关键字 |
基于内容的图像检索,形状,颜色一致性向量,重心,分割 |
介绍 |
CBIR检索图像的过程从数据库或数字图像图书馆根据图像的视觉内容。换句话说,它是图像的检索内容相似的颜色,纹理和形状。图像一直是不可避免的一部分人类沟通和根部几千年前。图像使沟通过程更有趣,说明性的,精致的,可以理解的和透明的 |
在CBIR系统中,通常是将图像特征分组三个主要类:颜色、纹理和形状[1,2]。理想情况下,这些功能应该综合比较过程中提供更好的歧视。颜色是迄今为止最常见的视觉特性CBIR中使用,主要是因为简单的从图像中提取颜色信息(3、4)。提取形状和纹理信息[5]功能更加复杂和昂贵的任务,通常颜色特征提供的初始过滤后执行。 |
许多应用程序要求比较简单的方法对图像基于他们的整体外观。例如,用户可能希望检索所有图像类似于一个给定的图像从一个大的图像数据库。颜色直方图[6、7]是一个受欢迎的解决这个问题,直方图描述灰度或彩色分布对于给定的图像,计算效率高,但一般小型相机位置的变化不敏感。颜色直方图也有一些局限性。颜色直方图没有提供空间信息;它只是描述了图像中颜色存在,和数量。此外,颜色直方图敏感压缩构件和整体图像亮度的变化。设计的基于直方图的方法主要的事情我们需要适当的彩色空间,一个颜色量化方案,直方图表示、相似性度量[8]。数字图像在这个上下文是一组像素。每个像素代表一个颜色。 Colors can be represented using different color spaces depending on the standards used by the researcher or depending on the application such as Red-Green-Blue (RGB), Hue-Saturation-Value (HSV), YIQ or YUV etc. [9] |
在本文中,我们描述一个基于颜色的方法比较类似于图像颜色直方图,但也考虑了空间信息。我们首先回顾颜色直方图。然后描述闭路和如何进行比较。CCV-based形象的例子证明他们可以给上级结果查询。最后,我们提出一些可能的扩展闭路。 |
本文还提出了一种方法来检索图像通过一个自动分割技术。这使我们得到近似的图像区域的形状信息。形状描述或表示是一个重要的问题在目标识别和分类。许多技术,包括链代码、多边形近似曲率,提出了傅里叶描述符和时刻描述符,用于各种应用程序。通过随机执行分割算法使用区域的亮度下分析。我们发现图像特性产生的图像区域允许更高的图像之间的歧视比现有的方法。主要的思想是寻找图像中的区域[10]寻找典型组统计同样明亮的元素。第一个图像分割是基于一个特定的图像的亮度代表一个类。然后,特点是提取分割类[11]。 |
剩下的纸是组织如下。在第二节,讨论颜色和形状特征表示技术。然后在第3节描述提出方案的颜色和形状检索。实验结果与精度表在第四节解释说。最后的结论是在第五节的引用。 |
颜色和形状特性表征 |
CBIR系统的第一步是代表颜色组件和地区塑造成特征向量。有多种方法来表示数字图像的特征。本文提出了颜色和形状特征提取技术。 |
答:颜色特征 |
直方图匹配的初始过程,我们使用HSV颜色空间。操纵的HSV颜色空间是首选的色相和饱和度(改变颜色或调整的颜色),因为它产生了一个更大的动态范围的饱和度[12]。图1说明了单一六角锥形HSV颜色模型。十六进制锥的顶部对应于V = 1,或颜色的最大强度。十六进制的锥底部是黑色和V = 0。互补色是180°相反的另一个以H,垂直轴周围的角V,红色在0°。年代的价值比率,从0 V中心线垂直轴1上的六角锥形。S的任何值在0和1之间可能与V = 0。点S = 0 V = 1是白色的。中间值V S = 0是灰色的。 Note that when S = 0, the value of H is irrelevant. From an artistâÂÂs viewpoint, any color with V = 1, S = 1 is a pure pigment whose color is defined by H. Adding white and black corresponds to decreasing S without changing V and corresponds to decreasing V without changing S respectively. Tones are created by decreasing both S and V. |
与一般技术形成箱我们将颜色空间划分为部分取决于知觉。图2显示了色相和饱和度的变化的情节与常量值在其最大的价值。注意如图所示的垂直分区分割色调。我们可以观察到每个分区的颜色几乎是相关的,看起来类似于眼睛。因此我们有6箱的色调。 |
相干矢量双颜色直方图由相干矢量和不连贯的向量。我们定义一个像素的颜色的一致性程度,颜色是大区域含有的成员。我们称这些重要区域为一致的区域,并观察他们在描述图像具有十分重要的意义。我们作为相干或非相干的一致性分类像素。连贯的像素是一个相当大的相邻区域的一部分,而不连贯的像素。颜色一致性向量代表这对每种颜色在图像分类。这种一致性的概念允许我们做出微小的差别,不能用简单的颜色直方图。 |
初始阶段计算闭路[13]类似于一种颜色直方图的计算。首先略有模糊图像代替像素值的平均值在一个小地方社区包括8相邻像素。定义了颜色空间只有n图像中不同的颜色。下一步是将像素在一个给定颜色的水桶,连贯的或不连贯的。一个连贯的像素是一大群的一部分像素相同的颜色,而不连贯的像素不是。单词后确定像素组通过计算连接组件 |
当这个过程完成时,每个像素将属于一个连接组件。像素分类为相干或非相干的大小取决于其连接组件。一个像素是相干如果连接组件的大小超过一个固定值τ;否则,像素是不连贯的。 |
对于一个给定的名誉扫地的颜色[14],一些像素的颜色将相干和一些不连贯的。让我们调用的数量一致的j离散的像素颜色αj和βj不连贯的像素的数量。显然,这种颜色的像素总数是αj +βj,所以颜色直方图将总结一个形象 |
![图像](//www.cheescube.com/articles-images/IJAREEIE-674-e002.gif) |
相反,对于每个颜色我们计算对(αjβj)我们将称之为j的一致性对颜色。颜色一致性pairA¢年代向量的图像组成 |
![图像](//www.cheescube.com/articles-images/IJAREEIE-674-e002.gif) |
分类的一致性是由一个固定值τ。检查每个像素是否连贯。一个像素是相干如果周边像素有相同的价值观,形成一个巨大的连续的区域。两个图片我和I1可以使用闭路的相比,利用L的距离。让j颜色的一致性对桶(aj, bj)我和(I1 a1j b1j)。使用L距离比较闭路,j桶的贡献I1和我之间的距离 |
![图像](//www.cheescube.com/articles-images/IJAREEIE-674-e003.gif) |
b .形状特性的 |
形状是一个重要的视觉特性,它是一个用于描述图像内容的基本特性。然而,形状表示和描述是一个艰巨的任务。这是因为当现实世界三维物体投影到二维图像平面上,一维对象信息的丢失。因此,从图像中提取的形状只能部分代表了投射对象。使问题更加复杂,形状通常与噪音,损坏缺陷,任意扭曲和闭塞。进一步尚不清楚什么是重要的形状。当前的方法有正面和负面属性;计算机图形学或数学使用有效的形状表示不可用在形状识别,反之亦然。尽管如此,有可能找到最常见的形状特征描述方法。 |
基本上,shape-based图像检索由测量形状之间的相似度由它们的特性。一些简单的几何特性可以用来描述形状。通常,简单的几何特性与巨大差异只能辨别形状;因此,他们通常用作过滤器来消除虚假点击或结合其他形状描述符区分形状。他们不适合独立形状描述符。一个形状可以通过不同方面描述[15]。这些形状参数质量,重心(重心)[16],意思是,方差,分散,轴的惯性,数字弯曲能量,怪癖,循环比、椭圆形方差,成长方形,凸性,可靠性,欧拉数、档案、孔面积比等。这些描述如下。 |
质量是没有的。一个类中包含的像素。这是作为 |
![图像](//www.cheescube.com/articles-images/IJAREEIE-674-e004.gif) |
重心也叫质心;h是一个面具集群的c / S (x, y)形象。质心的坐标(xc、yc)被定义为: |
![图像](//www.cheescube.com/articles-images/IJAREEIE-674-e005.gif) |
和 |
![图像](//www.cheescube.com/articles-images/IJAREEIE-674-e006.gif) |
c类的均值和方差的特性计算原始图像我考虑由此产生的分割,他们分别用μcσ2 c |
![图像](//www.cheescube.com/articles-images/IJAREEIE-674-e007.gif) |
和 |
![图像](//www.cheescube.com/articles-images/IJAREEIE-674-e008.gif) |
色散是每个地区的距离的和一个类的类质心。通过欧氏距离公式计算的距离。色散可以给出 |
![图像](//www.cheescube.com/articles-images/IJAREEIE-674-e009.gif) |
在dist (Oc, Oi, c)是欧几里得距离吗 |
Oc = c类的重心 |
Oi, c = c类质心的地区我 |
提出工作 |
答:颜色检索 |
颜色检索系统在两个阶段工作。 |
1)在第一阶段,完成基于直方图的比较和匹配图像短上市。 |
2)第二阶段,短期上市的颜色一致性向量图像(阶段1)用于提炼的结果。 |
数字相干和非相干性的像素颜色的强度计算的形象。然后相干阵列的大小、相干阵列和没有。一致性像素被存储为一个向量。欧几里得距离用于匹配两个直方图h和hA¢每个n垃圾箱了 |
![图像](//www.cheescube.com/articles-images/IJAREEIE-674-e010.gif) |
它是通过假设每个向量作为一个点的n维向量空间和计算两点之间的物理距离。 |
颜色检索算法 |
步骤1:读取图像 |
步骤2:从RGB转换到HSV |
步骤3:找到HSV直方图并创建向量v1。 |
目的:从数据库读取的向量和比较一个接一个的v1。 |
顾不上名单的所有图像的阈值。 |
第六段:寻找一致性查询图像的每个颜色和创建向量c1相干。 |
比较没有或正在穿衣列出的所有短的相干矢量图像与c1顾不上。 |
向所有匹配的图像存储在文件夹,也显示他们的结果。 |
c形状检索 |
提出了形状检索系统基于自动分割过程得到近似物体的形状信息。它首先分割图像分成5类根据它们的亮度。然后三个属性:质量、质心和分散为每个类计算和存储为形状向量。查询图像和数据库的检索向量图像比较短列为最匹配的图像结果。 |
d形状检索算法 |
步骤1:读取图像 |
步骤2:从RGB转换为灰度 |
步骤3:确定类的范围和数量。 |
目的:计算像素的数量即属于每个类的质量。 |
第五:计算每个类质心和色散。 |
第六段:比较每个类的重心与每个类的重心从数据库查询图像和提取出图像的类。 |
比较,没有或正在穿衣classA¢s质量和分散各自的类。 |
向客人增加数量,如果满足一定的阈值。 |
Step9:考虑第二个类和重复步骤6 - 8到克服的所有类。 |
Step10:再从数据库中图像和重复的比较。 |
Step11:显示的图像最大计数。 |
e .相似性度量 |
在这个算法,我们建议匹配的颜色,颜色的基础上完成。首先通过分析直方图,计算颜色的数量在两个查询图像和数据库图像。然后图片都看到如果某种颜色的比例相匹配的图像具有可比性。图像满足大部分的条件是最好的比赛。检索结果不是一个单一的图片,但图片列表排名由他们与查询图像自相似性CBIR不是基于精确匹配。 |
如果我是数据库图像和IA¢是查询图像,然后计算如下的相似性度量方法, |
1。计算直方图向量vI = [vI1 vI2,…。vIn]和闭路向量cI = [cI1 cI2,…。cIn)数据库的图像。 |
2。计算向量通过¢和中情局¢查询图像也。 |
3所示。两个特征向量之间的欧几里得距离的图像相似度度量方法可以用作: |
4所示。如果d≤τ(阈值),那么图像匹配。 |
5。从所有匹配的图片我们结果显示前24张图片。 |
分段查询图像分成5类根据其亮度和计算相应的类之间的欧几里得距离查询图像和数据库图像属性。质量、质心和色散参数计算为每个类。这些特性与数据库图像存储功能。的特征值小于阈值定义排序是基于查询和数据库图像然后增加区别单独存储。 |
实验结果 |
这两个颜色和形状检索算法在MATLAB中实现与数据库的570张图片。所有存储在JPEG格式的图像大小384×256或256×384。有六个不同的类别;其中包括100匹马、100玫瑰,100年恐龙,100总线,100头大象和70辆自行车。图像检索算法的性能评估我们使用最知名的两个参数;精度和召回。 |
![图像](//www.cheescube.com/articles-images/IJAREEIE-674-e011.gif) |
系统执行10图像从每六个类别和计算的平均精度和平均召回参数。获得的结果为不同类别的图像使用基于形状和颜色表所示。图像检索结果与查询图像的形状和颜色如图3所示分别为a - b和4 a - b。颜色和形状的组合表ii中给出了不同类型的图像和相应的结果图像如图5 a - b。该方法在两个表的平均精度约为70%以上,远远高于基于直方图的方法。 |
结论 |
随着各种搜索引擎、图像搜索已经成为一项简单的任务。但是所有的搜索引擎使用基于文本的检索技术。虽然CBIR发生的话题,我们不能指望整个动荡CBIR的现有技术。但当然,CBIR可以用来补充现有的机械提供更好的结果。本文提供的CBIR方法使用低级别功能来生成结果。本文的目的是改善的准确性(精密)CBIR应用程序通过允许系统来获取更多的图像与源图像相似。新算法的研究以及最近发表的似乎非常侵入性的形象。也每个新算法总是看到最好的作品有一定的地区和贫困。提议的方法的平均精度从平均增加了44%,平均为72%。 |
表乍一看 |
![Click Here 表的图标](//www.cheescube.com/articles-images/table-icon.gif) |
![Click Here 表的图标](//www.cheescube.com/articles-images/table-icon.gif) |
表1 |
表2 |
|
|
数据乍一看 |
|
|
引用 |
- y . a . Aslandogan和c t . Yu”技术和系统的图像和视频检索,“IEEE工程知识和数据,11卷,问题1,页56 - 63,1999年1月/ 2月。
- a·w·m·Smeulders m .不用Santini, a·古普塔和r . Jain,“基于内容的图像检索的早期,“IEEE模式分析与机器智能,问题12日,第22卷,第1380 - 1349页,2000年12月。
- m·j·斯温·d·h·巴拉德,„„颜色indexingA¢一个¢,计算机视觉国际杂志7卷,问题1,11-32,1991页。
- Irena Valova,鲍里斯•Rachev和迈克尔Vassilakopoulos“优化”颜色特征的图像检索算法,计算机系统和技术国际会议——CompSysTechA¢,页1 - 4,2006年。
- Sarfraz和m . Ridha“基于内容的图像检索使用多个形状描述符”,IEEE / ACS计算机系统和应用国际会议上,730 - 737年,2007页。
- 通过和r . Zabih直方图改进基于内容的图像检索,“第三IEEE计算机视觉的应用研讨会,页96 - 102,1996。
- A . Vellaikal和c . c . j .郭„„基于内容的图像检索使用多分辨率直方图RepresentationA¢一个¢,学报——数字图像存储和归档系统,2606卷,第323 - 312页,1995年。
- h . j . Zhang y锣,c . y .低和s . w . Smoliar„„基于颜色特征的图像检索:评估StudyA¢一个¢,学报——数字图像存储和归档系统,2606卷,第220 - 212页,1995年。
- 经济部腓、帮派钱和萨克蒂Pramanik”分割和直方图生成使用HSV颜色空间图像检索”,图像处理国际会议,2卷,第592 - 589页,2002年。
- 全新课题,Dah-Jye李,Sameer Antani和l .罗德尼长,“一个脊柱x射线图像检索系统使用部分形状匹配”,IEEE信息技术在生物医学,12卷,问题1,第108 - 100页,2008年1月。
- r·阿米特•杰恩Muthuganapathy, Karthik Ramani,“基于内容的图像检索使用形状和深度从工程数据库”,第三届国际会议上提出的诉讼视觉计算、卷。第二部分,255 - 264年,2007页。
- Rafel c·冈萨雷斯和理查德·e·伍兹,“数字图像处理”,第二版,培生教育亚洲,2005年。
- Aleksandra Mojsilovic,将鹰胡锦涛和Emina Soljanin”,提取感知重要的颜色和相似性度量的图像匹配,检索和分析”,IEEE图像处理,11卷,11号,1238 - 1248页,2002年11月。
- 格雷格,白木Zabih和贾斯汀·米勒,“使用颜色一致性比较图像向量”,第四届ACM国际会议程序多媒体,65 - 73年,1996页。
- Dengsheng张和Guojun Lu形状表示和escription技术的“审查”,模式识别的社会。由爱思唯尔出版有限公司37卷,- 2004页。
- a·j·m·Traina a·g·r·巴兰l . m . Bortolotti和c Traina Jr .)“基于内容的图像检索使用近似形状的对象”,《17 IEEE计算机基础医学系统研讨会上,91 - 96年,2004页。
|