旋转与缩放不变的纹理不变量研究

论文摘要

基于内容的图像检索是当前多媒体技术和人工智能的热点课题之一,它直接对图像内容(如图像的颜色、形状、纹理、背景等)进行分析,并对图像特征进行合理的描述,使得检索与分类过程更加有效,更能适应人的视觉特征。纹理是基于内容的图像检索的重要研究内容之一,纹理的某些不变特征被用于图像的检索与分类,也是提高检索和分类效率的一种重要技术。纹理不变量也是纹理分析和分类的重要研究方向,在许多计算机图像分析应用中占有重要地位,如图像分割、模式识别、形状分析、纹理合成和图像压缩等等。本文对纹理进行了全面的综述,从不同方面总结了纹理图像的定义,概述了纹理分类分析的研究现状,介绍了几种通用的和最新的研究方法,主要包括:基于算子的图像特征提取、基于统计方法的特征提取、基于模型方法的分类分析技术(分形模型、随机场模型)、基于纹理结构的特征提取及分类分析方法、以及基于空频域特征的分类分析技术(小波技术)。本文在当前纹理分类分析研究的基础上,提出了以下两种方法并成功地对纹理图像进行了分类:(1)我们注意到大自然的分形特征能在很大程度上反映纹理的结构的复杂性,但是单独使用分形维数去理解纹理图像存在很大的缺陷,分类效果不佳。其原因是分形维数仅仅给出了表面粗糟程度的数字度量,这并不能充分的表征一个曲面,因此我们将统计模型与分形模型相结合,把分形维数与两个统计量组成一个特征不变量,进行纹理分类,并且这种结合不但很有几何意义,而且分类效果较其他文献得到很大提高。(2)图像Radon变换后,其不同方向上的统计信息能够保持图像的特性,而Radon变换对图像中亮度的敏感性能检测到图像中的主要直线。我们将该统计信息用小波进行分析后,构造了另一个具有旋转与缩放不变性质的不变量,并利用该不变量成功地进行了纹理分类。通过与其他文献的比较,该方法的效率更高,分类效果更好。

论文目录

• 中文摘要
• 英文摘要
• 第1章 前言
• 1.1 课题来源、提出背景及意义
• 1.2 研究现状
• 1.3 主要研究内容
• 1.4 论文组织机构
• 第2章 纹理分析及其相关技术
• 2.1 纹理的经典定义
• 2.2 纹理分析的研究内容
• 2.2.1 基于统计的方法
• 2.2.2 基于结构的方法
• 2.2.3 基于模型的方法
• 2.3 分形技术
• 2.4 小波
• 2.5 Radon变换
• 2.6 小结
• 第3章 基于分形和统计的纹理不变量
• 3.1 纹理图像分形维数的计算
• 3.2 旋转与尺度不变量的构建
• 3.3 算法
• 3.4 试验结果分析
• 3.4.1 试验分析
• 3.4.2 结果分析
• 3.4.3 结果比较
• 3.5 小结
• 第4章 基于Radon变换和小波变换的纹理不变量
• 4.1 旋转不变性
• 4.2 缩放不变性
• 4.3 旋转和缩放不变量的构造与算法实现
• 4.4 试验结果分析
• 4.4.1 样本的选取
• 4.4.2 投影角度范围、小波基及分类器的选择
• 4.4.3 插值方法的影响
• 4.4.4 方法的比较
• 4.5 小结
• 第5章 总结与展望
• 参考文献
• 致谢
• 个人简历、在学期间的研究成果