关键字 |
全局颜色直方图,局部颜色直方图,RGB, HSV,共现矩阵,Canny算法。 |
介绍 |
“基于内容”是指搜索分析图像的内容而不是元数据。元数据是指与图像相关的关键字、标签或描述。这里的术语“内容”是指颜色、形状、纹理或任何其他可以从图像本身派生出来的信息。CBIR是可取的,因为大多数基于web的图像搜索引擎纯粹依赖于元数据,这会在结果中产生大量垃圾。此外,让人工在大型数据库中手动输入图像的关键字可能效率低下、成本高昂,而且可能无法捕获描述图像的每个关键字。因此,一个可以根据内容过滤图像的系统将提供更好的索引,并返回更准确的结果。 |
由于基于元数据的系统固有的局限性,以及有效图像检索的广泛可能用途,人们对CBIR的兴趣越来越大。使用现有技术可以很容易地搜索图像的文本信息,但这需要人类手动描述数据库中的每个图像。这对于非常大的数据库或自动生成的图像(例如来自监控摄像机的图像)是不切实际的。也有可能忽略在描述中使用不同同义词的图像。基于语义类(如“猫”是“动物”的子类)对图像进行分类的系统避免了这个问题,但仍然面临同样的缩放问题。 |
图像检索系统是一种用于从大型数字图书馆数据库中浏览、检索和检索图像的计算机系统。从现有的搜索引擎中检索图像,目前使用的方法是对存储在数据库中的图像以及从图像中提取的形状、颜色、纹理等低级特征使用元数据,如标题、关键词或描述。制定查询的用户通常只考虑一个主题,而为满足该查询而生成的结果可能属于不同的主题。因此,只有部分搜索结果与用户相关。 |
相关工作 |
大多数搜索引擎(如google, yahoo等)都是基于语义搜索,即用户在一系列关键字中键入类型,并且图像也使用关键字进行注释。因此,主要通过这些关键字进行匹配。为了有效地处理大型图像数据库,近年来开发了CBIR系统。基本上,颜色、纹理和形状已经被用来从图像数据库中提取相似的图像。不同的CBIR技术采用了不同的技术。一些技术使用全局颜色和纹理特征(3,4,5),而一些技术使用局部颜色和纹理特征(6,7,8)。然后提出了基于颜色和纹理特征对图像进行区域分割的方法。然后进行区域间的相似性。这些区域是接近人类感知的,并被用作计算特征和相似性度量的基本构建块。这些系统被称为基于区域的图像检索。 But image segmentation algorithm is difficult in the human perception point of view. To ensure robustness against such inaccurate segmentation region maintaining algorithm is used. Color space is divided into small ronges. Each interval is regarded as a bin. Then matching techniques are carried out (1). |
形状是感知物体识别的另一个重要特征。提出了各种应用技术,包括链码、特征、周长、面积和圆度(9)。Grace Selvarni和dr。S. Annuradai(12)使用了泛傅立叶形状描述符技术。这里观察到高的计算速率。文献(11)提出结合边缘直方图和fouries变换计算边缘图像。文献(2)报道了从图像数据库中提取相似图像形状特征和检索相似图像的梯度方法。文献(2)提出了从图像中提取形状特征并从数据库中检索相似图像的梯度方法。本文利用颜色、纹理和形状信息进行图像检索,提高了图像检索的效率。 |
系统概述和提出的方法 |
1.颜色特征提取: |
颜色特征是基于内容的图像检索中最简单、应用最广泛的视觉特征之一。该方法对背景复杂性具有较强的鲁棒性,且不受图像大小和方向的影响。有不同的色彩空间,最常见的是- RGB(红,绿,蓝)-和更有效地衡量图像之间的颜色相似性- HSV(色调,饱和度,值)和HLS(色调,亮度,饱和度)。为了在CBIR系统中表示颜色特征,有许多技术,例如: |
·ColorHistogram; |
·色彩相干向量; |
·ColorCorrelogram |
最通用的方法是颜色直方图。该技术描述了图像中每种颜色的像素比例。颜色直方图是通过将图像颜色量化为离散级别,然后计算每个离散颜色在图像中出现的次数来获得的。在CBIR系统中,查询图像与数据库中所有图像的直方图进行比较。 |
基于CBIR的局部与全局颜色直方图: |
颜色直方图分为全局颜色直方图和局部颜色直方图。这里,我们同时使用局部和全局颜色直方图,然后比较它们的结果。我们的目的之一是展示如何通过使用局部颜色直方图而不是全局颜色直方图来增强图像检索。 |
1.1.1基于全局颜色直方图的CBIR: |
它的颜色直方图是最著名的用于检测相似图像的颜色直方图。基于CBIR的全局颜色直方图的算法步骤如下: |
1.将图像从RGB空间转换为HSV空间。 |
![图像](//www.cheescube.com/articles-images/ IJAREEIE-1389-g001.gif) |
![图像](//www.cheescube.com/articles-images/ IJAREEIE-1389-e001.gif) |
A和B是两个特征向量。n是A和B的维数。 |
1.1.2基于局部颜色直方图的CBIR: |
在基于CBIR的局部颜色直方图中,图像被划分为NXN块。瓷砖的尺寸不宜过大或过小。在这里,瓷砖的大小被认为是3x3,因为它被认为是更有效的。现在,对于每个块,我们重复在基于CBIR的全局颜色直方图中解释的相同步骤。通过比较基于全局颜色直方图的CBIR和基于局部颜色直方图的CBIR的结果,可以看出基于局部颜色直方图的CBIR在图像检索中更加准确。基于CBIR的全局颜色直方图计算颜色的频率。这样,颜色信息的空间分布就丢失了。因此,基于局部颜色直方图的CBIR比基于全局颜色直方图的CBIR更有效。基于CBIR的局部颜色直方图算法步骤如下: |
1.图像被分成3x3块 |
2.对每个块进行了色彩空间转换和量化计算 |
3.计算每个块的归一化颜色特征。 |
4.通过欧氏距离计算相似度。 |
2.纹理特征提取: |
纹理是图像中重复的色调。对于纹理特征的计算,需要计算共现矩阵。流程图显示了从图像中提取纹理特征的步骤。纹理特征提取的算法步骤如下: |
![图像](//www.cheescube.com/articles-images/ IJAREEIE-1389-e002.gif) |
3.形状特征提取: |
形状是图像的另一个重要内容。在基于形状的图像检索中,首先将图像从彩色图像转换为灰度图像,因为颜色在这里没有用处。因此为了降低复杂度,将图像转换为灰度图像。然后进行边缘检测,从图像中检测出尖锐的边缘。边缘是边界的特征,因此在图像处理中是一个非常重要的问题。图像中的边缘是具有强烈强度对比的区域——从一个像素到下一个像素的强度跳跃。图像边缘检测可以显著减少数据量,过滤掉无用信息,同时保留图像中的重要结构属性。其中,边缘检测采用Canny算法。然后计算弯矩,因为弯矩是形状内容的特征。纹理特征提取的算法步骤如下: |
1.图像颜色转换。 |
Y = 0.29 × r + 0.587 × g + 0.114 × b |
2.采用CANNY方法进行边缘查找 |
3.计算的时刻。 |
4.通过欧氏距离计算相似度。 |
仿真结果 |
基于全局颜色直方图的CBIR结果: |
基于CBIR的全局颜色直方图结果如图所示。这里,查询图像是红色的玫瑰,所有检索到的图像都不是强制的玫瑰,但所有检索到的图像都是红色的。 |
![图像](//www.cheescube.com/articles-images/ IJAREEIE-1389-g002.gif) |
基于局部颜色直方图的CBIR结果: |
这里的图像被分成3X3的贴图。然后通过颜色直方图计算每张图像的特征。查询图像是红色玫瑰,所有检索到的图像都不是强制玫瑰,但所有检索到的图像都是红色的。在这里,结果优于基于全局颜色直方图的CBIR结果。 |
![图像](//www.cheescube.com/articles-images/ IJAREEIE-1389-g003.gif) |
基于纹理的CBIR结果: |
基于纹理的CBIR结果如图所示。织体是一种重复的音调或图案。这里,查询图像是一个黄色的总线,具有多个窗口作为重复模式,并且所有检索到的图像都不是黄色的,因为重复模式被认为是图像检索的一个特征,而不是颜色。因此,检索具有公交窗口等重复模式的图像。 |
![图像](//www.cheescube.com/articles-images/ IJAREEIE-1389-g004.gif) |
基于形状的CBIR结果: |
在基于形状的CBIR边缘检测中,使用Canny算法进行边缘检测的图像如图(a)所示。基于形状的CBIR结果如图(b)所示。在这里,检索与查询图像具有近似相同形状的图像。 |
![图像](//www.cheescube.com/articles-images/ IJAREEIE-1389-g005.gif) |
![图像](//www.cheescube.com/articles-images/ IJAREEIE-1389-g006.gif) |
基于纹理、颜色和形状的CBIR结果: |
当我们将基于纹理、颜色和形状的CBIR结合起来时,发现与基于其他CBIR技术的其他CBIR相比,结果得到了增强。这里,查询图像是一朵红色的花,在结果中我们得到了所有带有红色花的图像。因此,结果被发现是增强的。在上图中,所有检索到的图像都不如我们在CBIR中结合所有三个特征即颜色、纹理和形状特征得到的图像准确。所以,这个项目的主要目的在这里实现了。 |
![图像](//www.cheescube.com/articles-images/ IJAREEIE-1389-g007.gif) |
结论 |
本文在前人研究的基础上,对CBIR的颜色、纹理、形状等底层特征提取进行了探索。将基于颜色、纹理和形状特征的CBIR与基于颜色、纹理和形状融合特征的CBIR进行比较,发现基于颜色、纹理和形状融合特征的CBIR效果更好,即基于颜色、纹理和形状融合特征的CBIR结果比基于颜色、纹理和形状特征的CBIR结果鲁棒性更好。该项目的主要目的是提高该项目对CBIR的满意度。 |
参考文献 |
- 岳军,李振波,刘璐,傅泽天。â -  .基于内容的图像检索,使用颜色和纹理融合featuresâ -  ., 1121-1127, 2011, Elsevier。
- JagadeeshPujari, Pushpalata S. N, ⠓基于内容的基于颜色和形状的图像检索descriptors⠔,2010 IEEE。
- JagadeeshPujari,Pushpalatha和s.n. PadmashreeD。德赛CSE部门。â -  .基于内容的图像检索,使用颜色和形状Descriptorsâ -  (978-1-4244-8594-9/10/$26.00c 2010 IEEE)
- p.s. Hiremath,JagadeeshPujari。â  .基于内容的图像检索,使用颜色,纹理和形状特征。一个¢(0 - 7695 - 3059 - 25.00美元1/07©2007 IEEE DOI 10.1109 / ADCOM.2007.21)
- 孔凡辉.⢴同时使用颜色和纹理的图像检索features⢔(978-1-4244-3703-0/09/$25.00 ú©2009 IEEE)
- Ig-Jae金正日*。**,Je-Ho Lee', Yong-Moo Kwon', Sang-HuiPark. âÂÂContent-Based Image Retrieval Method using Color and Shape FeaturesâÂÂ,(0-7803- 3676-3/97/$10.800 1 997 IEEE)
- Dengsheng张。â© .利用颜色和纹理提高图像检索性能Features⢠. (0-7695-2244-0/04 $20.00 â©2004 IEEE)
- 高拉瓦·阿加瓦尔、阿什温和苏加塔·阿戈萨尔。â  .一个具有自动查询功能的图像检索系统Modification⢠. (IEEE TRANSACTIONS ON MULTIMEDIA, VOL. 4, NO. 1)二二年六月二日)
- W. Niblack等人,⠓QBIC项目:通过使用颜色、纹理和shape⢔的内容查询图像,参见Proc.SPIE, vol. 1908, San Jose, CA, pp. 173-187,Feb. 1。1993.
- A. Pentland, R. Picard和S. Sclaroff, ⠓Photobook:基于内容的图像处理databases⠔,在Proc. SPIE图像和视频数据库的存储和检索II, San Jose, CA, pp. 34-47, 1994年2月。
- M. Stricker和M. Orengo, ⠔颜色相似性images⠔,《SPIE图像和视频数据库存储与检索》,第381-392页,1995年2月。
- C. Carson, S. Belongie, H. Greenspan,和J. Malik, â *  * Blobworld:基于期望最大化的图像分割及其在图像查询中的应用。⠔,IEEE译。《应用科学》,第24卷第8期,第1026-1038页,2002。
- A. Nastev, R. Rastogi和K. Shim, ⢠.“WALRUS:图像的相似性检索算法databases⢔,ACM SIGMOD Int。资料管理,第395-406页,1999。
- j . j . Li z王,g .互联网一个¢IRM: integra区域匹配的图像retrievalA¢,第八届ACM int的proc。。《多媒体论文集》,页147-156,2000年10月。
- 孙永香,张成明,刘平增,朱红梅,â  .基于链的形状特征提取codeâ´ .中文信息学报,2007。小波分析与模式识别,北京,2007年11月2-4日。
- Sami Brandit, JormaLaaksoner和krkkioja, ⠓基于内容的图像的统计形状特征retrieval⠔,2000 IEEE。
- A. Grace Selvarni和Dr. Annadurai, A ⠓基于内容的医学图像检索的医学图像使用通用傅里叶descriptors⠔,生物信息学计算智能杂志,ISSN: 0973-385X卷1号1 (2008)pp. 65-72,研究印度出版物。
|