基于紋理的圖像聚類(lèi)研究.pdf

1、隨著互聯(lián)網(wǎng)的蓬勃發(fā)展，基于大型圖像數(shù)據(jù)庫(kù)的圖像檢索、數(shù)據(jù)挖掘以及模式識(shí)別越來(lái)越受到人們的關(guān)注。紋理作為圖像的一個(gè)非常重要的屬性，與顏色、形狀和布局等特征一起，在圖像應(yīng)用領(lǐng)域起著至關(guān)重要的作用。不同物體的物理表面產(chǎn)生不同的紋理，例如，云彩、石頭、地毯等都有著各自獨(dú)特的紋理特征。如何有效地利用好圖像的紋理特征能夠?yàn)橐院蟾行У貐^(qū)分圖像打好堅(jiān)實(shí)的基礎(chǔ)。與此同時(shí)，伴隨著存儲(chǔ)和網(wǎng)絡(luò)技術(shù)的飛速發(fā)展，圖像數(shù)據(jù)庫(kù)變得日益龐大，如何從海量的圖像庫(kù)中分析出

2、有用的信息成為了一個(gè)挑戰(zhàn)。聚類(lèi)技術(shù)作為海量數(shù)據(jù)處理的工具，可以被用來(lái)改進(jìn)基于內(nèi)容的圖像檢索(content-based imageretrieval，CBIR)的速度和性能，也可以有效地改善圖像搜索引擎的搜索結(jié)果。同時(shí)對(duì)于想快速瀏覽數(shù)據(jù)庫(kù)的用戶(hù)，圖像聚類(lèi)還能夠用來(lái)設(shè)計(jì)方便的用戶(hù)界面。
　　 基于紋理的圖像聚類(lèi)主要分為紋理特征提取和聚類(lèi)兩個(gè)階段。本文對(duì)這兩個(gè)階段分別進(jìn)行研究，提出了相應(yīng)的算法。文章的結(jié)構(gòu)組織如下：本文的第1章為研究

3、背景；第2章提出了一種基于雙樹(shù)復(fù)小波以及雙樹(shù)旋轉(zhuǎn)復(fù)小波的紋理特征提取和測(cè)量算法；第3章提出了融合雙樹(shù)復(fù)小波和局部二值模式的紋理特征提取算法；第4章提出了一種基于譜分析的紋理圖像聚類(lèi)算法；第5章提出了一種采用主線和雙樹(shù)復(fù)小波紋理特征的掌紋識(shí)別算法；第6章給出了一個(gè)利用了掌紋紋理特征的手部特征識(shí)別系統(tǒng)。
　　 本文的研究成果和創(chuàng)新點(diǎn)主要集中在以下幾個(gè)方面：
　　 1)提出了一種基于雙樹(shù)復(fù)小波以及雙樹(shù)旋轉(zhuǎn)復(fù)小波的紋理提取和測(cè)量

4、方法
　　 研究表明人們?cè)诜治鰣D像時(shí)，會(huì)將其分解為包含不同方向、頻率的獨(dú)立通道，這個(gè)和信號(hào)分析的多分辨的特點(diǎn)類(lèi)似，因此在圖像處理中，具有多分辨和局部分析能力的小波變換被大家廣泛采用。雖然在小波域建立紋理特征，可以捕捉紋理的特性，但不足以很好地描述紋理結(jié)構(gòu)。在實(shí)小波變換的基礎(chǔ)上提出的雙樹(shù)復(fù)小波變換和旋轉(zhuǎn)復(fù)小波變換，具有更多的方向選擇性和近似移不變的優(yōu)點(diǎn)。本文的第2章提出了一種基于雙樹(shù)復(fù)小波和旋轉(zhuǎn)復(fù)小波的紋理特征提取和測(cè)量方法，首先

5、對(duì)圖像進(jìn)行雙樹(shù)復(fù)小波和旋轉(zhuǎn)復(fù)小波分解，然后對(duì)分解后的高頻系數(shù)提取紋理簽名，再采用Kullback-Leibler距離對(duì)提取的紋理簽名進(jìn)行量度。
　　 2)提出了一種將雙樹(shù)復(fù)小波統(tǒng)計(jì)特征和局部二值模式融合的紋理提取算法
　　 雙樹(shù)復(fù)小波作為一種頻域技術(shù)，通過(guò)對(duì)紋理圖像進(jìn)行分解，可以在頻域上有效地提取紋理信息。然而實(shí)驗(yàn)表明，可以根據(jù)圖像變換的頻域特性輕易構(gòu)造出具有完全相同的子帶統(tǒng)計(jì)特性而在視覺(jué)感受上完全不同的紋理圖像。局部二

6、值模式作為一種空域技術(shù)，是一種基于圖像空域局部算子的紋理圖像描述子，通過(guò)統(tǒng)計(jì)模板中心周?chē)c(diǎn)的灰度值來(lái)比較不同紋理之間的差別。本文的第3章，利用將雙樹(shù)復(fù)小波和局部二值模式相結(jié)合，提出了一種融合的紋理特征提取算法。首先采用雙樹(shù)復(fù)小波對(duì)圖像進(jìn)行分解，提取頻域紋理簽名；同時(shí)用局部二值模式，提取紋理空域特征。最后，將得到的兩種特征結(jié)合起來(lái)進(jìn)行聚類(lèi)，利用兩者互補(bǔ)的特點(diǎn)，可以充分發(fā)掘紋理在頻域和空域的信息特征。
　　 3)提出了一種基于動(dòng)態(tài)鄰

7、接矩陣聚類(lèi)算法
　　 因?yàn)閳D像數(shù)據(jù)往往存在于高維度空間中，這使得在聚類(lèi)前，需要對(duì)數(shù)據(jù)做維度縮減。譜聚類(lèi)由于能夠有效地發(fā)掘數(shù)據(jù)之間的局部相關(guān)性，對(duì)數(shù)據(jù)空間的維度縮減有著很好的效果。譜聚類(lèi)基于數(shù)據(jù)之間的相似度，并據(jù)此構(gòu)建帶權(quán)鄰接矩陣。在聚類(lèi)過(guò)程中，鄰接矩陣構(gòu)建得好壞直接影響到降維的效果。最常用的構(gòu)建帶權(quán)鄰接矩陣方法，是采用高斯核來(lái)計(jì)算數(shù)據(jù)點(diǎn)的距離，對(duì)每個(gè)點(diǎn)采用近鄰域法保留鄰近點(diǎn)的邊。由于全局化的尺度因子和固定的鄰域個(gè)數(shù)，使得空間中數(shù)

8、據(jù)點(diǎn)的分布密度不能得到很好體現(xiàn)，從而達(dá)不到良好的聚類(lèi)效果。本文的第4章，提出了一種動(dòng)態(tài)算法來(lái)從相似矩陣構(gòu)建帶權(quán)鄰接矩陣，對(duì)于周?chē)鷶?shù)據(jù)密度高的點(diǎn)，分配較大的尺度因子和鄰域個(gè)數(shù)，有效發(fā)掘了聚類(lèi)過(guò)程中的局部聚集性。
　　 4)提出了一種圖像紋理聚類(lèi)新框架
　　 傳統(tǒng)處理圖像紋理聚類(lèi)的方法是，首先利用小波變換提取紋理特征，再利用主成分分析或是直接k-means對(duì)提取特征進(jìn)行聚類(lèi)。本文給出了一種圖像紋理聚類(lèi)的新框架。首先，在紋理特

9、征提取階段，采用雙樹(shù)復(fù)小波加雙樹(shù)旋轉(zhuǎn)復(fù)小波對(duì)圖像進(jìn)行分解。然后對(duì)每個(gè)高頻段提取直方圖簽名作為紋理特征。在聚類(lèi)階段，首先根據(jù)數(shù)據(jù)分布的密度來(lái)動(dòng)態(tài)地計(jì)算數(shù)據(jù)點(diǎn)的鄰接矩陣，然后再采用譜聚類(lèi)進(jìn)行降維。最后，對(duì)降維后的數(shù)據(jù)進(jìn)行k-means聚類(lèi)。
　　 5)提出了一種基于紋理的掌紋識(shí)別檢索方法
　　 掌紋作為生物特征的一種，可以被用來(lái)有效地確定一個(gè)人的身份。掌紋識(shí)別利用掌紋的紋理信息來(lái)進(jìn)行識(shí)別。本文的第5章，提出一種新的掌紋識(shí)別方