复数小波域广义高斯模型在纹理图像检索中的应用

"基于复数小波域广义高斯分布模型的纹理图像检索" 本文主要探讨了一种改进的纹理图像检索方法，该方法解决了传统频域能量参数表示图像特征的不准确性以及实数离散小波变换在平移变化性和方向选择性上的局限性。该方法基于复数小波变换和广义高斯分布统计模型，通过Kullback-Leibler distance (KLD)测度算法提高纹理图像检索的精度。 在纹理图像检索领域，准确地表征和比较图像特征是至关重要的。传统的频域方法常使用能量参数来描述图像特征，但这种方法往往无法充分捕捉图像的复杂结构和模式。实数离散小波变换虽然能提供多尺度分析，但在平移和方向特性上存在不足，这可能影响到图像检索的性能。 针对上述问题，该研究引入了复数小波变换。复数小波变换相比于实数小波变换，提供了更好的方向敏感性和旋转不变性。它能够更精确地捕捉图像的局部特性和结构信息。通过双树复数小波变换，可以得到包含幅度和相位信息的复数小波系数，这些系数的统计特性被用来构建广义高斯分布模型。广义高斯分布模型可以更好地适应各种纹理的统计特性，从而更准确地描述图像特征。 在模型建立后，论文提出利用Kullback-Leibler distance (KLD)作为相似性度量。KLD是一种信息熵差异，用于衡量两个概率分布之间的“距离”。在纹理图像检索中，KLD可以有效地比较不同图像的特征向量，从而确定它们的相似度。相较于双树复数小波算法和基于Gabor纹理特征的检索方法，使用KLD的新型方法在Brodatz图像库上的实验结果显示，其查准率分别提高了6.96%和18.8%，验证了该方法的有效性。 此外，复数小波系数的统计模型还具有旋转不变性，这意味着不论图像发生怎样的旋转，模型都能保持其描述能力，这对于实际应用中的纹理图像检索是非常有价值的。 这项研究提出了一种创新的纹理图像检索策略，结合了复数小波变换的强项和广义高斯分布模型的灵活性，通过KLD度量提高了检索精度。这种方法对于未来纹理图像检索的理论研究和实际应用都具有重要的意义。