一个创新的基于内容的图像检索技术使用颜色和纹理特征

文摘

互联网和数字技术革命的实施需要有一个系统组织的丰富数字图像,便于分类和检索。我们确定颜色和强度的相对重要性基于图像的饱和度对人眼的视觉特性。我们有效地应用这种方法生成的颜色直方图和基于内容的图像检索的应用程序使用它。介绍了基于内容的图像检索使用功能,如颜色和质地。通过小波变换提取的纹理和颜色特征和颜色直方图和这些特性的组合是健壮的对象在一个图像的缩放和平移。实验结果表明,该方法比传统的CBIR方法更高效的基于单一视觉特征和其他方法结合颜色和纹理。

关键字

CBIR、质地、小波变换、HSV。

介绍

多媒体数据包括图片和视频已经极大地提高了我们的生活由于数码设备的普及和个人电脑。大量的媒体数据带来很多关键的挑战从大型多媒体数据库中检索内容有效。一个图像数据库的基本要求是进行基于内容的搜索图像。基于内容的图像检索(CBIR)这个词似乎起源于加藤的工作[2]的自动从数据库检索的图像,基于颜色和形状的礼物。从那时起,这个词已经广泛被用于描述检索的过程需要大量的图片数据库,语法的基础上,图像特征(颜色、纹理和形状)。系统首先提取并存储查询的功能图像然后通过数据库中的所有图像和提取每个图像的特征。结果图像,其特征是最类似于查询的形象。图像检索领域的增加,基于新的信息社会的重要性。大型分布式科学艺术技术和商业图像集合成为一个共同点因此需要复杂和精确的方法供用户执行基于相似性和语义查询。其发展的原因是,在许多大型图像数据库、图像索引的传统方法已被证明是不够,费力,非常耗费时间。 These old methods of image indexing, ranging from storing an image in the database and associating it with a keyword or number, to associating it with a categorized description, have become obsolete.

CBIR通常索引图像的底层视觉特征,如颜色和质地。视觉特性不能完全描述语义内容,但他们更容易融入数学公式[3]。提取的视觉特性简洁代表查询图像是CBIR的重要任务之一。颜色是一种最广泛使用的低级视觉特征和不变的图像大小和取向[1]。图像中的每一个像素都可以表示成三维颜色空间中的一个点。常用的图像检索包括RGB颜色空间,HSV(或奥软,HSB),和对手的颜色空间。然而,一个理想的特征图像检索的一个合适的颜色空间一致性[5]。一致性意味着两个颜色对平等的相似性距离在颜色空间被观众视为相等。在HSV(或高速逻辑或HSB)空间是广泛应用在计算机图形学中,一种更直观的方式来描述颜色。这三个颜色组件是色相,饱和度(轻)和价值(亮度)。 The hue is invariant to the changes in illumination and camera direction and hence more suited to object retrieval. RGB coordinates can be easily translated to the HSV (or HLS, or HSB) coordinates by a simple formula [6]. Since any pixel in the image can be described by three components in a certain color space (for instance, red, green, and blue components in RGB space, or hue, saturation, and value in HSV space), a histogram, i.e., the distribution of the number of pixels for each quantized bin, can be defined for each component. Clearly, the more bins a color histogram contains, the more discrimination power it has. When an image database contains a large number of images, histogram comparison will saturate the discrimination. To solve this problem, the joint histogram technique is introduced [7].

本文的组织结构如下,第二节,连同颜色特征的分析;HSV颜色空间量化方案和提出的算法。第三节介绍了基于纹理特征的算法中使用小波细节。第四部分介绍了绩效评估以及相似性度量。第五节介绍了该算法的实验结果并与其他算法进行比较。因此;我们在第六节总结讲话。

二世。颜色量化

颜色直方图代表颜色的分布图像,通过一组垃圾箱,每个在量化颜色直方图本对应一个颜色空间。颜色直方图对于一个给定的图像是由一个向量:

我是颜色直方图和颜色本H[我]代表我在图像像素颜色的数量,和n是箱子的总数中使用颜色直方图。通常,每个像素的图像将被指派到一个本颜色直方图的值每一本给相应的像素的数量都有相同的颜色。的归一化直方图给出了H”

在哪里p是图像像素的总数[13]。该方法的框图如图1所示。

答:没有DWT算法对颜色直方图

查询图像,从RGB颜色空间转换到HSV颜色空间。每个像素进行量化在HSV箱子然后正常化除以总像素,查询图像占据。计算后的意思是,对归一化直方图方差和偏态。将值存储在颜色特征向量。

遵循以下步骤。

1。读取输入图像

2。RGB颜色空间转换到HSV颜色空间中

3所示。每个像素进行量化在HSV空间48直方图箱。

4所示。获得归一化直方图与像素的总数除以。

5。计算的意思是,归一化直方图方差和偏态。

6。存储值作为颜色特征向量(C)。

7所示。重复步骤1到6的形象出现在数据库中。

8。计算查询图像和图像的相似性测量出现在数据库中

9。重复步骤7到8的所有数据库中的图像

10。获取的图像

三世。离散小波变换

离散小波变换(DWT)[14]是用于将图像从空间域到频域。从信号在不同尺度的小波变换的信息通过信号通过低通和高通滤波器。小波多分辨率能力和提供良好的能量压实。小波是健壮的颜色强度变化和能有效地捕获纹理和形状信息。它可以计算线性随着时间的推移,从而允许快速算法。本文使用Haar小波计算特性签名,因为他们是最快的计算,在实践中也发现了执行[16]。Haar小波使我们加快小波计算阶段成千上万的不同大小的滑动窗口形象。该方法发现努力提取查询图像和比较它们的原始特征的图像数据库。图像纹理特征在考虑利用DWT的概念。该方法的框图如图2所示。 Fig

答:算法与基于小波的颜色直方图

小波变换提供了一种多分辨率纹理分析和分类方法。研究人类的视觉系统支持多尺度纹理分析方法,因为研究人员发现,视觉皮层可以被建模为一组独立的通道,每一个特定的方向和空间频率乐队。这就是为什么小波变换对纹理特征提取发现有用。遵循以下步骤。

1。提取红色、绿色和蓝色的组件从一个图像。

2。分解红色、绿色和蓝色的组件使用haar小波变换在3级近似系数和垂直、水平和斜系数。

3所示。结合近似系数的红色、绿色和蓝色的组件

4所示。同样结合垂直、水平和斜系数的红色,绿色和蓝色的组件

5。秘密的近似,垂直、水平和斜系数对HSV飞机

6。每个像素进行量化在HSV空间48直方图箱。

7所示。获得归一化直方图与像素的总数除以。

8。计算的意思是,归一化直方图方差和偏态。

9。存储值作为纹理特征向量(T)。

10。重复步骤1到6的形象出现在数据库中。

11。计算查询图像和图像的相似性测量出现在数据库中

12。重复步骤7到8的所有数据库中的图像

13。获取的图像

V。的性能评价

检索系统的性能可以测量的查全率和查准率。召回措施的能力系统检索所有相关的模型,而精密测量系统只检索模型的能力相关的。据报道,通过回忆直方图给出了最佳性能和精度值(17、18)。他们被定义为

答:相似度测量

CBIR相似性测量是一个关键算法。这些算法搜索图像数据库查找图像类似于一个给定的查询,这样他们应该能够评估图像之间的相似之处。衡量图像之间的相似性直接欧式距离图像是由数据库和查询

新品和Vqi是图像的特征向量分别p和查询图像大小„n”。

VI.EXPERIMENTAL结果

VII.CONCLUSION

自动分析和检索的图像从一个数据库是一个具有挑战性的任务。困难来自很多问题,比如人工和自然的复杂组合对象在一个图像。最早期的研究CBIR只使用一个特性在各种颜色和纹理特征。然而,很难获得满意的检索结果通过使用一个单一的功能,因为在一般情况下,图像包含各种视觉特征。这种方法提供了一个简单的基于颜色的图像数据库中搜索一个输入查询图像,使用颜色和纹理给类似的图像输入图像的输出。本实验结果表明,该方法与DWT优于直方图相比正常。

表乍一看

表1

数据乍一看

图1 图2

引用

1. 迈克尔·s·卢·Chabane Djeraba,拉梅什Jain,“基于内容的多媒体信息检索:最先进的和挑战,“ACM反式。多媒体第一版。Commun。达成。,vol. 2, no. 1, pp. 1–19, 2006.
2. t·加藤“基于内容的图像检索的数据库体系结构”,在《学报——国际光学工程学会vol.1662 pp.112 - 113, 1992。
3. j·沃格尔,b . Schiele为基于内容的图像检索性能评价和优化,模式识别39 (5)(2006)897 - 909。
4. 年轻Deok春、南Chul Kim难闻胡恩张成泽,基于内容的图像检索使用多分辨率颜色和纹理特性,IEEE多媒体10 (6)(2008)1073 - 1084。
5. E。马赛厄斯,”比较颜色空间和指标的影响在基于内容的图像检索中,“学报》国际研讨会在计算机图形学中,图像处理和视觉,pp.371 - 378, 1998。
6. 一个。布拉斯databasetechniques图形应用程序,讲师笔记在计算机科学中,卷。81年,施普林格- GmbH是一家,1979年。
7. G。通过和R。比较图像,采用联合hsitograms“Zabith Multiumedia系统,Vol7 pp.234 - 240, 1999。
8. V.N.Gudivada和J.V.Raghavan、特殊问题在基于内容的图像检索系统中,IEEE计算机杂志28(9),1995年。
9. 一个。Pentland和R。数字图书馆Picared、特殊问题,IEEE反式。Patt.Recog。和马赫。智能。,1996年。
10. 公元Narasimhalu、特殊问题上基于内容的检索、多媒体系统,1995年。
11. 特殊问题的视觉信息管理(R。耆那教徒,客人Ed), Comm.ACM,系。
12. B。宝贝和H。陈,建筑大型数字图书馆、计算机、1996。
13. jr史密斯和旧金山那里Chang”工具的dtechniques颜色图像检索”,:是/ SPIE-Storage和检索图像和视频数据库IV,圣何塞,CA, 2670, 426 - 437, 1996。
14. r·c·冈萨雷斯·r·e·伍兹和s . L,埃丁。使用MALAB数字图像处理,由培生教育,2008年。
15. A . Natsev r . Rastogi k .垫片,“海象:相似性检索算法的图像数据库”,在继续。ACM SIGMOD Int。相依数据的管理,pp - 395 - 406, 1999。
16. a c e . Jacobas芬克尔斯坦和d•h••“快速多分辨率图像查询”,在SiGGRaPH Proc。95年年会系列、pp - 277 - 286, 1995。
17. G.Raghupati R.S.Anandand马丁该文叙述”,颜色和纹理特征基于内容的图像检索使用的主题”,第二次国际会议上多媒体和基于内容的图像检索,july21-23, 2010年。
18. T。Gevers,颜色在图像数据库、智能感官为背景,1998年荷兰阿姆斯特丹大学。