随着互联网的蓬勃发展,基于大型图像数据库的图像检索、数据挖掘以及模式识别越来越受到人们的关注。纹理作为图像的一个非常重要的属性,与颜色、形状和布局等特征一起,在图像应用领域起着至关重要的作用。不同物体的物理表面产生不同的纹理,例如,云彩、石头、地毯等都有着各自独特的纹理特征。如何有效地利用好图像的纹理特征能够为以后更有效地区分图像打好坚实的基础。与此同时,伴随着存储和网络技术的飞速发展,图像数据库变得日益庞大,如何从海量的图像库中分析出有用的信息成为了一个挑战。聚类技术作为海量数据处理的工具,可以被用来改进基于内容的图像检索(content-based imageretrieval,CBIR)的速度和性能,也可以有效地改善图像搜索引擎的搜索结果。同时对于想快速浏览数据库的用户,图像聚类还能够用来设计方便的用户界面。基于纹理的图像聚类主要分为纹理特征提取和聚类两个阶段。本文对这两个阶段分别进行研究,提出了相应的算法。文章的结构组织如下:本文的第1章为研究背景;第2章提出了一种基于双树复小波以及双树旋转复小波的纹理特征提取和测量算法;第3章提出了融合双树复小波和局部二值模式的纹理特征提取算法;第4章提出了一种基于谱分析的纹理图像聚类算法;第5章提出了一种采用主线和双树复小波纹理特征的掌纹识别算法;第6章给出了一个利用了掌纹纹理特征的手部特征识别系统。本文的研究成果和创新点主要集中在以下几个方面:1)提出了一种基于双树复小波以及双树旋转复小波的纹理提取和测量方法研究表明人们在分析图像时,会将其分解为包含不同方向、频率的独立通道,这个和信号分析的多分辨的特点类似,因此在图像处理中,具有多分辨和局部分析能力的小波变换被大家广泛采用。虽然在小波域建立纹理特征,可以捕捉纹理的特性,但不足以很好地描述纹理结构。在实小波变换的基础上提出的双树复小波变换和旋转复小波变换,具有更多的方向选择性和近似移不变的优点。本文的第2章提出了一种基于双树复小波和旋转复小波的纹理特征提取和测量方法,首先对图像进行双树复小波和旋转复小波分解,然后对分解后的高频系数提取纹理签名,再采用Kullback-Leibler距离对提取的纹理签名进行量度。2)提出了一种将双树复小波统计特征和局部二值模式融合的纹理提取算法双树复小波作为一种频域技术,通过对纹理图像进行分解,可以在频域上有效地提取纹理信息。然而实验表明,可以根据图像变换的频域特性轻易构造出具有完全相同的子带统计特性而在视觉感受上完全不同的纹理图像。局部二值模式作为一种空域技术,是一种基于图像空域局部算子的纹理图像描述子,通过统计模板中心周围点的灰度值来比较不同纹理之间的差别。本文的第3章,利用将双树复小波和局部二值模式相结合,提出了一种融合的纹理特征提取算法。首先采用双树复小波对图像进行分解,提取频域纹理签名;同时用局部二值模式,提取纹理空域特征。最后,将得到的两种特征结合起来进行聚类,利用两者互补的特点,可以充分发掘纹理在频域和空域的信息特征。3)提出了一种基于动态邻接矩阵聚类算法因为图像数据往往存在于高维度空间中,这使得在聚类前,需要对数据做维度缩减。谱聚类由于能够有效地发掘数据之间的局部相关性,对数据空间的维度缩减有着很好的效果。谱聚类基于数据之间的相似度,并据此构建带权邻接矩阵。在聚类过程中,邻接矩阵构建得好坏直接影响到降维的效果。最常用的构建带权邻接矩阵方法,是采用高斯核来计算数据点的距离,对每个点采用近邻域法保留邻近点的边。由于全局化的尺度因子和固定的邻域个数,使得空间中数据点的分布密度不能得到很好体现,从而达不到良好的聚类效果。本文的第4章,提出了一种动态算法来从相似矩阵构建带权邻接矩阵,对于周围数据密度高的点,分配较大的尺度因子和邻域个数,有效发掘了聚类过程中的局部聚集性。4)提出了一种图像纹理聚类新框架传统处理图像纹理聚类的方法是,首先利用小波变换提取纹理特征,再利用主成分分析或是直接k-means对提取特征进行聚类。本文给出了一种图像纹理聚类的新框架。首先,在纹理特征提取阶段,采用双树复小波加双树旋转复小波对图像进行分解。然后对每个高频段提取直方图签名作为纹理特征。在聚类阶段,首先根据数据分布的密度来动态地计算数据点的邻接矩阵,然后再采用谱聚类进行降维。最后,对降维后的数据进行k-means聚类。5)提出了一种基于纹理的掌纹识别检索方法掌纹作为生物特征的一种,可以被用来有效地确定一个人的身份。掌纹识别利用掌纹的纹理信息来进行识别。本文的第5章,提出一种新的掌纹识别方法。对掌纹图像根据主线特征生成概率分布模板特征,同时采用双树复小波提取纹理细节特征,然后基于这两种特征进行分级检索。由于基于主线特征的掌纹识别利用了掌纹纹理较粗级别的显著特征,而双树复小波能有效地识别掌纹纹理的细节信息,在发掘掌纹纹理信息上,两者具有互补的特点。而且,采用概率分布的主线方法和具有近似移不变特征的双树复小波方法都对掌纹图像的旋转具有一定包容度,可以将两者结合进行分级检索。本文的第6章给出了一个掌纹识别的应用系统。