第一章绪论
1.1选题背景与意义
图像是人类视觉的基础，是自然景物的客观反映，是人类认识世界和人类本身的重要源泉。伴着到来的信息化多媒体时代，人们不仅仅在工作会接触到越来越多的图像信息，生活中也会接触到大量的信息。据IDC预测，全球的大数据总量在2020年将为40ZB，其中将会有有七成会以图片和视频的形式来进行存储。如何基于内容的图像检索在海量的图像中，找到需要的图像开始被大众所重视，也就是CBIR(Content-based image retrieval)，已经成为现目前的热门话题。
CBIR属于近似匹配科技，包含计算机视觉、图像处置、理解以及数据库等众多行业的研究结构，此处主要特征提取以及索引的创建部分需要让计算机自主进行，防止人工操作的失误。使用者检索的环节通常是供应样例图像(Queryby Example)或叙述草图(Queryby Sketch)，自主抽取此查询图像的特点，之后和信息库内的特点开展对比，且把和查询特点类似的图像回馈给操作者。此类提取主要被划分成低层视觉以及语义内容。因为当前计算机视觉以及图像认知发展能力不高，导致CBIR也不能全面支持针对语义的图像查找，因此当前分析大部分汇聚在完善的检索算法，大多数都是面向低层特征，也就是凭借图像颜色、纹理、形状等特点开展查找[[[]王福斌,李迎燕,刘杰,陈至坤.基于OpenCV的机器视觉图像处理技术实现[J].机械与电子,2010(06).]]。
纹理特征此领域查找的主要特点，根本上就是分析图像临近像素点灰度的空间分布状况。表征了体现了物体表面的具有缓慢变化或者周期性变化的表面结构组织排列属性，是一种反映图像中同质现象的视觉特征。多年来，研究者们建立了许多纹理算法以测量纹理特征。大概可以分为四类：统计分析法，比如，基于灰度共生矩阵的纹理分析法；模型法，比如，联立自回归模型法；频域分析法，比如，基于滤波器变换法；结构分析法，比如，数学形态法。其中，应用最广泛的是统计分析法，也就是马上寻求刻划纹理的特点，通过上述特点或融合其余内容对图像内某部分（而并非某个像素）开展划分。图像局部自相关函数、灰度共生矩阵、灰度游程和分布的多种具体数量，是普遍使用的数字纹理特征。比如灰度共生矩阵使用灰度空间方位表示纹理。因为粗纹理的此类分布伴随距离变化比细纹理更加缓慢，所以上述两个类型具备明显不同的灰度共生矩阵。
近期，纹理特征提取科技开始得到良好的发展发。其他国家大部分技术研究组织也在开展此部分研究，例如MIT视觉纹理分析机构，UC Bekerley纹理测试组织，我国科学院自动化研究所模式辨别重点实验室等。计算机视觉行业主要会议ICCV和CVPR一直保留有关纹理分析的专题讨论会。国内外有关纹理分析的论文逐年增加，说明纹理特征分析是各国研究人员研究的热点。但是由于各种算法都有其优缺点，单一的纹理分算法很难达到满意的效果，所以纹理分析将朝着继续引入新的理论或数学工具分析纹理特征的方向发展。
1.2研究现状与方法
1.2.1研究方法
本文的研究环境是opencv2.4.9构建在Visual stdio2012环境下。研究主要采用试验的方式，采集不同纹理类型的图片，然后根据纹理特征对其进行分类和整理。通过对OpenCV的学习与对纹理特征相关论文的研究，总结现有的几种比较成熟的纹理特征提取算法，并用其中两种提取图像纹理特征。若是条件允许则进一步尝试设计基于纹理特征的图像检索系统。
1.2.2研究现状
OpenCV是目前面向BSD许可（开源）发行的跨领域计算机视觉库，主要使用在Linux、Windows、Android和Mac OS相关系统内。属于轻量级此外效率高——由众多C函数与少部分C++类组成，此外绝壁Python、Ruby、MATLAB等众多接口，可以妥善进行图像处理以及视觉部分通用算法。OpenCV使用C++语言编写，主要接口为C++语言，然而目前也留存众多其他类型的接口[[[]陈胜勇.基于OpenCV的计算机视觉技术实现[M].科学出版社,2008.]]。
本文将介绍图像和纹理的概念，简单阐述几种纹理特征提取算法的原理，并且借助OpenCV，提取出目标图像的纹理特征，以达到通过此次毕业设计初步理解图像纹理特征提取相关算法的目的。
基于内容图像处理（CBIR）
基于内容的图像检索（CBIR）是指根据图像颜色、纹理、形状等视觉特征，从已定的图像库中查找含有特定特征的图像。与传统的图像检索手段不同，它融合了图像理解科技，在传送图像的时候把其主要特征向量也存储到数据库。在开展相关检索活动的时候，对所有确定的关键图，开展图像研究，且选择其具备的特征向量。把上述特征向量与数据库内的特征向量对应起来，依照相似距离大小在图像库中进行搜索就可以得到所需要的检索图了。
CBIR方法利用图像的视觉特性，实现了用图像来检索图像。这比利用传统的文字标注等要有效的多。基于内容的图像检索是根据图像的颜色、形状、纹理等特征以及这些特征的组合来查询图像的，这是计算机图像处理和数据库技术的很好的结合。它具有以下几个显著的特征：
（1）主要查找呈现图像内容的多种量化特点；
（2）采用针对相似性度量的近似查找；
（3）大部分使用实例查找QBE方式。
对于基于内容的图像检索有三个关键：一是要选取恰当的图像特征；二是要采取有效的特征提取算法；三是要有准确的特征匹配算法。
图像检索
以内容为基础的图像检索依照图像及其内容语义和上下文关系开展查询，以图像语义特点为条件从图像信息库内寻找到具备类似特点的其余图像。当前逐渐有大量使用在现实环境的此类检索系统，比如由IBM企业涉及的早期商业化QBIC系统，和国外学校研究的WebSeek系统以及Photobook系统等。图像检索的目标是给定一个查询图像，寻找呈现内容相似的一组图像。
本文将设计基于纹理特征的图像检索系统。具体做法是：
1）通过灰度共生矩阵算法得到其纹理特征，并且与目标图像相比对；
2）通过相关的相似性衡量指标，确定两幅图片的相似性，大致检索出与目标图像相似的图像[[[]王慧琴.基于OpenCV的人脸识别的研究[J].长治学院学报,2016(05).]]。
基于内容的图像检索系统具备很大的发展空间，主要是使用在下面多个部分：
1知识产权保护
伴随科技持续进步，知识产权开始被我们所重视，目前盗版科技水平持续提升，工艺品以及商标仿制科技频繁更新，现有的技术保护方式在知识产权保护领域受到限制。商标一般使用图像与文字两部分叙述突出特点。图形标记当前一般使用手工编码形式，上述形式会导致法律问题。所以使用图像检索技术可自主高效的对商标开展查找。
2犯罪和图片过滤
利用人脸辨别科技就能从众多数据库中寻找相应目标，因此具备较高的价值特别是在安全组织，公安组织。在网络发展较快的当前，互联网不和谐图片不断增加，此时可使用此类检索技术开展过滤与查找。
3网上图像搜索和数字图书馆
Internet目前开始进入到一般家庭中，甚至影响到大众日常生活，互联网内不仅包含众多文本内容之外，也存在充足的图像资源让我们使用。全新的网络引擎需要协助使用者从众多不需要的资源内寻找自身所想要的图像，上述引擎需要具备较高的信息匹配效率，高效寻找所需内容。CBIR可以在多媒体数据自动分类方面有很大促进作用[[[]王皖君,程玉柱,李赵春.基于OpenCV的图像处理编程教学模式研究[J],电子世界,2017(17).]]。
4.全新视频服务与图像编辑
以内容为基础的图像检索科技能使用在视频查找中，全新视频功能可以从目前视频内寻找到所需画面，此外自主选择让大众观看与查找，假如使用者需要，也可以利用重要画面进行播放。在虚拟网络应用中，需要独立对图像内的无礼进行精准分割，之后添加到其余环境内。自主分割此外分辨物体具备重要的作用。
第二章纹理分析及纹理特征
2.1纹理
2.1.1纹理定义
纹理没有一个特定的概念。其主要是呈现图像内同质问题的视觉特点，其充分表现出物体表层具备缓慢变化或者周期性变化的表面结构组织排列特点。用户描述对辨别物体来说十分关键重。各类物体是具备多种纹理特点的，其也是导致大众视觉不同的主要因素，还是物体划分和辨别的主要基础。一般来说，构成纹理的基本单元称为纹理基元或纹元（texture element）。
2.1.2纹理特征
纹理特征是目前不依靠颜色或者亮度内容就可以呈现内部同质问题的视觉特点，其主要涵盖物体表层结构组织排列的关键内容，以及与外界环境的关系。我们把纹理特征分为四种类型：（1）统计型纹理特征。统计型纹理特征中以灰度共生矩阵为主，是建立在估计图像的二阶组合条件概率密度基础上的一种方法。（2）模型型纹理特征。模型型纹理特征提取方法主要以随机场方法和分型方法为主。（3）信号处理型纹理特征。该特征主要是利用某种线性变换、滤波器或者滤波器组将纹理转换到变换域，然后应用某能量要求选择纹理特点。（4）结构型纹理特征。指出纹理主要包含众多基元，各类基元的具体方向以及数目影响最终形式[[[]陈美龙,戴声奎.基于GLCM算法的图像纹理特征分析[J].通信技术,2012(02).
以上四种纹理特征的提取方法之间虽然有不同但也是相互有关联的。
2.2纹理特征的表达方法
在之前的五十多年中，大部分专家对纹理开展深入分析，此外试图对此特征提取方式开展划分。到现在出现众多分类方式，普遍使用四种分类方式，接下来我们开展详细的分析和论述，重点对不同提取方式内的特点开展叙述。
2.2.1统计法
统计法一般依照图像邻域像素灰度值的彼此关系和分布情况着手，使用少数统计量表示图像纹理，主要使用纹理的统计特点与规律，重点用来叙述类似大地、气象云图、山川一样详细，然而缺少具体规律的图像纹理。此方式是纹理特征叙述的早期方式，此外主要被使用叙述人工纹理。因此在目前统计时，依照具体数目，将此方式分类成三部分，主要是：一阶与二阶、高阶统计量。
灰度共生矩阵
灰度共生矩阵(GLCM)方式主要是Haralick等专家在二十世纪中后期指出的,目前此方式逐渐被使用在纹理统计中。此方式不只可以呈现图像亮度分布特点，此外也表现出具备类似亮度与亮度的两个像素点在方位上存在的分布状况。一般将条件概率提取纹理当做特征，得到像素级灰度纹理在空间内的彼此关系。通常依照图像像素之间的方向与距离创建矩阵，之后从此阵提取具备价值的统计特征来叙述纹理。由于纹理是临近像素或区域灰度上几何方位等彼此关系的表征，所以统计位于同样位置关系的像素的灰度相关性，就能使用上述像素的某条件概率来代表最终纹理特征。
2.2.2频谱法
频谱法是创建在视频科技和多尺度科技前提下的纹理研究方式，主要使用信号处理等方式，通常利用傅里叶变换把空间域的纹理图像变到频率域内，利用统计峰值处的面积、峰值和原点距离平方、峰值处的相位、不同峰值之间的相角差等得到在空间域不容易得到的纹理特征，比如周期、功率谱内容等。一般来说，傅立叶频谱中突出的峰值对照纹理的主方向内容，峰值在频域平面方位对照周期内容，粗纹理频率分量汇聚在低频区域，细纹理对照高频区域。普遍使用的频谱法一般包含傅立叶功率谱法、Gabor变换等众多方式。
基于滤波的纹理特征提取
之前使用的傅里叶变换只可以叙述所有时段的频谱，而不能得到某个部分谱内容。所以，对于频谱分量伴随时间改变的非平稳内容，此变换方式无法得到效果。一般来说，大部分纹理图像都不是平稳的，为了得到充足的局部频域而，短时傅里叶变换随之出现。其假定在窗函数某个短暂时间内非平稳信号呈现出平稳性，之后利用移动窗函数，统计出多个时间的功率谱。方式目前使用的重要短时傅里叶变换[[[]刘丽,匡纲要.图像纹理特征提取方法综述[J].中国图象图形学报,2009(04)]]。
小波变换被使用在图像纹理研究的主要优势为，其具备尺度特点，其中图像纹理也呈现出此特点，所以从上述层面进行分析此变换方式主要使用在图像纹理研究中。使用函数产生的二维滤波器具备较好的现实功能，此外可以和生物视觉系统相似，其具备容易调谐的方向以及径向频率带宽和融合调谐的中心频率，在时域与频域全部得到较高分辨率。所以滤波可以看作是一种小波变换。
2.2.3模型方法
模型法把纹理基元的分布和数学模型相对照，使用统计、信号研究等知识以及相关方式对纹理模型开展深入研究，进而得到纹理特征。第一使用完善的图像模型来明确纹理的解析模型，之后把所有纹理的解析模型使用相同纹理特征参数集来代表，此部分参数明确具体模型的纹理特征。所以，精准预估模型特征参数集是开展此类纹理研究的核心。普遍使用：小波研究、随机场模型、分形等众多方式。此处，随机场模型对规律非均匀的纹理叙述水平不高。分形法则是上述模型法的一部分，其主要使用分形维数以及孔数来进行叙述。此类方式不只能代表纹理，此外还能合成纹理。接下来大致叙述自回归纹理模型。其是随机场模型的重要使用案例。
2.2.4结构方法
从结构层面研究图像纹理基元的类型以及排列分布特征的方式被叫做结构研究方式。此研究方式通常依照偏心度、面积、方向、矩等诸多特点明确主要基元，之后使用句法模式辨别知识，采用形式语言对纹理排列原则开展叙述。结构方式一般使用在现有基元上，使用形态学、拓扑法、图论等方式叙述纹理基元的几何特点与排列规律。
Tamura纹理特征
根据大众对纹理视觉感知的深入分析结果，Tamura等专家指出纹理特征叙述。Tamura纹理特征的多个分量对照心理学领域内的不同属性，主要是是粗糙度（coarseness）、对比度（contrast）、方向度（directionality）、线像度（linelikeness）、规整度（regularity）和粗略度（roughness）。此处，前几个部分对于图像检索尤其重要。
2.2.5各种方法优缺点比较
纹理特征提取的方法有很多，每种方式都表现出一定的优点和不足。此处灰度直方图的矩方式相对直接清楚，还是发展时间较长的叙述方式，然而灰度直方图的矩方法描述的纹理特征比较单一，所以目前使用此方式并不多。二十世纪中期年,Weszka等专家对比不同方式的优点和不足。指出此方式具备更多的功能，可以被普遍应用。
使用滤波器来研究纹理是目前比较重要的方式,即便能量谱能可以得到纹理内众多高效内容,然而改变窗口大小位置,无法直接得到纹理在频率以及方向上微小变动,无法达到现实使用需求。此外,因为纹理特征选择时一般需要通过众多滤波器构成组,此外也要众多参数的明确,另外滤波在完成上并未寻找到高效算法,因此其需要完成众多统计任务。和其进行比较,小波变换传承与发扬变换,不只时频窗口随意转变,此外窗口外形还能伴随窗口中心频率变动而积极调节。
结构研究方式的主要优势是使用对纹理组成的理解以及高层检索，可以叙述人工规则纹理。对于自然纹理，因为基元原本提取艰难和基元彼此间排布规则不容易使用明确的数学模型叙述，在此部分叙述方式中，结构研究法使用较少或者频繁被当做辅助研究方式。
2.3纹理分析法
2.3.1基于灰度共生矩阵的纹理分析法
使用两个方位的象素联合概率密度来确定共生矩阵，其不只可以呈现亮度分布特点，也表现出具备相同或类似亮度的象素彼此间的位置分布特点，是相关具体亮度变动情况的二阶统计特点。图象的灰度共生矩阵可以表现出灰度具体方向、相邻间隔、变动幅度的整体内容，其是研究图象局部方式与其排列原则的重要条件。
主要算法为：
假定x轴方向像素总数是，y方向则是，为了减少研究大量灰度级的任务量，把图像灰度进行归并，G代表归并之后综合数量，因此最高灰度级是第级，记录：
将图像f诠释成从*到G的主要变换，也就是对*内的所有点，对照某个G灰度。确定方向是，间隔是d的灰度共生矩阵是：
代表矩阵内第i行j列之元素，此处，(i,j)G*G，i，j的距离是d，=0°，45°，90°，135°。在d值不大的时候，对照变化较慢的纹理图像(粗纹理)，其灰度联合概率矩阵对角线处的数值高，侧重于作对角线划分；假如纹理变动明显(细纹理)，此时对角线数值变小，其中对角线两边元素值变大，侧重于匀称划分。
将轴当做起始，逆时针统计，对多种，矩阵元素的概念为
记号#{x}代表集合x元素数。矩阵i行j列元素代表全部方向，临近间隔是d的像素内存在取i值，其次取j值的临近对点数。此时灰度共生矩阵表现出图像灰度有关方向、临近间隔、变动幅度的全部内容，其是研究图像的局部模式以及排列原则的前提。从其着手，就能全面提取叙述所有特点。对式代表的共生矩阵进行正规化处置：
此处R为正规化常数。经过处理之后的特征值表现出较高的纹理分辨率。在选择d=1，=0°时，每行都存在2(−1)个水平临近对点，所以总数是2(−1)水平相邻对点，假如R=2(−1)。此时选择d=1，=45°时，总共2(−1)(−1)相邻对点，假如R=2(−1)(−1)。根据对称性我们就能知道，在=90°与135°时，可知相邻对点数比较明显。记成：
此类共生矩阵检索图像的环节为：
(1)把图像库内全部图像实施灰度量化，从原本的256级变成16级；
(2)创建不同方向上的灰度共生矩阵，主要是水平、垂直、对角线、反对角线，使用数学式表述是0°,45°,90°,135°；
(3)创建特征向量。把上述向量存放在特征矩阵内，此类矩阵每一列是图像内的特征向量，代表图像。此类向量是由图像的多个共生矩阵的不同特征参数的均值与方差所组成；
(4)对特征矩阵实施高斯归一化；
(5)主要环节(1)-(4)统计归一化之后的待查询图像的特征向量；
(6)使用欧氏距离来实施相似度测试，把示例图和特征矩阵内全部向量实施对照。
2.3.2 Tamura纹理分析法
由灰度共生矩阵的统计特性得出的纹理特征和大众视觉感受并未创建紧密关系，Tamura等人指出其具备的主要特点，在一定程度上和大众心理感知相符合，接下来开展详细论述，此处有些部分具备深远的影响。
粗糙度：
对每个像素点计算不同大小窗口的平均强度值，并求不重叠窗口的平均强度差，对每个像素点在若干个窗口中选择一个最优窗口（差值最大）的值作为S best值，求所有S best的平均值。
对比度：
方向度：
其中利用以个方向的卷积模板得到上两每个像素点的和
得到梯度向量的模：
方向：
将其放入对应的k个bin中可以得到梯度方向直方图。
在梯度方向直方图中，由峰值可以得到图像的总体方向
2.3.3基于小波的纹理特征提取
因为小波变换的研发，为图像压缩、传播与研究带来一定的便利。很多专家使用此研究方式代表图像纹理特征，得到较好的成果。1946年专家指出早期利用高斯函数增加频移之后出现的函数。
滤波器组在多分辨率领域内具备明显的优势，目前表示变换在2D测试不准(时间与频率分辨率彼此矛盾的量)时，对信号频率域与空间域可以最优叙述。利用把图像和滤波器卷积就能得出众多滤波图像，不同图像均叙述了相应尺度与相应方向度内的具体内容，因此可利用基于Gabor小波变换来得出不同滤波图像的纹理特征，开展后续检索活动。
Gabor函数主要使用高斯函数，可以在在给定区域内选择相应的频域特征.比较明显的2-D Gabor函数h(x,y)和其傅立叶变换H(u,v)为下述类型:
此处:g(x,y)主要是调制高斯函数;σx与σy在不同坐标轴上的标准方差,其影响滤波器影响范围;W是复正弦函数在横轴内的频率.
把Gabor函数划分成实部hR(x,y)与虚部hI(x,y)两类,使用其滤波得出的图像是：
Gabor小波变换虽然不是正交变换，但是它是对图像紋理特征的较好选择。经过证明，它比用Harr等正交小波提取的图像紋理特征要好。它的运算速度非常快，以根据需要对不同方向和尺度进行紋理的提取，是提取图像紋理特征的常用方法。
第三章图像检索
基于opencv的图像检索（CBIR）是主要涵盖四个时期，主要是：得到图像、选择特征、划分、检索，最后一个时期是我们需要关注的重点：选择怎样的算法去提取怎样的特征，高效且全面开展图像划分和测试。数字图像总共包含三类底层特征，主要是颜色、亮度、纹理，此处第三类特征具备分析价值，由于其不依靠其他部分，因此也可以被当做明显的视觉特点。呈现图像内具体特征反复出现的情况。所以，此类纹理特征提取是目前图像检索领域具备现实意义与理论影响的部分。因此本文重点基于上述纹理特征现状开展深入分析。CBIR基于具体系统使用领域，直接将其划分成：商用、网络以及分析应用系统三部分，接下来进行全面叙述和整理：
1商业用系统
在商用行业内，最初采用基于内容图像检索的企业IBM（世界商用机器企业），其生产出全球知名的产品。主要设计的图像检索系统是图像进库、特征提取、顾客查找等多个方面。顾客可直接使用关键字开展查询，此外也能使用图像其余特征颜色与纹理查询。可以使用众多查询形式，包含人工作图、色彩、纹理、案例图像等。使用模板图像，调色板以及草图查询。Virage企业目前也设计出于内容的检索引擎。一般包含图像研究、对比、管理等多个部分，不仅支持色彩，亮度，也可以开展纹理特征的直接查找，其能被当做插件应用在一般查询行业，还能延伸其功能，使用到其他行业。
2网络应用系统
谷歌实验室设计出全新科技，第一是“Similar Images”(相似图片)，此科技可轻松让我们在谷歌数据库内寻找到和内容相似的图片。第二是“News Timeline”(新闻时间线)，使用者可随意滑动时间框，如同查看报一般查找以往内容。假如使用者查找“ice cube”（冰立方）关键词，那么图片搜索会马上显示冻块与西海岸说唱歌手内容。使用者不需要改变原本搜索内容。当前，谷歌相似图片搜索页面依旧使用，其为使用者所提供的结果和当前标准版大致类似。思考到谷歌实验室的Google Transit（Google Maps具备的公共交通换乘查询业务）和与Google Suggest（搜索建议）产品目前在研究中，所以此实验室会长久留类似似图片。
3研究应用系统
基于内容图像检索一般使用在学校的分析组织，目前被大众多了解的是Photobook、VisualSEEK、MARS。Photobook重点是提取图像形状、纹理和脸部特点，使用者可依照自身需求设置多种查找要求，其具备的人脸辨别逐渐在X军事行业被普遍使用。
VisualSEEK重点将网络当做基础，目前在图书馆内部系统内使用，其通常依照图像色彩、亮度和多种位置开展图像查询。MARS由X伊利诺斯学校研究(Illinois)，主要是计算机信息库，内容查找，视觉等众多现实需求形成的，和其余系统不管在科技层面，还是在研究层面都表现出明显的差异，其主要目标并不是使用单独特征表现图像，主要是通过大部分图像外观特征组成完善的检索体系，进而使用在多个领域内，满足顾客的即时交互需求，也是首个提取relevance系统的分析组织。
第四章提取方法的实现
前边的第二章和第三章对纹理特征相关定义与信息和纹理特征提取的方法进行了描述，在第四章中将从中选择灰度共生矩阵这种方法，结合具体的实例进行实现，将从提取出的值结合纹理特征进行分析。
灰度共生矩阵的特征提取算法
以下是基于灰度共生矩阵的过程结果：
本章主要展示主代码，
主代码：
由上边提取出的特征值可得出：
（1）图像B的纹理最粗，能量最大；图像C的纹理最细，能量最小；
（2）图像C的熵最大，所以纹理最复杂；图像A的熵较小，所以图像中灰度均匀，共生矩阵中元素大小差异大；
（3）图像A纹理的沟纹深，对比度大，效果清晰；图像D对比度小，纹理的沟纹浅，效果模糊；
第五章工作结论与展望
现在时代随着计算机网络的迅速发展，云计算、物联网的发展速度也是越来越快，数字图像技术也是得到了广泛应用。对大规模图像数据库、多媒体信息的有效管理和分类检索已经成为了现目前图像处理领域最需要解决的问题之一，图像的纹理特征提取以及根据提取出来的纹理特征对图像进行检索是解决纹理这一问题的重要方法。
本文在广泛查阅国内外有关基于图像纹理检索技术资料的基础上，论述了目前国内外基于图像纹理特征提取领域的现状和发展趋势。文中以提取图像纹理特征为主线，讨论了基于opencv的图像特征提取方法。
人的感知系统的判断受心理很视觉因素的影响非常大，主观性很强，而图像的检索是通过相似度度量算法来实现的，相似度是度量算法，客观性很强，并且能达到令人满意的检索结果。又因为图像的特征提取是图像检索的关键，而图像的特征很复杂，直到现在都没有一个统一的标准来描述图像的特征。研究图像的其它特征提取的算法，如颜色特征、语义特征等充实现在的图像特征研究方法。因为图像特征的综合信息优于单一信息，因此我们也可以综合上面的几种描述方法进行图像特征描述，但是方法的综合需要很多关键技术进行协调，不同特征占特征总量的权值不同，因此进一步提高综合特征描述技术的性能是以后研究的方向之一。
参考文献
[1]王福斌,李迎燕,刘杰,陈至坤.基于OpenCV的机器视觉图像处理技术实现[J].机械与电子,2010(06).
[2]陈胜勇.基于OpenCV的计算机视觉技术实现[M].科学出版社,2008.
[3]王慧琴.基于OpenCV的人脸识别的研究[J].长治学院学报,2016(05).
[4]王皖君,程玉柱,李赵春.基于OpenCV的图像处理编程教学模式研究[J],电子世界,2017(17).
[5]陈美龙,戴声奎.基于GLCM算法的图像纹理特征分析[J].通信技术,2012(02).
[6]刘丽,匡纲要.图像纹理特征提取方法综述[J].中国图象图形学报,2009(04)
[1]M.Simard,G.Degrandi,K.P.B.Thomson.Adaptation of the Wavelet Transform for the Construction of Multiscale Texture Maps of SAR Images.Canadian Journal of Remote Sensing,Sep.1998,24(3):264-285.
[2]K.Chang,A.Hsu.Image information systems:where do we go from here?IEEE Trans.on Image Processing,Vol.2,No.4,PP.429-441,Oct.1993.
[3]Hursehka,Harald,Natter,Martin.Comparing performance of feed forward neural nets and K-menas of cluster based market segmentation.European Journal of Operational Research.Volume:114,Issue:2,April16,1999,pp:346-353.
[4]Gehrke,Ramakrishnan R,Ganti V.Rainforest:A framework for fast decision tree construction of large dataset[A].Proc.Ini.ConfVLDB’98[C].NewYork:Aug,1998:416-27.
[5]Bosch A,Zisserman A,Xavier Mun.Scene Classification Using a Hybrid Generative/Discriminative Approach.IEEE Transactions on Pattern Analysis and Machine Intelligence,2008,30(4):712–727.
[6]Ibrahim Kushehu.Genetic Programming and Evolution Generalization[J].IEEE Trans.ON Evolutionary Computation,VOL.6,Oct.2002.
[7]Opelt A,Fussenegger M,Pinz A,etc.Weak Hypotheses and Boosting for Generic Object Detection and Recognition.2004.Vol II:71-84.
[8]Olivier Chapelle,Patrick Haffner,Vladimir N.Vapnik.Support vector machines for histogram based image classification.IEEE Transaction on Neural Networks,1999,10(5):1055-1064。
[9]Haralick,R.M.,Shanmugam,K.,Dinstein,I.Texture features for image classification.IEEE Transactions on Systems,Man and Cybernetics,1973,3(6),610-621.
[10]W.Equitz,W.Niblack.Retrieving Images from a Database Using Texture-Algorithms from the QBIC System.Technical Report.RJ 9805,Computer Science,IBM Research Report,1994.
[11]Tao Dacheng,Li Xuelong,etc.A Set of Novel Textural Features Based on 3D Co-occurrence Matrix for Content-based Image Retrieval.International Conference on Information Fusion,2002,2:1403-1407.
[12]M.Reed,Y.Zeevi.Localized Texture Processing in Vision:Analysis and Synthesis in Gaborian Space.IEEE Trans.on Biomedical Engineering,1989,36(1):115-129.
[13]Smith J R,Chang S F.Transform Feature for Texture Classification and Discrimination in Large Image Database.In Proc of IEEE Int’1 Conf on Image Processing.Austin,Texas,1994.
[14]赵健,张文军.一种有效的基于小波帧变换包的纹理分类方法.计算机辅助设计与图形学学报,1997,9(6):520-526.
[15]K.S.Thyagarajan,Tom Nguyen,Charles Persons.A Maximum Likelihood Approach to Texture Classification Using Wavelet Transform.In Proc.IEEE Int.Conf.on Image Processing,1994:640-644.
[16]Joan Weszka,Charles Dyer,Azeril Rosenfield.A Comparative Study of Texture Measures for Terrain Classification.IEEE Trans.On Systems,Man,and Cybernetics,1976,SMC-6(4):269~285.
[17]W.Y.Ma,B.S.Manjunath.A Comparison of Wavelet Transform Features for Texture Image Annotation.In Proc.IEEE Int.Conf.On Image Proc.1995,2:256-259.
[18]A.P.Pentland.Fractal-Based Description of Natural Scenes.IEEE Trans.Pattern Recognition and Machine Intelligence,1984,6(6):661-674.[1]刘晓民．纹理研究综述[J]．计算机应用研究，2008，25(8)：2284-2288．
[19]John R Smith,Shih-Fu Chang.Automated binary texture feature sets for image retrieval.IEEE International Conference on Acoustics,Speech and Signal Processing,1996 4:2239-2242.
[20]Robert M.Haralick,K.Shanmugam.Texture features for image classification.IEEE Transactions On System,Man and Cybernetics,1973,3(6):610-621.
[21]刘丽，匡纲要．图像纹理特征提取方法综述[J]．中国图象图形学报，2009，4：622-633．
[22]薄华，马缚龙，焦李成．图像纹理的灰度共生矩阵计算问题的分析[J]．电子学报，2006，34(1)：155-158．
[23]J.Mridula,K.Kumar,D.Patra.Combining GLCM features and Markov random field model for color textured image segmentation.International Conference on Devices and Communications,2011:1-5.
[24]EM Darling,RD Joseph.Pattern recognition from satellite altitudes[J].IEEE Transactions on System,Science,Cybernetics,1968,4(1):38-47.
[25]Bradford,West Yorkshire.Texture classification by matching co-occurrence matrices on statistical manifolds[C].IEEE International Conference on Computer and Information Technology,2010,10th:1-7
[26]BV.Ramana Reddy,M.Radhika Mani,KV.Subbaiah.Texture classification method using wavelet transforms based on gaussian markov random field[J].International Journal of Signal and Image Processing,2010,1(1):35-39.
[27]AP.Pentland.Fractal baaed description of natural scenes[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1984,6(6):661-674.
下载提示：
1、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“文章版权申述”（推荐），也可以打举报电话：18735597641(电话支持时间：9:00-18:30)。
2、网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
3、本站所有内容均由合作方或网友投稿，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务。
原创文章，作者：写文章小能手，如若转载，请注明出处：https://www.447766.cn/chachong/12973.html,
