颜色直方图特征用于图像检索系统

Sanmukh.N。马里、Tejaswini.M.L

打开学生,部门的建设,黄宗泽理工的卡纳塔克邦,印度班加罗尔
助理教授,部门建设,黄宗泽理工学院,班加罗尔,印度卡纳塔克邦

文摘

直方图特征证明了强大的图像和对象的分类检测。CBIR最有效和搜索基于颜色的图像。在这个方法我们使用一些改进的预处理步骤,预处理算法和图像分类进行了分析。CBIR图像分类的计算非常快速和有效的。在这个项目中介绍了一种新方法,它基于低层次图像直方图特征。颜色是一个主要的强大的描述符通常识别对象和提取场景。这种方法的主要优势是应用的快速生成和比较特征向量。直方图是简单的计算软件和硬件还借给自己经济的实现。实时图像处理的一个流行工具基于直方图的图像检索方法相比,两个颜色空间是详尽。测试还强调了模型的优缺点。

关键字

基于颜色的和基于内容的图像检索,再方法,直方图相交及其相似。

介绍

在缩写为基于内容的图像检索(CBIR)系统是非常有用的和有效的,如果图像分类在特定方面的得分。目前最流行的搜索引擎依赖图像元数据的比较或文本标记相关的图片。这种方法依靠人工干预提供了一种解释图像的内容,以生产标签与图像相关联。使用彩色图像处理的目的。让使用考虑一个大数据库图像可分为类:树木,动物,面孔,人工图像、景观等测试还强调了模型的优缺点。许多彩色图像分类方法使用颜色直方图。图像的三个最常见的特征在基于内容的图像检索算法相比,颜色,形状和纹理。所谓blobworld用于搜索类似的图片。这个项目开发的目标这样一个基于颜色直方图的分类方法,这是高效、快速和足够的健壮。为了这个我用颜色直方图的一些特性,并使用这些特性分类的图像。这种方法的优点是直方图的比较功能比其他的更迅速、更有效的常用方法。 Firstly, image retrieval based on this concept should accurately retrieve images despite the manipulation of orientation, size and position of a certain image.

二世。文学评论雷竞技苹果下载

一种最基本的颜色检索涉及到指定颜色值,可以从数据库搜索图像中我们一起考虑为人类识别是一项简单的任务。,即使是两个或三个天大的婴儿能够区分已知的面孔,所以电脑能有多难?原来我们知之甚少人类识别。内在特性,眼睛,鼻子,嘴和外特性是头形状,发际线,体型用于人类识别成功。

通过引用c·卡森·m·托马斯·s . Belongie J.M. Hellerstein, j . Malik”Blobworld[1]我有一个系统的概念提出图像索引和检索,“第三国际会议系统这里我得到信息的视觉信息检索系统基于发现相干图像区域大致对应于对象但它,而对整个图像的描述,从这个实验我学会了生成的查询和索引。

根据深圳的概念。Sergyan[2],“彩色图像分类”2000年,5日斯洛伐克——匈牙利联合情报和信息应用研讨会上我知道了图像系统是最有效和简单的搜索和基于颜色的搜索,可以实现在几个颜色空间和由几个颜色空间和几个颜色描述符和我也知道了分类使用特定的颜色描述符和使用不同的颜色空间取决于图像数据库《婚姻保护法》。

的帮助下A.W.M. Smeulders m .烦恼,s . Santini a·古普塔r . Jain[3],“基于图像的检索”2000年,我来到知道图像检索系统的计算步骤颜色,纹理和局部几何。然后累计和全球功能,突出点,对象和形状特性,符号和结构组合。在结论部分他礼物的驱动力,从计算机视觉的遗产,对计算机视觉的影响,交互的角色。

三世CANDIDATEBUILT-UP区域的提取

答:基于颜色检索

许多算法开发了自1980年代末以来,对检索使用颜色信息从图像中提取。直方图特性,我们将考虑基于数据特性,直方图作为模型的概率分布的强度水平最直观的信息,可以从图像中提取的比较是一个图像的颜色特征。这里我们探讨和分析一个算法,比较基于图像颜色根据数据库内容。这些数据库特性为我们提供了信息的特征强度分布的图像。我们定义的直方图概率P (g)为:

P (g) = N / M (g)

M是图像的像素数量(如果整个图像是在考虑然后为N×N M = N2图像),和N (g)在灰度的像素数量g。与任何概率分布P (g)的值都小于或等于1,和P (g)值的总和等于功能基于一阶直方图概率均值,标准差,倾斜,能量和熵。意思是平均值,所以它告诉我们一些关于普通图像的亮度。明亮的图像将会有一个高的意思是,和一个黑暗的形象将有一个低的意思。我们将使用L可用强度级别的总数,所以灰色的水平范围从0 L−1。例如,对于典型的8位图像数据,L是256,范围从0到255。我们可以定义的意思如下:

倾斜将积极如果直方图的尾巴向右传播(积极的),如果直方图的尾巴和消极蔓延到左(负)。另一种方法来测量倾斜使用的意思是,模式,和标准偏差,模式被定义为峰值,或最高价值。大多数图像数据库系统产品的研究,因此强调只有一个方面的基于内容的检索。有时这是用户界面的草图能力;有时它是一个新的索引数据结构,创建等一些系统作为研究版本和一个商业产品。通常是欠发达的商业版本,显示更多的标准搜索功能。系统提供的用户界面,允许更强大的查询公式比在演示系统是有用的。大多数系统使用颜色和纹理特性,一些系统使用的形状特性,而较少使用空间特性。检索的颜色通常产生的图像也有类似的颜色。收集的图片越大,越大的机会,它包含一个图像类似于查询图像。这种方法测斜计算效率更高,特别是考虑到,一般来说,平均值和标准偏差已经计算。 It describes the spread in the data, so a high contrast image will have a high variance, and a low contrast image will have a low variance The energy measure tells us something about how the intensity levels are distributed:

能量测量的最大值为1的图像与一个恒定值,和变得越来越小的像素值分布在多个强度水平值(还记得所有的P (g)值小于或等于1。最后,我总结我的分类方法的理论背景。的某些部分是基于。图像的直方图是一个阴谋的灰度值或颜色香奈儿的强度值和像素的数量值。直方图的形状为我们提供了关于自然图像的信息,或子图象,如果我们正在考虑一个对象在图像。例如,一个非常狭窄的直方图意味着低对比度图像,将直方图倾斜向高端意味着一个光明的形象,和直方图有两个主要的山峰,称为双峰,意味着一个对象与背景形成鲜明对比。直方图特征,我们将考虑statisticalbased特性,直方图作为模型的概率分布的强度水平。这些统计特性为我们提供了信息的特征强度水平分布图像。我们定义一阶直方图概率。的像素值在图像强度分布中,熵增加。 The features based on the first order histogram probability are the mean, standard deviation,skew skew, energy, and entropy. The mean is the average value, so it tells us something about the general brightness of the image. A bright image will have a high mean, and a dark image will have a low mean. We will use L as the total number of intensity levels available, so the gray levels range from 0 to L − 1. For example, for typical 8-bit image data, L is 256 and ranges from 0 to 255.

b .分类算法和方法

最简单的算法识别样本测试集被称为最近邻方法。我们比较训练集,使用距离和相似性度量,或者措施的组合。未知的对象被认定为属于同一类的最接近的样本训练集。

最近邻方法不仅仅是更健壮的通过选择最接近的样本训练集,但考虑的一组特征向量。再这叫做方法,让使用考虑的例子中,K = 5。然后我们分配未知的特性向量类最常发生在K-Neighbors的集合。这仍然是非常的运算量,因为我们要比较每个未知的样本,每个样本训练集,我们希望最大化的训练集尽可能大的成功。最近的质心计算负担减少调用的方法。在这里,我们找到每个类的重心从训练集的样本,然后我们比较未知样品只代表重心。背后的动机是这是一种新方法的特征向量代表对象,并将用于分类。完成我们需要的分类方法比较两个特征向量。的主要方法是衡量两者的区别,或者测量相似。然后两个向量是密切相关的细微差别和相似性。 The difference can be measured by a distance measure in the n-dimensional feature space.The bigger the distance between two vectors, the greater the difference. Euclidean distance is the most common metric for measuring the distance between two vectors.

c .特征向量和它的大小

特征向量是一个n维向量包含这些测量,其中n是特征的数量。测量可能是象征性的,数值,例如两色相的颜色我们通常认为它的名字如“橙色”或“红色”。在这种情况下,我们可以执行HSL转换RGB数据,并使用H(色调)值作为一个数值的颜色特性。但随着高速逻辑变换色调值范围从0到360度,和0”旁边的“360,所以这将是无效的比较两种颜色,只要减去两个色调值。

特征向量可以用来分类对象,或为我们提供凝聚高层次的图像信息。相关的特征向量是一个抽象的数学称为特性spaceFor n维特征向量是一个抽象的数学结构称为超空间。

四、图像采集和实验设置

实验使用200多个图像,分为四个相等大小类:景观,建筑,面临和室内图像与一个对象同质的背景。一个图像在每个类以下图所示。

从每个图像类25个图片是培训类的成员。使用每一个训练集生成的三个颜色通道的眩光,和上述计算直方图特征。因此在每一个训练集有25件,15维特征向量和人工的15维的多维空间。属性生成后的训练集我分析了,剩下的100张图片最接近这类。我发现87%的图像分类在实验中。这里由MATLAB算法编码,因为系统计算速度和代码发生器非常简单,和这样一个例子直方图特性MATLAB代码生成器可以看到下面:

诉的结论

我表示的新方法的彩色图像分类介绍和优点是使用简单的图像特征和直方图特征。很快就可以生成直方图的图像直方图的比较特性计算快速和高效。在进一步工作的更大考验似乎是非常重要的。我必使类似的实验更多的图像类和超过千图像。

引用

c·卡森·m·托马斯·s . Belongie J.M. Hellerstein, j . Malik”Blobworld:系统提出图像索引和检索,“第三国际会议在视觉信息系统中,施普林格,1999年。
播出,先进的图像检索http://www.imageclick.com/airs/sub/aboutAIRs.html(2008年10月访问)。
基于内容的图像检索-维基百科2008年11月,http://en.wikipedia.org/wiki/CBIR(2008年11月8日访问)。
深圳。Sergy´,“基于内容的图像分类、颜色”5日斯洛伐克——匈牙利联合应用机器智能和信息学研讨会上,Poprad,斯洛伐克,427 - 434年,2007页。
A.W.M. Smeulders m .烦恼,s . Santini a·古普塔r . Jain,“基于内容的图像检索的早期,“IEEE模式分析与机器智能,22卷,没有。12日,第1380 - 1349页,2000年。
S.E. Umbaugh,”计算机成像技术——数字图像的分析和处理,“CRC出版社,2005年。