CN1324530C - 用于分析数字图像纹理结构的方法 - Google Patents

Abstract

提供一种用于通过得到两个图像之间的匹配度量评价两个任意数字图像的纹理结构相似性的数字图像纹理结构分析方法，该方法包括步骤：(a)使用具有不同比例系数的预定滤波器获得关于两个任意图像的滤波图像；和(b)通过计算关于一个任意滤波图像和由具有与用于滤波该任意图像的滤波器不同的比例系数的滤波器滤波的图像的像素值的平均值之间的绝对差值的和的最小值获得一个匹配度量。该纹理结构分析方法允许更为准确地分析和比较图像纹理结构。此外，根据数字图像纹理结构分析方法，当仅相对另一个图像旋转，放大或缩小一个图像时，分析两个图像的纹理结构相似性，即，可执行准确分析。

Description

用于分析数字图像纹理结构的方法

本申请是中国专利申请号为No.00128395.2、题为“用于分析数字图像纹理结构的方法”的发明申请的分案申请。

技术领域

本发明涉及一种分析数字图像纹理结构的方法，特别涉及一种使用纹理结构描述符分析数字图像纹理结构的方法。本申请要求1999年10月1日申请的、标题为“静止图像纹理结构的分析方法”，临时申请序号No.60/157,077的优先权。

背景技术

图1示出一种常规的数字图像纹理结构分析方法。参照图1，通过执行一个预定滤波方法得到滤波图像，并且将滤波图像的像素值的平均值和方差用作图像的纹理结构描述符。该纹理结构描述符表示图像纹理结构的分析结果。

然而，根据常规的数字图像纹理结构分析方法，在一个图像相对另一个图像旋转、放大或缩小的情况下，即使当图像的纹理结构与另一个图像的纹理结构类似时，分析两个图像的纹理结构的结果也不同。

发明内容

本发明的第一目的是提供一种更为准确地分析和比较图像纹理结构的数字图像纹理结构分析方法。

本发明的第二目的是提供一种计算机可读记录介质，该介质用于存储执行实现本发明第一目的的数字图像纹理结构分析方法的程序码。

本发明的第三目的是提供一种用于执行实现本发明第一目的的数字图像纹理结构分析方法的数字图像纹理结构分析装置。

本发明的第四目的是提供一种用于使用实现本发明第一目的的数字图像纹理结构分析方法所指出的纹理结构描述符查找一个图像的数字图像查找方法。

本发明的第五目的是提供一种用于准确分析两个图像纹理结构的相似性的数字图像纹理结构分析方法。

本发明的第六目的是提供一种计算机可读记录介质，该介质用于存储执行实现本发明第五目的的数字图像纹理结构分析方法的程序码。

本发明的第七目的是提供一种用于执行实现本发明第五目的的数字图像纹理结构分析方法的数字图像纹理结构分析装置。

本发明的第八目的是提供一种用于即使当一个图像相对另一个图像旋转时更为准确地分析两个图像的纹理结构是相似的数字图像纹理结构分析方法。

本发明的第九目的是提供一种计算机可读记录介质，该介质用于存储执行实现本发明第八目的的数字图像纹理结构分析方法的程序码。

本发明的第十目的是提供一种用于执行实现本发明第八目的的数字图像纹理结构分析方法的数字图像纹理结构分析装置。

本发明的第十一目的是提供一种用于即使当一个图像相对另一个图像放大或缩小时也能准确地分析两个图像的纹理结构是相似的数字图像纹理结构分析方法。

本发明的第十二目的是提供一种计算机可读记录介质，该介质用于存储执行实现本发明第十一目的的数字图像纹理结构分析方法的程序码。

本发明的第十三目的是提供一种用于执行实现本发明第十一目的的数字图像纹理结构分析方法的数字图像纹理结构分析装置。

本发明的第十四目的是提供一种用于即使当一个图像相对另一个图像旋转、放大或缩小时更为准确地分析两个图像的纹理结构是相似的数字图像纹理结构分析方法。

因此，为实现第一目的，提供一种包括获得纹理结构描述符步骤的数字图像纹理结构分析方法，该纹理结构描述符包括作为一个纹理结构特征的原始图像的像素平均值。

这里，纹理结构特征可以进一步包括原始图像的像素值的方差。

此外，数字图像纹理结构分析方法包括获得纹理结构描述符的步骤，该纹理结构描述符包括作为一个纹理结构特征的原始图像的像素值的方差。

根据本发明的另一个方面，提供一种数字图像纹理结构分析方法，该方法包括步骤(a)获得原始图像像素值的平均值(μ₀)和方差(σ₀)，(b)通过使用预定滤波器滤波原始图像得到m×n个滤波图像，每个滤波器具有m个标度(scale)之一和n个定向(orientation)之一的唯一组合，其中m和n为预定的正整数，(c)计算各个滤波图像的平均值(μ₁₁，μ₂₁，...，μ_mn)和方差(σ₁₁，σ₂₁，...，σ_mn)，和(d)获得具有在步骤(a)得到的原始图像的像素值的平均值(μ₀)和方差(σ₀)以及在步骤(c)得到的各个滤波图像的平均值(μ₁₁，μ₂₁，...，μ_mn)和方差(σ₁₁，σ₂₁，...，σ_mn)的纹理结构描述符作为纹理结构特征。

为实现本发明的第二目的，提供一个用于存储执行数字图像纹理结构分析方法的程序码的计算机可读记录介质，该方法包括步骤(a)获得原始图像像素值的平均值(μ₀)和方差(σ₀)，(b)通过使用预定滤波器滤波原始图像得到m×n个滤波图像，每个滤波器具有m个标度之一和n个定向之一的唯一组合，其中m和n为预定的正整数，(c)计算各个滤波图像的平均值(μ₁₁，μ₂₁，...，μ_mn)和方差(σ₁₁，σ₂₁，...，σ_mn)，和(d)获得具有在步骤(a)得到的原始图像的像素值的平均值(μ₀)和方差(σ₀)以及在步骤(c)得到的各个滤波图像的平均值(μ₁₁，μ₂₁，...，μ_mn)和方差(σ₁₁，σ₂₁，...，σ_mn)的纹理结构描述符作为纹理结构特征。

为实现本发明的第三目的，提供一个数字图像纹理结构分析装置，包括一个用于计算原始图像像素值的平均值和方差的平均值/方差计算单元，以及一个用于将平均值和方差设定为纹理结构描述符的纹理结构描述符设定单元。

此外，该装置还包括一个用于使用预定的滤波器滤波原始图像以得到m×n个滤波图像的滤波单元，每个滤波器具有m个标度之一和n个定向之一的唯一组合，其中m和n为预定的正整数，其中平均值/方差计算单元获得原始图像像素值的平均值(μ₀)和方差(σ₀)以及各个滤波图像的平均值(μ₁₁，μ₂₁，...，μ_mn)和方差(σ₁₁，σ₂₁，...，σ_mn)，以及其中纹理结构描述符设定单元获得具有原始图像的像素值的平均值(μ₀)和方差(σ₀)和各个滤波图像的平均值(μ₁₁，μ₂₁，...，μ_mn)和方差(σ₁₁，σ₂₁，...，σ_mn)的纹理结构描述符作为纹理结构特征。

为实现本发明的第四目的，提供一种数字图像查找方法，该方法包括使用具有原始图像的平均值和方差作为纹理结构特征的一个纹理结构描述符查找一个具有与查询图像类似的纹理结构的图像的步骤。

为实现本发明的第五目的，提供一个用于通过得到两个图像之间的匹配度量(matching metric)评价两个任意数字图像的纹理结构相似性的数字图像纹理结构分析方法，该方法包括计算包含两个任意数字图像的像素值的平均值之间的绝对差值的匹配度量的步骤。

此外，匹配度量还包括原始图像的像素值的方差之间的绝对差值。

根据本发明的另一个方面，提供一种用于通过得到两个图像之间的匹配度量评价两个任意数字图像的纹理结构相似性的数字图像纹理结构分析方法，该方法包括计算包括两个任意数字图像的像素值的方差之间的绝对差值的匹配度量的步骤。

作为一种替换，该数字图像纹理结构分析方法还包括步骤(a)使用预定滤波器获得关于两个任意图像的m×n个滤波图像，其中每个滤波器具有m个标度之一和n个定向之一的唯一组合，这里m和n是预定的正整数，和(b)计算由 $d(i,j)=\underset{m,n}{\mathrm{\Σ}}{d}_{m,n}(i,j)+b$ 定义的关于原始图像和m×n个滤波图像的匹配度量，这里各个图像的像素值的平均值和方差是μ和σ，原始图像的像素值的平均值和方差是μ₀和σ₀， $b=\left|\frac{{\mathrm{\μ}}_0^{\left(i\right)}-{\mathrm{\μ}}_0^{\left(j\right)}}{\mathrm{\α}\left({\mathrm{\μ}}_0\right)}\right|+\left|\frac{{\mathrm{\σ}}_0^{\left(i\right)}-{\mathrm{\σ}}_0^{\left(j\right)}}{\mathrm{\α}\left({\mathrm{\σ}}_0\right)}\right|,$

$d_{m,n}(i,j)=\left|\frac{{\mathrm{\μ}}_{m,n}^{\left(i\right)}-{\mathrm{\μ}}_{m,n}^{\left(j\right)}j}{\mathrm{\α}\left({\mathrm{\μ}}_{m,n}\right)}\right|+\left|\frac{{\mathrm{\σ}}_{m,n}^{\left(i\right)}-{\mathrm{\σ}}_{m,n}^{\left(j\right)}}{\mathrm{\α}\left({\mathrm{\σ}}_{m,n}\right)}\right|,$ 以及α()是预定的定标函数。

为实现本发明的第六目的，提供一个用于存储执行数字图像纹理结构分析方法的程序码的计算机可读记录介质，该方法用于通过得到两个图像之间的匹配度量评价两个任意数字图像的纹理结构相似性，包括步骤(a)使用预定滤波器获得关于两个任意图像的m×n个滤波图像，其中每个滤波器具有m个标度之一和n个定向之一的唯一组合，这里m和n是预定的正整数，和(b)计算由 $d(i,j)=\underset{m,n}{\mathrm{\Σ}}{d}_{m,n}(i,j)+b$ 定义的关于原始图像和m×n个滤波图像的匹配度量，这里各个图像的像素值的平均值和方差是μ和σ，原始图像的像素值的平均值和方差是μ₀和σ₀， $b=\left|\frac{{\mathrm{\μ}}_0^{\left(i\right)}-{\mathrm{\μ}}_0^{\left(j\right)}}{\mathrm{\α}\left({\mathrm{\μ}}_0\right)}\right|+\left|\frac{{\mathrm{\σ}}_0^{\left(i\right)}-{\mathrm{\σ}}_0^{\left(j\right)}}{\mathrm{\α}\left({\mathrm{\σ}}_0\right)}\right|,$

$d_{m,n}(i,j)=\left|\frac{{\mathrm{\μ}}_{m,n}^{\left(i\right)}-{\mathrm{\μ}}_{m,n}^{\left(j\right)}j}{\mathrm{\α}\left({\mathrm{\μ}}_{m,n}\right)}\right|+\left|\frac{{\mathrm{\σ}}_{m,n}^{\left(i\right)}-{\mathrm{\σ}}_{m,n}^{\left(j\right)}}{\mathrm{\α}\left({\mathrm{\σ}}_{m,n}\right)}\right|,$ 以及α()是预定的定标函数。

为实现本发明的第七目的，提供一种数字图像纹理结构分析装置，该装置用于通过得到两个图像之间的匹配度量评价两个任意数字图像的纹理结构相似性，该装置包括一个滤波单元，用于使用预定滤波器获得关于两个任意图像的m×n个滤波图像，其中每个滤波器具有m个标度之一和n个定向之一的唯一组合，这里m和n是预定的正整数，和一个匹配度量计算单元，用于计算由 $d(i,j)=\underset{m,n}{\mathrm{\Σ}}{d}_{m,n}(i,j)+b$ 定义的关于原始图像和m×n个滤波图像的匹配度量，这里各个图像的像素值的平均值和方差是μ和σ，原始图像的像素值的平均值和方差是μ₀和σ₀， $b=\left|\frac{{\mathrm{\μ}}_0^{\left(i\right)}-{\mathrm{\μ}}_0^{\left(j\right)}}{\mathrm{\α}\left({\mathrm{\μ}}_0\right)}\right|+\left|\frac{{\mathrm{\σ}}_0^{\left(i\right)}-{\mathrm{\σ}}_0^{\left(j\right)}}{\mathrm{\α}\left({\mathrm{\σ}}_0\right)}\right|,$

$d_{m,n}(i,j)=\left|\frac{{\mathrm{\μ}}_{m,n}^{\left(i\right)}-{\mathrm{\μ}}_{m,n}^{\left(j\right)}j}{\mathrm{\α}\left({\mathrm{\μ}}_{m,n}\right)}\right|+\left|\frac{{\mathrm{\σ}}_{m,n}^{\left(i\right)}-{\mathrm{\σ}}_{m,n}^{\left(j\right)}}{\mathrm{\α}\left({\mathrm{\σ}}_{m,n}\right)}\right|,$ 以及α()是预定的定标函数。

为实现本发明的第八目的，提供一种用于通过得到两个图像之间的匹配度量评价两个任意数字图像的纹理结构相似性的数字图像纹理结构分析方法，该方法包括步骤(a)使用具有不同定向系数的预定滤波器获得关于两个任意图像的m×n个滤波图像，和(b)通过计算关于一个任意滤波图像和由具有与用于滤波该任意图像的滤波器不同的定向系数的滤波器滤波的图像的像素值的平均值之间的绝对差值的和的最小值获得一个匹配度量。

根据本发明另一个方面，提供一种用于通过获得两个图像之间的匹配度量来评价两个任意数字图像的纹理结构的相似性的数字图像纹理结构分析方法，该方法包括步骤(a)使用具有不同定向系数的预定滤波器获得关于两个任意图像的m×n个滤波图像，和(b)通过计算关于一个任意滤波图像和由具有与用于滤波该任意图像的滤波器不同的定向系数的滤波器滤波的图像的像素值的方差之间的绝对差值的和的最小值获得一个匹配度量。

为实现本发明的第九目的，提供一种用于存储执行数字图像纹理结构分析方法的程序码的计算机可读记录介质，该方法用于通过获得两个图像之间的匹配度量来评价两个任意数字图像的纹理结构的相似性，该方法包括步骤(a)使用预定滤波器获得关于两个任意图像的m×n个滤波图像，每个滤波器具有m个标度之一和n个定向之一的唯一组合，这里m和n是预定的正整数，和(b)计算由

$d_{m,n}(i,j)={\min }_{1\≤t\≤k}\left[\underset{m,n}{\mathrm{\Σ}}\left(\right|\frac{{\mathrm{\μ}}_{m,n}^{\left(i\right)}}{\mathrm{\α}\left({\mathrm{\μ}}_{m,n}\right)}-\frac{{\mathrm{\μ}}_{m,n\⊕t}^{\left(j\right)}}{\mathrm{\α}\left({\mathrm{\μ}}_{m,n}\right)}|+|\frac{{\mathrm{\σ}}_{m,n}^{\left(i\right)}}{\mathrm{\α}\left({\mathrm{\σ}}_{m,n}\right)}-\frac{{\mathrm{\σ}}_{m,n\⊕t}^{\left(j\right)}}{\mathrm{\α}\left({\mathrm{\σ}}_{m,n}\right)}\left|\right)\right]$

定义的关于m×n个滤波图像的匹配度量，这里各个图像的像素值的平均值和方差μ和σ，K是表示要考虑的定向数的预定的正整数，表示取模移位函数，以及α()是一个预定的定标函数。

为实现本发明的第十目的，提供一种用于通过获得两个图像之间的匹配度量来评价两个任意数字图像的纹理结构的相似性的数字图像纹理结构分析装置，该装置包括一个滤波单元，用于使用预定滤波器滤波原始图像获得关于两个任意图像的m×n个滤波图像，每个滤波器具有m个标度之一和n个定向之一的唯一组合，这里m和n是预定的正整数，和一个匹配度量计算单元，用于计算由

$d_{m,n}(i,j)={\min }_{1\≤t\≤k}\left[\underset{m,n}{\mathrm{\Σ}}\left(\right|\frac{{\mathrm{\μ}}_{m,n}^{\left(i\right)}}{\mathrm{\α}\left({\mathrm{\μ}}_{m,n}\right)}-\frac{{\mathrm{\μ}}_{m,n\⊕t}^{\left(j\right)}}{\mathrm{\α}\left({\mathrm{\μ}}_{m,n}\right)}|+|\frac{{\mathrm{\σ}}_{m,n}^{\left(i\right)}}{\mathrm{\α}\left({\mathrm{\σ}}_{m,n}\right)}-\frac{{\mathrm{\σ}}_{m,n\⊕t}^{\left(j\right)}}{\mathrm{\α}\left({\mathrm{\σ}}_{m,n}\right)}\left|\right)\right]+b$

定义的关于m×n个滤波图像的匹配度量，这里各个图像的像素值的平均值和方差μ和σ，原始图像的像素值的平均值和方差是μ₀和σ₀，K是表示要考虑的定向数的预定正整数， $b=\left|\frac{{\mathrm{\μ}}_0^{\left(i\right)}-{\mathrm{\μ}}_0^{\left(j\right)}}{\mathrm{\α}\left({\mathrm{\μ}}_0\right)}\right|+\left|\frac{{\mathrm{\σ}}_0^{\left(i\right)}-{\mathrm{\σ}}_0^{\left(j\right)}}{\mathrm{\α}\left({\mathrm{\σ}}_0\right)}\right|,$ 表示取模移位函数，以及α()是一个预定的定标函数。

为实现本发明的第十一目的，提供一种用于通过获得两个图像之间的匹配度量来评价两个任意数字图像的纹理结构的相似性的数字图像纹理结构分析方法，该方法包括步骤(a)使用具有不同定向系数的预定滤波器获得关于两个任意图像的滤波图像，和(b)通过计算关于一个任意滤波图像和由具有与用于滤波该任意图像的滤波器不同的比例系数的滤波器滤波的图像的像素值的平均值之间的绝对差值以及所述两个任意滤波图像的原始图像的像素值的平均值之间的绝对差值之和的最小值、以获得一个匹配度量。

根据本发明的另一个方面，提供一种用于通过得到两个图像之间的匹配度量评价两个任意数字图像的纹理结构相似性的数字图像纹理结构分析方法，该方法包括步骤：(a)使用具有不同比例系数的预定系数的Garbor滤波器获得关于两个任意图像的滤波图像；和(b)通过按照以下述方式获得最小值来获得一个匹配度量：计算关于一个任意滤波图像和由具有与用于滤波该任意图像的滤波器的比例系数不同的比例系数的滤波器滤波的各图像的像素值的平均值之间的第一组绝对差值；计算所述两个任意图像的原始图像的像素值的平均值之间的第二组绝对差值；将所述第一和第二组绝对差值相加以获得一个和值；以及获得所述和值的最小值。

为实现本发明的第十二目的，提供一种用于通过得到两个图像之间的匹配度量评价两个任意数字图像的纹理结构相似性的数字图像纹理结构分析方法，该方法包括步骤：(a)使用具有不同比例系数的预定系数的Garbor滤波器获得关于两个任意图像的滤波图像；和(b)通过按照以下述方式获得最小值来获得一个匹配度量：计算关于一个任意滤波图像和由具有与用于滤波该任意图像的滤波器的比例系数不同的比例系数的滤波器滤波的各图像的像素值的方差之间的第一组绝对差值；计算所述两个任意图像的原始图像的像素值的平均值之间的第二组绝对差值；将所述第一和第二组绝对差值相加以获得一个和值；以及获得所述和值的最小值。

为实现本发明的第十三目的，提供一种用于得到两个图像之间的匹配度量来评价两个任意数字图像的纹理结构相似性的数字图像纹理结构分析装置，该装置包括：一个滤波单元，用于使用预定系数的Garbor滤波器滤波原始图像获得关于两个任意图像的m×n个滤波图像，每个滤波器具有m个标度之一和n个定向之一的唯一组合，这里m和n是预定的正整数；和一个匹配度量计算单元，用于计算由

$d(i,j)={\min }_{\begin{array}{c}p=\mathrm{0,1}\\ q=\mathrm{0,1}\end{array}}\left[\underset{m}{\overset{S-1}{\mathrm{\Σ}}}\underset{n}{\mathrm{\Σ}}\left(\right|\frac{{\mathrm{\μ}}_{m+p,n}^i}{\mathrm{\α}\left({\mathrm{\μ}}_{m+p,n}\right)}-\frac{{\mathrm{\μ}}_{m+q,n}^j}{\mathrm{\α}\left({\mathrm{\μ}}_{m+q,n}\right)}|+|\frac{{\mathrm{\σ}}_{m+p,n}^i}{\mathrm{\α}\left({\mathrm{\σ}}_{m+p,n}\right)}-\frac{{\mathrm{\σ}}_{m+q,n}^j}{\mathrm{\α}\left({\mathrm{\σ}}_{m+q,n}\right)}\left|\right)\right]+b$

定义的关于原始图像和m×n个滤波图像的匹配度量，这里各个图像的像素值的平均值和方差是μ和σ，原始图像的像素值的平均值和方差是μ₀和σ₀， $b=\left|\frac{{\mathrm{\μ}}_0^{\left(i\right)}-{\mathrm{\μ}}_0^{\left(j\right)}}{\mathrm{\α}\left({\mathrm{\μ}}_0\right)}\right|+\left|\frac{{\mathrm{\σ}}_0^{\left(i\right)}-{\mathrm{\σ}}_0^{\left(j\right)}}{\mathrm{\α}\left({\mathrm{\σ}}_0\right)}\right|,$ S是表示要考虑的比例系数的数目的预定的正整数，以及α()是一个预定的定标函数。

为实现本发明的第十四目的，提供一种用于通过获得两个图像之间的匹配度量来评价两个任意数字图像的纹理结构的相似性的数字图像纹理结构分析方法，该方法包括步骤(a)使用具有不同定向系数和比例系数的预定滤波器获得关于两个任意图像的滤波图像，和(b)通过计算关于一个任意滤波图像和由具有与用于滤波任意图像的滤波器不同的定向和比例系数的滤波器滤波的图像的像素值的平均值和方差之间的绝对差值的和的最小值获得一个匹配度量。

附图说明

通过参照附图详细描述本发明的一个优选实施例本发明的上面目的和优点将变得更加显而易见，其中：

图1示出一个常规的数字图像纹理结构分析方法；

图2是表示根据本发明一个实施例的数字图像纹理结构分析装置的方框图；

图3是表示根据本发明一个实施例的数字图像纹理结构分析方法的主要步骤的流程图；

图4是表示根据本发明另一个实施例的数字图像纹理结构分析装置的方框图；和

图5到7是表示由图4所示装置执行的根据本发明另一个实施例的数字图像纹理结构分析方法的主要步骤的流程图。

具体实施方式

现在参照附图将详细描述本发明的优选实施例。

图2是表示根据本发明一个实施例的数字图像纹理结构分析装置的方框图，图3是表示根据本发明一个实施例的数字图像纹理结构分析方法的主要步骤的流程图。下面将偶尔涉及图3。

首先，参照图2，根据本发明一个实施例的数字图像纹理结构分析装置包括第一平均值/方差计算单元202，滤波单元204，第二平均值/方差计算单元206和纹理结构描述符设定单元208。

现在描述数字图像纹理结构分析装置的操作。

第一平均值/方差计算单元202计算原始图像像素值的平均值和方差μ₀和σ₀(步骤302)。接着滤波单元204使用Garbor滤波器得到m×n个滤波图像，每个滤波器具有m个标度之一和n个定向之一的唯一组合(m和n是预定的正整数)(步骤304)。然后，第二平均值/方差计算单元206计算各个滤波图像的平均值和方差μ₁₁，σ₁₁，μ₂₁，σ₂₁，...，μ_mn，σ_mn(步骤306)。

现在，纹理结构描述符设定单元208得到{μ₀ σ₀ μ₁₁ σ₁₁ μ₂₁ σ₂₁...μ_mnσ_mn}形式的纹理结构描述符，包括步骤302得到的原始图像的像素值的平均值和方差μ₀和σ₀，以及步骤306得到的各个滤波图像的平均值和方差μ₁₁，σ₁₁，μ₂₁，σ₂₁，...，μ_mn，σ_mn(步骤308)。

纹理结构描述符用于索引图像。索引图像形成一个图像数据库。如果图像数据库由两个索引图像组成，则可以查找具有与查询图像的纹理结构描述符类似的纹理结构描述符的图像。特别是，根据本发明的分析方法使用具有原始图像像素值的平均值和方差的纹理结构描述符作为纹理结构特征来查找一个与查询图像类似的图像，就可以执行模拟。该模拟结果表明提高了查找效率。

图4是表示根据本发明另一个实施例的数字图像纹理结构分析装置的方框图，以及图5是表示根据本发明的另一个实施例的数字图像纹理结构分析方法的主要步骤的流程图。下面将偶然涉及图5。

参照图4，根据本发明另一个实施例的数字图像纹理结构分析装置包括滤波单元402和匹配度量计算单元404。

现在将描述该数字图像纹理结构分析装置的操作。

滤波单元402使用Garbor滤波器得到关于两个任意图像的m×n个滤波图像，每个滤波器具有m个标度之一和n个定向之一的唯一组合(m和n是预定的正整数)(步骤502)。

匹配度量计算单元404计算由

$d(i,j)=\underset{m,n}{\mathrm{\Σ}}{d}_{m,n}(i,j)+b$

定义的关于原始图像和m×n个滤波图像的匹配度量，这里各个图像的像素值的平均值和方差是μ和σ，原始图像的像素值的平均值和方差是μ₀和σ₀， $b=\left|\frac{{\mathrm{\μ}}_0^{\left(i\right)}-{\mathrm{\μ}}_0^{\left(j\right)}}{\mathrm{\α}\left({\mathrm{\μ}}_0\right)}\right|+\left|\frac{{\mathrm{\σ}}_0^{\left(i\right)}-{\mathrm{\σ}}_0^{\left(j\right)}}{\mathrm{\α}\left({\mathrm{\σ}}_0\right)}\right|,$ 以及 $d_{m,n}(i,j)=\left|\frac{{\mathrm{\μ}}_{m,n}^{\left(i\right)}-{\mathrm{\μ}}_{m,n}^{\left(j\right)}j}{\mathrm{\α}\left({\mathrm{\μ}}_{m,n}\right)}\right|+\left|\frac{{\mathrm{\σ}}_{m,n}^{\left(i\right)}-{\mathrm{\σ}}_{m,n}^{\left(j\right)}}{\mathrm{\α}\left({\mathrm{\σ}}_{m,n}\right)}\right|,$ (步骤504)。这里α()表示用于规格化各个特征分量的定标函数。这样，α(μ_m，n)和α(σ_m，n)是整个数据库上的描述符的各个特征分量的定标平均值和方差。计算的匹配度量表示两个图像的纹理结构特征之间的差。换言之，如果计算的匹配度量值较小，则两个图像的纹理结构被确定为相互类似。

根据上述的数字图像纹理结构分析方法，可以通过获得两个图像之间的匹配度量确定两个任意数字图像之间的相似性。此外，使用图像的纹理结构特性可以将数字图像纹理结构分析方法用于查找一个图像。

图6是表示由图4所示的装置所执行的根据本发明的另一个实施例的数字图像纹理结构分析方法的主要步骤的流程图。

在该实施例，滤波单元402使用预定滤波器滤波原始图像得到关于两个任意图像的m×n个滤波图像，每个滤波器具有m个标度之一和n个定向之一的唯一组合(m和n是预定的正整数)(步骤602)。

下面，匹配度量计算单元404计算由

$d_{m,n}(i,j)={\min }_{1\≤t\≤k}\left[\underset{m,n}{\mathrm{\Σ}}\left(\right|\frac{{\mathrm{\μ}}_{m,n}^{\left(i\right)}}{\mathrm{\α}\left({\mathrm{\μ}}_{m,n}\right)}-\frac{{\mathrm{\μ}}_{m,n\⊕t}^{\left(j\right)}}{\mathrm{\α}\left({\mathrm{\μ}}_{m,n}\right)}|+|\frac{{\mathrm{\σ}}_{m,n}^{\left(i\right)}}{\mathrm{\α}\left({\mathrm{\σ}}_{m,n}\right)}-\frac{{\mathrm{\σ}}_{m,n\⊕t}^{\left(j\right)}}{\mathrm{\α}\left({\mathrm{\σ}}_{m,n}\right)}\left|\right)\right]+b$

定义的关于m×n个滤波图像的匹配度量，这里各个图像的像素值的平均值和方差是μ和σ，原始图像的像素值的平均值和方差是μ₀和σ₀，K是表示要考虑的定向数的预定正整数， $b=\left|\frac{{\mathrm{\μ}}_0^{\left(i\right)}-{\mathrm{\μ}}_0^{\left(j\right)}}{\mathrm{\α}\left({\mathrm{\μ}}_0\right)}\right|+\left|\frac{{\mathrm{\σ}}_0^{\left(i\right)}-{\mathrm{\σ}}_0^{\left(j\right)}}{\mathrm{\α}\left({\mathrm{\σ}}_0\right)}\right|,$ 表示取模移位函数，以及α()是一个预定的定标函数(步骤604)。计算的匹配度量表示两个图像的纹理结构特征之间的差。换言之，如果计算的匹配度量值较小，则两个图像的纹理结构被确定为相互类似。特别是，只有当两个图像的纹理结构特征相似并且一个图像相对于另一个图像旋转时，这样计算的匹配度量允许准确的分析，即，确定两个图像具有类似的纹理结构特征。换言之，与常规的分析方法不同，即使当一个图像仅相对另一个图像旋转时，也确定两个图像的纹理结构特征相互类似。根据上述数字图像纹理结构分析方法，可以通过获得两个图像之间的匹配度量确定两个任意数字图像之间的相似性。此外，使用图像的纹理结构特征可以将数字图像纹理结构分析方法用于查找图像。

在上述实施例，已经描述了通过计算像素值的平均值内的绝对差值的和以及像素值的方差之间的绝对差值的和，以及计算所计算的和的增加值的最小值，获得关于一个任意滤波图像和由具有与用于滤波该任意图像的滤波器的定向系数不同的定向系数的Garbor滤波器滤波的图像的匹配度量。

然而，还可以通过计算像素值平均值的绝对差值的和的最小值获得关于一个任意滤波图像和由具有与用于滤波该任意图像的滤波器的定向系数不同的定向系数的Garbor滤波器滤波的图像的匹配度量。作为一种替换，还可以通过计算像素值方差之间的绝对差值的和的最小值获得关于一个任意滤波图像和由具有与用于滤波该任意图像的滤波器的定向系数不同的定向系数的Garbor滤波器滤波的图像的匹配度量。

图7是表示由图4所示的装置所执行的根据本发明的另一个实施例的数字图像纹理结构分析方法的主要步骤的流程图。

在该实施例，滤波单元402使用Garbor滤波器得到关于两个任意图像的m×n个滤波图像，每个滤波器具有m个标度之一和n个定向之一的唯一组合(m和n是预定的正整数)(步骤702)。

下面，匹配度量计算单元404计算由

$d(i,j)={\min }_{\begin{array}{c}p=\mathrm{0,1}\\ q=\mathrm{0,1}\end{array}}\left[\underset{m}{\overset{S-1}{\mathrm{\Σ}}}\underset{n}{\mathrm{\Σ}}\left(\right|\frac{{\mathrm{\μ}}_{m+p,n}^i}{\mathrm{\α}\left({\mathrm{\μ}}_{m+p,n}\right)}-\frac{{\mathrm{\μ}}_{m+q,n}^j}{\mathrm{\α}\left({\mathrm{\μ}}_{m+q,n}\right)}|+|\frac{{\mathrm{\σ}}_{m+p,n}^i}{\mathrm{\α}\left({\mathrm{\σ}}_{m+p,n}\right)}-\frac{{\mathrm{\σ}}_{m+q,n}^j}{\mathrm{\α}\left({\mathrm{\σ}}_{m+q,n}\right)}\left|\right)\right]+b$

定义的关于原始图像和m×n个滤波图像的匹配度量，这里各个图像的像素值的平均值和方差是μ和σ，原始图像的像素值的平均值和方差是μ₀和σ₀， $b=\left|\frac{{\mathrm{\μ}}_0^{\left(i\right)}-{\mathrm{\μ}}_0^{\left(j\right)}}{\mathrm{\α}\left({\mathrm{\μ}}_0\right)}\right|+\left|\frac{{\mathrm{\σ}}_0^{\left(i\right)}-{\mathrm{\σ}}_0^{\left(j\right)}}{\mathrm{\α}\left({\mathrm{\σ}}_0\right)}\right|,$ S是表示要考虑的比例系数的数目的预定的正整数，以及α()是一个预定的定标函数。计算的匹配度量表示两个图像的纹理结构特征之间的差。换言之，如果计算的匹配度量值较小，则两个图像的纹理结构被确定为相互类似。特别是，只有当两个图像的纹理结构特征相似并且一个图像相对于另一个图像放大或缩小时，这样计算的匹配度量允许准确的分析，即，确定两个图像具有类似的纹理结构特征。换言之，与常规的分析方法不同，即使当一个图像相对另一个图像放大或缩小时，也能确定两个图像的纹理结构特征相互类似。根据上述数字图像纹理结构分析方法，可以通过获得两个图像之间的匹配度量确定两个任意数字图像之间的相似性。此外，使用图像的纹理结构特征可以将数字图像纹理结构分析方法用于查找图像。

在上述实施例，已经描述了通过计算像素值的平均值内的绝对差值的和以及像素值的方差之间的绝对差值的和，以及计算所计算的和的增加值的最小值，获得关于一个任意滤波图像和由具有与用于滤波该任意图像的滤波器的比例系数不同的比例系数的Garbor滤波器滤波的图像的匹配度量。

还可以通过计算像素值平均值的绝对差值的和的最小值获得关于一个任意滤波图像和由具有与用于滤波该任意图像的滤波器的比例系数不同的定向系数的Garbor滤波器滤波的图像的匹配度量。作为一种替换，还可以通过计算像素值方差之间的绝对差值的和的最小值获得关于一个任意滤波图像和由具有与用于滤波该任意图像的滤波器的定向系数不同的定向系数的Garbor滤波器滤波的图像的匹配度量。

正如本领域技术人员所理解的，可以适当地组合使用用于参照图6和7所述的实施例的技术。根据本发明的数字图像纹理结构分析方法，即使当相对另一个图像旋转，放大或缩小一个图像时，也可以准确分析两个图像，即，确定它们具有类似的纹理结构特征。这里不再描述基于图6和7所示的上述实施例的组合的实施例。

如上所述，根据本发明的数字图像纹理结构分析方法，可以准确分析或比较图像的纹理结构特征。此外，根据本发明的数字图像纹理结构分析方法，即使当相对另一个图像旋转，放大或缩小一个图像时，也允许准确分析两个图像，即，确定它们具有类似的纹理结构特征。

Claims (3)

1.一种用于通过得到两个任意图像之间的匹配度量来评价该两个任意数字图像的纹理结构相似性的数字图像纹理结构分析方法，该方法包括步骤：

(a)使用具有不同比例系数的Garbor滤波器获得关于两个任意图像的滤波图像；和

(b)通过以下方式获得匹配度量：计算关于任意滤波图像和由具有与用于滤波该任意图像的滤波器的比例系数不同的比例系数的滤波器滤波的各图像的像素值的平均值之间的绝对差值与方差之间的绝对差值之和，计算所述两个任意图像的原始图像的像素值的平均值之间的绝对差值与方差之间的绝对差值之和，累加所述两个和值并计算该累加和值的最小值。

2.如权利要求1所述的方法，其中步骤(a)包括步骤(a′)，其通过使用预定系数的Garbor滤波器滤波原始图像获得关于该两个任意图像的m×n个滤波图像，每个Garbor滤波器具有m个标度之一和n个定向之一的唯一组合，这里m和n是预定的正整数，和步骤(b)包括步骤(b′)，其计算由

$d(i,j)={\min }_{\begin{array}{c}p=\mathrm{0,1}\\ q=\mathrm{0,1}\end{array}}\left[\underset{m}{\overset{S-1}{\mathrm{\Σ}}}\underset{n}{\mathrm{\Σ}}\left(\right|\frac{{\mathrm{\μ}}_{m+p,n}^i}{\mathrm{\α}\left({\mathrm{\μ}}_{m+p,n}\right)}-\frac{{\mathrm{\μ}}_{m+p,n}^j}{\mathrm{\α}\left({\mathrm{\μ}}_{m+p,n}\right)}|+|\frac{{\mathrm{\α}}_{m+p,n}^j}{\mathrm{\α}\left({\mathrm{\α}}_{m+p,n}\right)}-\frac{{\mathrm{\α}}_{m+p,n}^j}{\mathrm{\α}\left({\mathrm{\α}}_{m+p,n}\right)}\left|\right)\right]+b$

定义的关于原始图像和m×n个滤波图像的匹配度量，这里各个图像的像素值的平均值和方差是μ和σ，原始图像的像素值的平均值和方差是μ₀和σ₀， $b=\left|\frac{{\mathrm{\μ}}_0^{\left(i\right)}-{\mathrm{\μ}}_0^{\left(j\right)}}{\mathrm{\α}\left({\mathrm{\μ}}_0\right)}\right|+\left|\frac{{\mathrm{\α}}_0^{\left(i\right)}-{\mathrm{\α}}_0^{\left(j\right)}}{\mathrm{\α}\left({\mathrm{\α}}_0\right)}\right|,$ S是表示要考虑的比例系数的数目的预定正整数，以及α()是预定定标函数。

3.一种用于得到两个任意图像之间的匹配度量来评价该两个任意数字图像的纹理结构相似性的数字图像纹理结构分析装置，该装置包括：

滤波单元，用于使用预定系数的Garbor滤波器滤波原始图像获得关于两个任意图像的m×n个滤波图像，每个Garbor滤波器具有m个标度之一和n个定向之一的唯一组合，这里m和n是预定的正整数；和

              匹配度量计算单元，用于计算由

$d(i,j)={\min }_{\begin{array}{c}p=\mathrm{0,1}\\ q=\mathrm{0,1}\end{array}}\left[\underset{m}{\overset{S-1}{\mathrm{\Σ}}}\underset{n}{\mathrm{\Σ}}\left(\right|\frac{{\mathrm{\μ}}_{m+p,n}^i}{\mathrm{\α}\left({\mathrm{\μ}}_{m+p,n}\right)}-\frac{{\mathrm{\μ}}_{m+p,n}^j}{\mathrm{\α}\left({\mathrm{\μ}}_{m+p,n}\right)}|+|\frac{{\mathrm{\α}}_{m+p,n}^j}{\mathrm{\α}\left({\mathrm{\α}}_{m+p,n}\right)}-\frac{{\mathrm{\α}}_{m+p,n}^j}{\mathrm{\α}\left({\mathrm{\α}}_{m+p,n}\right)}\left|\right)\right]+b$

定义的关于原始图像和m×n个滤波图像的匹配度量，这里各个图像的像素值的平均值和方差是μ和σ，原始图像的像素值的平均值和方差是μ₀和σ₀， $b=\left|\frac{{\mathrm{\μ}}_0^{\left(i\right)}-{\mathrm{\μ}}_0^{\left(j\right)}}{\mathrm{\α}\left({\mathrm{\μ}}_0\right)}\right|+\left|\frac{{\mathrm{\α}}_0^{\left(i\right)}-{\mathrm{\α}}_0^{\left(j\right)}}{\mathrm{\α}\left({\mathrm{\α}}_0\right)}\right|,$ S是表示要考虑的比例系数的数目的预定正整数，以及α()是预定定标函数。

Images