资源描述:
《基于garbor小波和统一lbp算子的图像检索方法研究》由会员上传分享,免费在线阅读,更多相关内容在工程资料-天天文库。
1、基于Garbor小波和统一LBP算子的图像检索方法研究长安大学电子与控制工程学院,陕西西安710064摘要:针对图像检索的准确率问题,提出了一种基于颜色和纹理的综合特征提取方法,通过Garbor滤波器组和局部二值(LBP)算子的结合,对图像的纹理特征进行提取,得到纹理特征的直方图,最后再通过夹角余眩计算直方图之间的距离,这种特征提取方法减少了图像中内容的丢失,大大提高了图像检索的准确率。关键词:Garbor滤波器;图像检索;局部二值1引言随着信息化的高速发展,海量的图片文件击现在我们的日常牛活中,面对如此庞大的图片数目,我们都希望出现一种简单快速有效
2、的方法以便快速的提取我们所需要的图像。图像资源管理和检索就变得尤为重要。针对这一问题人们提出了基于内容的图像检索的方法,即CBIR(Content-basedimageretrieval)sdo木文研究的是基于底层纹理的特征提取,利用Garbor小波具有多尺度多方向的特性对图像进行滤波,通过局部二值算了对滤波后的图像进行处理,得到图像纹理特征直方图它是一种近似匹配的方法,这一复杂的过程可通过计算机自动完成,其中不需要人为干预。2.Garbor小波和LBP算法的图像纹理提取2.1Garbor滤波器组小波变化是通过一组滤波器函数和给定的样木进行卷积来表示
3、的,Gabor小波对于图像的边缘敏感,能够提供良好的方向选择和尺度选择特性,而且对于光照变化不敏感,能够提供对光照变化良好的适应性。二维Gabor小波变换是在时频域进行信号分析处理的重要工具,其变换系数有着良好的视觉特性和牛物学背景,因此被广泛应用于图像处理、模式识别等领域。Gabor小波变换具有良好的时频局部化特性。二维Gabor函数有助于增强图像边缘以及峰、谷、脊轮廓等底层图像特征,因此被广泛应用于图像纹理提取。二维Garbor小波定义:其中是与小波频带宽度有关的常数,k为Garbor小波的内核方向,f是频域中的内核间隔因子,图像纹理提取中,选择
4、3个不同方向,3个不同尺度进行采样,取μ{0,1,2}、ν{0,1,2}构成的9个滤波器来进行小波变换。2.2LBP算子LBP(LocalBinaryPatterns),即局部二值模式,它是一种描述图像局部空间结构的非参数算子。其基本思想是使用中心像素的灰度值作为阈值,和它的邻域比较得到二进制码,用来描述局部纹理特征。LBP算子的灰度尺度具有较好的鲁棒性,计算速度快。初期LBP算子是将3×3矩阵中心的灰度值与8个邻域的灰度值进行比较,若周围的像素值大于中心点,则该位置被标记为1,反之,则为0。这样就可以产生8位二进制数,,即共
5、有256种LBP码,LBP码的转换如下:得到的二进制数为00010011,转换为十进制19,LBP的定义:、其中代表33邻域的中心元素,它的像素值为,代表邻域内其他像素的值。是符号函数,定义如下:这种LBP算子做多可以可以产生256维特征向量。为了解决这种问题,对LBP算子扩展为统一模式。所谓的统一模式是指一个二进制序列从0到1或者是从1到0的变换不超过2次,这个二进制数首尾相连,所有8位二进制数中共有58种变化,除了等价模式以外的其它都归为混合类,这样使得特征维数从256维降低到59维,大大的降低了其维数,减少了噪声影响。相比较其他的LBP算子,具
6、有明显的优势。2.3纹理特征提取方法经过Garbor滤波器组(3个尺度,3个方向)对图像进行预处理,得到9张处理后的图像,记为:Gl,G2,…,G9o将进行过Garbor小波变换后的图像分为块,分别提取LBP直方图,在同一个尺度下对每个子块使用LBP均衡模式进行处理,然后提取子块子LBP直方图,最后拼接所有的LBP直方图得到联合直方图GM(M=l,2,…,9),统计得到直方图,该直方图反映了图像纹理特征。下图为结合Garbor小波和LBP算法提取出来的图像纹理特征直方图。3•距离3.3夹角余弦(cosine)几何中夹角余弦一般用来衡量两个向量之间方向
7、差异,在图像处理中借用这一理念来衡量两个样本之间的差异,在A(xl,yl)与B(x2,y2)的二维空间中的夹角余弦公式为:两个n维向量点A(xl,x2,…,xn)和B(yl,y2,…yn)的夹角余弦为:对于这样的两个n维样本点,可以用类似与夹角余弦的概念来衡量它们之间的相似度,即有:夹角余弦的取值范围为[-1,l]o夹角余弦越大表示两个向量的夹角越小,也就是图像的相似度越大,反之亦然。4总结本文对图像纹理特征进行提取,在图像纹理提取中采取了Garbor小波变换和局部二值模式(LBP)相结合的模式,该方法最大的特点就是充分利用了Garbor小波变换的方
8、向性、尺度变换和LBP局部二值的局部纹理描述。减小了在特征提取中图像信息的丢失。大大提高了图像检索的准确度。