每一幅数字图像都有其自身的图像特征，对于某一特定特征，通常又有多种不同的表达方式。事实上，图像特征的不同表达方式是针对图像不同的局部几何结构、从不同角度刻画图像的性质。本文将一幅数字灰度图像按其特征分为三类，分别提取图像的纹理特征、边缘特征，以及平滑部分的特征。文献综述

图像的纹理特征是一种重要的视觉手段，是图像中普遍存在的特征，它对光线变化的不敏感性使其成为图像检索中基本的结构类型。与灰度和颜色等图像特征不同，纹理是由像素及其邻域的灰度分布来表现的，例如通常所看见的黑白相间条纹或格子，它们都属于纹理，是由纹理基元按照某种统计规律排列组成的，在纹理区域内具有大致相同的结构，反映了图像的一种局部结构化特征，因此纹理能够反映图像灰度的空间变化情况，具有整体与局部的自相似性。在纹理特征的相似性度量研究中, 已有的方法是利用欧式距离公式或马氏距离公式等度量待检测纹理图像特征和数据库中的纹理图像特征的相似度[2], 但是这种以点与点之间距离最邻近为度量相似度的标准并不适合纹理这种具有空间分布属性的图像特征。文献3中用逼近式学习的方式来检索相似的纹理块, 平均检索精度较低, 涉及到的多个参数在实际应用中需要通过反复实验才能确定, 实用性较差[3]。

图像的边缘特征也是图像最基本的特征之一，边缘反映图像中事物的轮廓，普遍存在于各类图像中，尤其是在不规则结构中。边缘通常与信号的突变点或奇异点相对应，属于图像的高频部分。边缘特征的提取在图像识别、图像分割、图像增强以及图像压缩等领域中都有十分重要的意义，因此对一幅图像检测并提取出它的边缘是很有必要的。目前人们一直在致力于研究新的边缘检测算法，用以构造出具有良好性质及效果的边缘检测算子。经典的边界提取技术大都基于微分运算。对于一幅含有噪声的原始图像，首先通过平滑空间滤波器来滤除图像中的噪声，再计算一阶微分或二阶微分，求得梯度的最大值或二阶微分的零点，最后选取适当的阈值就可以提取出图像的边界[4]。

图像的平滑部分又称卡通部分，指的是图像中平整宽大、灰度平缓、突变梯度少的区域，对应图像的低频成分，是整幅图像中最直观最简单的表现形式。平滑部分的特征不像纹理部分和边缘部分那么复杂，可以直接利用图像块中灰度像素点的均值来描述。由于平滑部分相对于图像的其他结构更加简单便于处理，在图像的获取和传输过程中常常会受到各种噪声的干扰，使图像质量下降，因此为了抑制噪声、改善图像质量，人们也在不停地探索有关图像平滑处理问题的研究。一般情况下，图像可以在空间域或频率域上进行处理，中值滤波法、低通滤波法等方法通过提高图像的峰值信噪比而达到去噪的效果。图像平滑是一种实用的数字图像处理技术，除了能达到消除图像噪声的效果之外，一个性能良好的平滑处理方法应该也能保证不使图像边缘变得模糊。文献5介绍了局部去噪方法，包括高斯滤波、各向异性滤波、既能去噪又能保持边缘等小尺度图像特征的TV模型（即全变差极小值方法）和领域滤波等，并在局部的基础上提出了非局部去噪方法，实验表明非局部去噪效果更佳[5]。论文网

研究图像相似性的传统方法是计算具有相近灰度值像素点的个数，将之与设定的阈值进行比较，个数越多，相似性越高；或者计算两幅图像对应像素点之间的距离来度量，距离越大，图像之间的差别越大。目前主要运用来度量图像相似性的距离有 统计距离、欧式距离、曼哈顿距离、闵可夫斯基距离[6]等，但是将两幅图像整体的相似性简单地看作是各对应像素点灰度距离的加权和，没有考虑到图像的局部几何结构，不能保证图像整体的相似性。