《基于局部领域旋转直角模式的图像检索技术研究-洪天昊.pdf》由会员分享，可在线阅读，更多相关《基于局部领域旋转直角模式的图像检索技术研究-洪天昊.pdf（58页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、万方数据学校代码：10240学号：Y1410120302学位论文基于局部邻域旋转直角模式的图像检索技术研究指导教师姓名：申请学位级别：论文提交日期：授予学位单位：洪天昊赵志杰 教授硕士2017年4月哈尔滨商业大学哈尔滨商业大学学科专业： 计算机应用技术论文答辩日期： 2017年6月授予学位日期： 2017年6月右甭溶商棠大学万方数据J0 1 3 l l 9 1UniVersity Code： 】0240Register Code：Y1410120302Dissertation for the De铲ee of MasterImage RetrieVal 7rechn0109y Research
2、 Based onLocal Neighborhood Rotation Rightan91e PattemsCandidate：Supervisor：Associate Supelvisor：Academic Degree AppHed for：SpeciaH哆：Date of oral Examination：UniVerSi哼：Hong TianhaoProf zhao Zh巧ieMaster of EngineeringComputer Application TechnologyHarbin UniVerSity of Commerce万方数据哈尔滨商业大学硕士学位论文原创性声明本人
3、郑重声明：本论文的所有工作，是在导师的指导下，由作者本人独立完成的。有关观点、方法、数据和文献等的引用已在文中指出，并与参考文献相对应。除文中已经注明引用的内容外，本论文不包含任何其他个人或集体己经公开发表的作品成果。对本文的研究做出重要贡献的个人和集体，均已存文中以明确方式标明。本论文文责自负。学位论文作者签名：；衷天宴 签字日期：2。n年占月日哈尔滨商业大学硕士学位论文版权使用授权书本论文系作者本人在哈尔滨商业大学攻读硕士学位期间，在导师指导下完成的硕士学位论文。本论文的研究成果归哈尔滨商业大学所有，本论文的研究内容不得以其他单位的名义发表。本人完全了解哈尔滨商业大学关于保留、使用学位论文
4、的规定，同意学校保留、送交本论文的复印件，允许本论文被查阅和借阅；学校可以公布本论文的全部或部分内容，可以采用影印、缩印或其他复制手段保存、汇编本学位论文。保密口， 在 年解密后适用本授权书。本学位论文属于不保密Z学位论文作者签名：裂秀晏 签字日期： 2c7r7年6月谚日翮繇弋戈歪 签字嘿酬7年6月可日万方数据摘要摘要从海量数字图像资源中准确的搜索到特定图像是多年来图像处理研究领域内的研究热点。传统基于文本的图像检索技术(TBIR)由于成本昂贵、费时且主观性太强等因素，导致在庞人的数据库中难以有效的达到检索目的。相比而言，基于内容的图像检索技术(CBlR)面对多元化且较为复杂的数字图像数据库显
5、得十分有效。cBlR使用底层图像特征自动提取图像内容，避免_，基于文本检索技术的弊端，从而能够高效的完成整个图像检索过程。底层图像特征包括图像的颜色特征、纹理特征以及形状特征等。其中，图像的纹理特征是较为重要且突出的视觉特征。传统的基于纹理特征图像检索算法在阈值的选择上具有局限性，选择灰度图像损失了图像部分信息，无法提供高检索精度的检索结果。为了提高检索性能，寻求更有效的纹理特征来描述图像信息显得尤为重要。针对上述问题，本文提出一种基于局部邻域旋转直角模式的图像检索方法。首先，在保留原始彩色图像的颜色信息基础上，通过RGB颜色空间分离图像的R、G、B单道色分量，分别对三个分量进行二维离散小波变
6、换，取各分量的低频子带。其次，基于VLBP模式针对各颜色分量低频子带构建局部模式，在选择恰当的自适应阈值基础上，使用局部邻域旋转直角模式针对所构建的局部模式计算局部邻域旋转直角模式值，通过直方图的形式表征特征向量，并基于旋转不变均匀LBP模式对特征向量进行降维处理。最后，将单幅图像的特征向量与图像数据库中图像特征向量进行特征相似度度量，使用平均查准率(ARP)以及平均查全率(ARR)对图像检索结果进行评价。实验结果表明，该算法较传统算法平均查准率以及平均查全率较高，检索效果较为突出。关键词图像检索；纹理特征；局部邻域旋转直角模式万方数据1合尔滨|；业大学硕上学位论文AbstractThe ac
7、curate search of specinc images f沁m huge digital jmage resources has been aresearch focus in the neld of image processing for many years1t is di币cult for tradiIionaIlext-based image retrieVaI(TB JR)to achieVe retrieVal goals in la唱e databases because of itshigh cost，time consuming，and subjectiVity1n
8、 contrast，content-based image retrieval(CBIR)s Ve叫eflfectiVe in dealing with diVerse and complex digital image databases1n CBlR theunderlying image features are used to automatically extract image content，which aVoids thedrawbacks of text rete、，aI technologyand e衢ciently completes the entire image r
9、etrieValprocessThe underJying image fealures incIude image color features，texture features and shapefeatures，etcThe image texture features are imponant and prominent Visual featuresThetradjtional image retrieVal algorithm baSed on texture features has limitations in the choice ofthreshold，in which g
10、ray image selection results in the partial intomation loss of images andsearch results with high retrieVaI accuracy can not be pr0Vided1n order to improVe theretrieVal perfonTlance，it is Very important to seek more efE-ectiVe texture features to descrbeimage inforrnationTb solve the aboVe pmblems，an
11、 image retrieVal method based on local neighborhoodrotation right angle pattem is proposed in this paperFirStly，on the basis of preserVing thecolor infonnation of the original color image，the R，G and B single coIor components of themage are separated by RGB color space，and the three components are r
12、espectiVely discretizedby咐o-dimensional discrete waVelet transform，and the low抒equency sub-band of eachcomponent is takenSecondly，based on the VLBP pattem，Iocal mode is constmcted for tlelclw-fequency sub-band of each color component0n the basis of the appropriate adaptiVethreshold，Iocal neighborhoo
13、d rota“on rightangIe pattems is used to calculate the VaIue oflocal nei曲borhood mtation ri曲t-angle pattemsFeature Vector is shown by histogram anddimensionality reduction is conducted based on rotation inVariant and unifonn LBP pattemFinally，the feature Vectors in a sin91e image and image database a
14、re meaSured by featuresimilarity，and image ret“eVal results are eValuated by the aVerage precision(ARP)andaverage recall(ARR)The experimental results show that me algorithm is better than theII万方数据Abstracttraditional aIgorjthm in aVerage precision，aveI。age recall rate and the retrieVal effectKey wor
15、ds image retrieVal；texture feature：】ocal neighborhood rotatioll righf-angle pattemsIll万方数据n：尔滨向业大学硕j一学缸沦文目 录摘要IAbstract。lI1舞论111研究课题的目的和意义l12国内外研究现状213论文总体结构72基于纹理特征图像检索技术相关理论821基于纹理特征图像检索整体框架822局部纹理特征提取算法92 r2-1 LBP纹理特征模式及其衍生模式9222 VLBP纹理特征模式11223 LTP纹理特征模式1 223特征匹配相似性度量算法1224图像匹配客观评价准则1 325本章小结。14
16、3基于局部邻域旋转直角模式的纹理特征提取算法1531基于局部邻域旋转直角模式特征提取框架1532彩色图像预处理17321颜色空间选取一17322二维离散小波变换1933局部邻域旋转直角模式特征提取算法20331局部模式的构建21332局部邻域旋转直角模式22333局部自适应阈值计算。2534本章小结274实验结果与分析2841实验数据来源2842参数选择实验29421颜色分量低频予带排列顺序选择实验294_22阂值选择实验30423相似度度量算法选择实验3 143检索算法对比实验-3244本章小结4l结论42V万方数据目录参考文献43攻读学位期间发表的学术论文。48致谢49V万方数据Engli
17、sh Catalogchinese AbstractIEn glish AbstractIl1 Introduc“0nl11 Purpose and signmcance12 Research status at home and abroad一13 0verall stmcture“2 11exture feature based image retrieval technologyd21 TeXture feature based image retrieVal frameworko22 Local texture feature extraction algorithm一7221 Loc
18、al binary patterns and its deriVatiVe pattems。72-22、，olume local binary pattems一223 Local temary patterns23 Similarity measurement algorithm“24 Evaluation ofthe ret“eval pe响nnanceJJ25 ChaDter summary3 Texture feature extraction based on local ne追hborhood rotation rightangle patterns”1531 Feature ext
19、raction framework based on local nei曲bomood ro协tion ri曲tangIe panem3I532 Color image preprocessing321 Color space selection322 T、vodimensional discrete wavelet transtomL”“33 Feature extraction algorithm for 10cal neighborh00d rotation ri曲tangle p稚em5203_31 Construction of local panems一332 LocaI ne培h
20、borh00d rotation ri曲t柚gle pattems”“333 Calculation of local adapti、，e threshold二J34 Chapter summary一。4 ExperimentaI results and anaIysis。二。41 Sources ofexperimentaI datau42 Parameter selection experiment一。421 Selection experiment oflowfrequency subband arrangement ofcolor componentS-。29422 Selection
21、 experiment ofthresholdju423 Selection experiment of similarity measurementJ143 Comparison experiment ofdi仃erent retrieval algorithmsjz44 Chapter summaD，。C帆clusionVT万方数据References43Published academic papers48Acknowledgement49万方数据绪论1绪论11研究课题的目的和意义从工业时代创新1O到信息时代创新20，从90年代物联网诞生到现如今互联网发展新形态“互联网+”演变初成，知识
22、社会的创新演进持续推动着社会经济的不断发展。人们生活水平日渐提升，大量社会产物也随之形成，图像、文字等信息来源和信息量也同样随之不断丰富起来。虚拟现实、增强现实以及可穿戴技术的彳i断革新和互联网的广泛应用，促使图像处理技术的需求与日俱增。研究人员可以利用图像所蕴含的大量信息在图像处理、计算机视觉以及模式识别等诸多领域进行科研工作，图像己逐渐成为人类获取信息的重要来源。当今社会人类更加依赖于从图像中获取所需要的信息，面对日益庞大、类别丰富的数字图像数据库，对图像进行切实有效的检索显得尤为重要。传统的基于文本图像检索技术TBIR(TexturalBased lmage Retrieval)是针对每
23、幅图像的关键字进行单纯文字属性匹配进而完成整个图像检索的过程，它需要人为的根据自身理解对每幅图像使用文本进行依次文字注解，然后利用基于文本的数据库管理系统DBMs(Database Management syStem)对每幅图像相应的文字注解进行分析处理，从而达到图像检索的目的。TBIR技术旨在将对图像的查询检索转变为基于对文字属性标签的查询检索，但这种传统的基于文本图像检索方法存在以下几个问题：l、复杂的图像内容难以用简洁的文字标签进行表示；2、文字标签具有多样性和不确定性；3、过多的主观因素严重影响检索结果。随着图像采集图像获取技术不断革新，图像所蕴含的信息数据量日益庞大，TBIR技术已无
24、法继续支撑海量且内容丰富的图像数据库。20世纪90年代，基于内容的图像检索技术CBIR(Content-Based Image Retrieval)应运而生，其主要的思想是根据图像中所包含的颜色、纹理以及形状等特征信息，通过直方图等诸多形式对每幅图像建立特征向量，基于图像的一维或多维特征利用相似性度量算法将待检索图像与图像库中图像进行相似性匹配从而完成图像检索，此项技术是目前图像处理、计算机视觉以及模式识别等诸多领域的研究热点。CBlR技术对推进数字图像技术的发展有不可或缺的重要作用。随着数据库技术研究的层层深入，计算机视觉、模式识别以及人工智能的不断发展，此项技术在人力层面上较大程度上减少了
25、工作量，在降低人工成本、提高检索精确度的同时降低了图像检索所需要花费的时间，图像检索效率有了大幅度提升。与此同时，电子商务、卫星遥感、医1万方数据哈尔滨商业大学硕上学位论文疗图像检索以及商标版权维护等诸多领域同样在推动cBlR技术彳i断发展，医学图像检索、服装图像检索12J以及手绘图像检索13l等领域是近年来研究的热门问题。cBlR技术融合了计算机图形学、数字图像处理、多媒体技术以及数据库技术等多个领域的研究成果，是一个具有长远发展前景的研究方向，且该项技术研宄的深入必将推动其它诸多相关领域共同发展。由此可见，基于内容的图像检索技术应用前景十分广阔，对推动社会发展起着至关重要的作用。12国内外
26、研究现状1992年Hirata等人41提出基于内容的图像检索技术cBlR这一概念。cBlR技术的核心是通过某种算法提取图像特征并结合相似性匹配技术从而达到检索目的。目前，有多种特征用来作为索引特征向量，大体上可分为底层视觉特征和高层语义特征。底层视觉特征主要包括颜色、纹理以及形状等用于以单一特征或多特征相结合的形式来描述和表征图像信息。高层语义特征即为图像的含义，包含人类对图像的识别和理解，通常需要借助人类目前已有的知识进行推理。鉴于计算机视觉以及图像理解等领域发展水平尚有限制，人类至今还无法真正依靠基于高层语义特征来进行切实有效的图像检索。因此，目前研究比较广泛且己比较成熟的特征提取算法大多
27、基于图像底层视觉特征。颜色特征是目前使用较为广泛且已经过普遍研究的底层视觉特征。Alamdar等人【51通过提取图像直方图中每个统计区间内像素与其邻域像素的空间关系，运用邻域像素的动态分布熵来表征颜色的空间分布关系。Liu等人【6】从全新的视角提取图像的颜色特征。传统提取颜色特征仅仅是统计颜色像素频率，而该方法在彩色图像L毒a铀+颜色空问利用图像任意两点邻域的颜色信息和边缘方向信息来统计颜色差分直方图作为索引特征向量，将颜色信息和边缘方向信息相结合建立特征索引空间，此方法未采用任何的学习、分割或聚类分析等方法获取像素的颜色分布信息，检索效果优于传统的基于颜色特征检索算法。JAn等人【7提出一种
28、基于显著区域的颜色特征及其空问关系的图像检索系统。该方法首先提取显着区域的颜色对比度，并分析判断每个区域的几个主要的颜色。然后通过二进制映射描述每个主颜色的空间分布。二进制映射的集合定义了区域内和跨区域的主色调空间分布，近似反映了形状和空间关系。该算法需要少量的计算空间，大多数是二进制逻辑运算，因此适用于移动及网络系统的彩色图像检索领域。ARashno等人【8_；： 。：提出了种基于小波变换和彩色特征的图像检索算法，包含经小波变换后所提取的纹理万方数据绪论特征及RGB和HSV颜色空问中的颜色特征，并且使用蚁群优化算法(Ant Colo1v0pt而izatjonAco)进行特征选择从而增强检索结
29、果的鲁棒性。颜色直方图存在无法描述图像颜色的空间分布特征、特征维数过高、对噪声较为敏感等问题，颜色分布熵存在统计直方图的存储量与计算量较大，导致检索时间过慢等问题。基于以上问题，纹理作为另一个重要的低级别图像特征成为了近年来国内外学者研究的热点。由于纹理能够捕捉到图像全局的周期性、粗糙度和方向性等特点，许多学者就此进行了系列研究。纹理特征作为底层视觉特征不同于颜色等图像特征，它通过分析中心像素及其周围邻域像素的分布情况表征图像信息。目前，图像检索、人脸识别以及指纹识别等领域多为基于图像纹理特征，纹理特征提取方法也因此种类繁多。20世纪70年代初期，由Haralick等人【9】最先提出使用共生矩
30、阵来描述纹理特征，该方法首先对灰度图像上单个像素的灰度值进行统计，然后根据像素之间的方向信息和距离信息构造共生矩阵，从该矩阵中抽取能够表征图像的计量信息(如对比度、能量、熵、相关性等)作为图像的纹理特征向量，该实验表明对比度(contrast)、反转矩(inversedeference moment)和熵(entmpy)在抽取的计量信息中分辨图像纹理特征的能力较强。Tamura等人【10】从另一个独特的角度提出了对纹理特征的描述方法。Tamura纹理特征所包含的分量为粗糙度(coarSeness)、对比度(contrast)、方向性(directionaIity)、 线性度(1ineIiken
31、ess)、规整度(regularity)和粗略度(”ou曲ness)。其中前三种分量(粗糙度、对比度和方向性)可以较好地捕捉图像纹理特征的变化。对比度依赖于灰度分布，粗糙度依赖于分辨率，纹理基元的形状及其排列规则影响方向性，但对于纹理特别精细的图像Tamura纹理特征无法进行有效的辨别。20世纪80年代初期，LaWs【11】在文中定义了纹理特征的均匀性(unifornlity)、粗糙度(coarSenesS)、规则性(regularity)、方向性(directionality)、频率(frequency)等多个重要性质，提出并使用Laws矩阵计算图像的纹理属性。20世纪90年代初期，在小波变
32、换理论架构建立后，许多研究人员开始着手利用小波变换来表示纹理特征。smith等人l他】提出一种基于图像子带的能量进行纹理分类与辨别的方法，对数据库中图像提取子带能量特征集并进行比较。子带能量特征集包括：小波子带、均匀子带以及离散余弦变换(DCT)。该算法在Brodatz纹理库中达到了90的准确率。Ohanian等人【13】对四种纹理特征进行了深入研究：马尔可夫随机场参数(Markov Random Field万方数据哈尔滨尚、世大学硕上学位论文parameters)，多通道滤波特征(multi-channel nltering features)，基于分形特征(fractalbasedfeat
33、ures)和共生矩阵特征(cooccurrence teatures)，实验结果表明，没有普遍最佳的特征子集，需要根据每个特定的问题来决定选择某个类型的特征作为特征索引向量。Maniunalh等人评价了多种小波变换形式：传统的金字塔结构小波变换(Pw下)、树结构小波变换(TWT)、多分辨率同步自回归模型(MRSAR)以及Gabor小波变换，在Brodatz纹理库中的实验结果表明，与其他通过不同小波变换形式提取的纹理特征相比，Gabor小波变换能提供更好的检索精度，纹理特征的旋转尺度不变性在纹理分类中占据重要地位。由ISOTEC所制定的MPEG一7国际标准115】中针对纹理提供了三种纹理描述子：
34、纹理浏览描述子(TBD，Texture Browsing Descriptor)，同质纹理描述子(HTD，HomogeneousTexture Descriptor)和边缘直方图描述子(EHD，Edge Histogram Description)。纹理浏览描述子以一个最大长度为12位的二进制数来描述纹理的方向性(3位2)、规则性(2位)和粗糙度(2位2)。由于纹理可能有多个主导方向和相关尺度，因此规定方向性和粗糙度最多有两个不同取值。使用Gabor滤波器在不同半径分量上对图像进行预处理，在结果图像上计算其方向性、规则性和粗糙度等特征。同质纹理描述子在基于相似性图像匹配方面从频域能量角度提供了
35、纹理的定量表征。将频率空间角度以30。等量划分、半径以12为底等比划分为30个频道，根据各个频道内纹理的能量和方差来计算整幅图像的平均能量和均方差，从而作为图像的纹理特征。边缘直方图描述子以图像边缘分布情况对图像进行描述。在图像匹配中，即使底层纹理很不均匀，边缘分布信息也是一个鲜明的纹理特征。该描述子通过检测纹理图像局部边缘信息将其分割成16个子图像，子图像的边缘方向信息被分为垂直、水平、450对角线、135。对角线和无方向性共5类，将每个子图像的边缘分布直方图合并成一个80维(165)的直方图形成该纹理图像特征。Jhanwar等人【l 7】提出一种基于共生矩阵的纹理特征提取算法(McM，mo
36、tifcooccurrence matrix)，该算法将整幅图像分割成22像素大小的子模式，使用McM算法对子模式进行统一处理。Lin等人【181结合kmean颜色直方图(CHKM)和McM算法来完成图像检索。vadivel等人119】提出一种结合颜色和强度共生矩阵(ICICM，intensity cooccurrence matrix)来实现图像检索。该算法首先对HsV颜色空间特性进行分析，然后选取恰当的权重函数为图像的颜色和灰度级分配权重。通过像素点及其邻域的权值构建IclcM。subrahmanyam等人|20】通过结合小波树理论以及颜色词汇树并使用颜色直方图和空间方向树(SOT，spa
37、tial orientation tree)来完万方数据结论成图像检索。s0T定义了在多分辨率小波子带下小波系数中的父子空问关系。Reddv等人121 l通过添加图像局部灰度值的量级信息扩展DLEP算法。近年来，较引人瞩目的是0iala等人【2224】提出的局部二值模式(LB PlocaI binarypattern)，是一种用于纹理分类且具有旋转不变性的LBPs算予，该算予以其在分析纹理特征信息上所表现出的计算复杂度小、能够反映图像局部信息以及具有旋转不变特性等优势，在纹理检索领域得到广泛应用。随着研究人员对LBP旋转不变性的深入研究，LBP也衍生出了各种形式，如LBP方差与全局匹配【25】
38、、LBP的完整模型|26】和模拟高斯混合局部模式的联合分布127J等等形式都已有效的应用在纹理分类领域。zhang等人【28】提出了局部导数模式(LDPs，10caI devative pattems)，并将其应用在人脸识别取得了很好的效果。他们把LBP看作从一阶导数形成的无方向性的一阶局部模式，并以同样的形式扩展至n阶LDPs，实验结果表明3阶时效果最优。Lei等人【29证明了同时采用图像空间、尺度和方向这三个领域图像信息的方法可以提供更丰富的线索。这些图像信息在任何一个单独的领域都不是特别明显。这个过程包括两个阶段：首先，通过多尺度和多方向的Gabor滤波器的响应，将人脸图像分解成不同尺度
39、和方向；其次，通过使用LBP分析来描述图像空间和不同尺度方向上滤波器给出响应的相邻关系。从LJ部区域提取LBPs算子来描述分离的短语序列。在公开发表的文献中，LBP和LDP虽有诸多衍生扩展形式，其对图像的表征和分类能力都得以验证，但对外观变化无约束的自然图像(如光照、面部表情、姿态、老化、部分遮挡等)都无法很好的处理。为了解决这个问题，XTan等人】提出局部三值模式(LT只Iocaltemary pa札ems)，并引入核主成分分析(PcA，principaI componentanalysis)提高算法鲁棒性，在FRGC一204数据集中人脸识别成功率可达881。由于LBP、LDP和L1甲提取边
40、缘分布信息只是在两个方向(正方向和负方向)上进行编码，sMurala等人【31】提出了对四个方向进行编码的局部四值模式(LTrPs，localtetra pattems)。与其他模式相比而言，UrP将图像编码为4个不同的值，可以获取更多的详细信息。并引入Gabor小波变换进行多尺度特征提取，在MIT visTex数据库中平均检索率可达9016。Jacob等人【32对此进行了改进，提出一种新型u砷模式：局部对立彩色空间纹理模式(LOCTP，local oppugnant coIor texture pattem)。该方法首先将RGB图像分为RG、RB和GB三个颜色空间，以RG为例从R平面提取一个
41、中心像素值，从G平面按水平、垂直方向提取两个相邻像素值，然后使用LOCTP提取机制提取特征向量，最后利用特征级融合框架将万方数据哈尔滨南业大学硕上学位论文彩色模式外观模型(cPAMColored Pattem Appearance Model)和LOTCP相结合。在Brodaz纹理库中Fscore(F)LlJ达9389。sMurala等人j34】提出的定向局部极值模式(DLEPdirectionallocaI extrema pattems)从004509001 350四个方向提取图像纹理特征，Reddy等人【35】在此基础上提出局部对立彩色空问极值模式(LOCSEP，local oppugn
42、ant color spaceextrema pattems)，分别将RGB和HSV彩色空间分离，将RGB颜色空间单通道色分别与HsV颜色空间的亮度信息(vvaluel相结合，形成RV、GV、BV三个对立颜色空间，基于此空间上使用DLEP进行纹理特征提取。sMurala等人【36】提出的局部网格模式LMeP通过对中心像素及其周边像素之间的关系进行编码来实现特征提取。zhao等人旧提出VLBP模式并在灰度空间进行实验，利用时间与空间并行实现动态纹理识别，在人脸识别方面效果显著，但在自然图像检索上效果并不理想。SMurala等人【38】在此基础上使用球形对称的三维局部三值模式Ss3DuP，使用不同标准偏差值的高斯滤波器组的多分辨率图像，根据五个不同方向建立三维立体模型来实现特征提取，但该方法在闽值的选择上具有一+定的局限性，选取固定阈值存在一定的主观因素，而且选择灰度图像在一定程度上损失了图像部分信息。纹理特征可以从多个角度描述图像信息，由于纹理特征提取的灵活性使其拥有广泛的研究前景，也正是近年来成为研究热点的原因。形状是应用于cBIR系统中重要