《基于lbp纹理特征的图像检索系统毕业论文》由会员分享，可在线阅读，更多相关《基于lbp纹理特征的图像检索系统毕业论文（41页珍藏版）》请在金锄头文库上搜索。
1、华侨大学毕业设计（论文）题目：基于LBP纹理特征的图像检索系统 院（系） 计算机科学与技术学院 专 业 软件工程 届 别 2008届 学 号 0825121037 姓 名 指导老师 指导老师职称 副教授 华侨大学教务处印制 2012年5 月华侨大学毕业设计（论文）摘 要随着计算机网络的飞速发展和多媒体编码技术的进步，网络上的资源日益丰富，尤其是直观的形象的多媒体信息备受人们的亲睐基于内容的图像检索，即（CBIR）。CBIR的核心是使用图像的可视特征对图像进行检索。纹理分类与分割是图像处理领域一个经久不衰的热点研究领域,纹理特征提取作为纹理分类与分割的首要问题,一直是人们关注的焦点,各种纹理特征
2、提取方法层出不穷。局部二元模式（LBP）是一种灰度范围内的纹理描述方式，它从一种纹理局部近邻定义中衍生出来。本文实现了恒定的基础局域二值模式和旋转不变的局域二值模式两种纹理特征提取方式。通过LBP纹理图生成灰度直方图，计算灰度直方图之间的欧式距离以完成图像检索比对。本文采用VC+6.0环境下MFC项目导入OpenCV图像处理函数库设计了检索系统实现基于LBP纹理特征的图像检索。在(加利福尼亚理工学院256类图像数据库)及（Queensland大学分类的brodatz自然纹理图像库）下进行测试并对结果进行分析与讨论。关键字： CBIR；LBP特征提取；图像识别ABSTRACTAlong with
3、 the rapid development of the computer network and multimedia code technology progress, the network resources are increasingly rich, particularly intuitive image of the multimedia information is peoples pro-gaze content-based image retrieval, namely (CBIR). The core of the image is used CBIR the vis
4、ual features to do image retrieval. Texture classification and segmentation image processing area is a hot research field of enduring, texture feature extraction and segmentation texture classification as a priority, and has been the focus of attention, all kinds of texture feature extraction method
5、 are endless. Local Binary Patterns is a gray within the scope of the texture description way, it from a different texture Local neighbors in the definition of derivatives. This paper realized the constant based Local Binary Patterns and rotation invariant of Local Binary Patterns two texture featur
6、e extraction method. Through the LBP texture map generating gray-level histogram, calculation of gray histogram Euclidean distance between to complete than image retrieval. This paper using vc + + 6.0 environment MFC project launch OpenCV image processing function library design the retrieval system
7、 based on texture feature LBP image retrieval. In (the California institute of technology 256 kinds of image database) and (Queensland university of classification brodatz natural texture images library) test and the results are analyzed and discussed.keyword: CBIR, LBP feature extraction, image rec
8、ognition目录摘 要IABSTRACTII1 绪论11.1 研究背景11.2 基于内容的图像检索11.2.1 基于内容的图像检索概述11.2.2 基于内容的图像检索体系结构21.2.3 基于内容的图像检索的特点41.2.4 基于内容的图像检索性能评价51.3 图像检索的国内外研究现状61.4 图像检索的优缺点级展望81.5 本论文结构92 基于纹理的图像检索92.1 基于纹理的图像检索92.2.1 发展与现状92.2.2 纹理的定义112.2 局域二值模式122.3 基本LBP132.4 旋转不变LBP142.5 本章小结163 基于LBP的纹理图像检索173.1 开发平台介绍193.2
9、 系统流程图173.3 主要流程解释183.4 图像检索算法183.5 系统实现193.5.1 系统窗口93.5.2 系统主要算法114 实验结果及分析244.1 基于Brodatz纹理图测试194.2 基于Caltech 256类图像数据库纹理图测试174.3 图片旋转检索测试185 结论33参考文献：29致谢词：30IV华侨大学毕业设计（论文）1 绪 论1.1 发展与现状随着互联网技术以及多媒体技术的迅速发展，多媒体数据(包括图像和视频)急剧增长，这为人们提供了一个取之不尽、用之不竭的信息源。而如何在浩如大海的多媒体信息世界中快速、准确得获得自己所需要的内容，己成为当前信息领域的重要课题。
10、图像作为一种内容丰富、表现直观的多媒体信息，具有文字信息所无法替代的丰富内涵和强大的描述能力，长久以来都受到人们的青睐，是日常生活中不可缺少的信息来源。随着科学技术的快速发展，计算机技术、通信技术、多媒体技术的迅速发展以及互联网的普及，多媒体信息源不断扩大，每天都会产生各式各样以千兆字节计数的图像信息。各行各业对图像的使用越来越广泛，研究也越来越深入，比如数字图书馆系统、遥感系统、医学图像管理、商标版权保护等。各种庞大的图像数据库的建立，使得人们对图像信息检索的需求与日俱增。图像信息资源的统筹管理与高效检索显得日益重要。自从上世纪70年代以来，随着计算机视觉和数据库两大研究领域技术的飞速发展，
11、图像检索技术逐渐成为了一个重要而活跃的研究领域。但是，在这个领域仍然有许多技术不够完善或尚待解决。因此，研究此课题既具有重大的意义，同时又面临严峻的挑战。1.2 基于内容的图像检索1.2.1 基于内容的图像检索概述在传统的图像检索中，通常采用的是基于关键字的图像检索技术1。该技术通过提取图像的文件名或者周边文字，建立图像索引。当用户输入关键字进行检索时，系统将输入的关键字与图像索引进行匹配，返回相应的结果该技术也被称为“字找图”。目前，互联网上众多实用化的搜索引擎如百度、Google等采用的就是基于关键字的图像检索。但是，该技术需要大量的人力对图像进行人工标注，并且人工标注无法准确描述蕴藏在图
12、像中的丰富内容，而且还具有一定的主观性。为了弥补传统的图像检索技术的不足，基于内容的图像检索(Content Based ImageRetrieval，CBIR)应运而生2。该技术通过提取图像的低层视觉特征(如颜色、纹理、形状等)，对图像建立索引。用户可通过提供示例图或构造草图、轮廓等多种方式提出查询要求。系统对示例图和图像库中的图像进行匹配，根据相似度的大小决定查询结果的排列顺序。该方法被形象的称为“图找图”。1.2.2 基于内容的图像体系结构一个CBIR系统的基本组成如图11所示系统包括特征提取模块、索引模块、匹配模块以及相关反馈模块。图1.11. 特征提取模块所谓特征提取，就是对图像进行
13、分析，提取出感兴趣的、可以反映图像内容的、并且适合于检索的特征，是CBIR系统的核心内容现有检索系统所提取的内容特征大多包括颜色、纹理、形状、轮廓和空间位置关系等。2. 索引模块一幅图像可以用多种特征来描述，而每种特征又有可能由多个特征分量所组成，因此最终得到的图像特征的维数可能比较高。为了满足用户对检索系统实时性的需要，需要选择一种适合于多维检索的索引算法。目前，图像数据库索引技术主要包括：向量空间的索引(Spatial Access Methods，SAM)和度量空间的索引(Metric Access Methods，MAM)。3. 匹配模块基于关键字的图像检索一般基于精确的匹配，而基于内
14、容的图像检索采用的是相似度匹配。图像的相似度实质上是图像对应的特征之间的相似度。合理的相似度度量方式也是实现高效的图像检索的关键。不同的相似度度量方式有各自的优缺点，并非某一种度量方式适用于所有的图像检索系统。常用的相似度度量方式有Minkowski距离、二次式距离、直方图相交法、KL距离等，具体形式如下：设查询图像的特征向量为g，目标图像的特征向量为t，特征维数为M，D表示查询图像与目标图像之间的相似度。 (1)Minkowski距离 （1.1） 其中，取1、2时分别就是我们所熟知的绝对值距离和欧氏距离(Euclidean distance)。(2)马氏距离(Mahalanobis distance) （1.2）其中，为特征向量的协方差矩阵。(3)直方图相交法假设和为含有M个bin的直方图，则二者之间的相交距离为： （1.3）(4)二次式距离对于基于颜色直方图的图像检索，二次式距离考虑到了不同颜色之间的相似度，因此比欧氏距离或直方图相交距离更有效。两个颜色直方图和含有M个bin，则二者之间的二次式距离为： （1.4）其中，A为颜色相似性矩阵。 (5)KL距离 （1.5）4相关反馈模块由于CBIR主要是针对图像的低层视觉特征进行提取和匹配，而低层视觉特征和高层语义之间存在较大的差
