【正文】 值機(jī)制）。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。 華僑大學(xué)畢業(yè)設(shè)計(jì)（論文） 14 圖 對(duì)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 。 圖 這個(gè)點(diǎn)的像素的 lbp 算子就是 241。 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(dòng)，如圖 所示 。 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。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。由于結(jié)構(gòu)的特點(diǎn)，這些恒定二值模式相對(duì)于其它的二值模式，發(fā)生變位的幾率要小的多。 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。 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。不過，這里我們?cè)?jīng)將物體從圖片（圖片能夠會(huì)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”。因?yàn)?，從上面的分析我們能夠看出，這個(gè)“個(gè)性”跟位相消息是緊湊相干的。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(duì)。 Visual C++是一個(gè)功能強(qiáng)大的可視化軟件開發(fā)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 。 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）。 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。Visual C++是一個(gè)功能強(qiáng)大的可視化軟件開發(fā)工具。雖然微軟公司推出了 Visual C++.NET(Visual C++)，但它的應(yīng)用的很大的局限性，只適用于 Windows 2021,Windows XP 和 Windows 。 Visual C++ 以擁有 “ 語法高亮 ” ， 自動(dòng)編譯功能以及高級(jí)除錯(cuò)功能而著稱。還有允許用戶在調(diào)試期間重新編譯被修改的代碼，而不必重新啟動(dòng)正在調(diào)試的程序。這些特征明顯縮短程序編輯、編譯及連結(jié)的時(shí)間花費(fèi)，在大型軟件計(jì)劃上尤其顯著。目前最新版本為 （截止 2021年 3 月 ） ,并且發(fā)布了中文版。大部分類均從 CObject 直接或間接派生，只有少部分類例外。 MFC 提供了 MFC AppWizard 自動(dòng)生成框架。 由于它的易用性，初學(xué)者常誤認(rèn)為 VC++開發(fā)必須使用 MFC。作為 Application Framework， MFC 的使用只能提高某些情況下的開發(fā)效率，只起到輔助作用，而不能替代整個(gè) Win32 程序設(shè)計(jì)。 OpenCV于 1999年由 Intel 建立，現(xiàn)在由 Willow Garage 提供支持。它輕量級(jí)而且高效 —— 由一系列 C 函數(shù)和少量 C++ 類構(gòu)成，同時(shí)提 供了 Python、 Ruby、 MATLAB 等語言的接口，實(shí)現(xiàn)了 圖像處理 和計(jì)算機(jī)視覺方面的很多通用算法。 cvCvtColor(ColorImage, GrayImage, CV_BGR2GRAY)。 2. 計(jì)算 LBP 算子 計(jì)算 LBP 算子時(shí)要讀入圖像 像素點(diǎn) 灰度值。 cvGetReal2D是 Opencv中自帶返回單通道數(shù)組的指定元素的函數(shù)。 cvSetReal2D(Image, row, col, lbp)。 cvCreateImage(cvSize(m_cvImagewidth, m_cvImageheight), 8, 1)。image1,hist1,0,NULL)。 5. 記錄參數(shù)值 調(diào)用 cvQueryHistValue_1D( hist1, h)將像素分布數(shù)據(jù)調(diào)用出來，以便和庫中圖像的數(shù)據(jù)比對(duì)。將相應(yīng)的數(shù)據(jù)存放到 TXT文本中。 圖像檢索算法 灰度 直方圖 （ histogram）是灰度級(jí)的函數(shù)，它表示圖象中具有每種灰度級(jí)的象素的個(gè)數(shù)，反映圖象中每種灰度出現(xiàn)的頻率。 歐氏距離（ Euclidean distance）也稱 歐幾里得距離 ，它是一個(gè)通常采用的距離定義，它是在 m 維空間中兩個(gè)點(diǎn)之間的真實(shí)距離。 然后按照兩圖像之間的歐式距離從小到達(dá)將圖像輸出 。 CvSize src_cvsize。 = rh。 // 構(gòu)造目標(biāo)圖象 cvResize(Src, src, CV_INTER_LINEAR)。由于攝像機(jī)抓拍到的圖像均為 24位真彩色圖像，而大多數(shù)圖像處理技術(shù)都是針對(duì) 256 級(jí)灰度圖的，所以有必要將彩色圖轉(zhuǎn)化成灰度圖。 在程序中灰度化調(diào)用了 Opencv 的自帶函數(shù) if (temp_imagenChannels == 3)//對(duì)圖像是不是灰色圖像做了一個(gè)判斷 { cvCvtColor(Image1, Image2, CV_BGR2GRAY)。調(diào)用 cvCvtColor 函數(shù)的 CV_BGR2GRAYK 將 Image1 灰度化儲(chǔ)存在 Image2 中。 int center_lbp=0。 rowm_cvImageheight1。 colm_cvImagewidth1。 center_lbp = 0。 } if (center = cvGetReal2D(m_cvImage, row1, col)) { center_lbp += 2。 } cvSetReal2D(m_cvLBPImage, row, col, center_lbp)。最后執(zhí)行語句 cvSetReal2D(m_cvLBPImage, row, col, center_lbp)。 圖 圖 LBP圖 （ 4） 生成旋轉(zhuǎn)不變 LBP算子代碼如下所示 ： center = cvGetReal2D(m_cvImage, row, col)。 if (center = cvGetReal2D(m_cvImage, row1, col1)) { center_lbp += 1。 } if (center = cvGetReal2D(m_cvImage, row1, col)) { center_lbp += 1。 } …… if (center = cvGetReal2D(m_cvImage, row+1, col+1)) { center_lbp += 1。 } int i = 0。 int count=0。 if (value[i++] != value[j++]) { count +=1。 } //coutcenter_lbpendl。 思想與前面的基本 LBP 相類似，不同的是 加了個(gè) value 數(shù)組，當(dāng)如果周圍像素點(diǎn)大于中心像素點(diǎn)時(shí)， value[n]=1。最后判斷相鄰的兩個(gè) value 值是不是一樣，不一樣，用個(gè)技術(shù) count 記錄跳躍的次數(shù)，當(dāng) count3 時(shí)， LBP 算子 =9，否則 LBP 算子等于前面累加所得。 圖 為像素點(diǎn)值放大 25 背后的結(jié)果。 float range[]={0,255}。 CvHistogram* hist1=cvCreateHist(1,amp。 cvCalcHist(amp。 CvHistogram函數(shù)創(chuàng)建頭并分配數(shù)據(jù)； 華僑大學(xué)畢業(yè)設(shè)計(jì)（論文） 25 cvCalcHist函數(shù) 函數(shù)計(jì)算直方圖。 double M,Sum=0。 h 256。 outbin_val_aendl。 double bin_val_b=atof( ())。 } M=sqrt(Sum)。 p[N].filename =str1。 } 華僑大學(xué)畢業(yè)設(shè)計(jì)（論文） 26 第 4 章實(shí)驗(yàn)結(jié)果及分析 基于 Brodatz 紋理圖測試 Brodatz 紋理圖像庫是最常用的用來評(píng)價(jià)紋理特征性能的圖像庫之一 。 每幅圖像分割為 16 個(gè)不重疊的大小為 160160 的子圖，構(gòu)成一個(gè)包含 320 圖像的圖像庫．將該圖像庫中的任意一幅圖像作為要檢索的圖像，那么來自同一幅的 16 幅圖像 (包括檢索圖像本身 )理論上是檢索結(jié)果中最相似的圖像 。 采用平均查全率 和 查 準(zhǔn) 率 來評(píng)價(jià)檢索性能 。而對(duì)于一幅圖中剪切出來的有差異的圖案，旋轉(zhuǎn)不變 LBP 紋理檢索方法則要相對(duì)檢索成功率高。 這樣的結(jié)果原因我個(gè)人認(rèn)為 是 Brodatz 紋理庫中每一幅圖片都代表了一類的紋理，所以對(duì)這一章圖片進(jìn)行分割，它的每個(gè)子圖的紋理特征都是相似的（來源于同一張圖片）基本 LBP 的檢索準(zhǔn)確率相對(duì)高，而旋轉(zhuǎn) LBP 則會(huì)比較容易檢測到一些其他類的圖片。先選出其中前三個(gè)類 ， 。 分別選擇 3個(gè)類中的一張圖片，進(jìn)行兩種方法的檢索。檢索圖片數(shù)量為 72，進(jìn)行兩種方法的檢索的查準(zhǔn)率和查全率為： LBP： P=28/72= % R=28/98=% 華僑大學(xué)畢業(yè)設(shè)計(jì)（論文） 30 旋轉(zhuǎn)不變 LBP： P=17/72= % R=17/98=% LBP： P=24/72= % R=24/97=% 旋轉(zhuǎn)不變 LBP： P=16/72= % R=16/97=% LBP： P=50/72= % R=50/151=% 旋轉(zhuǎn)不變 LBP： P=42/72= % R=42/151=% 可以看出，不同類的差異還是比較大的，其中包的差準(zhǔn)率最高，其中一部分原因是包的類中的圖片數(shù)量比較多，是其他類的 倍。像國旗這一類，國旗的紋理的差異就比較大（有的拉直，有的扭曲）所以檢索準(zhǔn)確率就相對(duì)最小。 對(duì)于方法來說，還是基本 LBP 方法相對(duì)于旋轉(zhuǎn)不變 LBP方法的查準(zhǔn)率和查全率相對(duì)要高，但是這不是唯一的評(píng)判標(biāo)準(zhǔn)，例如 圖片的檢索結(jié)果。圖片之間存在差異。 在圖像庫中隨機(jī)選取 100張圖片作為測試用例，分別對(duì)其進(jìn)行 基本 LBP 紋理檢索和旋轉(zhuǎn)不變 LBP 紋理檢索 ，并將其查準(zhǔn)率和查全率存儲(chǔ)到文件中，計(jì)算其平均查準(zhǔn)率和查全率。 180176。旋轉(zhuǎn)，加上原圖，再加上 8幅同類圖像測試。經(jīng)過測試，項(xiàng)目基本實(shí)現(xiàn)了預(yù)計(jì)的目標(biāo)，圖像檢索的功能比較好的實(shí)現(xiàn)出來了。另外， 有相對(duì)復(fù)雜的 contourlet 變換和 LBP 旋轉(zhuǎn)不變形紋理特征提取 ， Gabor 分 塊局域二值模式方法 還有其他的局部二值模式的紋理特征提取方法都在這個(gè)基礎(chǔ)方法上做了改進(jìn)，這里因?yàn)闀r(shí)間以及我所學(xué)知識(shí)的原因不能都一一實(shí)現(xiàn)?；谟?jì)算機(jī)視覺的模式識(shí)別系統(tǒng)和圖像檢索系統(tǒng)的根本區(qū)別在于后者中人的參與是不可缺少的。 (2)高效存儲(chǔ)及檢索技術(shù)。為了保證檢索速度和效率，需要不斷的研究高性能的數(shù)據(jù)存儲(chǔ)及檢索方法，包括高維索引技術(shù)。 (3)性能評(píng)價(jià)及測試標(biāo)準(zhǔn)。由于圖像及視頻內(nèi)容不但豐富，而且具有很大程度上的 主觀性，其檢索性能的評(píng)價(jià)準(zhǔn)則制定起來具有相當(dāng)?shù)碾y度。inen M amp。enp228。 T, Multiresolution grayscale and rotation invariant texture classification with Local Binary Patterns. IEEE Transactions on Pattern Analysis and Machine Intelligence 24(7):971 – 987, 2021. [14]. Ojala T, Valkealahti K, Oja E amp。inen M., Texture discrimination with multidimensional distributions of signed gray level differences. Pat