网络图像搜索中的图像摘要技术研究(4)
边缘方向直方图是由73个部分组成。为了方便梯度方向的量化，我们将360o分成72等分，每5度为一个区间，前72部分就是梯度幅值在这72个度区间中边缘像素点的个数；最后一个部分表示不在边缘上的像素点个数。为了统一大小不同的图片，本文规格化了直方图的输入如下：
（3）其中，H(i)表示梯度幅值在i区域中边缘像素点的个数；Me表示在图像中边缘像素点的总数；M表示在图像中所有像素的数目。
4）128文基于小波变换的纹理特征
小波变换WT(Wavelet Transform) 的基本思想是通过一个母函数在时间上的平移和在尺度上的伸缩, 获得一种能自动适应各种频率成分的有效的信号分析手段。小波变换是时间和频率的局域变换, 它具有多分辨率分析的特点, 而且在时频两域都具有表征信号局部特征的能力, 是一种窗口大小固定不变但其形状可改变, 时间窗和频率窗都可以改变的时频局部化分析方法。
本质上，小波变换就是将母函数 通过扩展和转变得到基函数 来分析信号，如下所示：
（4） 其中，m和n是扩展和转化的参数。信号 可以被表示为：
（5） 用于图像上的小波转换，包含递归滤波和二阶段抽样。对于各个层次，图像被分解为四个频带，分别是LL、LH、HL、HH，其中，L表示低频；H表示高频。经常用于纹理分析的小波变换有两种，分别为金字塔型小波变换(PWT)和树型小波变换(TWT)。金字塔型小波变换递归地分解LL频带，而树型小波变换则分解其他的LH、HL、HH频带，以保留在中间频段出现的重要信息。
在分解之后，特征向量可以通过每个层次及每个频带的能量分布的标准偏差和平均值来得到。通过三个层次的分析，金字塔型小波变换得到的结果是24文的特征向量。树型小波变换得到的特征向量取决于个频带在每个层次是怎样被分解的，通过循环分解LH、HL、HH频带可以得到一个确定的分解树，树型小波变换得到的结果是104文的特征向量，所以通过小波变换得到的纹理特征为128文。
2.1.2 局部特征提取
5）225文基于LAB的块颜色矩
颜色矩的主要思想在于图像中任何的颜色分布均可以用它的矩来表示。此外，由于颜色分布信息主要集中在低阶矩中，因此仅采用颜色的一阶矩、二阶矩和三阶矩就可以表达图像的颜色分布。一阶中心矩、二阶中心矩和三阶中心矩分别表示图像或子区域图像的平均颜色、标准方差和三次根非对称性，其表示式为：
其中，N代表图像的像素总数； 表示像素点j的第i种颜色分量的值， ，在LAB颜色空间分别表示L、A、B颜色分量。
同其他颜色特征相比，颜色矩提供了相对简洁的信息来表示图像内容。前面提到颜色的一阶矩、二阶矩和三阶矩与颜色空间相结合，我们得到了9个分量可以被使用，但是这些简洁的分量不能具有很好的辨别性。因此我们将图像用5×5的网格分解成25块，分别求块中的颜色的一阶矩、二阶矩和三阶矩。最终我们得到了一个225文的块颜色矩特征向量。
下一篇：基于图的聚类算法研究+文献综述