基于底层纹理特征的图像检索

2014-03-26 07:32:00宋卫华
长春工业大学学报 2014年2期
关键词:特征提取特征

宋卫华

(黄山学院机电与信息工程学院,安徽黄山 245021)

0 引 言

随着计算机技术和医学成像技术的发展,基于内容的图像检索(Contend-Based Image Retrieval,CBIR)在生物医学领域的应用成为研究热点。CBIR在描述图像时,大多提取图像自身的颜色、纹理、形状、空间关系等底层特征,形成特征库,然后将待查图像与特征库进行基于向量空间模型的匹配[1-2],寻找相似图像,以辅助医生的判断和诊疗。

纹理特征是一种重要的图像底层特征,并被广泛应用[3-4]。文中研究的胸部CT图像,其图像间相似度高,空间分辨率高,鉴于其纹理信息丰富,从统计法中的灰度共现矩阵和频谱法中的小波变换来提取纹理特征,对两种方法进行了比较和分析,实验表明,基于小波变换的纹理特征提取方法可以有效描述图像纹理并取得较好检索结果。

1 底层纹理特征提取技术

1.1 基于灰度共现矩阵的纹理特征提取

灰度共现矩阵(Gray Level Co-occurrence Matrix,GLCM)建立在估计图像的二阶组合条件概率密度函数基础之上,描述在θ方向上距离为d的一对像素,分别具有灰度值i和j的出现概率,其元素可记为p(i,j|d,θ)。由此可得灰度共现矩阵是距离和方向的函数。定义如下:

式中:Lr,Lc——分别为水平空间域和垂直空间域。

同理可得到距离为d,方向为θ=45°,90°,135°的公式。其中,分子表示具有某种特定空间关系,灰度层分别为i,j的像素对的个数,分母为像素对的总个数(#代表数量)。这样所得的p是归一化的,文中距离d取1。由空间灰度共现矩阵可以计算出一组参数,用来定量描述纹理特性。……

登录APP查看全文

猜你喜欢
特征提取特征
特征提取和最小二乘支持向量机的水下目标识别
如何表达“特征”
基于Gazebo仿真环境的ORB特征提取与比对的研究
电子制作(2019年15期)2019-08-27 01:12:00
不忠诚的四个特征
当代陕西(2019年10期)2019-06-03 10:12:04
基于Daubechies(dbN)的飞行器音频特征提取
电子制作(2018年19期)2018-11-14 02:37:08
Bagging RCSP脑电特征提取算法
基于MED和循环域解调的多故障特征提取
线性代数的应用特征
河南科技(2014年23期)2014-02-27 14:19:15
Walsh变换在滚动轴承早期故障特征提取中的应用
轴承(2010年2期)2010-07-28 02:26:12