梅浪奇 郭建明 劉 清

（武漢理工大學(xué)自動(dòng)化學(xué)院 武漢430070）

0 引 言

人們對(duì)圖像的認(rèn)知主要來(lái)自于圖像的紋理，顏色和形狀。作為圖像的基本屬性之一，紋理廣泛存在于各種自然圖像和人工合成圖像中，是人們識(shí)別和區(qū)分各種圖像的重要依據(jù)［1］。紋理分析技術(shù)主要應(yīng)用在圖像識(shí)別、圖像分類、圖像檢索、圖像分割與合成等領(lǐng)域，這些應(yīng)用的前提條件就是紋理特征的提取。正因?yàn)榇耍绾慰焖俣行У靥崛〖y理特征并以之來(lái)描述圖像已成為國(guó)內(nèi)外研究者的熱點(diǎn)方向。

近半個(gè)世紀(jì)以來(lái)，在各種應(yīng)用中，不同國(guó)家的研究人員已經(jīng)提出了多種紋理特征提取方法。其中較為著名的有灰度共生矩陣（gray level co-occurrence matrix，GLCM）算法［2］、馬爾可夫隨機(jī)場(chǎng)（Markov random field，MRF）模型算法［3］、小波變換 （discrete wavelet transform，DWT）算法［4］、局部二值模式（local binary pattern，LBP）算法［5］等。雖然人們相繼提出了各種不同的紋理提取方法，但由于理論與實(shí)際的脫節(jié)，研究者至今仍然不能找到1種有效的且實(shí)用性強(qiáng)的紋理特征提取方法。

目前，人們一方面是對(duì)新的方法進(jìn)行努力探索，另一方面對(duì)已有的經(jīng)典方法進(jìn)行交叉融合［6］，重點(diǎn)研究紋理特征的旋轉(zhuǎn)不變特性和尺度不變特性。Clausi等［7］提出了1種融合Gabor濾波和GLCM的紋理特征提取算法，能夠?qū)abor濾波器對(duì)中低頻紋理信息的捕獲能力與GLCM對(duì)紋理高頻信息的捕獲能力結(jié)合而在一起，產(chǎn)生較高的特征空間分離并增強(qiáng)紋理識(shí)別能力。Acqua等［8］融合了多尺度GLCM方法和半方差圖方法，主要用于對(duì)雷達(dá)圖像進(jìn)行分類。同年，薄華等［9］結(jié)合馬爾可夫鏈的性質(zhì)，從理論上證明了GLCM的計(jì)算結(jié)果，當(dāng)像素距離足夠大時(shí)趨于一致性，為GLCM中的參數(shù)簡(jiǎn)化提供了理論依據(jù)。為解決LBP算法忽略了局部紋理之間相互聯(lián)系得問(wèn)題，徐少平等［10］于2013年提取了1種基于LBP值對(duì)空間統(tǒng)計(jì)特征構(gòu)建的改進(jìn)紋理描述符ILBP（imporve LBP），融合了 LBP 算法和 GLCM 算法，并有效地提高了圖像分類的正確率。

針對(duì)現(xiàn)階段紋理特征提取方法缺乏實(shí)用性和穩(wěn)健性的特點(diǎn)，筆者通過(guò)對(duì)GLCM算法，LBP算法，DWT算法等不同的紋理特征提取方法的分析比較，對(duì)圖像檢索的反復(fù)實(shí)驗(yàn)，提出了1種基于多特征的紋理特征提取算法。實(shí)驗(yàn)表明，該方法對(duì)圖像紋理的描述能力更強(qiáng)，并具有一定的普適性。

1 相關(guān)工作介紹

1.1 GLCM算法

GLCM算法是由Haralick等在19世紀(jì)70年代提出，反映了圖像灰度分布關(guān)于方向、變化幅度和局部鄰域的綜合信息。

設(shè)f（x，y）為圖像在坐標(biāo)（x，y）處的像素點(diǎn)所對(duì)應(yīng)的灰度值，M，N分別為圖像某一鄰域的行、列維數(shù)。則灰度共生矩陣定義為在圖像區(qū)域M×N范圍內(nèi)，由2個(gè)距離為d且方向?yàn)棣鹊南袼亟M成的像素對(duì)在圖像中出現(xiàn)的概率，一般記為p（i，j；d，θ）。若設(shè)像素對(duì)分別為f（x1，y1）＝i和f（x2，y2）＝j(luò)，則有

式中：card｛｝為集合中的元素?cái)?shù)目。通過(guò)改變距離d和角度θ，可以統(tǒng)計(jì)不同空間位置的像素對(duì)。

灰度共生矩陣已經(jīng)包含了圖像的紋理信息，但由于其數(shù)據(jù)過(guò)多，不利于作為紋理特征。研究者們常常是在其基礎(chǔ)上進(jìn)一步獲取二次統(tǒng)計(jì)量，并以之作為圖像的紋理特征參數(shù)。常用的二次統(tǒng)計(jì)量有角二階矩、對(duì)比度、熵和相關(guān)性［11］。

考慮到圖像紋理的灰度共生矩陣多為稀疏矩陣，為了減少 GLCM 的計(jì)算量，Unser［12］提出了和差統(tǒng)計(jì)法。與灰度共生矩陣不同的是，和差統(tǒng)計(jì)法不再用二維向量來(lái)表示紋理特征參數(shù)，而是用2個(gè)一維向量代替，這2個(gè)一維向量分別為原矩陣的和向量與差向量。和差統(tǒng)計(jì)法能將計(jì)算復(fù)雜度從原來(lái)的ο（L2）變?yōu)榱甩希↙）?；叶燃?jí)L越大，這種計(jì)算優(yōu)勢(shì)越明顯。

由灰度共生矩陣的定義可知其有4個(gè)變量：移動(dòng)窗口的大小M×M、灰度級(jí)L、像素對(duì)方向θ和距離d。通常θ是取0°，45°，90°，135°這4個(gè)值，得到特征參數(shù)后再求平均。而d、M和L的取值則應(yīng)視實(shí)際紋理圖像而定。筆者通過(guò)大量的實(shí)驗(yàn)，研究了ASM、CON、COR和ENT隨d、M、L這3個(gè)變量的變化規(guī)律，獲得各變量取值的經(jīng)驗(yàn)區(qū)間和一般原則，見(jiàn)表1［13］。

表1 GLCM中各變量取值的經(jīng)驗(yàn)區(qū)間和一般原則Tab.1 Experiential interval and general principles of the value of each variables in GLCM

1.2 LBP算法

LBP算法最初是由Ojala等［14］提出并用來(lái)輔助性的度量圖像紋理的局部對(duì)比度，它是1種基于灰度的紋理度量。該算法的基本原理是：對(duì)于原圖像的1個(gè)3×3的窗口，以中心像素為閾值并與其鄰域像素進(jìn)行比較，如果鄰域像素值比中心像素值大，則將該鄰域像素點(diǎn)賦值為1，否則賦值為0；最后給閾值處理后的鄰域的每1個(gè)像素點(diǎn)賦1個(gè)權(quán)重，按權(quán)重累加得到中心像素的LBP碼值并用此值來(lái)表示局部紋理特征。其計(jì)算過(guò)程見(jiàn)圖1。

圖1 LBP基本原理Fig.1 The basic principle of LBP

LBP基本原理無(wú)法提取大尺寸圖像紋理的特征。為了解決這個(gè)問(wèn)題，Ojala等［15］提出了用圓形鄰域（P，R）來(lái)代替原來(lái)的3×3鄰域，其中：P，R分別表示該鄰域中的像素個(gè)數(shù)和半徑，通常記作LBPP，R。鄰域的像素點(diǎn)通常是在圓形鄰域的邊緣上均勻取點(diǎn)。常見(jiàn)的 LBP算子有LBP8，1，LBP16，2和 LBP24，3。

給定1個(gè)圖像局部區(qū)域，計(jì)算出該局部區(qū)域內(nèi)每1個(gè)像素點(diǎn)的LBP碼，繼而得到該局部區(qū)域的紋理特征分布圖，統(tǒng)計(jì)其LBP值的直方圖就可以得到該局部的紋理特征。

LBP算法最大的特點(diǎn)是計(jì)算復(fù)雜度小，并且對(duì)紋理細(xì)節(jié)描述能力很強(qiáng)。盡管如此，LBP理論在實(shí)際應(yīng)用中仍然存在諸多問(wèn)題，主要表現(xiàn)為特征模式過(guò)多，對(duì)圖像幾何變化魯棒性差且忽略了局部紋理之間的相互聯(lián)系。

針對(duì)于特征模式過(guò)多的問(wèn)題，Ojala等提出了統(tǒng)一模式的LBP算法。當(dāng)P為8時(shí)，LBP的特征模式個(gè)數(shù)由原來(lái)的256減少為59，減少了近77%。為了使LBP同時(shí)具有旋轉(zhuǎn)不變性，Ojala進(jìn)一步提出了旋轉(zhuǎn)不變的統(tǒng)一LBP算法，當(dāng)P為8時(shí)，LBP由原來(lái)的256種減少為10種，減少了近96%的特征模式。

針對(duì)于LBP算法忽略了局部紋理之間的相互聯(lián)系的問(wèn)題，徐少平等人提出了ILBP算法，在該方法中紋理特征的描述符不再采用為圖像中所有像素點(diǎn)的LBP值建立的直方圖的方式實(shí)現(xiàn)對(duì)圖像的刻畫(huà)，而是從一定角度、偏移距離的相鄰LBP值對(duì)中提取多個(gè)統(tǒng)計(jì)值并構(gòu)成特征矢量的方式實(shí)現(xiàn)對(duì)圖像描述。具體來(lái)說(shuō)，就是先求出原圖像每個(gè)像素點(diǎn)的LBP，并稱所有LBP值構(gòu)成的圖像為偽圖像，再在此偽圖像的基礎(chǔ)上用GLCM算法計(jì)算各個(gè)二次統(tǒng)計(jì)量作為最后的紋理特征。

1.3 DWT算法

與傅里葉變換不同，小波變換是基于一些小型波，稱為小波，其具有變化的頻率和有限的持續(xù)時(shí)間［16］。小波變換在進(jìn)行圖像處理時(shí)，不僅能反映圖像的頻譜信息，同時(shí)還能反映圖像像素的空間信息。多尺度分析是小波變換的1個(gè)很重要的應(yīng)用。

對(duì)圖像的小波變換就是把圖像f（x，y）從空間Vj＋1投影到空間Vj上，即將圖像縮小了1個(gè)尺度。這樣圖像將會(huì)損失一些信息，若將Vj在Vj＋1上的正交補(bǔ)空間定義為Wj，即

則空間Wj將包含圖像f（x，y）從Vj＋1投影到Vj時(shí)丟失的所有信息。鑒于此，空間Wj又常稱為尺度j上的細(xì)節(jié)空間?？臻gj上的圖像又可以繼續(xù)地向下1個(gè)尺度投影，即有

式中：j0為任一起始尺度。圖像的紋理特征可以用圖像在每個(gè)分解層上系數(shù)的均值和方差表示。

見(jiàn)圖2（a），若用sym2對(duì)其進(jìn)行2次2尺度分解，則分解后的圖像見(jiàn)圖4（b）。其紋理特征就可用14個(gè)特征分量表示，這14個(gè)分量分別為圖2（b）中7幅圖像灰度值的均值和方差。

圖2 二尺度DWTFig.2 Two-scale DWT

2 基于多特征的紋理特征提取

GLCM算法是統(tǒng)計(jì)紋理中某1像素對(duì)出現(xiàn)的概率，包含了紋理的整體信息，適用于描述大而疏的紋理；LBP算法是統(tǒng)計(jì)紋理各個(gè)LBP模式的直方圖，紋理細(xì)節(jié)信息豐富，適用于描述小而密的紋理；DWT算法則能對(duì)紋理進(jìn)行多尺度分析，對(duì)圖像的尺寸變化不敏感，具有較好的尺度不變性。為了能兼顧各算法的優(yōu)點(diǎn)，筆者提出了1種基于多特征的紋理特征提取算法，將GLCM算法、LBP算法以及DWT算法提取的特征參數(shù)合為一個(gè)向量，并以此作為最終的特征向量來(lái)描述圖像的紋理，其維數(shù)是3種算法的維數(shù)之和。

設(shè)GLCM算法提取的特征向量為

式中：m為GLCM算法提取的特征維數(shù)，設(shè)旋轉(zhuǎn)不變的統(tǒng)一LBP算法提取的特征向量為

式中：n為旋轉(zhuǎn)不變的統(tǒng)一LBP算法提取的特征維數(shù)。設(shè)DWT算法提取的特征的特征向量為

則融合GLCM算法、LBP算法和DWT算法的特征向量為

其維數(shù)為（m＋n＋t）。

2.1 高斯歸一化

由于特征向量的各個(gè)特征分量的取值范圍以及物理含義不同，在進(jìn)行圖像檢索之前還需要對(duì)其進(jìn)行內(nèi)部歸一化。各種歸一化中應(yīng)用最為成熟的是高斯歸一化，其特點(diǎn)是少量邊界點(diǎn)的值基本不影響歸一化后各參數(shù)值的分布，本文將采用這種方法［17］。

設(shè)圖像紋理的N維特征向量為F＝［f1，f2，…，fN］，圖像庫(kù)中的M 幅圖像分別表示為I1，I2，…，IM，則圖像Ii對(duì)應(yīng)的特征向量就可以記為F＝ ［fi1，fi2，…，fiN］。按這種表示方法就可以將圖像庫(kù)中的M幅圖像各自的特征參數(shù)表示成1個(gè)二維M×N 矩陣F ＝ ｛fi，j｝.其中：fi，j為第i幅圖像的第j個(gè)特征元素。然后計(jì)算每1個(gè)特征參數(shù)fj的均值μj和標(biāo)準(zhǔn)差δj，再根據(jù)式（8）就可以將原特征向量歸一化成N（0，1）分布的向量。

如果在歸一化用3δj代替δj進(jìn)行，則特征參數(shù)fi，j的值將以99%的概率落在區(qū)間［－1，1］上。在實(shí)際應(yīng)用中，通?？蓪w一化后大于1的特征值定義為1，并將小于－1的特征值定義為－1，這樣就可以保證歸一化后所有的特征值都落在區(qū)間［－1，1］上。

2.2 相似性度量

在基于內(nèi)容的圖像檢索過(guò)程中，通常是通過(guò)特征的相似性度量來(lái)實(shí)現(xiàn)對(duì)圖像特征的匹配。這種相似性度量就是用某種相似性準(zhǔn)則計(jì)算兩幅圖像紋理特征之間的距離，然后根據(jù)距離的大小判斷檢索圖像和目標(biāo)圖像間的相似程度。相似性度量與特征提取一樣，它的合適與否將直接影響著圖像檢索的效果。

設(shè)2幅圖像的特征向量分別為x＝（x1，x2，…，xn）與y＝ （y1，y2，…，yn），則常用的相似性度量方法有以下幾種［18］。

街區(qū)距離。

歐式距離。

LP范數(shù)距離。

馬氏距離。

在這些相似性度量中，馬氏距離能夠考慮各特征向量的權(quán)重，這使得其在有些時(shí)候有較強(qiáng)的紋理特征匹配能力，適用于計(jì)算自回歸紋理特征的相似度，它的不足之處是計(jì)算量大。相比而言，LP范數(shù)距離的計(jì)算量就要小得多，且也具有較高的紋理特征匹配能力。當(dāng)LP范數(shù)距離中的P＝1時(shí)，LP范數(shù)距離就是街區(qū)距離；當(dāng)P＝2時(shí)，就是街區(qū)距離。街區(qū)距離和歐式距離一般用于紋理特征向量的各個(gè)分量正交無(wú)關(guān)且權(quán)重相同的場(chǎng)合，這兩種方法計(jì)算簡(jiǎn)單，在相似性度量中被廣泛地使用。由于本文的紋理特征向量已經(jīng)進(jìn)行了高斯歸一化，各個(gè)特征分量的權(quán)重相同，所以本文的相似性度量選擇街區(qū)距離和歐式距離

實(shí)際應(yīng)用中，1幅紋理圖像或是整體突出，或是細(xì)節(jié)突出，其尺度變化也不盡相同。若對(duì)各分量的貢獻(xiàn)不加以區(qū)分而統(tǒng)一賦以相同的權(quán)重，最后檢索的效果難以達(dá)到最優(yōu)。考慮到這一點(diǎn)，本文先分別計(jì)算GLCM算法、LBP算法以及DWT算法對(duì)應(yīng)的歐式距離，再進(jìn)行權(quán)重相加。即

式中：D1、D2和D3分別為GLCM算法、LBP算法以及DWT算法對(duì)應(yīng)的歐式距離，w1、w2和w3分別是與之相對(duì)應(yīng)的權(quán)重，滿足w1＋w2＋w3＝1。

2.3 權(quán)重配置

關(guān)于權(quán)重的配置，可以采用經(jīng)驗(yàn)調(diào)試法。調(diào)試的依據(jù)是各方法識(shí)別紋理的側(cè)重點(diǎn)：GLCM算法側(cè)重于紋理的整體，LBP側(cè)重于紋理的細(xì)節(jié)，而DWT則側(cè)重于紋理的尺度變化。這種配置方法能夠粗略地給出各個(gè)權(quán)重系數(shù)，但其也存在一定的缺陷，如所需調(diào)試次數(shù)過(guò)多，配置的權(quán)重系數(shù)只能達(dá)到局部最優(yōu)。

調(diào)試時(shí)采用的權(quán)重初值可以根據(jù)GLCM，LBP和DWT 3種基本算法單獨(dú)使用時(shí)，檢索的精度確定。若單獨(dú)使用時(shí)，GLCM算法檢索的精度為p1，LBP算法檢索的精度為p2，DWT算法檢索的精度為p3，則3種算法的權(quán)重年初值可以確定為w1＝p1／（p1＋p2＋p3），w1＝p2／（p1＋p2＋p3），w1＝p1／（p1＋p2＋p3）。

3 圖像檢索結(jié)果與分析

本文的檢索圖像庫(kù)采用Corel圖像庫(kù)，該庫(kù)中有1 000幅圖像，分為了10類，其中部分圖像見(jiàn)圖3。每次檢索返回20幅檢索圖像，并用查準(zhǔn)率Pk來(lái)反映檢索結(jié)果的準(zhǔn)確性，以比較各算法提取的特征對(duì)紋理的描述能力。式（14）為Pk的定義［19］。

圖3 Corel圖像庫(kù)中的部分圖像Fig.3 Portion of the image in Corel image library

經(jīng)過(guò)調(diào)試，在GLCM算法中，選擇像素對(duì)距離d為1，灰度級(jí)L為64，窗口大小M×N為圖像的尺寸，此時(shí)針對(duì)于Corel庫(kù)的檢索的效果最好；同時(shí)為了使用和差統(tǒng)計(jì)法，特征參數(shù)選用角二階矩、對(duì)比度、相關(guān)性和熵。在LBP算法中，選用旋轉(zhuǎn)不變的統(tǒng)一LBP算法。在DWT中，采用2階一維對(duì)稱小波sym2，并對(duì)圖像進(jìn)行3層小波分解。

3.1 Corel庫(kù)檢索實(shí)驗(yàn)

在Corel圖像庫(kù)的10類圖像中，每1類都隨機(jī)取10幅圖像，分別對(duì)這100幅圖像采用GLCM算法、LBP算法、DWT算法、ILBP算法以及本文算法（記為G＿L＿D）進(jìn)行圖像檢索實(shí)驗(yàn)。分別采用歐式距離和街區(qū)距離計(jì)算每1種算法下檢索的平均查準(zhǔn)率以及該算法下每1類圖像檢索的平均查準(zhǔn)率，其結(jié)果見(jiàn)表2和表3。其中G＿L＿D＿0為未加權(quán)時(shí)的多特征組合算法；G＿L＿D算法在歐式距離下的權(quán)重配置為w1（GLCM）＝0.33，w2（LBP）＝0.55，w3（DWT）＝0.12；在街區(qū)距離下的權(quán)重配置為w1＝0.56，w2＝0.30，w3＝0.14。

觀察表2和表3可知，在街區(qū)距離下的各算法的平均查準(zhǔn)率幾乎都要高于歐式距離下的平均查準(zhǔn)率率。尤其是在本文的G＿L＿D算法下，采用街區(qū)距離對(duì)各類圖像檢索的查準(zhǔn)率都要高于歐式距離下查準(zhǔn)率，其平均查準(zhǔn)率提高了2%（查準(zhǔn)率提高5%表示在檢索的20幅圖像中能多得到一幅正確的圖像），這表明采用街區(qū)距離更適用于本算法做圖像檢索。實(shí)際上，與歐式距離相比，街區(qū)距離能降低個(gè)別較大的特征分量對(duì)檢索結(jié)果的影響，使其他的特征分量的作用能更充分地發(fā)揮出來(lái)。

表2 Corel庫(kù)中各算法在歐式距離下的平均查準(zhǔn)率Tab.2 Average precision of each method in Corel image library used Euclidean distance

表3 Corel庫(kù)中各算法在街區(qū)距離下的平均查準(zhǔn)率Tab.3 Average precision of each method in Corel image library used Cityblock distance

進(jìn)一步觀察表3可知，G＿L＿D算法的平均查準(zhǔn)率比GLCM算法高20%、比LBP算法高9%，比DWT算法高10%，比ILBP算法高15%，比G＿L＿D＿0算法高2%。這表明在實(shí)際做圖像檢索過(guò)程中，在返回的20幅圖像中，本文提出的多特征融合算法能比GLCM算法平均多得到4幅正確圖像，比LBP算法和DWT算法多得到2幅正確圖像，比ILBP算法多得到3幅正確圖像，對(duì)圖像的檢索效果有了明顯的改善。需要注意的是，在使用徐少平等人提出的ILBP算法做圖像檢索實(shí)驗(yàn)時(shí)，檢索效果并不理想，檢索的平均查準(zhǔn)率介于GLCM算法和LBP算法之間，并遠(yuǎn)低于本文的G＿L＿D算法。這主要是因?yàn)镮LBP算法雖然對(duì)圖像像素空間位置的描述有所改善，但是卻丟失了大量的細(xì)節(jié)信息，在圖像檢索時(shí)容易與其他類的圖像混淆，檢索效果不佳。通過(guò)與G＿L＿D＿0算法檢索結(jié)果的對(duì)比可以發(fā)現(xiàn)，在多特征組合時(shí)，如果為每1種基本算法賦以1個(gè)合適的權(quán)重，檢索效果將得到進(jìn)一步的提高。

由表3還可以發(fā)現(xiàn)，在檢索海灘、恐龍、馬匹等紋理大而疏的圖像時(shí)，GLCM算法的查準(zhǔn)率與LBP算法相當(dāng)；在檢索非洲、公汽、美食等紋理細(xì)而密的圖像時(shí)，LBP算法的查準(zhǔn)率就要遠(yuǎn)高于GLCM算法，其中對(duì)于非洲類圖像提高了29%，對(duì)于公汽類圖像提高了24%，對(duì)于美食類圖像提高了28%。這表明GLCM算法對(duì)圖像整體檢索效果較好，LBP算法則更關(guān)注于圖像的細(xì)節(jié)，與理論分析相符。

3.2 旋轉(zhuǎn)不變性實(shí)驗(yàn)

在前面對(duì)3種基本算法的介紹中，GLCM算法、LBP算法以及DWT算法均具有較好的旋轉(zhuǎn)不變性，則基于它們的多特征融合算法也將具有較好的旋轉(zhuǎn)不變性。為驗(yàn)證這一點(diǎn)，本文也做了相應(yīng)的實(shí)驗(yàn)。在該實(shí)驗(yàn)中，隨機(jī)在Corel圖像庫(kù)的10類圖像中的每1類中取10幅圖像，然后對(duì)這100幅圖像進(jìn)行垂直、水平鏡像，并依次旋轉(zhuǎn)60°，120°，180°，240°和300°，這樣包括處理前圖像，共得到了1個(gè)包含了800幅圖像的庫(kù)。將該圖像庫(kù)稱為Corel＿r庫(kù)并作為系統(tǒng)的檢索庫(kù)，采用街區(qū)距離，計(jì)算不同算法下的平均查準(zhǔn)率如表4所示。其中G＿L＿D的權(quán)重配置為w1＝0.48，w2＝0.27，w3＝0.25。

由表4可見(jiàn)，與表3相比，在圖像旋轉(zhuǎn)或鏡像后，各算法檢索的查準(zhǔn)率并沒(méi)有下降，且普遍高于Corel庫(kù)的準(zhǔn)確率。表明無(wú)論是GLCM算法、LBP算法，DWT算法還是本文的多特征融合算法均具有一定的旋轉(zhuǎn)的不變性。同時(shí)還可以發(fā)現(xiàn)本文的G＿L＿D算法檢索的平均查準(zhǔn)率仍比GLCM算法高18%，比LBP算法高11%，比DWT算法高出12%，比ILBP算法高出19%，進(jìn)一步驗(yàn)證了本文算法對(duì)紋理特征描述的能力。

表4 Corel＿r庫(kù)中各算法的平均查準(zhǔn)率Tab.4 Average precision of each method in Corel＿r image library

3.3 尺度不變性實(shí)驗(yàn)

為了比較各算法的尺度不變性，本文另做了1組實(shí)驗(yàn)，取Corel圖像庫(kù)中每類圖像10幅，得到100幅圖像的基庫(kù)，然后對(duì)這100幅圖像分別放縮0.25倍、0.5倍、1.5倍和2倍，這樣加上原來(lái)的100幅圖像，就得到了1個(gè)包含500幅圖像的庫(kù)，記為Resize庫(kù)。以該庫(kù)為實(shí)驗(yàn)對(duì)象，采用街區(qū)距離，分別計(jì)算不同算法下的平均查準(zhǔn)率見(jiàn)表5。其中G＿L＿D的權(quán)重配置為w1＝0.64，w2＝0.01，w3＝0.35。

表5 Resize庫(kù)中各算法的平均查準(zhǔn)率Tab.5 Average precision of each method in Resize image library

由表5可見(jiàn)，本文的G＿L＿D算法的平均查準(zhǔn)率比GLCM算法提高了9%、比LBP算法提高了18%、比DWT算法提高了5%，比ILBP算法提高了10%。表明本文的多特征融合算法也具有較好的尺度不變性。

3.4 計(jì)算效率實(shí)驗(yàn)

在以上幾個(gè)實(shí)驗(yàn)中，對(duì)各算法的紋理描述能力進(jìn)行了比較。為了更進(jìn)一步比較各算法的優(yōu)劣，本文也對(duì)各算法的計(jì)算效率進(jìn)行了對(duì)比。在該實(shí)驗(yàn)中，比較了各算法提取Corel圖像庫(kù)中1 000幅圖像所需的時(shí)間，實(shí)驗(yàn)結(jié)果見(jiàn)表6。

表6 各方法提取1 000幅圖像所需的時(shí)間Tab.6 Time of extracting 1000images by each method

由表6可見(jiàn)，ILBP算法提取Corel中1 000幅圖像所需的時(shí)間為GLCM算法與LBP算法所需的時(shí)間之和；DWT算法所需的時(shí)間與GLCM算法，LBP算法以及ILBP相比，要高出1個(gè)數(shù)量級(jí)。而本文提出的G＿L＿D算法提取1 000幅Corel圖像所需的時(shí)間則為GLCM算法，LBP算法和DWT算法所需的時(shí)間之和，約8min。這在實(shí)際使用中，尤其是當(dāng)圖像庫(kù)更大時(shí)極為不便。因此在使用本文算法時(shí)，其時(shí)間消耗必須要加以考慮。

4 結(jié)束語(yǔ)

在對(duì)紋理圖像的特征提取中，GLCM算法側(cè)重紋理的整體信息，LBP算法側(cè)重紋理的細(xì)節(jié)信息，DWT算法具有較好的尺度不變性，而筆者提出的基于多特征的紋理特征提取算法則能很好地兼顧前面3種算法的優(yōu)點(diǎn)。通過(guò)權(quán)重的配置，其可以適用于不同的紋理圖像，具有較強(qiáng)的實(shí)用性。最后的圖像檢索實(shí)驗(yàn)進(jìn)一步表明，不僅在紋理描述能力上有了明顯的提高，同時(shí)還具有較好的旋轉(zhuǎn)不變性和尺度不變性。本文算法的不足之處在于需要同時(shí)提取出GLCM算法、LBP算法，以及DWT算法下的紋理特征，計(jì)算所需的時(shí)間為后3種算法所需時(shí)間之和，使算法的實(shí)用性受到了一定的限制。本文下一步工作主要有2個(gè)方面，一是對(duì)GLCM算法，LBP算法以及DWT算法原理做進(jìn)一步分析，研究各特征分量的內(nèi)在聯(lián)系，尋找更簡(jiǎn)潔有效的融合方法，減少算法的計(jì)算量。二是結(jié)合圖像檢索的原理，基于聚類的思想，尋找一種可行性高且適用性強(qiáng)的權(quán)重配置方法。

［1］ 黃明晶，劉 清，熊燕帆，等.面向內(nèi)河霧天圖像的大氣光亮度值估算方法研究［J］.交通信息與安全，2013，31（3）：33-37.HUANG Mingjing，LIU qing，XIONG Yanfan，et al.Atmospheric light estimating algorithm based on inland haze image［J］.Journal of Transportation Information and Safety.2013，31（3）：33-37.（in Chinese）

［2］ HARALICK R M，SHANMUGNM K，DINSTEIN I.Textural features for mageclassification［J］.IEEE Transactions on Systems，Man.And Cybernetics，1973，3（6）：610-621.

［3］ CHEHAPPA R，CHATTERJEE S.Classification of texture using ganssian markov random fields［J］.IEEE Transactions OH Acoustics，Speech.and Signal Processing，1985，33（4）：959-963.

［4］ MALLAT S G.A theory for multiresolution signal decomposition：the wavelet representation［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，1989，11（7）：674-693.

［5］ OJALA T，PIETIKAINEN M，MAENPAA T.Multiresolution gray-scale and rotation Invariant texture analysis with local binary patterns［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2002，24（7）：971-987.

［6］ 劉麗，匡綱要.圖像紋理特征提取方法綜述［J］.中國(guó)圖象圖形學(xué)報(bào)，2009，14（4）：622-635.LIU Li，KUANG Gangyao.Overview of image textural feature extraction methods［J］.Journal of Image and Graphics，2009，14（4）：622-635.（in Chinese）

［7］ CLAUSI D A.DENG H.Design-based texture feature fusion using gabor filters and co-occurrence probabilities［J］.IEEE Transactions on Image Processing，2005，14（7）：925-936.

［8］ ACQUA F D，GAMBA P.TRIANNI G.Semi-automatic choice of scaledependent features for satellite SAR image classification［J］.Pattern Recognition Letters，2006，27（4）：244-251.

［9］ 薄 華，馬縛龍，焦李成.圖像紋理的灰度共生矩陣計(jì)算問(wèn)題的分析［J］.電子學(xué)報(bào)，2006（1）：155-158.BO Hua，MA Fulong，JIAO licheng.Research on computation of GLCM of image texture［J］.Acta Electronica Sinica，2006，34（1）：155-158.（in Chinese）

［10］ 徐少平，劉小平，李春泉，等.基于LBP值對(duì)空間統(tǒng)計(jì)特征的紋理描述符［J］.模式識(shí)別與人工智能，2013（8）：769-776.XU Shaoping，LIU Xiaoping，LI Chunquan，et al.Texture descriptor based on spatial statistical features of local binary pattern code pair［J］.PR＆AL，2013（8）：769-776.（in Chinese）

［11］ 黃 晶.基于分形維度與灰度共生矩陣的圖像分類研究［D］.武漢：武漢理工大學(xué)，2008.HUANG Jing.Image classification based on the fractal dimension and GLCM［D］.Wuhan：Wuhan University of Technology，2008.（in Chinese）

［12］ UNSER M.Sum and difference histograms for texture classification［J］.IEEE Transation on Pattern Analysis and Machine Intelligence，1986，8（1）：118-125.

［13］ 苑麗紅，付 麗，楊 勇，等.灰度共生矩陣提取紋理特征的實(shí)驗(yàn)結(jié)果分析［J］.計(jì)算機(jī)應(yīng)用，2009，29（4）：1018-1021.YUAN Lihong，F(xiàn)U Li，YANG Yong，et al.Analysis of texture feature extracted by gray level co-occurrence matrix［J］.Journal of Computer Applications，2009，29（4）：1018-1021.（in Chinese）

［14］ 宋克臣，顏云輝，陳文輝，等.局部二值模式方法研究與展望［J］.自動(dòng)化學(xué)報(bào)，2013，39（6）：730-744.SONG Kechen，YAN Yunhui，CHEN Wenhui，et al.Research and perspective on local binary pattern［J］.Acta Automatica Sinica，2013，39（6）：730-744.（in Chinese）

［15］ 李 丹.局部二進(jìn)制模式的理論和應(yīng)用問(wèn)題研究［D］.天津：天津理工大學(xué)，2011.LI Dan.Research of theory and application on local binary pattern［D］.Tianjin：Tianjin University of Technology，2011.（in Chinese）

［16］ RAFAEL C.GONZALEZ，RICHARD E.woods.數(shù)字圖像處理［M］.阮秋琦，阮宇智，譯.北京：電子工業(yè)出版社，2007：288-312 Rafael C.Gonzalez，Richard E.woods.Digital Image Processing［M］.Translated by：YUAN Qiuqi，Yuan Yuzhi.Beijing：Publishing House of Electronics Industry，2007：288-312.（in Chinese）

［17］ 安志勇，趙 珊，周麗華.基于形狀和紋理的圖像檢索［J］.計(jì)算機(jī)科學(xué)，2006，33（11）：225-232.AN Zhiyong，ZHAO Shan，ZHOU Lihua.Shapetexture based image retrieval［J］.Computer Science，2006，33（11）：225-232.（in Chinese）

［18］ 楊秀娟.基于紋理特征的圖像檢索研究［D］.西安：西安科技大學(xué)，2009.YANG Xiujuan.Research of image retrieval based on texture［D］.Xi＇an：Xi＇an University of Science and Technology，2009.（in Chinese）

［19］ 張松林.基于紋理特征的圖像檢索方法研究［D］.重慶：重慶大學(xué)，2010.ZHANG Songlin.Research of image retrieval based on texture［D］.Chongqing：Chongqing University，2010.（in Chinese）