知各顏色分量的變化。亮度v 是顏色的明暗程度, 通常用百分比度量, 從黑0 到白100 %。～360176。圖像的顏色有多種表示方式,其中HSV 顏色模型是一種適合肉眼分辨的模型,它把彩色信息表示為三種屬性: 色調(diào)h 、飽和度s 和亮度v 。常用的計(jì)算直方圖之間距離的方法有直方圖相交法、距離法等，以直方圖作為圖像的顏色特征進(jìn)行圖像檢索,需存儲大量的冗余特征信息,不能精確而簡潔地描述圖像。目前,人們已提出了許多種借助于顏色特征對圖像進(jìn)行檢索的方法。因此,基于顏色的查詢是基于內(nèi)容的圖像檢索中最基本的方法。圖像的有效檢索手段逐漸引起人們的重視,傳統(tǒng)的采用基于關(guān)鍵字或描述性文本的數(shù)據(jù)庫檢索方式,已遠(yuǎn)遠(yuǎn)不能滿足人們的需要,近年來,國際上廣泛開展了基于內(nèi)容的圖像檢索(CBIR) 的研究,CBIR 是指根據(jù)圖像的顏色、形狀、紋理等特征以及這些特征的組合來查詢圖像,是計(jì)算機(jī)圖像處理和數(shù)據(jù)庫技術(shù)的有效結(jié)合。但是，在一般情況下，并不能直接找出這樣的關(guān)鍵變量。給定 n 個變量的 m 個觀察值，形成一個 n ′ m 的數(shù)據(jù)矩陣， n 通常比較大。(2) 基于PCA的圖像數(shù)據(jù)特征提取　 主成分分析 （ Principal Component Analysis ， PCA ）是一種掌握事物主要矛盾的統(tǒng)計(jì)分析方法，它可以從多元事物中解析出主要影響因素，揭示事物的本質(zhì)，簡化復(fù)雜的問題。平方的向量可以表示為：(G +_，G ) =G 一G +2_，G G (5)梯度平方的平均值可以通過對局部鄰居(利用非均勻窗口w)的平均計(jì)算得到，DFx：Σ(G +G；)，DFy：Σ(2GxGr) (6)W W現(xiàn)在，平均梯度方向 ∈[0，180]可以由下面的公式得到：r l80， DFx=0 and DFx=0o(x，Y)={[l80 DF ． (7) — — 麗， m№M因此，邊界方向直方圖可以定義為：H(k)：H(k)+1，／f ( ，Y)：k and k∈ [0，180] (8)= 180是一個特例．它并不意味著像素的邊界方向是水平方向且與 =0的相同．它表示在這個像素的周。通過邊緣檢測，把圖像分為邊緣區(qū)域和非邊緣區(qū)域，然后在邊緣區(qū)域內(nèi)進(jìn)行邊緣定位．根據(jù)局部區(qū)域內(nèi)邊緣的直線特性，求得小鄰域內(nèi)直線段的高精度位置；再根據(jù)邊緣區(qū)域內(nèi)邊緣的全局直線特性，用線段的中點(diǎn)來擬合整個直線邊緣，得到亞像素精度的圖像邊緣．在擬合的過程中，根據(jù)直線段轉(zhuǎn)角的變化剔除了噪聲點(diǎn)，提高了定位精度．并且，根據(jù)角度和距離區(qū)分出不同直線和它們的交點(diǎn)，給出了圖像精確的矢量化結(jié)果圖像的邊界是指其周圍像素灰度有階躍變化或屋頂變化的那些像素的集合，邊界廣泛的存在于物體和背景之間、物體和物體之間，它是圖像分割所依賴的重要特征．邊界方向直方圖具有尺度不變性，能夠比較好的描述圖像的大體形狀．邊界直方圖一般是通過邊界算子提取邊界，得到邊界信息后，需要表征這些圖像的邊界，對于每一個邊界點(diǎn)，根據(jù)圖像中該點(diǎn)的梯度方向計(jì)算出該邊界點(diǎn)處法向量的方向角，將空間量化為M級，計(jì)算每個邊界點(diǎn)處法向量的方向角落在M級中的頻率，這樣便得到了邊界方向直方圖．圖像中像素的梯度向量可以表示為[ ( ，)，)， ( ，)，)] ，其中Gx( ，)，)，G ( ，)，)可以用下面的Sobel算子[8]：( ，Y)=，( 一1，Y+1)+2，( ，Y+1)+，( +1，Y+1)一，( 一1，Y一1)一2 ，( ，Y一1)一，( +1，Y一1)( ，Y)=，( +1，Y一1)+2，( +1，Y)+，( +1，Y+1)一，( 一1，Y一1)一2 ，( 一1，Y)一，( 一1，Y+1) (4)I(x，y)表示在圖像的(x，y)點(diǎn)像素的亮度。所有實(shí)際有用的離散小波變換使用包含有限脈沖響應(yīng)濾波器的濾波器段(filterbank)。然后采用非分割圖像的邊界方向直方圖方法提取圖像的形狀特征,該方法相對分割方法具有簡單、有效等特點(diǎn),并對圖像的縮放、,動態(tài)調(diào)整兩幅圖像相似度中顏色特征和方向特征的權(quán)值系數(shù),。設(shè)計(jì)內(nèi)容課程設(shè)計(jì)的內(nèi)容與要求（包括原始數(shù)據(jù)、技術(shù)參數(shù)、條件、設(shè)計(jì)要求等）：一、課程設(shè)計(jì)的內(nèi)容本設(shè)計(jì)采用邊界方向直方圖法、基于PCA的圖像數(shù)據(jù)特征提取、基于Tamura紋理特征的紋理特征提取、顏色直方圖提取顏色特征等等四種方法設(shè)計(jì)。如果物體尺寸有大有小，或?qū)Ρ扔袕?qiáng)有弱的情況下同事存在，這時提取圖像的特征對進(jìn)行圖像研究有優(yōu)勢。當(dāng)光差圖像時，常?？吹降氖沁B續(xù)的紋理與灰度級相似的區(qū)域，他們相結(jié)合形成物體。此后通過局部導(dǎo)數(shù)運(yùn)算來計(jì)算圖像的一個或多個特征。假如它是一個更大的算法的一部分，那么這個算法一般只檢查圖像的特征區(qū)域。 特征提取是圖象處理中的一個初級運(yùn)算，也就是說它是對一個圖像進(jìn)行的第一個運(yùn)算處理。因此特征提取最重要的一個特性是“可重復(fù)性”：同一場景的不同圖像所提取的特征應(yīng)該是相同的。特征是一個數(shù)字圖像中“有趣”的部分，它是許多計(jì)算機(jī)圖像分析算法的起點(diǎn)。 至今為止特征沒有萬能和精確的圖像特征定義。它指的是使用計(jì)算機(jī)提取圖像信息，決定每個圖像的點(diǎn)是否屬于一個圖像特征。圖像特征提取方法摘 要 特征提取是計(jì)算機(jī)視覺和圖像處理中的一個概念。特征提取的結(jié)果是把圖像上的點(diǎn)分為不同的子集，這些子集往往屬于孤立的點(diǎn)、連續(xù)的曲線或者連續(xù)的區(qū)域。特征的精確定義往往由問題或者應(yīng)用類型決定。因此一個算法是否成功往往由它使用和定義的特征決定。 它檢查每個像素來確定該像素是否代表一個特征。作為特征提取的一個前提運(yùn)算，輸入圖像一般通過高斯模糊核在尺度空間中被平滑。 常用的圖像特征有顏色特征、紋理特征、形狀特征、空間關(guān)系特征。但如果物體的尺寸很小或者對比度不高，通常要采用較高的分辨率觀察：如果物體的尺寸很大或?qū)Ρ榷群軓?qiáng)，只需要降低分辨率。常用的特征提取方法有：Fourier變換法、窗口Fourier變換（Gabor)、小波變換法、最小二乘法、邊界方向直方圖法、基于Tamura紋理特征的紋理特征提取等。（1）邊界方向直方圖法 由于單一特征不足以準(zhǔn)確地描述圖像特征,提出了像素加權(quán)的改進(jìn)顏色直方圖方法。所有小波變換可以視為時域頻域的形式，所以和調(diào)和分析相關(guān)。構(gòu)成CWT的小波受海森堡的測不準(zhǔn)原理制約，或者說，離散小波基可以在測不準(zhǔn)原理的其他形式的上下文中考慮。為了減少由于數(shù)字化過程中產(chǎn)生的噪聲的影響，邊界方向直方圖是基于局部像素梯度向量的平均值．因?yàn)橄喾捶较虻奶荻瓤赡軙嗷サ窒?，所以并不能直接對局部鄰居像素點(diǎn)的梯度向量平均．解決這個問題的一個方法就是在計(jì)算平均值前，先對用復(fù)數(shù)表示的向量進(jìn)行平方運(yùn)算，等價于把梯度向量的角度增加一倍．角度增加一倍的相反方向的兩個梯度向量分別指向它們的對立梯度向量，從而互相得到增強(qiáng)；而處于正交的兩個梯度將會互相抵消，經(jīng)過平均運(yùn)算后變回到它們的單一角度的表示。圍沒有亮度變化．邊界方向直方圖之間距離D 的計(jì)算采用與上面顏色直方圖距離之間的相同的計(jì)算公式(3)而得到。計(jì)算主成分的目的是將高維數(shù)據(jù)投影到較低維空間。對于一個由多個變量描述的復(fù)雜事物，人們難以認(rèn)識，那么是否可以抓住事物主要方面進(jìn)行重點(diǎn)分析呢？如果事物的主要方面剛好體現(xiàn)在幾個主要變量上，我們只需要將這幾個變量分離出來，進(jìn)行詳細(xì)分析。這時我們可以用原有變量的線性組合來表示事物的主要方面， PCA 就是這樣一種分析方法。顏色是彩色圖像的最顯著特征之一。這種查詢可針對任何類型的彩色圖像。這些方法常用的彩色空間有RGB 和HSV ,提取的主要特征是顏色直方圖。本文提出了一種基于HSV 顏色模型,利用主元分析法(PCA) 對圖像的顏色進(jìn)行特征提取的方法,大大降低了特征向量的維數(shù),減小了特征數(shù)據(jù)庫的規(guī)模。HSV 模型的色調(diào)h 是由顏色名稱來辨別的,如紅、橙、綠,它用角度0176。度量。飽和度s 指顏色的深淺,用百分比來度量,為從0 到完全飽和的100 %且這種顏色模型具有線性伸縮性,可感知的顏色差是與顏色分量的相應(yīng)樣值上的歐氏距離成比例的主元分析法( PCA) 是一種線性降維技術(shù),其基本思想是通過對數(shù)據(jù)協(xié)方差矩陣的分解,在其n 個特征值中取前a 個特征值, ( n a) 個特征值被濾出。