由于全球网络和先进的信息技术的迅速扩展，图像数据库在各领域的应用有爆炸性的增长。搜索的传统方法，例如关键字索引或简单的浏览的效率很低。然而，信息技术的发展为基于内容的图像检索开辟了道路。它是一种常见的词组，以显示自动图像检索的过程中提取的大量的距离测量应该是什么内容（颜色，纹理，形状）。目前图像检索的挑战是寻找一些能够使得它独特，准确的重要的特征。纹理特征有很重要的意义，因为许多自然场景可以被看作是不同材质组成的。所以，我们仅限于纹理的灰度图像。

如今，基于小波的图像检索方法已被广泛的研究。传统的小波总是被选定为工具，以分解图像，其小波/缩放功能是固定的。虽然作为一个预处理，但小波是检索过程的一个非常重要的步骤，因为检索结果直接决定于特征图像转化的质量。如果我们使用传统的小波，无处不在的噪音污染带来的一些微小的变化可能会被视为图像的细节。这种误解可能会导致代表原始图像的不良子图象。由于噪声污染，两个同样的图像可能会被认为是不同的。以前的方法如果添加去噪这一步，将增加算法的复杂性。2003年，PJ Oonincx等人提出了自适应小波的图像检索方案。“自适应”指的是根据不同消失矩阵自动选择最合适的过滤器，命名为可重复使用运载器。虽然它们是用来消除不同的检索背景，但“自适应”提供了一个想法，就是可以将去噪和分解同时进行。

即使获得理想的分解，即那些非常重要的提取以得到令人满意的结果，其结果应该实现几何变化的耐用性和对人类视觉感知的最佳锐度匹配。来自梯度特征的图像可用于纹理分析。由于代表了像素的分布情况，这一功能有着良好的视觉感受。然而，几何变换，特殊镜子和轮换，可能会大量改变梯度方向信息甚至转换的效果会很小。针对这一问题，傅立叶变换不仅增加了时间复杂度，而且还减少了视觉准确性。上述的问题完全可以由本文提出的新的图像检索算法解决。我们的贡献如下：

（1）在图像分解阶段，我们设计一个新的选择梯度幅度描述。根据定义，由于噪声点的像素值添加到原来的灰阶层次，梯度幅度对于噪声来说并非如此敏感。因此，我们可以得到一些清洁的分解图像，这为提取子图像提供了质量保证。

（2）在提取阶段，为了获得良好的视觉不变性和几何不变性，我们将综合排序梯度方向直方图设计为特征。在获取梯度直方图之后，我们将其垃圾箱排序。由于几何变换，特别是镜子和轮换，只有转移其垃圾箱。综合排序梯度方向直方图将消除几何变换的副作用，因为这两个转变并没有影响垃圾箱的价值。此外，根据高频的特点，子图像的视觉效果明显高于低频子图像，因此其分量应该适当扩大以改善检索该算法的有效性。