第一章绪论
1.1课题背景与意义
随着信息时代的进步，计算机科学尤其是计算机网络迅猛发展，信息的传播速度及其数量达到空前的水平，人们所接收到的信息越来越多，也越来越杂。信息时代的到来对于人们的生活产生了极大的影响，如何在浩餘的信息海洋中获取所真正需要的信息，逐渐成为人们关注的焦点。图像作为一种重要的信息载体，越来越多地影响着人们生活的方方面面。图像识别，作为图像处理技术中的热点方向，近年来得到了极大发展。具体来说，图像识别是利用计算机对图像进行综合处理、分析和理解，以识别各种不同模式的目标和对象的技术，它有着极为广泛的应用。在航空和卫星遥感图像分析领域，遥感图像通常用图像识别技术进行加工以便提取有用的信息。图像识别技术在该领域主要用于地形地质探查，森林、水利、海洋、农业等资源调查，灾害预测，环境污染监测，气象卫星云图处理以及地面军事目标识别等。在军事、公安刑侦等领域，例如军事目标的侦察、制导和警戒系统，自动灭火器的控制及反伪装，公安部门的现场照片、指纹、手迹、印章、人像等的处理和辨识，历史文字和图片档案的修复和管理等等，这些都会用到图像识别技术。在生物、医学等领域，图像识别在现代医学中的应用非常广泛，它具有直观、无创伤、安全方便等特点。在临床诊断和病理研究中广泛借助图像识别技术，例如CT(Computed Tomography)技术等。在计算机视觉领域，作为智能机器人的重要感觉器官，计算机视觉主要进行3D图像的理解和识别，该技术也是目前研究的热门课题之一。要做到图像的识别，图像的有效描述是必要的基础步骤之一。纵观图像识别理论与技术的发展历程，每次新的图像描述方法的提出都会使图像识别技术得进一步的完善。虽然经过了半个多世纪的不断研究，新的图像描述理论和方法仍然不断被提出，这表明图像描述方法对于图像识别技术的重要性。图像描述方法的发展有其历史必然性：虽然人们提出各种不同方法对图像进行了描述，并在这些描述的基础上进一步提出各种图像预处理、识别、分析和理解技术方法，但是，现实世界的复杂性和多样性决定了数字图像表征的复杂性和多样性。因此，如何对图像进行有效地描述从而更好地服务于图像识别，仍然是图像识别方向上的一个关键问题。在图像描述结束之后，要最终完成图像的识别工作，还要进行图像的相似性度量，这也是图像识别工作的另一个必要的基础步骤。对于不同的图像描述子，需要采用适用于该描述子的计算方法来进行距离计算。因为各种描述子的结构各不相同，所以距离计算的方法也有很多种类。而距离计算作为识别工作的另一个重要步骤，其计算结果直接作为识别的参考依据，它对图像的识别起到至关重要的作用。因此，如何设计一个合理的距离计算方法去进行图像描述子之间的距离度量，是非常必要的工作之一。
1.2基于图特征的图像描述方法研究现状
在图像描述方面，早期曾使用的一种经典且简单的表示方法，这就是图像像素阵列法，该方法可以用矩阵来表示而且容易存储在计算机中，因此，直到今天，该方法仍是一种常用的表示方法。然而，在实际应用中，像素阵列法往往包含了过多的冗余信息，不仅浪费存储空间，而且往往会降低图像识别和理解的有效性和正确性。为了进一步提高图像中的物体描述的有效性，研究人员考虑利用图像的底层特征如边缘形状、纹理以及特征点等不同的特征来完成对图像物体的描述和识别。近年来涌现出很多种方法，如基于边缘与轮廓的描述方法，基于纹理特征的描述方法，基于矩特征的描述方法，以及基于特征点的描述方法。其中，基于边缘与轮廓的描述方法通常是先通过一些边缘提取算法得到目标对象的大致轮廓，然后使用直方图等统计工具对轮廓进行描述，从而实现图像的描述[1-3]，这类方法近年来也逐渐与其他技术相结合，从而达到更好的识别效果[4-7]。图像纹理是一种重要的视觉手段，是图像中普遍存在而又难以描述的特征。纹理分析技术在计算机视觉、图像处理、图像检索等领域有着很重要的地位。纹理不同于灰度和颜色等图像特征，它通过像素及其周围空间邻域的灰度分布来表现[8_12]。矩特征的描述方法则是利用图像的整体特征进行图像的描述与识别[13-18]。
第二章相关理论基础
2.1边缘方向直方图方法
基于图结构的识别方法本质上是基于特征点的识别方法，这是因为图结构的建立依赖于特征点。在进行特征点提取以后，采用某种构图方法构建图的拓扑结构，然后通过对图结构的特征表示及距离计算就可以得到图像的相似度。边缘方向直方图方法是该领域中的一个经典做法，该方法由Gao等人于2008年提出[28],实验证明了其方法的有效性及具有较低的时间复杂度较。具体来说，可以分为以下几个步骤：首先，采用Harris特征点提取算法对输入的原始图像进行特征点提取操作，采用该特征点提取算法的原因是其采用了平均平方梯度矩阵以及非极大值抑制算法，不易受到噪声影响，鲁棒性较好。在特征点的基础上，使用Delaunay三角剖分的方法去构建图结构，该方法在应对噪声点时，所构出的图结构只有很小范围的变化，鲁棒性较强。在原始的图结构上进行归一化操作，使得算法具有尺度不变性。其次，提取图结构上的每个边缘点，计算每个边缘点方向（即所在边缘的方向），并统计各个不同的方向，将方向离散化处理。根据所统计的不同边缘方向，通过量化操作，可以提取出边缘方向的划分。每两个相邻的不同边缘方向之间都有一个方向差，求出所有方向差的最小值，作为X轴上每一个区间的长度。
第三章基于图的几何统计特征的图像识别......... 12
3.1引言......... 12
3.2基于图几何统计特征的图像描述方法......... 13
3.2.1图结构的相对距离特征......... 13
3.2.2基于图几何统计特征的描述子......... 15
3.3图几何统计特征的距离度量......... 16
3.4算法流程及时间复杂度分析......... 16
3.5实验结果与分析......... 17
第四章基于图的结构上下文的图像.........23
4.1引言 .........23
4.2基于图的结构上下文的图像描述方法......... 24
4.3图络构上下文描述子的距离度量......... 26
4.4算法流程及时间复杂度分析......... 27
4.5实验结果与分析 .........28
4.6本章小结 .........33
第五章基于图下文的图像识别施......... 34
5.1引言.........34
5.2基于图的词袋上下文的图像描述方法......... 34
5.3图的词袋上下文描述子的距离度量......... 37
5.4基于图的词袋上下文的图像识别流程......... 38
5.5实验结果与分析......... 38
5.6本章小结 .........44
结论
图像的表示与匹配技术是图像处理、分析与识别的棊础。图像的有效表示对图像的后续处理、分析和识别具有举足轻重的作用。近几年来，基于图结构的图像分析与识别方法得到越来越多研究者们的关注。本文对图像的图结构的描述及相应距离计算进行了研究，最终采用不同的方法完成了图像的识别，主要改进和创新的地方总结如下：
(1)提出了基于图的几何统计特征的图像识别方法，在边缘方向直方图方法的基础上，提出充分利用图结构的边缘方向、边缘长度、平均相对距离等几何特征，更好地描述图结构。对于归一化后的图几何统计特征描述子，采用快速鲁棒的EMD方法并配合参数a进行距离计算，从而得到图像之间的相似性。这种方法是对原有方法直接的改进，实现简单，识别效果得到提升。
(2)提出了基于图的结构上下文的图像识别方法，结合形状上下文这一经典的形状领域的描述方法，将其应用在图结构的描述上。改进快速鲁棒的EMD方法，使之能够适应二维直方图的距离计算，以解决图的结构上下文描述子的距离计算问题。实验证明了图的结构上下文在图像识别方面的有效性。
(3)提出了基于图的词袋上下文的图像识别方法，将文档检索领域的词袋技术与图的熵值上下文相结合，提出将不同的视觉特征作为图像的码字，形成码书之后，通过K均值算法得到优化后的标准码字，矢量量化后可以得到描述图结构的词袋上下文。最后，利用曼哈顿距离的计算方法，计算词袋上下文之间的距离，从得到图像之间的相似性，进而完成图像的识别问题。
参考文献
[1]Wang J, Bai X，You X，et al. Shape matching and classification using heightfunctions[J], Pattern Recognition Letters, 2012,33(2):134-143,
[2]Almazan J，Fornes A, Valveny E_ A non-rigid appearance model for shapedescription and recognition[J]. Pattern Recognition, 2012,45(9):3105-3113.
[3]Xiang B，Bo W，Cong Y，et aL Co-Transduction for shape retrieval [J], IEEETransactions on Image Processing，2012,21(5):2747-2757.
[4]Backes A R，Bruno O M. Shape classification using complex network andmulti-scale fractal dimension[J]. Pattern Recognition Letters, 2010,31(1):44-51.
[5]Backes A R, Casanova D，Bruno O M. A complex network-based approach forboundary shape analysis[J]. Pattern Recognition, 2009,42(1):54-67.
[6]刘付民，张治斌.基于色彩和边缘特征的图像检索方法[J].计算机应用，2012,32(5):1280-1282.
[7]汤进，陈展展，罗斌，等.基于复杂网络和最优子序列双射的形状描述与匹配[J].电子学报，2011,39(8):1757-1765.
[8]Papari G，Peticov N. An improved model for surround suppression by steerablefilters and multilevel inhibition with application to contour detection[J]. PatternRecognition, 2011,44(9):1999-2007.
[9]尚赵伟，唐远炎，刘正岐，等.基于多小波统计特征的纹理图像检索[J].重庆大学学报(自然科学版)，2007(9):64-70
[10]曲怀敬.基于互补特征的纹理图像检索[J].计算机应用，2012，32⑷：1101-1103.