随着多媒体和Internet技术的快速发展,基于内容的图像检索已经成为图像处理和计算机视觉领域的研究热点,基于内容的图像检索具有广阔的应用前景和重要的学术研究价值。经过多年来的研究,基于内容的图像检索已经取得了丰硕成果。然而,基于内容的图像检索依然面临着巨大的挑战,仍然存在着许多需要进一步解决和深入研究的问题。本文以提高基于内容的纹理图像检索精度为目标,对基于内容的纹理图像检索中的相似性度量、旋转不变特征提取、多特征提取、基于支持向量机的分类和检索、概率纹理图像检索进行了深入研究。本文的主要工作如下：纹理图像检索包括图像特征提取和相似性度量。相似性度量是纹理图像检索的关键技术之一,在图像检索中发挥着重要作用。目前,已经有多种相似性度量方法。Kokare等人比较了用于纹理图像检索的九种相似性度量,即Euclidean、Canberra、Bray-Curtis、 Manhattan、Weighted-Mean-Variance、Mahalanobis、Chebychev、Squared Chi-Squared和Squared Chord相似性度量。Kokare等人的实验结果表明,与其它七种相似性度量相比,Canberra和Bray-Curtis(?)目似性度量在图像检索中能够取得比较好的检索精度,但是检索精度仍不够理想。在图像检索研究中,构造更好的相似性度量方法是一项较有意义的工作。本文提出了一种纹理图像检索的相似性度量方法。实验结果表明,与Euclidean距离、Canberra距离、Bray-Curtis距离和Weighted-Mean-Variance距离等相似性度量方法相比,本文提出的相似性度量方法获得了更高的纹理图像检索精度。目前,已经有多种旋转不变纹理特征提取方法被提出,在这些方法中,基于模型的方法对于旋转不变纹理特征的提取有较好的效果,但是这类方法有一个共同的缺点,即对于不同的纹理选择一个普适的模型是相当困难的。Han等人使用Garbor滤波器来提取旋转不变纹理特征,但是Garbor通道的数目不易确定。Manthalkar等人使用离散小波包变换来提取旋转不变纹理特征。因为离散小波变换对平移敏感,并且方向性差,所以Kokare等人使用双树旋转复小波滤波器和双树复数小波变换来改进旋转不变纹理图像检索精度。本文提出了一种基于多尺度几何分析和加权平均相关相似性度量(WARD)的旋转不变纹理图像检索算法。通过计算每个非下采样Contourlet变换尺度下的所有子带的平均能量和平均标准偏差,得到具有旋转不变性的纹理特征。在加权平均相关相似性度量(WARD)中,两幅图像之间相似性度量不会受到任何其它图像的影响,并且不需要计算整个图像库的统计数据,所以具有更广阔的应用前景,例如互联网上的图像检索等。实验结果表明,与目前的一些旋转不变纹理图像检索相比,本文提出的基于多尺度几何分析和WARD的旋转不变纹理图像检索算法提高了纹理图像检索精度。由于单一的旋转不变纹理特征描述纹理的能力有一定的局限性,旋转不变纹理多特征有更强的表示纹理的能力。本文提出了一种基于非下采样Contourlet变换和灰度共生矩阵的多特征的旋转不变纹理特征提取方法。非下采样Contourlet变换具有各向异性和平移不变性,其系数反映了图像的纹理和细节。灰度共生矩阵描述了图像的方向性、邻近空间关系、方差的变化范围。通过计算每个非下采样Contourlet变换尺度下的所有子带的平均能量和平均标准偏差以及灰度共生矩阵的二阶矩角、惯性熵、惯性矩、反差分矩和惯性相关系数的均值和标准差,得到旋转不变的多纹理特征。实验结果表明,与Kokare等人于2006年提出的旋转不变纹理图像检索算法相比,本文提出的基于非下采样Contourlet变换和灰度共生矩阵的旋转不变纹理图像检索算法取得了更好的旋转不变纹理图像检索精度。本文提出一种基于多尺度几何分析和支持向量机的纹理图像分类和检索算法。非下采样Contourlet变换和局部二元模式被用来提取纹理特征,支持向量机被用来对图像进行分类和检索。非下采样Contourlet变换具有各向异性和平移不变性,局部二元模式具有旋转和灰度不变性。支持向量机具有好的分类性能。实验结果表明与目前的一些方法相比,本文提出的基于非下采样Contourlet变换、局部二元模式和支持向量机算法能够取得更好的图像检索精度。为了进一步提高纹理图像检索的精度,本文提出一种基于多尺度几何分析的概率纹理图像检索方法,采用非下采样Contourlet变换对图像进行分解,利用伽玛分布对分解得到的子带系数进行模型化,并且图像之间的相似性度量通过Kullback-Leibler距离得到。实验结果表明,与目前的一些概率纹理图像检索方法相比,本文提出的基于多尺度几何分析的概率纹理图像检索方法取得了更好的检索精度。