中北大学2014届本科毕业论文
代表图像（萝卜） 与其最相近的图像 （距离差值为1248） 代表图像（黄瓜） 与其最相近的图像 （距离差值为6108） 代表图像（西红柿） 与其最相近的图像 （距离差值为837） 图3.3 匹配结果图
实验结果表明，颜色一致性矢量能较好的表征图像的特征。 3.2 纹理特征提取
纹理特征也是一种全局特征，它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性，并不能完全反映出物体的本质属性，所以仅仅利
- 22 -
中北大学2014届本科毕业论文
用纹理特征是无法获得高层次图像内容的。与颜色特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进行统计计算。在模式匹配中，这种区域性的特征具有较大的优越性，不会由于局部的偏差而无法匹配成功。作为一种统计特征，纹理特征常具有旋转不变性，并且对于噪声有较强的抵抗能力。
常用的纹理特征提取方法有统计法、几何法、模型法和信号处理法。其中，统计方法的典型代表是一种称为灰度共生矩阵的纹理特征分析方法[11]，它是图像中两个象素灰度级联合分布的统计形式，能较好的反映灰度级相关性的规律。它强调灰度的空间依赖关系，其特点是体现了在一种纹理模式下的象素灰度的空间关系。空间灰度共生矩阵方法，是建立在估计图像的二阶组合条件概率密度函数基础上的。这个方法已经有了较长的研究历史，也是当前公认的一种重要的纹理分析方法。这是一种典型的纹理分析方法，但该方法所需运算时间长，存贮容量大。本论文利用和差直方图（SDH）算法来提取纹理特征，这种纹理分析的算法具有共生矩阵几乎一样的功效。 3.2.1 和差直方图特征矢量SDH
对于一个K×V的纹理图像，灰度级为G（1,2,…,L）,考虑图像中两个元素y1?yk,l和y2?yk?d1,l?d2，对于一个相对偏移（d1,d2），和差被定义如下：
Sk,l?yk,l+yk?d1,l?d2 式3.2 Dk,l?yk,l-yk?d1,l?d2 式3.3
从（1）和（2），可以定义2个[2L-1]维矩阵，归一化的和差直方图如下：
Ps(i)?hs(i)/N （i=2,3,…,2L） 式3.4 Pd(j)?hd(j)/N （j=-L+1,…, L-1） 式3.5
其中
hs(i)=Card{(k,l)∈D, Sk,l?i} 式3.6
hd(j)=Card{(k,l)∈D, Ps(i)?j} 式3.7 N=Card{D}=?hs(i)=?hd(j) 式3.8
ij偏移量（d1,d2）由步长d和方向?确定。使用方向为0°，45°，90°，135°，步长为1进行实验。
求四个方向下的和差概率统计量，最后取四个方向的统计量平均值作为最终的特征
- 23 -
中北大学2014届本科毕业论文
量。为此先将灰度图像进行直方图均衡化，然后将均衡化后的图像灰度等级量化为G1（1,2,…,32）。最终计算由和差直方图得到的统计特征量：均值、方差、能量、相关、熵、对比度、一致性。各统计特征量的意义如下：
表3.2 各特征统计量计算表
均值 对比度 ???1/2??ihs[i] iCn??j2hd[j] j一致性 能量 Hg?1/1?j2hd[j] ??i??jEn??hs[i]2?hd[j]2 方差 相关 ??22????1/2???i?2??hs[i]??jhd[j]? ??j?i???22?Cr??1/2???i?2??hs[i]??jhd[j]? ??ij??2熵 Hn???hs[i]log?hs[i]???hd[j]log?hd[j]? ij
均值： 反映纹理图像总体灰度水平。 方差： 反映灰度分布的离散程度。
能量： 反映图像所具有的信息量，若图像是等概率分布，则具有最小的能量。 相关： 能够用来衡量和差直方图的元素在行的方向或列的方向的相似程度。因此，相
关值大小反映了图像中局部灰度相关性。当矩阵元素值均匀相等时，相关值就大；相反，如果矩阵像元值相差很大则相关值小。
熵： 反映图像所具有的信息量，若图像是等概率分布，则具有最大的熵。 对比度：表示图像全部像素对的灰度差|i-j|的平均值。反映了图像的清晰度和纹理沟
纹深浅的程度。纹理沟纹越深，其对比度越大，视觉效果越清晰；反之，对比度小，则沟纹浅，效果模糊。灰度差即对比度大的象素对越多，这个值越大[12]。
- 24 -
中北大学2014届本科毕业论文
实验结果：
提取5张萝卜图像的各特征统计量，萝卜图像如3.4所示。
图3.4 萝卜图像
5张萝卜图像的特征统计量如表3.2所示。
表3.2 萝卜图像的特征统计量表
1 2 3 4 5 均值 28.52 28.54 28.53 28.49 28.59 方差 138.49 137.67 139.04 161.33 157.06 相关 66.76 66.92 66.46 77.94 79.66 对比度 71.73 70.75 72.58 83.39 77.40 能量 0.11 0.10 0.10 0.11 0.12 熵 4.08 4.27 4.18 4.01 3.86 一致性 0.86 0.84 0.85 0.84 0.86 实验结果发现，相似图像之间各统计特衡量具有较强的一致性。 3.3 形状特征提取
形状是图像中的一个重要特征。能够直观的描述物体，但由于他常和目标图像连接在一起，有一定的语义含义，因而形状特征可以看做是比颜色纹理特征更高一级的特征。 通常情况下，形状特征有两类表示方法，一类是轮廓特征，另一类是区域特征。图像的轮廓特征主要针对物体的外边界，而图像的区域特征则关系到整个形状区域。本论文使用边界/内部像素分类特征矢量BIC来表示图像的形状特征。
- 25 -
中北大学2014届本科毕业论文
3.3.1 边界/内部像素分类特征矢量BIC
边界/内部像素分类器（BIC）是一种紧凑，有效的基于内容图像检索（CBIR）的方法，适合与大量图片库检索领域。它主要由3部分组成：
①：一种简单的、有效的图像分析算法，可以把图像像素划分为内部或边界像素。 ②：一种计算图像直方图之间距离的新方法（对数距离）
③：一种紧凑的存储图像特征的方法，它将使得存储图像特征的空间比之前其他方法存
储的空间低一倍。
算法说明：
该算法步骤如下：
①：将RGB颜色空间均匀量化为64种不同的颜色，即每个颜色通道量化为4份不同的
像素区间。假设图像某点3个通道像素值为[A1,A2,A3]，A1、A2、A3∈[1,4],则该点量化后的值为：
A=16×(A1-1)+4×(A2-1)+A3 式3.9
②：量化颜色空间后，像素将被划分为边界像素或者内部像素。像素被划分为边界像素
的条件：像素本身是属于图像边界像素或者像素的四个邻域（上、下、左、右）至少存在一个与之不同像素值的像素。
③：当像素被划分为边界像素或者内部像素后，由边界像素计算出一个直方图，再由内
部像素计算出一个直方图。每个直方图都是64维的。再将直方图的值量化为[0-255]。
一种比较直方图之间距离的新方法（对数距离）：
之前在提取颜色一致性矢量的时，我们比较两幅图像直方图之间距离，是采用L2距离，如式3.1所示。这种计算距离的方式可能存在一个问题。考虑某一副图像，其背景像素存在很强的一致性（这样使得直方图某一像素值空间的值很大），而另一副图像背景像素同样存在的很强的一致性，但像素值与第一副不同。他们的前景都是同一类物体，如果用矢量距离（L1距离或者L2距离）来比较两幅直方图，将使得距离值非常大，导致误判。
使用对数距离可以避免这一问题，而且可以降低特征维数。对数距离的定义如式3.10所示。
- 26 -