基于OpenCV的图像纹理特征提取电子信息工程专业.docx

基于Opencv的图像纹理特征提取 摘要：OpenCV是一个基于开源发行的跨领域计算机视觉库，能使用在Linux、Windows、Android和Mac OS众多系统上。它轻量级而且高效，可以搭建在如今常用的开发工具上，如visual studio等。它的指令由众多 C 函数与少部分 C++ 类组成，此外具有Python、Ruby等众多接口，完成图像处理与计算机视觉部分的通用算法。此次设计主要选择opencv进行图像纹理特征选取。纹理是物体表层的重要部分，可以大致分辨出物体特点，所以被普遍使用在图像研究中。纹理研究主要通过相关处理科技从图像内选择关键的表层灰度信息，且对纹理特点开展研术。此类纹理特征提取以及基于此信息进行的图像划分是此研究领域内的主要分析内容。基于上述现实问题，本文重点分析相关提取方式，且根据纹理特征以及模式分辨中普遍使用的分类算法完成分类任务。 本论文首先介绍此次研究的背景以及意义，然后介绍opencv的发展和现状以及一些简单用法。然后介绍有关图像处理的知识，以及一些基本的纹理提取方法，进而运用opencv 调用函数进行图像的纹理特征的提取。本文选取三种普遍的提取方式来开展叙述，主要是Tamura 纹理分析法和滤波器等方式。之后主要使用灰度共生矩阵算法来实现计算，再给出它的具体实现过程同时并且实验的的结果。 关键词：opencv 纹理特征 特征提取 图像处理 Image Texture Feature Extraction Based On Opencv. Abstract：OpenCV is a cross-platform computer vision library based on open source distribution that runs on Linux, Windows, Android, and Mac OS.It is lightweight and efficient and can be built on commonly used development tools such as visual studio.Its instructions are composed of a series of C functions and a small number of C++ classes, while providing interfaces for languages such as Python, Ruby and MATLAB, which realize many common algorithms for image processing and computer vision.This graduation design selects opencv to realize image texture feature extraction.As a basic property of the surface of an object, texture is widely used in image analysis because it can represent images well.Texture analysis USES image processing technology to extract important surface grayscale information from images and to analyze texture features.Image texture feature extraction and texture based image classification are two important research topics in texture analysis.Aiming at these two problems, this paper studies a variety of texture feature extraction methods, and combines texture feature and pattern recognition to realize image classification. This paper first introduces the background and significance of this research, then introduces the development and current situation of opencv and some simple usages.Then introduce knowledge about image processing, then the color of image texture is extracted through opencv variables, selected three kinds of commonly used texture feature extraction method to study the implementation, including gray level co-occurrence matrix, Tamura analysis and filter.In this paper, the algorithms of three methods are introduced in detail, and the concrete realization process is given and the results of experiments are given. Keywords：Opencv Texture Feature Feature Extraction The Image Processing 目录 第一章 绪论 5 1.1选题背景与意义 5 1.2 研究现状与方法 7 基于内容图像处理（CBIR） 7 图像检索 8 第二章 纹理分析及纹理特征 10 2.1纹理 10 2.2 纹理特征的表达方法 11 2.3纹理分析法 21 第三章 图像检索 24 第四章 提取方法的实现 26 第五章 工作结论与展望 34 致 谢 35 参考文献 36 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。