ISSN在线(2278 - 8875)打印(2320 - 3765)
斯瓦特Killikatt1,维迪雅Kulkarni 2,玛杜丽Bijjal3
|
相关文章Pubmed,谷歌学者 |
访问更多的相关文章国际先进研究期刊》的研究在电子、电子、仪表工程
有许多潜在的实际应用,基于内容的图像检索(CBIR)吸引了大量的注意力在过去几年。各种相关性反馈(RF)计划已经开发成一个强大的工具桥低层视觉特征和高层语义之间的语义鸿沟的概念,从而改善CBIR系统的性能。在各种射频方法,支持向量机(SVM)的射频是最受欢迎的CBIR技术之一。尽管成功,直接使用支持向量机作为一种射频方案有两个主要缺点。首先,它将积极和消极的反馈同样,不适当的后两组培训反馈具有不同的属性。其次,随着图像数据库的大小增加搜索和检索变得缓慢而影响系统的性能。探索解决方案来克服这两个缺点,CBIR系统被实现为离线和在线和利用图像的属性。
关键字 |
||||||||||||||||||||
基于内容的图像检索(CBIR),图中嵌入相关性反馈(RF),支持向量机(SVM),色相饱和度值(HSV)。 | ||||||||||||||||||||
介绍 |
||||||||||||||||||||
在过去的几年中,基于内容的图像检索(CBIR)已获得关注的潜在应用在多媒体管理[1],[2]。基于内容的图像检索技术,使用视觉内容搜索图像从大规模图像数据库根据用户利益,一直是一个活跃的,自1990年代以来迅速发展的研究领域。基于内容的图像检索,也称为查询图像内容(QBIC)。这是出于图像记录的爆炸性增长和远程存储图像的在线访问。现在迫切需要一个有效的搜索方案来管理庞大的图像数据库。有别于传统的搜索引擎,CBIR图像查询描述的图像,使用一个或多个例子和低级视觉特征(如颜色[3]-[5],纹理[5]-[7],[8]-[10],形状等)自动提取代表数据库中的图像。然而,捕获的低级功能可能不会准确地描述图像的高层语义概念[1],[2]。减少不一致性问题,图像检索是根据图像内容进行;这种策略被称为基于内容的图像检索。在基于内容的方法中,图像可以搜索基于视觉特征,如颜色、纹理和边缘信息,图1所示。 | ||||||||||||||||||||
所谓缩小语义鸿沟,相关性反馈(RF)被引入作为一个强大的工具来提高性能的CBIR [14]。自组织映射是用于构造RF算法。在看到下面成了一个支持向量机(SVM)估计的密度正反馈样品[13]。来自看到下面成了支持向量机,有偏见的SVM继承了SVM的优点看到下面成了一但把负面反馈样本。考虑图像低层视觉特征的几何结构,并提出manifold-learning-based找到图像的内在结构和方法提高检索性能。观察到“所有积极的例子是一样的;每一个负面的例子是消极的以自己的方式,“射频是制定有偏见的子空间学习问题,数量未知的类,但是用户只关心积极类。 | ||||||||||||||||||||
支持向量机射频方法忽略了反馈的基本区别两个不同的组,即。,all positive feedbacks share a similar concept while each negative feedback usually varies with different. A typical set of feedback samples in RF iteration is shown in fig 1. Traditional SVMRF techniques treat positive and negative feedbacks equally. Directly using SVM as an RF scheme is potentially damaging to the performance of CBIR systems. One problem stems from the fact that different semantic concepts live in different subspaces and each image can live in many different subspaces, and it is the goal of RF schemes to figure out “which one”. However, it will be a burden for traditional SVM-based RF schemes to tune the internal parameters to adapt to the changes of the subspace. Such difficulties have severely degraded the effectiveness of traditional SVM RF approaches for CBIR. This problem overcomes by implementing CBIR as both offline and online. | ||||||||||||||||||||
相关工作 |
||||||||||||||||||||
CBIR已成为图像检索的活跃和发展迅速的研究领域在过去的十年。全球形象属性为基础,基于本地图像属性的,基于区域层次上的特征,相关性反馈,和语义的基础。不同用户的信息需求和图像表示称为CBIR系统的语义鸿沟。有限的检索精度的图像中心检索系统本质上是由于用户之间固有的语义鸿沟。为了减少差距,引入CBIR交互相关性反馈系统。相关性反馈背后的基本思想是将人类感知主观性的查询过程,为用户提供评估检索结果的机会。相似的措施自动精制的基础上这些评估。有各种各样的方法为基于内容的图像检索是礼物。一些重要的文学涵盖了CBIR系统更重要的是下面讨论。 | ||||||||||||||||||||
a m . Smeulders m .不用Santini, a·古普塔和r . Jain[1]描述“基于内容的”意味着搜索将分析图像的实际内容,而不是元数据,比如关键字标签,和/或与图像相关的描述。“内容”一词在此上下文中可能指的是颜色,形状,纹理,或任何其他可以从图像本身的信息。CBIR是可取的,因为大多数基于web的图像搜索引擎纯粹依靠元数据,这会产生很多垃圾在结果中。也有人类手动输入关键词在大型数据库的图像可以低效、昂贵和不可能抓住每一个关键字,描述图像从而可以过滤图像基于内容的系统将会提供更好的索引和返回更准确的结果。 | ||||||||||||||||||||
Gulfishan Firdose Ahmed Raju Barskar[2]在这篇文章中,介绍了基于内容的图像检索系统的基本组件。基于颜色的图像检索方法、纹理、形状和语义图像进行了讨论,进行了分析和比较。基于语义的图像检索是一个更好的方法来解决“语义鸿沟”问题,因此,本文强调基于语义的图像检索方法。其他相关技术,如相关性反馈和绩效评估。在许多地区的商业、政府、学术界和医院,大集合的数字图像被创建。许多这些集合是数字化的产品现有的集合模拟照片、图表、图纸、绘画,并打印。通常,搜索这些集合的唯一途径是通过关键字索引,或者仅仅通过浏览。然而,数字图像数据库打开基于内容的搜索方法。本文调查了当前基于内容的图像检索系统的一些技术方面。 | ||||||||||||||||||||
x周和黄t[3]本文分析相关性反馈问题的本质在一个连续的上下文中表示空间多媒体信息检索。强调探索问题的独特性和比较的假设,实现,文学和各种解决方案的优点。试图编译时需要考虑的关键问题设计一个列表相关反馈算法。全面审查为主要部分,本文还提供了一些新的解决方案和观点。相关性反馈一些信息检索系统的一个特性。相关性反馈背后的想法是将返回的结果最初给定的查询和使用这些结果是否相关的信息来执行一个新的查询。 | ||||||||||||||||||||
春等。[12]基于高效率的结合提出了CBIR方法多基于颜色和纹理特征的CBIR的决议。他们的颜色,autocorrelograms色相和饱和度分量图像的特点在HSV颜色空间。作为它的纹理特性,块不同的逆概率和块当地相关系数的变化时刻采用组件的价值形象。颜色和纹理特征提取在多分辨率小波域,然后结合。 | ||||||||||||||||||||
通和e . Chang[13]介绍了支持向量机(svm,也支持向量网络)监督学习模型与相关学习算法分析数据和识别模式,用于分类和回归分析。基本支持向量机将一组输入数据和预测,对于每一个给定的输入,这两个类的形式输出,使之成为一个non-probabilistic二进制线性分类器。给定一组训练的例子,每一个标记为属于两种类别,一种支持向量机训练算法构建一个模型,分配新到一个类别或其他例子。一个例子的SVM模型是一个表示点空间,映射的例子单独的类别是除以一个清晰的尽可能宽的缺口。新的例子然后映射到相同的空间和预测属于一个类别根据他们落在一边的差距。 | ||||||||||||||||||||
李d道,唐x, x[14]本文作者主要进行理论和实践比较和补充CBIR射频组件的图像特征。大多数以前的射频方法治疗的积极和消极的反馈同样虽然两组以来,这种假设是不合适的培训反馈有非常不同的特性。所有正反馈共享一个均匀的概念,而负面反馈。作者探索解决这一重要问题提出了一种正交补成分分析。实验结果报道在现实世界的图像集合,证明提出的补充组件方法始终优于传统的主成分方法在线性和内核空间当用户想要检索图像与一个均匀的概念。 | ||||||||||||||||||||
图像的属性 |
||||||||||||||||||||
答:颜色特征提取 |
||||||||||||||||||||
一个彩色图像可以使用三种颜色空间的初选。因为RGB颜色空间并不对应于人类感知颜色的方法,所以HSV颜色空间在使用这种方法。HSV是一个直观的颜色空间,每个组件直接有助于视觉感知,它是常见的图像检索系统。色调是用来区分颜色或者代表一个纯颜色,饱和度,可以测量的百分比或金额的白光添加到纯粹的颜色。价值是指感知亮度光强度或措施。HSV颜色空间的非常重要的优势如下:与人类直觉良好的兼容性和可分性的彩色和消色差组件。像素在图像的颜色分布包含足够的信息。有全局颜色属性和局部图像的颜色属性。下面的两个特性来表示可以使用图像的全局属性。的均值像素颜色图像的主要颜色,和像素的颜色代表的标准偏差的变化在一个图像像素的颜色。 The variation degree of pixel colors in an image is called the color complexity of the image . Global Color Properties: | ||||||||||||||||||||
均值的标准差()()和彩色图像定义如下: | ||||||||||||||||||||
![]() |
||||||||||||||||||||
![]() |
||||||||||||||||||||
μ= [HμμS,μV] T和σ=(σH,σ年代,σV) T,每个组件μ、σ表示HSV信息,和π表示第i个像素的图像。 | ||||||||||||||||||||
地方色彩属性: | ||||||||||||||||||||
地方色彩的属性在一个图像来提高检索性能也是一个重要的角色。因此,称为二进制位图的特性可以用来捕捉当地的图像的颜色信息 | ||||||||||||||||||||
b .纹理属性 |
||||||||||||||||||||
纹理是一个重要的属性是指先天对象的表面性质及其与周围环境的关系。应用灰度共生矩阵建立灰度共生矩阵法()可以被使用,这是代表结构的简单而有效的方法。GLCM创建一个矩阵与方向和像素之间的距离,然后从矩阵作为纹理特征提取有意义的数据。应用灰度共生矩阵建立了代表概率p (i, j。d、¯害怕害怕一个½¯½)两个像素在图像,它位于距离d和角¯害怕害怕一个½¯½,有灰色的水平我和j。 | ||||||||||||||||||||
c .边缘特征提取 |
||||||||||||||||||||
边缘图像构成的一个重要特征来表示他们的内容。人眼对边缘特征非常敏感的感知形象。图像空间的边缘直方图代表了频率和亮度的变化图像的方向性,采用边缘直方图描述符(EHD)来描述边缘分布与基于当地边缘直方图分布在一个图像。 | ||||||||||||||||||||
实现 |
||||||||||||||||||||
图显示了流程的工作。现在这里有两个模块 | ||||||||||||||||||||
一个¯·登录模块 | ||||||||||||||||||||
一个¯·CBIR | ||||||||||||||||||||
在线啊 | ||||||||||||||||||||
离线啊 | ||||||||||||||||||||
答:登录模块。 |
||||||||||||||||||||
登录或登录(也称为登录或和签署或)个人访问的过程是一个计算机系统是由识别用户的使用用户提供的凭证。一个用户可以登录到一个系统,可以注销或注销(执行注销/下线)访问时不再需要。注销可能由用户显式地执行一些操作,如输入相应的命令,或点击一个网站链接标记。它也可以隐式地完成,如通过驱动机,关闭浏览器窗口,留下一个网站,或没有定义的时间内刷新网页。 | ||||||||||||||||||||
B。CBIR模块 |
||||||||||||||||||||
在基于内容的方法可以搜索基于图像视觉特征,如颜色、纹理和边缘信息,找到图像的相似之处。在这有两个子模块。 | ||||||||||||||||||||
1)离线模块:一旦用户完成登录过程他想可以载入图像。和后加载的图像用户查询图像和基于输入图像或查询图像系统将为用户查询图像低层视觉特征提取和数据库图像。系统计算用户之间的相似性查询图像和数据库图像低层视觉特征。系统检索,提出了一种序列图像相似的降序排名。结果,用户能够找到相关的图片,上面排名第一和计算图像检索性能。 | ||||||||||||||||||||
2)在线模块:随着数据库大小的增加图像检索和搜索操作将变得缓慢,它也会影响性能。大部分时间是不可能有数据库作为数据库中的所有图像会变得巨大,这里的用户提供了一个选项,是更广泛的搜索。用户可以在网上搜索和检索图像的类似。 | ||||||||||||||||||||
方法 |
||||||||||||||||||||
我们开发一个基于内容的图像检索系统使用颜色、纹理和边缘特征,如图4所示。 | ||||||||||||||||||||
系统运行的四个阶段: | ||||||||||||||||||||
1)查询:用户提供了一个示例图像的查询系统。 | ||||||||||||||||||||
2)特征提取:提取低级用户查询图像和数据库图像的视觉特征。 | ||||||||||||||||||||
3)相似度计算:系统计算用户之间的相似性查询图像和数据库图像低层视觉特征。 | ||||||||||||||||||||
欧式距离测量: | ||||||||||||||||||||
相似性度量是一个图像之间使用欧式距离D,它存在于数据库中,查询图像问可以给, | ||||||||||||||||||||
![]() |
||||||||||||||||||||
,Di和气是图像D和查询图像的特征向量分别问大小为n。 | ||||||||||||||||||||
4)检索:系统检索,提出了一种序列图像相似的降序排名。结果,用户能够找到相关的图片,上面排名第一和计算图像检索性能。 | ||||||||||||||||||||
实验装置和结果 |
||||||||||||||||||||
这部分是用来解释分析结果。为此,PC处理器奔腾4或更高,电脑内存2 GB或更高,40 GB的硬盘驱动器,与微软的Windows 7, OpenCv 2.4.3使用Visual Studio 2010。 | ||||||||||||||||||||
结论和未来的工作 |
||||||||||||||||||||
基于内容的图像检索(CBIR)是最受欢迎的系统来检索图像。在基于内容的方法中,图像可以搜索基于视觉特征,如颜色、纹理和边缘信息。当代计算机可以执行简单匹配数百近乎实时的图像。人们普遍认识到,目前大多数基于内容的图像检索系统使用低水平特征(颜色、纹理、形状)和下一代系统应该运行在更高的语义级别。相关性反馈(RF)工具用于提高CBIR系统的性能。相关性反馈背后的基本思想是将人类感知主观性的查询过程,为用户提供评估检索结果的机会。通过使用颜色、纹理和形状等图像的属性也区分正面和负面反馈和只显示基于查询图片相关的图片。图像可以通过在线和离线检索基于查询图像CBIR系统的性能得到了很大的提高。 | ||||||||||||||||||||
在目前的工作基于内容的图像检索已实现为在线和离线。所以很容易和快速搜索和检索图像。以同样的方式作为一个未来的工作可以做录音和语音搜索。 | ||||||||||||||||||||
数据乍一看 |
||||||||||||||||||||
|
||||||||||||||||||||
引用 |
||||||||||||||||||||
|