CN1326166A - 描述图像的模式重复性的方法 - Google Patents

Abstract

一种描述可能在图像内存在的模式重复性的方法,包括步骤:(a)投影图像在具有预定方向的预定轴上;(b)将投影图像向下分解一个等级;(c)增加门限值直到模式量化值被保持为止,并且去除分解数据的噪声;以及(d)使用去除噪声的数据的模式量化值和用于去除噪声的门限值来描述图像的模式重复性。因为描述图像的模式重复性的方法有效地去除原始图像的噪声而不会损坏原始图像的模式重复性,并且使用去除噪声的数据描述模式的重复性,所以能够更明确地描述模式重复性。

Description

描述图像的模式重复性的方法

本发明涉及描述图像的周期性模式重复性的方法，尤其涉及通过有效地去除图像的噪声来精确地描述周期性模式的方法。

为了将图像数据中的一个图像与另一个图像区别开，注意或觉察相干的模式是很重要的。这在图像识别和图像处理时如图像的存储、分类和恢复中被认为是非常重要的。同时，在使用纹理特性模式匹配的特定领域中它是获得更好的模式觉察性能的决定因素。

在本发明申请人于1999年3月19日申请并且在此作为参考的美国专利09/272,321中，提供了一种用于垂直或水平地投影原始像素值的方法。用于垂直或水平地投影原始像素值的方法作为一种在图像数据内提取特有模式的有效的方法来描述。根据本方法，如果一个重复的模式包括在一个图像中，则该模式被明确地在投影的图像内表示。同样，在上面提到专利中，公开了应用于生成的投影图像的自相关方法，可以识别或扩大周期性特性。然而，由于其它重复性模式与噪声的组合，一般来说，在投影的图像内找到的模式重复性没有精确的周期。特别地，因为图像内的噪声往往导致模式模糊，所以需要去除噪声。

使用自动化的周期性模式计数装置来降低噪声的常规的方法可以部分地解决这个问题。然而，如果去除了噪声，存在图像的模式重复性也改变的问题。

为了解决上面的问题，本发明的目的是提供一种能够有效地描述可能在图像内存在的模式重复性的方法。

为了解决上面的问题，本发明的另一个目的是根据模式重复性描述方法，提供一种分组图像数据库内具有类似的纹理特性的图像的方法，其中该数据库中存储多个图像。

因此，为了达到上面的目的，根据本发明的一个方面提供的图像的模式重复性描述方法包括：(a)在具有预定方向的预定轴上投影图像；(b)将投影的图像向下分解一个等级(level)；(c)增加门限值直到模式量化值保持为止，并且去除分解数据的噪声；(d)使用去除噪声的数据的模式量化值和用于去除噪声的门限值来描述图像的模式重复性。

同时，该分解最好基于离散的子波变换。

同样，步骤(c)最好包括：(c-1)计算投影图像的模式量化值；(c-2)将投影图像向下分解一个等级；(c-3)使用预定的门限值去除分解生成的数据的噪声；(c-4)计算去除噪声的数据的模式量化值；(c-5)判别是否先前的模式量化值等于当前的模式量化值；(c-6)如果先前的模式量化值等于当前的模式量化值，增加门限值并且返回到步骤(c-3)；以及(c-7)如果先前的模式量化值不等于当前的模式量化值，确定先前的模式量化值为最后的模式量化值。

同时，步骤(d)最好包括，(d’)根据在步骤(c-7)确定的模式量化值和门限值描述图像的模式重复性。

为了达到上面的目的，根据本发明的另一个方面提供一种图像的模式重复性描述方法，它包括：(a)在具有预定方向的预定轴上投影图像；(b)分解投影的图像，直到先前的模式量化值和分解后模式量化值保持相同的等级为止，并且去除噪声；以及(c)使用至少一个等级数和噪声被去除的数据的模式量化值以及用于去除噪声的门限值来描述图像的模式重复性。

为了达到另一个目的，根据本发明的一个方面，提供一种在存储了多个图像的图像数据库内分组具有类似纹理特性的图像的方法，该方法包括：(a)在具有预定方向的预定轴上投影图像；(b)将投影的数据向下分解一个等级；(c)增加门限值直到模式量化值被保持为止，并且去除分解的数据的噪声；(d)确定具有去除噪声的数据的模式量化值的模式重复性向量和用于去除噪声的门限值为图像的模式重复性描述符；以及(e)使用图像的模式重复性描述符分组具有类似纹理特性的图像。

为了达到上面的目的，根据本发明的另一个方面，提供分组图像的方法，其中用于在存储了多个图像的图像数据库内分组具有类似纹理特性的图像的方法包括：(a)在具有预定方向的预定轴上投影图像；(b)分解图像，直到先前的模式量化值和分解后的模式量化值保持相同的等级为止，并且去除噪声；(c)确定去除噪声的数据的等级数、模式量化值以及用于去除噪声的门限值为图像的模式重复性描述符；以及(e)使用图像的模式重复性描述符分组具有类似纹理特性的图像。

参照附图，通过详细描述优选实施例，本发明上面的目的和优点将变得更加明显，其中：

图1是根据本发明的第一优选实施例，说明描述图像的模式重复性方法的主要步骤的流程图；以及

图2是根据本发明的第二优选实施例，说明描述图像的模式重复性方法的主要步骤的流程图。

下面参照附图，更详细地描述本发明的优选实施例。

图1是根据本发明的第一优选实施例，说明描述图像的模式重复性方法的主要步骤的流程图。参照图1，首先，一个图像投影在具有预定方向的预定轴上(步骤102)。计算投影的图像的模式量化值(步骤103)。能够使用一般公知的自动化的方案、如计数算法或通过肉眼计算量化值，从而获得根据模式重复性周期确定的量化值。以下，量化值表示为P。

现在将投影的图像向下分解一个等级(步骤104)。这里，可以根据离散的子波变换进行分解。因为子波变换作为去除噪声的步骤，通过子波变换从投影的图像提取低频分量。例如，如果表示投影的特征向量 A的长度是2ⁿ，则相应的特征向量可以分解为n个等级。也就是说，特征向量 A可以表示为 $\stackrel{\‾}{A}=(a_1,a_2,a_3,\·\·\·,a_{2^n})....\left(1\right)$ 同样，特征向量 A可以分解为一个平均和 A¹以及一个平均差 D¹。也就是说，它可以重写为 A＝ A¹+ A¹。

同样，当L是使用的子波支持的长度时，定标空间内的基本向量

是 ${\stackrel{\‾}{V_1}}^1=(\mathrm{0,0,0},\·\·\·,{\mathrm{\α}}_1,{\mathrm{\α}}_2,\·\·\·{,\mathrm{\α}}_L,0,\·\·\·0,)...\left(2\right)$ 在与定标空间组合的子波空间内的基本向量 是 ${\stackrel{\‾}{W_1}}^1=(\mathrm{0,0,0},\·\·\·,{\mathrm{\β}}_1,{\mathrm{\β}}_2,\·\·\·{\mathrm{\β}}_L,0,\·\·\·0,)...\left(3\right)$ 平均和 A¹与平均差 D¹可以分别表示为 ${\stackrel{\‾}{A}}^1=\underset{i=1}{\overset{t=2^{n-1}}{\mathrm{\Σ}}}(\stackrel{\‾}{A}\·{\stackrel{\‾}{V_1}}^1){\stackrel{\‾}{V_1}}^1...\left(4\right)$ ${\stackrel{\‾}{D}}^1=\underset{i=1}{\overset{t=2^{n-1}}{\mathrm{\Σ}}}(\stackrel{\‾}{A}\·{\stackrel{\‾}{W_1}}^1){\stackrel{\‾}{W_1}}^1...\left(5\right)$ 为了保持一定的周期性，基本向量将环绕着起点。也就是说，从每个向量的左边开始放置的零的数量由下标i到2i确定。

在α’和β’之间存在一种关系，使得分别关于定标系数和子波系数使用平均和项以及平均差项相当合适。例如，该关系如下：β_i＝-1ⁱ⁺¹α_L+1-i。

然后，使用下面的公式， ${\stackrel{\‾}{A}}^k=\underset{i=1}{\overset{t=2^{n-k}}{\mathrm{\Σ}}}({\stackrel{\‾}{A}}^{k-1}\·{\stackrel{\‾}{V_1}}^k){\stackrel{\‾}{V_1}}^k...\left(6\right)$ ${\stackrel{\‾}{D}}^k=\underset{i=1}{\overset{t=2^{n-k}}{\mathrm{\Σ}}}({\stackrel{\‾}{A}}^{k-1}\·{\stackrel{\‾}{W_1}}^k){\stackrel{\‾}{W_1}}^k...\left(7\right)$ 可以对先前的平均和进行连续的分解。由于分解为平均和以及平均差的计算特性，在平均和中，用于描述原始特征向量的几乎所有的基本信息将被保持，而在平均差中，属于高可变化范围的特征向量部分将被保持。在这个优选实施例中，描述将图像向下分解一个等级以通常地去除噪声的例子。

接着，使用预定的门限值完成从分解的结果数据去除噪声(步骤106)，以及计算去除噪声的数据的模式量化值(步骤108)。

确定先前的模式量化值是否等于当前量化值(步骤110)。先前的量化值等于当前的量化值的情况意味着即使使用相应的门限值去除数据的噪声，模式规律性没有改变并被保持。然而，先前的模式量化值不等于当前的量化值的情况意味着当使用相应的门限值去除数据的噪声时模式规律性改变了。

因此，如果先前的模式量化值等于当前的模式量化值，则增加门限值(步骤112)以执行步骤106。如果先前的模式量化值不等于当前的模式量化值，则先前的模式量化值被确定为最后的模式量化值(步骤114)。现在，根据步骤114获得的模式量化值和门限值描述图像的模式重复性(步骤116)。量化值和门限值被表示为数字，并且可描述使用该数字表示的图像的模式重复性。同时，根据描述图像的模式重复性的方法，有效地去除图像的噪声，使得能够有效地描述图像的模式重复性。

根据模式重复性描述方法，提取关于图像的模式重复性的信息，参照提取的模式重复性进行去除噪声，使得有效地去除原始图像的噪声，而不损坏图像的模式重复性。同样，通过去除噪声获得更明确的模式重复性，并且利用根据获得的图像的模式重复性决定的量化值，可将具有周期性模式的图像详细地分类和通过索引(indexing)来存储。

在上述第一优选实施例中，描述了图像被向下分解一个等级的例子。然而，也可能将图像向下分解多个等级。图2说明根据本发明第二个优选实施例，描述图像的模式重复性的方法的主要步骤。参照图2，首先，图像投影在具有预定方向的轴上(步骤202)。计算投影图像的模式量化值(步骤204)。可使用自动化的方案如数字算法或通过肉眼计算量化值，从而获得根据模式的重复性周期决定的量化值。以下，量化值表示为P。

现在，投影的图像向下分解一个等级(步骤206)，计算分解生成的数据的量化值(步骤208)。接着，确定当前的模式量化值是否等于分解后的模式量化值(步骤210)。

先前的模式量化值等于分解后的模式量化值的情况意味着，即使分解的图像已经去除噪声，模式规律没有改变。然而，先前的模式量化值不等于分解后的模式量化值的情况意味着，由于去除了分解的图像噪声，模式规律已经改变。

因此，如果先前的模式量化值等于分解后的模式量化值，则执行步骤206，使得生成的数据向下分解一个等级，并且计算分解的数据的模式量化值(步骤208)，以确定是否先前的模式量化值等于分解后的模式量化值(步骤210)。然而，如果先前的模式量化值不等于分解后的模式量化值，先前的等级确定为最后的等级(步骤212)。因此，执行分解，直到先前的模式量化值和分解后的模式量化值在事实上保持不变的等级为止。

现在，使用预定的门限值将在步骤212确定的等级的数据去除噪声(步骤214)。接着，计算去除噪声的数据的模式量化值(步骤216)，确定是否先前的模式量化值等于当前的模式量化值(步骤218)。

如果确定先前的模式量化值不等于当前的模式量化值，先前的模式量化值确定为最后的模式量化值(步骤222)。如果确定先前的模式量化值等于当前的模式量化值，增加门限值(步骤220)，并且重复地执行步骤214、216和218，使得去除图像的噪声直到当前的模式量化值和先前的模式量化值在事实上保持不变的门限值为止。现在，根据等级数、模式量化值以及门限值描述图像的模式重复性(步骤224)。

根据本发明的模式重复性描述方法，提取图像内有关模式重复性的信息，参照有关提取的模式重复性的信息完成去除噪声，使得有效地去除图像的噪声，而不损坏原始图像内的模式重复性。同样，通过去除噪声获得更明确的模式重复性，并且使用根据获得的图像的模式重复性决定的量化值，具有该模式的图像可以被详细地分类并通过索引来存储。

同样，描述图像模式重复性的方法可以应用于图像索引方法，和应用于将存储了多个图像的图像数据库内具有类似的纹理特性的图像分组的方法。

如按照本发明第一优选实施例的描述图像的模式重复性的方法中所描述的，根据分组图像的方法，增加门限值直到模式量化值被保持为止并且去除分解的数据的噪声。包括去除噪声的数据的模式量化值和用于去除噪声的门限值的模式重复性向量被指定为图像的模式重复性描述符。能够使用图像的模式重复性描述符来分组具有类似纹理特性的图像。

同样，如按照本发明第二优选实施例的描述图像的模式重复性的方法中所描述的，根据分组图像的方法，完成分解直到在该等级上先前的模式量化值和分解后的模式量化值保持不变为止，从而去除图像的噪声，去除噪声的数据的等级数、模式量化值以及用于去除噪声的门限值被确定为图像的模式重复性描述符。能够使用图像的模式重复性描述符来分组具有类似纹理特性的图像。

根据上述分组图像的方法，使用有效的去除噪声的模式重复性执行分组，从而能够增强分组的性能。

根据本发明描述图像的模式重复性的方法可以写成在个人计算机或服务器计算机上执行的程序。形成该程序的程序代码和代码段可以容易地由本领域熟练的计算机程序员编制。同时，该程序可以存储在计算机可读记录介质上。记录介质可以是磁记录介质、光记录介质或广播媒体。

模式重复性描述方法提取关于图像的模式重复性的信息，并参照关于提取的模式重复性的信息完成去除噪声，以便有效地去除原始图像的噪声，而不会损坏原始图像的模式重复性。同时，通过去除噪声可以获得更明确的模式重复性。因此，当应用一般公知的索引方案时，使用根据明确的模式重复性决定的精确的量化值，可以将具有模式的图像详细地分类并且通过索引来存储。

Claims (10)

1.一种描述图像的模式重复性的方法，包括下列步骤：

(a)投影图像在具有预定方向的预定轴上；

(b)向下分解投影的图像一个等级；

(c)增加门限值直到模式量化值被保持为止，并且去除分解的数据的噪声；以及

(d)使用去除噪声的数据的模式量化值和用于去除噪声的门限值描述图像的模式重复性。

2.如权利要求1所述的方法，其中分解基于离散子波变换。

3.如权利要求1所述的方法，其中步骤(c)包括：

(c-1)计算投影图像的模式量化值；

(c-2)将投影图像向下分解一个等级；

(c-3)使用预定的门限值去除分解生成的数据的噪声；

(c-4)计算去除噪声的数据的模式量化值；

(c-5)判别是否当前的模式量化值等于先前的模式量化值；

(c-6)如果当前的模式量化值等于先前的模式量化值则增加门限值，并且返回到步骤(c-3)；以及

(c-7)如果当前的模式量化值不等于先前的模式量化值，确定先前的模式量化值为最后的模式量化值。

4.如权利要求3所述的方法，其中步骤(d)包括：

(d’)根据在步骤(c-7)确定的模式量化值和门限值描述图像的模式重复性。

5.一种图像的模式重复性描述方法，包括下列步骤：

(a)投影图像在具有预定方向的预定轴上；

(b)分解图像直到先前的模式量化值和分解后的模式量化值保持相同的等级为止，并且去除噪声；以及

(c)使用至少等级数和噪声被去除的数据的模式量化值中的一个以及用于去除噪声的门限值来描述图像的模式重复性。

6.如权利要求5所述的方法，其中分解基于离散子波变换。

7.如权利要求5所述的方法，其中步骤(b)包括：

(b-1)计算投影图像的模式量化值；

(b-2)将投影图像向下分解一个等级；

(b-3)计算分解生成的数据的量化值；

(b-4)判别先前的模式量化值是否等于分解后的模式量化值；

(b-5)如果先前的模式量化值等于分解后的模式量化值，返回到步骤(b-2)；以及

(b-6)如果先前的模式量化值不等于分解后的模式量化值，确定先前的等级为最后的等级。

8.如权利要求7所述的方法，其中图像的模式重复性描述方法还包括下列步骤：

(b-7)使用预定的门限值去除在步骤(b-6)确定等级的数据的噪声；

(b-8)计算去除噪声的数据的模式量化值；

(b-9)判别当前的模式量化值是否等于先前的模式量化值；

(b-10)如果当前的模式量化值等于先前的模式量化值，增加门限值并且返回到步骤(b-7)；以及

(b-11)如果当前的模式量化值不等于先前的模式量化值，确定先前的模式量化值为最后的模式量化值。

9.在存储了多个图像的图像数据库内分组具有类似纹理特性的图像的方法，包括下列步骤：

(a)投影图像在具有预定方向的预定轴上；

(b)向下分解投影图像一个等级；

(c)增加门限值直到模式量化值被保持为止，并且去除分解数据的噪声；

(d)确定包括去除噪声的数据的模式量化值和用于去除噪声的门限值的模式重复性向量为图像的模式重复性描述符；以及

(e)使用图像的模式重复性描述符分组具有类似纹理特性的图像。

10.在存储了多个图像的图像数据库内分组具有类似纹理特性的图像的方法，包括下列步骤：

(a)投影图像在具有预定方向的预定轴上；

(b)分解图像直到在该等级上先前的模式量化值和分解后的模式量化值保持相同为止，并且去除噪声；

(c)确定去除噪声的数据的等级数、模式量化值、用于去除噪声的门限值为图像的模式重复性描述符；以及

(d)使用图像的模式重复性描述符分组具有类似纹理特性的图像。

Images