下载文档原格式
基于灰度共生矩阵（GLCM）的图像纹理分析与提取重磅干货，第一时间送达灰度共生矩阵灰度共生矩阵(Gray Level CO-Occurrence Matrix-GLCM)是图像特征分析与提取的重要方法之一，在纹理分析、特征分类、图像质量评价灯方面都有很重要的应用，其基本原理图示如下：左侧是一个图像，可以看出最小的灰度级别是1，最大的灰度级别是8，共有8个灰度级别。
右侧对应的灰度共生矩阵，左上角第一行与第一列的坐标(1, 1)包含值1，原因在于水平方向上，相距一个像素值，当前像素跟水平右侧相邻像素只有一个是1、1相邻的像素值(灰度级别)对；右侧共生矩阵的原始(1, 2) = 2 说明在像素矩阵中有两个像素值1，2相邻的像素点对、以此类推得到完整的右侧灰度共生矩阵。
根据当前像素跟相邻像素位置不同，可以计算得到不同的共生矩阵，同时根据像素之间的距离不同会输出不同灰度共生矩阵。
总结来说，有如下四种不同角度的灰度共生矩阵：•0度水平方向GLCM•45度方向GLCM•90度垂直方向GLCM•135度方向GLCM根据相邻像素点之间距离参数D不同可以得到不同距离的GLCM。
此外对正常的灰度图像来说，最小灰度值为0，最大的灰度值为255，共计256个灰度级别，所以GLCM的大小为256x256，但是我们可以对灰度级别进行降维操作，比如可以每8个灰度值表示一个level这样，这样原来256x256大小的共生矩阵就可以改成256/8 * 256 /8 = 32x32的共生矩阵。
所以最终影响灰度共生矩阵生成有三个关键参数：•角度 (支持0、45、90、135)•距离（大于等于1个像素单位）•灰度级别(最大GLCM=256 x 56)GLCM实现纹理特征计算灰度共生矩阵支持如下纹理特征计算，它们是：•能量•熵值•对比度•相关性•逆分差这些纹理特征计算公式如下：上述5个是常见的GLCM的纹理特征，GLCM总计由14个特征值输出，这里就不再赘述了！感兴趣的可以自己搜索关键字GLCM。
基于灰度共生矩阵的图像分割方法研究时间：2009-12-16 11:13:13 来源：电子科技作者：宁顺刚，白万民，喻钧西安工业大学计算机科学与工程学院所谓图像分割就是指把图像分成各具特性的区域，并提取出感兴趣目标的技术和过程。
它是数字图像处理中的关键技术之一，是进一步进行图像识别、分析和理解的基础。
目前图像分割方面现有的算法非常多，将它们进行分类的方法也提出了不少。
一般分为3类：(1)阈值分割；(2)边缘检测；(3)区域提取。
但还没有一种方法能普遍适用于各种图像。
因此，对于图像分割的研究还在不断深人之中，也是目前图像处理中研究的热点之一。
随着科技的发展进步，图像处理在军事中的运用也越来越广泛，这主要集中在迷彩设计这方面。
而现在军事上的伪装迷彩是现代高技术战争中隐藏武器装备、保存自我的重要手段，也是消灭敌人的需要。
因此对于迷彩的设计研究也一直都是各国的热门话题。
文中主要以某山地航拍图为研究对像，对其进行背景分析然后再实现图像分割，为后期迷彩设计做准备。
由于该山地背景纹理特征明显，故利用纹理分析对其进行背景分析，而灰度共生矩阵是纹理分析方法中最常用的一种方法。
文中采用灰度共生矩阵方法对该图像进行分割研究。
1 灰度共生矩阵灰度共生矩阵(Gray Level Co-occurrence Ma-trix，GLCM)是图像纹理分析方法中的一种，它反映不同像素相对位置的空间信息，在一定程度上反映了纹理图像中各灰度级在空间上的分布特性，是纹理分析领域中最经常采用的特征之一。
灰度共生矩阵是图像灰度变化的二阶统计度量，也是描述纹理结构性质特征的基本函数，它统计了两个像素点位置的联合概率分布。
设S为目标区域R中具有特定空间联系的像素对的集合，则共生矩阵P可定义为式(1)等号右边的分子是具有某种空间关系、灰度值分别为i，j的像素对的个数，分母为像素对的总和个数(#代表数量)，这样得到的P是归一化的。
对于一幅图像Gf(i，j)，大小N×N，包含像素(动态范围为G)的灰度级为{0，1，…，G-1}，它的灰度共生矩阵是一个二维矩阵C(i，J)，每个矩阵元素表示在某一距离d和角度θ强度i 和j联合出现的概率。
一种基丁灰度梯度共生特征的复小波域纹理检索方法摘要：在图像经频域分解后的子带系数上引入灰度梯度共生矩阵，且计算低冗余度的特征值。
将该特征应用丁各种频域变换的子带系数上，并提出一种基丁双树复数小波分解的灰度梯度共生矩阵纹理检索方法，实验结果表明，该方法有效的提高了检索精度。
关键词：灰度梯度共生矩阵；小波变换；曲波变换；轮廓波变换；双树复数小波变换；图像检索1. 引言20世纪90年代以来随着多媒体技术和互联网技术的快速发展，对图像库进行有效管理和利用的需求越发迫切，图像检索作为其中的关键技术受到人们的广泛关注。
传统的基丁文本的检索技术由丁具有人工提取工作量大且主观性强，文本描述不能充分表达图像内涵，文本二义性等缺点已不能适用丁大规模图像集，因此，基丁内容的图像检索(Content Based Image Retrieval,CBIR逐渐成为研究热点。
CBIR是指利用图像的视觉内容，如颜色，纹理，形状，空间布局，语义等，从大量图像数据中搜索用户感兴趣的图像。
国内外学者对图像纹理进行了大量的研究。
根据信号处理理论，图像纹理特征的提取方法可分为：空间域方法和频域方法［1］。
空间域方法可归类为统计方法，结构方法或混合方法［1-5］。
频域方法中常用的有Gabor变换［6］, Wavelet变换［7］, Curvelet变换［8,9］, Contourlet变换［10,11］,DT-CWT 变换［12,13］等。
图像经频域方法分解得到的子带系数反映的是图像的灰度分布特征，不包含系数之间的关系。
因此，我们在频域方法的基础上引入灰度梯度共生矩阵(GLGCM,Gray Level-Gradient Cooccurrence Matrix),在保留图像灰度信息的同时引入图像的梯度信息以获得更丰富的纹理信息。
自Haralick.R.M ［14］提出共生矩阵方法以来，该方法成为提取纹理特征的主要方法之一，被应用丁图像处理的各个领域。
—214—数据反差明显且分布集中，而普通连续色调的图像灰度层次丰富，分布相对均匀。
这种差异使得作者有可能通过提取图像的底层特征将文本图像与非文本图像加以区分。
在图像检索[1]和识别[2]实践中，常用的图像特征主要包括颜色、形状和纹理。
由于文本图像与一般图像在纹理上的差异相对明显，因此根据纹理特征对文本和非文本图像进行区分是一种自然的想法。
而在众多的纹理表示方法中，灰度共生矩阵是一种经过实践检验比较有效的纹理特征[3,4]。
文献[2]针对文本图像识别提出了3种识别方法：基于纹理的识别方法，基于颜色的识别方法及前两种方法的融合识别方法。
基于纹理的识别方法是利用灰度共生矩阵的两个统计参数——反差和灰度相关识别文本图像，虚报率极高；融合识别方法在3者中性能最好，但其识别率仍然较低。
1 文本图像纹理特征分析纹理通常定义为图像的某种局部性质,或是对局部区域中像素之间关系的一种度量。
纹理特征可用来对图像中的空间信息进行一定程度的定量描述。
纹理特征提取的一种有效方法是以灰度级的空间相关矩阵即共生矩阵为基础的[1~3]。
灰度共生矩阵的生成方法如下：在图像中任意取一点)(x,y 及偏离它的另一点b)a,y (x ++，设该点对的灰度值为(i,j)。
再令点)(x,y 在整幅图像上移动，则会得到各种)(i,j 值，设灰度值的级数为k ，则i 与j 的组合共有k k ×种。
对于整幅图像，统计出每一种)(i,j 值出现的次数，然后排列成一个方阵，再用)(i,j 出现的总次数将它们归一化为出现的概率ij P 。
这样即得到了图像的灰度共生矩阵。
距离差分值)(a,b 取不同的数值组合，可以得到沿一定方向像元之间相隔一定距离含大量文字的图像表现出来的纹理与其它一般图像的纹理有很大不同。
对于前者，不论文字被嵌入的图像内容如何，文字相对于背景的灰度对比度总是很高，而且文字总是由短小的线段（如横或竖等）组成的，这便构成了一种有周期性的纹理。
纹理特征分析的灰度共⽣矩阵（GLCM）纹理分析是对图像灰度（浓淡）空间分布模式的提取和分析。
纹理分析在遥感图像、X射线照⽚、细胞图像判读和处理⽅⾯有⼴泛的应⽤。
关于纹理，还没有⼀个统⼀的数学模型。
它起源于表征纺织品表⾯性质的纹理概念，可以⽤来描述任何物质组成成分的排列情况，例如医学上X 射线照⽚中的肺纹理、⾎管纹理、航天(或航空)地形照⽚中的岩性纹理等。
图像处理中的视觉纹理通常理解为某种基本模式（⾊调基元）的重复排列。
因此描述⼀种纹理包括确定组成纹理的⾊调基元和确定⾊调基元间的相互关系。
纹理是⼀种区域特性，因此与区域的⼤⼩和形状有关。
两种纹理模式之间的边界，可以通过观察纹理度量是否发⽣显著改变来确定。
纹理是物体结构的反映，分析纹理可以得到图像中物体的重要信息，是、和分类识别的重要⼿段。
对于空间域图像或变换域图像（见），可以⽤统计和结构两种⽅法进⾏纹理分析。
统计纹理分析寻找刻划纹理的数字特征，⽤这些特征或同时结合其他⾮纹理特征对图像中的区域（⽽不是单个像素）进⾏分类。
图像局部区域的⾃相关函数、灰度共⽣矩阵、灰度游程以及灰度分布的各种统计量，是常⽤的数字纹理特征。
如灰度共⽣矩阵⽤灰度的空间分布表征纹理。
由于粗纹理的灰度分布随距离的变化⽐细纹理缓慢得多，因此⼆者有完全不同的灰度共⽣矩阵。
结构纹理分析研究组成纹理的基元和它们的排列规则。
基元可以是⼀个像素的灰度、也可以是具有特定性质的连通的像素集合。
基元的排列规则常⽤来描述。
英⽂名称 Texture Analysis;学术解释 指通过⼀定的图像处理技术提取出纹理特征参数,从⽽获得纹理的定量或定性描述的处理过程.纹理分析⽅法按其性质⽽⾔,可分为两⼤类:统计分析⽅法和结构分析⽅法学术定义 纹理是⼀种普遍存在的视觉现象，⽬前对于纹理的精确定义还未形成统⼀认识，多根据应⽤需要做出不同定义． 定义1 按⼀定规则对元素（elements）或基元（primitives）进⾏排列所形成的重复模式. 定义2 如果图像函数的⼀组局部属性是恒定的，或者是缓变的，或者是近似周期性的，则图象中的对应区域具有恒定的纹理．作⽤分析 对这种表⾯纹理的研究称为纹理分析.它在计算机视觉领域有着重要的应⽤. 在机械⼯程中对机械零件加⼯表⾯的这种凹凸不平性开展研究同样具有重要的实践意义。
第31卷第9期2006年9月武汉大学学报#信息科学版Geo matics and Informat ion Science of W uhan U niver sity V ol.31N o.9Sept.2006收稿日期:2006-06-27。
文章编号:1671-8860(2006)09-0761-04文献标志码:A一种有效的基于灰度共生矩阵的图像检索方法王 波1 姚宏宇1 李弼程1(1 信息工程大学信息工程学院,郑州市俭学街7号,450052)摘 要:提出了一种基于广义图像灰度共生矩阵的图像检索方法。
该方法首先将原图像作平滑处理得到平滑图像,然后将原图像和平滑图像组合得到广义图像灰度共生矩阵,提取该矩阵的统计特征量,最后将该统计量组成归一化向量用以检索。
实验结果表明,本方法的效果要优于单纯的灰度共生矩阵法。
关键词:图像检索;基于内容的检索;平滑图像;共生矩阵中图法分类号:T P751;P237.3基于内容的图像检索[1]主要采用较低层次的图像特征,如颜色、纹理和形状等。
至于高层次的语义特征,由于在图像内容表示中出现的/语义鸿沟0问题[2]的解决还有待突破,而颜色、纹理和形状易于实现特征的自动提取,因而,现有的一些图像检索系统大都采用这几种特征或将这几种特征综合起来应用。
在图像检索中,较常用的纹理特征主要有Tamura 纹理特征、自回归纹理模型、方向性特征、小波变换和共生矩阵等形式[3]。
这些纹理分析方法的共同点就是提取了那些在特定纹理描述中最重要的特征,突出纹理的不同方面。
其中,基于共生矩阵的纹理检索算法被广泛应用。
共生矩阵法[4,5],又称为灰度联合概率矩阵法(灰度共生概率矩阵法),是对图像的所有像元进行统计调查,以便描述其灰度分布的一种方法。
此方法在多数情况下是有效的,但由于灰度共生矩阵本身具有方向性,从该矩阵提取的统计量只能反映某一方向的信息。
虽然检索时采用了4个方向的统计量作平均,但还是不能很好地表达图像的全局信息。
第31卷第9期2006年9月武汉大学学报#信息科学版Geo matics and Informat ion Science of W uhan U niver sity V ol.31N o.9Sept.2006收稿日期:2006-06-27。
文章编号:1671-8860(2006)09-0761-04文献标志码:A一种有效的基于灰度共生矩阵的图像检索方法王 波1 姚宏宇1 李弼程1(1 信息工程大学信息工程学院,郑州市俭学街7号,450052)摘 要:提出了一种基于广义图像灰度共生矩阵的图像检索方法。
该方法首先将原图像作平滑处理得到平滑图像,然后将原图像和平滑图像组合得到广义图像灰度共生矩阵,提取该矩阵的统计特征量,最后将该统计量组成归一化向量用以检索。
实验结果表明,本方法的效果要优于单纯的灰度共生矩阵法。
关键词:图像检索;基于内容的检索;平滑图像;共生矩阵中图法分类号:T P751;P237.3基于内容的图像检索[1]主要采用较低层次的图像特征,如颜色、纹理和形状等。
至于高层次的语义特征,由于在图像内容表示中出现的/语义鸿沟0问题[2]的解决还有待突破,而颜色、纹理和形状易于实现特征的自动提取,因而,现有的一些图像检索系统大都采用这几种特征或将这几种特征综合起来应用。
在图像检索中,较常用的纹理特征主要有Tamura 纹理特征、自回归纹理模型、方向性特征、小波变换和共生矩阵等形式[3]。
这些纹理分析方法的共同点就是提取了那些在特定纹理描述中最重要的特征,突出纹理的不同方面。
其中,基于共生矩阵的纹理检索算法被广泛应用。
共生矩阵法[4,5],又称为灰度联合概率矩阵法(灰度共生概率矩阵法),是对图像的所有像元进行统计调查,以便描述其灰度分布的一种方法。
此方法在多数情况下是有效的,但由于灰度共生矩阵本身具有方向性,从该矩阵提取的统计量只能反映某一方向的信息。
虽然检索时采用了4个方向的统计量作平均,但还是不能很好地表达图像的全局信息。
另外,对有相同内容但尺寸相差很大的两幅图像,在用该方法进行检索时,由于所统计的像素数目存在较大差别,而影响了检索结果的精确性。
1 算法描述1.1 广义图像灰度共生矩阵把原图像与平滑图像相对应的两个像素点组合起来,形成一个二元矢量,把所得的二元矢量的集合称为广义图像。
广义图像灰度共生矩阵法考虑了原始图像灰度级与平滑图像灰度级的联合统计分布。
这种方法的实现过程与灰度共生矩阵法类似。
设原图像为f (x ,y ),x =1,2,,,M;y =1,2,,,N ,其灰度级为L 。
采用3@3或者5@5点阵对原始图像进行平滑处理,得到平滑图像g(x ,y ),x =1,2,,,M ,y =1,2,,,N ,其灰度级也为L 。
广义图像的灰度共生矩阵为{H ij ,i =0,1,,,L -1;j =0,1,,,L -1},其中,H ij 定义为集合{(x ,y)|f (x ,y )=I ,g (x ,y )=j }中元素的数目。
将{H ij }作归一化处理,得到归一化的广义图像灰度共生矩阵{P ij },使其各元素之和为1。
1.2 统计特征类似于灰度共生矩阵法,利用归一化的广义图像灰度共生矩阵{P ij }可以定义各种特征统计量,如反差、熵、能量与相关等。
1)惯性T 1=E L-1i=0EL g -1j=0(i,j )2P ij(1)2)混合熵T 2=E L-1i=0E L g -1j =0Pijlg P ij (2)3)能量T 3=E L-1i=0E L g -1j=0P2ij(3)武汉大学学报#信息科学版2006年9月4)相关T 4=1R x R yE L-1i=0EL g -1j=0(i -L x )(j -L y )P ij (4)式中,L x 为灰度平均;L y 为平滑平均;R 2x 为灰度方差;R 2y 为平滑方差。
L x =E L-1i=0i E L g-1j =0Pij(5)L y =E L g-1j =0j E L-1i=0Pij(6)R 2x=E L-1i=0(i -L x)2E L g -1j=0Pij(7)R 2y=E L g-1j=0(j -L y )2E L-1i=0Pij(8)1.3 检索方法对每幅图像计算得到4维特征向量T =[T 1,T 2,T 3,T 4],用以表示图像的纹理特征,距离匹配采用欧氏距离:D ij =(T i,1-T j ,1)2+(T i,2-T j ,2)2+(T i,3-T j ,3)2+(T i,4-T j ,4)2(9)但由于以上4个分量的物理意义和取值范围不同,小的分量和较大的分量相比,在计算时会被忽略,所以同样需对它们进行特征内部归一化。
这样在计算相似距离时,可使各分量具有相同权重。
归一化时,仍采用高斯归一化方法[3]。
2 实验结果实验采用两个图像库,分别为Brodatz 图像库和Brodatz 图标库,都含有112幅纹理图像。
Bro -datz 图标库中的图像是Brodatz 图像库中对应图像的小图标,该图标与其对应的图像有相同的内容,但图像在大小上相差很大。
为了方便,这里分别把两个图像库中的图像叫作原图和图标。
原图均为640像素@640像素@256像素,而图标均为75@75@24bits 。
系统软件在VC ++6.0环境下开发。
首先分别对两个图像库中的每一幅图像提取纹理特征,将其存入特征库,这里分别称为Brodatz 特征库和Bro datzIcon 特征库。
本文分别就图像发生旋转及大小变化进行了实验,同时也给出了在通常情况下的检索结果。
在检索中,输入示例图像后,系统将目标图像库中的图像按式(9)排序,返回排序后的结果,位序用R 表示。
对于一种有效的算法来说,越相似的图像,对应的距离就越小,R 值就越小。
由于本实验中所用的图像库均含有112幅图像,所以R 的取值范围为[1,112]。
若R 值太大,说明该算法认为两幅图像相差很大,将此情况视为不成功。
考虑到图像总数为112,本文选取R [15的实验结果视为有效的。
2.1 测试算法检索相似图像的效果从Bro datz 图像库中选取两组纹理基本相同的图像(图1),分别为10幅和7幅。
对一组中的每幅图像,在图像库中检索相似图像,设在最相似的N 个图像中相关图像的数目为M ,N 是图像组包含的图像数目,则检索精度为:p =M/N (10)以此参数作为检索精度的评价标准,实验结果见表1。
表1 算法检索相似图像的能力T ab.1 Capacity of M ethod w ith Similar Imag es图像组/方法平均最高最低图像组一/原方法0.670.800.10图像组一/新方法0.620.800.50图像组二/原方法0.470.710.14图像组二/新方法0.510.710.29表1中,新方法与原方法检索精度的最大值相同,但相比较而言,新算法的最低值要高于原方法,也就是说,在最坏的情况下好于原算法。
分别对两组图像统计检索精度的平均值,由表中可看出该值互有高低。
总地来说,两种算法对相似图像的检索能力相当。
图1 测试图像组F ig.1G ro ups of T esting Images2.2 算法对图像旋转变化后的检索能力以Bro datz 图像库为例,对它作如下操作:将一幅图像顺时针旋转20b 得到新图像,然后在Bro datz 图像库中检索该图像,检索结果即为正确图像(未经旋转的图像)的位序R ,最好的结果是R 值为1,将满足条件R [15的结果视为成功的检索结果。
对每一位序R 所对应的区间[0,R],统计该区间内成功检索结果的个数,记为sum (R )。
定义位序百分比P (R)为:P(R )=sum (R )/112(11)P(R )的意义在于:对于给定的R 值,P (R)表762第31卷第9期王 波等:一种有效的基于灰度共生矩阵的图像检索方法示在小于或等于R 值范围内成功检索结果个数的百分比。
在比较两种算法的图像识别能力时,P(R )值越高,说明算法检索成功率也相对越高。
统计结果见图2,这里由于只统计成功的检索结果(R [15),所以P(R )=P(15)(R 515),因此,作图只需表示P(1)~P (15)。
图2为针对旋转图像检索的P (R )-R 曲线图。
图2中,最大值高于原算法81.08%,最小值为39.64%,而平均值则高出原算法70.58%。
值得一提的是,新算法的成功率高达99.09%,而原算法仅为25.23%。
图2 算法识别旋转图像的能力Fig.2 Capacit y of M etho d w ith Ro tated Imag es2.3 算法对图像大小变化后的检索能力考虑到两个图像库中的图像内容相同,但大小相差很大,所以用Brodatz 原图在Brodatz 图标库中检索,或将图标图像在Br odatz 图像库中检索,不失为测试算法性能的一种有效的方法。
实验结果见图3。
其中,图3(a)图表明了由大图像识别小图像的能力,而图3(b)说明了由小图像识别大图像的能力。
图3的结果表明,新方法比原算法分别平均高出4.39%和4.28%,最大值相差均为7.21%。
图3 算法对图像大小发生变化后的识别能力Fig.3 Recog nitio n Capacity o f M ethod withD ifferent Size Images3 结 语通常情况下,经典的基于灰度共生矩阵的方法对相似图像的检索有着很好的效果,但由于该矩阵是对某一方向而言,虽然检索时采用了各方向的统计量平均值,但对图像发生了一定角度的旋转仍无法解决。
另一方面,对大小相差悬殊的两幅图像,由于生成矩阵时统计的数据相差很大,因而检索效果受到很大的影响。
而在本文中,基于广义图像灰度共生矩阵的方法引入了图像的空间信息,克服了上面的两个问题。
实验表明,在对相似图像检索时,该算法与基于共生矩阵的经典算法相当,在面临同一内容的图像大小显著改变或发生旋转的情况下,该算法明显优于经典算法。
相比较而言,该算法提高了检索的有效性。
参 考 文 献[1] A slando gan Y A ,Y u C T .T echniques and Systemsfo r Imag e and V ideo Retriev al[J].IEEE T r ans.on K no wledg e and Data Eng ineering ,1999,11(1):56-63[2] Wang Huifeng,Sun Zheng x ing.Semant ic Imag eRetr ieval:Rev iew and Research [J ].Journal o f Comput er Research and Development,2002,39(5):513-521[3] Zhuang Yueting,P an Y unhe.Web -Based M ultime -dia Informat ion Analysis and Retrieval [M ].Be-i jing :T sing hua U niv ersity Publish,2002[4] Furht B,Smo liar S W,Zhang H ong long ,et al.V ideo and Imag e P rocessing in M ultimedia Systems [M ].Bosto n:K luwer A cademic P ublisher s,1995:226-270[5] L iu Zhongw ei,Zhang Y ujin.Imag e Retrieval U singBo th Colo r and T ex ture F eatur es [J].Journal o f China Institute o f Communications,1999,20(5):36-40[6] Wang Yu,L i Bicheng .A n Efficient Co ntent -BasedRetr ieval M etho d for Images [J].Co mputer Eng -i neer ing and Application,2002,38(20):81-83[7] M anjunath B S,O hm J.Colo r and T ext ur e Descrip -tor s[J].IEEE T ransactions on Circuits and Sys -tems for V ideo T echnolog y,2001,11(6):703-715[8] M inh N D,M ar tin V.Wav elet -Based T extur e Re -trieval U sing Generalized Gaussian Density and K ullback L eibler Distance [J ].I EEE T ransact ions on Imag e Pr ocessing ,2002,11(2):146-158[9] H aley G M ,M anjunath B S.Rotat ion Invar iantT ex ture Classificat ion U sing a Co mplete Space -fre -quency M odel[J].IEEE T r ans,Imag e P rocessing,1999(8):255-269[10]L i C S,Smith J R,Castelli V ,et al.Berg man,Comparing T extur e Featur e Sets fo r Retr ieving Cor e763武汉大学学报#信息科学版2006年9月Imag es in P etro leum A pplicat ions[C].SP IE,SanJose,CA,1999[11]M a Weiying,M anjunat h B S.A T ex tur e T hesaurusfor Bro wsing Lar ge A erial Photo g raphs[J].J.A r m.Sci.,1998,49(7):633-648第一作者简介:王波,博士生。
