雷竞技网页版研究和评论——国际期刊雷竞技苹果下载

国际先进研究期刊》的研究在电子、电子、仪表工程

菜单

ISSN在线(2278 - 8875)打印(2320 - 3765)

所有提交的电磁系统将被重定向到在线手稿提交系统。作者请直接提交文章在线手稿提交系统各自的杂志。

图像检索通过使用颜色、纹理和形状特征

教授c·s·戈德1,女士。a . n . Ganar2
  1. 助理教授、系等Yashwantrao ChavanCollege工程,那格浦尔,印度马哈拉施特拉邦
  2. PG学生(engg沟通。),部门等,YashwantraoChavan工程学院,那格浦尔,马哈拉施特拉邦,India2
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

国际先进研究期刊》的研究在电子、电子、仪表工程

文摘

图像检索基于颜色、纹理和形状是一个范围广泛的研究领域。在本文中,我们提出一个框架,结合这三个如颜色、纹理和形状信息,实现更高的检索效率。图像及其补充同等大小的划分为若干个非重叠的瓷砖。的特性来自条件之间的共生直方图图像块和相应补充瓷砖,在RGB颜色空间中,作为局部描述符的颜色、形状和纹理。我们应用集成上述组合,然后我们集群基于相似的属性。我们还创建同现矩阵。同现矩阵计算纹理特征向量。精明的算法用于边缘检测来计算形状的特征向量。然后使用不变的时刻记录的形状特征。的颜色、形状和纹理特征图像和其补结合形状特征为图像检索提供了一个健壮的特性集。 The experimental results demonstrate the efficacy of the method.

关键字
全局颜色直方图,局部颜色直方图,RGB, HSV,同现矩阵,精明的算法。

介绍
“基于内容的”意味着搜索分析图像的内容以外的其他元数据。元数据是指关键字、标签、或描述相关的图像。这里,“内容”一词指颜色、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的图片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。这样一个系统,可以根据他们的内容过滤图像将提供更好的索引和返回更准确的结果。
越来越多的兴趣CBIR因为基于元数据的系统固有的局限性,以及大范围的可能用途有效的图像检索。文本图像的信息可以很容易地使用现有的搜索技术,但是这需要人类手工描述数据库中的每个图像。这是非常不切实际的大型数据库或自动生成的图像,如监控摄像机。也有可能错过描述的图像使用不同的同义词。基于图像语义分类系统类像“猫”“动物”的一个子类避免这个问题,但仍然面临着相同的扩展问题。
图像检索系统是一个计算机系统浏览、搜索和检索图像从一个大的数字图书馆数据库。使用元数据,比如字幕关键词或描述数据库中存储的图像以及图像或图像的低层次特征提取等形状,颜色,纹理等一直到现在用于图像检索从现有的搜索引擎。用户制定一个查询通常只有一个话题,同时满足这个查询的结果可能属于不同的主题。因此只有部分搜索结果相关的用户。

相关工作
大多数的搜索引擎(ex.google、雅虎等)是基于语义搜索,即。,the user types in a series of keywords and the images are also annotated using keywords. Thus the match is done primarily through these keywords. In the recent years CBIR system have been developed to handle the large image database effectively. Basically color, texture and shape have been used for extracting similar images from an image database. Different CBIR techniques have adopted different techniques. Some techniques have used global color and texture features (3,4,5) where as some have used local colors and texture features (6,7,8). After that the method of segmentation is proposed, where the image is segmented into regions based on color and texture features. And then region to region similarity is done. The regions are closed to human perception and are used as basic building blocks of computation of feature and similarity measurement. These systems are known as region based image retrieval. 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).
形状是知觉对象识别的另一个重要特性。各种应用程序提出技术包括链码特征,周长,面积和圆度(9)。N恩典Selvarni andDr。美国Annuradai genricfourier形状描述符(12)使用技术。高速率的计算是观察。结合边缘直方图和fouries变换计算边缘图像提出了文学(11)。梯度法对形状特征提取和检索相似的图像从图像数据库是报告文学文献(2)。(2)提出了梯度法提取图像的形状特征和从数据库中检索相似的图像。本文使用颜色、纹理和形状图像检索的信息来提高图像检索的结果更好的效率。

系统概述,并提出了方法
1。颜色特征提取:
颜色特征是一种最简单和广泛使用的视觉特性在基于内容的图像检索。背景是相对强劲的并发症和独立的图像大小和方向。有不同的颜色空间,最常见的- RGB(红、绿、蓝)和更有效的衡量图像之间的相似性——HSV颜色(色调、饱和度、价值)和HLS(色相、明度、饱和度)。代表颜色特征在CBIR系统有许多技术,如:
·ColorHistogram;
·颜色一致性向量;
·ColorCorrelogram
最普遍的方法是颜色直方图。技术描述每种颜色的像素比例在一个图像。颜色直方图是通过量化图像颜色成离散的水平,然后计算每个离散颜色发生的次数的形象。在CBIR系统中,查询图像与直方图的图像数据库。
基于局部与全局颜色直方图的CBIR:
颜色直方图分为全局颜色直方图和局部颜色直方图。在这里,我们使用的局部和全局颜色直方图,然后我们比较他们的结果。作为我们的一个目的是展示如何增强图像检索可以通过使用地方色彩直方图代替全局颜色直方图。
1.1.1Global基于颜色直方图的CBIR:
颜色直方图是最著名的色彩直方图用于检测相似的图像。下面的算法显示了基于全局颜色直方图的CBIR的步骤:
1。图像从RGB空间转换到HSV空间。
图像
图像
A和B两个特征向量。n是A和B的维度。
1.1.2本地基于颜色直方图的CBIR:
在当地的基于颜色直方图的CBIR,图像分为NXN瓷砖。瓷砖的尺寸不能太大或太小。这里,瓷砖视为3 x3的大小,因为它是更有效。我们为每个块重复相同的步骤成为全球基于颜色直方图的CBIR中解释。通过比较基于全局颜色直方图的CBIR的结果和当地基于颜色直方图的CBIR,它可以观察到当地基于颜色直方图的CBIR更精确的图像检索。基于全局颜色直方图的CBIR计算频率的颜色。所以,丢失了颜色的空间分布信息。所以,当地的基于颜色直方图的CBIR发现比基于全局颜色直方图的CBIR更有效。下面的算法显示当地的基于颜色直方图的CBIR的步骤:
1。图像分为3 x3的街区
2。对于每个块,进行色彩空间转换的计算和量化
3所示。规范化计算每一块颜色特征。
4所示。欧氏距离计算相似度。
2。纹理特征提取:
纹理是图像的重复的语气。计算纹理特征,同现矩阵计算。流程图显示的步骤提取图像的纹理特征。下面的算法显示了纹理特征提取的步骤:
图像
3所示。形状特征提取:
图像的形状是另一个重要内容。在基于形状的图像检索的第一图像被转换从彩色到灰度图像,没有使用的颜色。为了降低复杂度图像转化为灰度图像。然后进行边缘检测是检测图像的锐利的边缘。边缘特征边界,因此在图像处理基本重要性的问题。边缘在图像领域具有较强的强度对比,从一个像素强度跳到下一个。边缘检测图像显著减少的数据量和过滤掉无用的信息,同时保留一个图像重要的结构属性。在这里,边缘检测是通过使用精明的算法。然后计算时刻的那一刻是形状的功能内容。下面的算法显示了纹理特征提取的步骤:
1。图像颜色转换。
Y = 0.29×0.587×R + G + 0.114×B
2。边找到通过精明的方法
3所示。计算的时刻。
4所示。欧氏距离计算相似度。

仿真结果
基于全局颜色直方图的CBIR的结果:
全球基于颜色直方图的CBIR的结果如图。这里,查询图像是一个红色的玫瑰和所有图像检索不强制玫瑰但所有检索图片是红色的颜色。
图像
结果当地基于颜色直方图的CBIR:
图像分为3 x3瓷砖。然后为每个瓷砖图像计算了颜色直方图的特点。查询图像是一个红色的玫瑰和所有图像检索不强制玫瑰但所有检索到的图像是红色。在这里,结果比基于全局颜色直方图的CBIR的结果。
图像
基于纹理的CBIR的结果:
结果基于纹理的CBIR如图。纹理是一种重复的音调或模式。查询图像是一个黄色的公共汽车有多个窗口作为一个重复的模式,所有的图像检索没有重复的模式被认为是一种黄颜色特征的图像检索,而不是颜色。所以,图片有重复的图案像windows总线检索。
图像
基于形状的CBIR的结果:
在完成基于形状的CBIR边缘检测和图像使用精明的边缘检测算法如图(一)所示。结果基于形状CBIR如图(b)。这里的图片有大约相同形状的查询检索图像。
图像
图像
基于结果质地、颜色和形状的CBIR:
当我们结合纹理,基于颜色和形状的CBIR结果发现增强相比其他CBIR基于CBIR技术。这里,查询图像是红色的花,结果我们得到了所有的图像有红色的花。所以,结果发现增强。在上面的数据,检索到的图像都不像我们那么准确的CBIR基于所有这三个特性的结合即颜色、纹理和形状特征。这个项目的主要目的是满足。
图像

结论
先前研究的基础上,本文探索了低级特征的颜色、纹理和形状CBIR的提取。后比较CBIR基于颜色、纹理和形状特征与颜色、纹理和形状融合的特性,可以看出CBIR基于颜色、纹理和形状融合特性提供了更好的结果即结果的颜色、纹理和形状融合比颜色特性是健壮的,基于纹理和形状特征的图像检索。项目的主要目的是提高CBIR满意这个项目。

引用

















全球技术峰会