本發(fā)明涉及的是數(shù)字圖像處理技術領域，具體涉及一種基于Radon變換的改進型紋理特征提取算法。

背景技術：

在刑偵和交通事故調(diào)查中，圖像被看作是一條重要的線索，圖像檢索對警方快速的在數(shù)據(jù)庫中找到有用的目標圖像是很重要的，盡管已設計出很多算法來提取圖像的特征，但對于具有一定程度旋轉的圖像檢索卻鮮有人研究。

紋理特征是圖像特征的重要特征之一，它可在時域中描述也可在頻域中描述，Tamura紋理特征和灰度共生矩陣是時域中典型的紋理特征提取算法，傅里葉變換和小波變換是頻域中典型的紋理特征提取算法。

小波變換是典型的圖像多尺度分析方法，但是它在顯示圖像的方向和旋轉方面卻很弱，而且它還有另一個缺點就是對變化很敏感，這嚴重地影響了它在圖像檢索領域的應用。專家們提出了Dual Tree Complex Wavelet transform(DT-CWT)雙數(shù)復小波，克服了小波變換的缺點，但是DT-CWT算法無法克服圖像旋轉所產(chǎn)生的影響，基于此，設計一種新型的基于Radon變換的改進型紋理特征提取算法還是很有必要的。

技術實現(xiàn)要素：

針對現(xiàn)有技術上存在的不足，本發(fā)明目的是在于提供一種基于Radon變換的改進型紋理特征提取算法，設計合理，解決了圖像的移動或者旋轉對產(chǎn)生的小波變換系數(shù)的影響問題，便于圖像檢索，方便高效。

為了實現(xiàn)上述目的，本發(fā)明是通過如下的技術方案來實現(xiàn)：一種基于Radon變換的改進型紋理特征提取算法，包括Radon變換、雙樹復小波變換、子帶系數(shù)的提取、特征值的計算、特征向量的構造、相似度的計算，對圖像進行Radon變換、雙樹復小波變換是本算法的核心；所述Radon變換是對原始圖像進行Radon變換，通過圖像Radon域系數(shù)與圖像旋轉角度的關系來提取旋轉不變量；所述雙樹復小波變換是對Radon變換過后得到的投影矩陣進行的變換；所述子帶系數(shù)的提取、特征值的計算以及特征向量的構造都是在雙樹復小波變換的基礎上進行的；所述相似度的計算是根據(jù)輸入圖像與圖像數(shù)據(jù)庫中，圖像紋理特征向量的歐氏距離來計算的，從而檢索出與目標圖像匹配的圖像。

作為優(yōu)選，所述算法的使用方法如下：

(1)對原始圖像進行Radon變換(g_θi(1),g_θi(2),…,g_θi(N))Radon域θ角方向的投影序列，R_f則是Radon域所有角方向組成的投影矩陣。

(2)對R_f矩陣的每一列，即每個對進行3層雙樹復小波變換，共生成9個高頻子帶和1個低頻子帶。

(3)計算各子帶的均值(M)、方差(σ)、能量(E)，以上10個子帶的均值、方差和能量就生成了1維的特征向量，第i層的均值、方差、能量分別是：

圖像的紋理特征向量即是：f＝(M₁,σ₁,E₁,M₂,σ₂,E₂,…,M₁₀,σ₁₀,E₁₀)。

(4)用紋理特征向量進行相似度計算，根據(jù)計算所得的相似度得出檢索結果。

本發(fā)明的有益效果：可以有效地克服圖像旋轉后在Radon域系數(shù)切片上的平移造成的小波系數(shù)的劇烈變化，既可以利用Radon系數(shù)與圖像旋轉的關系又可以利用雙樹復小波的移不變性來提取不隨圖像旋轉的紋理特征，有效解決了由于圖像旋轉而影響檢索結果的問題。

附圖說明

下面結合附圖和具體實施方式來詳細說明本發(fā)明；

圖1為本發(fā)明的算法原理圖；

圖2為本發(fā)明的流程圖。

具體實施方式

為使本發(fā)明實現(xiàn)的技術手段、創(chuàng)作特征、達成目的與功效易于明白了解，下面結合具體實施方式，進一步闡述本發(fā)明。

參照圖1-2，本具體實施方式采用以下技術方案：一種基于Radon變換的改進型紋理特征提取算法，包括Radon變換、雙樹復小波變換、子帶系數(shù)的提取、特征值的計算、特征向量的構造、相似度的計算，其中對圖像進行Radon變換、雙樹復小波變換是基于Radon變換的改進型紋理特征提取算法的核心。

值得注意的是，所述Radon變換是對原始圖像進行Radon變換，通過圖像Radon域系數(shù)與圖像旋轉角度的關系來提取旋轉不變量。

所述雙樹復小波變換是對Radon變換過后得到的投影矩陣進行的變換，

設f(x)∈R²的雙樹復小波變換為：

<f,ψ_c>＝<f,ψ_h>+j<f,ψ_g>

則對Radon系數(shù)進行雙樹復小波變換則可以被定義為：

DTRFT_f＝<R_f,ψ_h>+j<R_f,ψ_g>

＝∫ψ_c(x)R_f(θ,t)dt+j∫ψ_g(x)R_f(θ,t)dt

所述子帶系數(shù)的R提取、特征值的計R算以及特征向量的構造都是在雙樹復小波變換的基礎上進行的。

所述相似度的計算是根據(jù)輸入圖像與圖像數(shù)據(jù)庫中，圖像紋理特征向量的歐氏距離來計算的，從而檢索出與目標圖像匹配的圖像。

本具體實施方式的使用方法如下：

(1)對原始圖像進行Radon變換(g_θi(1),g_θi(2),…,g_θi(N))Radon域θ角方向的投影序列，R_f則是Radon域所有角方向組成的投影矩陣。

(2)對R_f矩陣的每一列，即每個對進行3層雙樹復小波變換，共生成9個高頻子帶和1個低頻子帶。

(3)計算各子帶的均值(M)、方差(σ)、能量(E)，以上10個子帶的均值、方差和能量就生成了1維的特征向量，第i層的均值、方差、能量分別是：

圖像的紋理特征向量即是：f＝(M₁,σ₁,E₁,M₂,σ₂,E₂,…,M₁₀,σ₁₀,E₁₀)。

(4)用紋理特征向量進行相似度計算，根據(jù)計算所得的相似度得出檢索結果。

當用戶利用圖像的紋理特征進行圖像檢索時，若原始圖像有一定程度的旋轉，即可通過此算法來提取圖像的紋理特征，這樣獲得的紋理特征與旋轉前的圖像的紋理特征相比就沒有劇烈的變化。這種算法運用于圖像檢索系統(tǒng)中就會得到較好的檢索結果，特別是對于輪胎圖像的檢索，由于現(xiàn)有技術對輪胎圖像檢索方面的研究很少，但輪胎痕跡圖像對刑偵和交通事故調(diào)查有很大的作用，所以將基于Radon變換的改進型紋理特征提取算法運用于輪胎圖像檢索中意義重大。

本具體實施方式主要解決了圖像的移動或者旋轉對產(chǎn)生的小波變換系數(shù)的影響問題，算法以Radon變換為基礎，結合雙樹復小波變換對圖像的紋理特征進行提取，克服因圖像旋轉而造成的小波系數(shù)的變化從而影響所提取的圖像的紋理特征以及圖像相似度的對比結果，目前未見有類似技術文章或應用實例出現(xiàn)，是一種高效簡潔的圖像紋理特征提取算法，實用高效，具有廣闊的市場應用前景。

以上顯示和描述了本發(fā)明的基本原理和主要特征和本發(fā)明的優(yōu)點。本行業(yè)的技術人員應該了解，本發(fā)明不受上述實施例的限制，上述實施例和說明書中描述的只是說明本發(fā)明的原理，在不脫離本發(fā)明精神和范圍的前提下，本發(fā)明還會有各種變化和改進，這些變化和改進都落入要求保護的本發(fā)明范圍內(nèi)。本發(fā)明要求保護范圍由所附的權利要求書及其等效物界定。