ISSN: 2320 - 2459
在CBIR中,局部特征和物体的形状信息在决定图像的相似度方面起着重要的作用,这促使作者在文献中应用局部特征。利用梯度矢量流场提取的一维归一化轮廓序列矩计算边缘图像是一种著名的形状特征,可以获取物体的形状信息。GVF场在确定物体边界方面给出了很好的结果,而不考虑所涉及的凹坑。此外,其他形状特征如胡矩和边缘直方图的提取方法由于遗漏了有用信息而降低了检索率,因此效率不如GVF场
循环平稳,过程分析,图像
本文介绍了高效简单的改进CBIR系统操作,并将在文献中详细讨论各个区块的研究[1,2,3.].提出了两种新的图像检索方法,在变换域内提取新的纹理特征。然后从这些瓷砖中提取新提出的特征。在FAM算法中,利用谱函数从每个不重叠的瓦片中计算出每个菱形区域的Norm-1能量和标准偏差,绘制出转换后图像的特征,作为纹理描述符。提出了一种基于最显著最高优先级原则和图像块间二部图邻接矩阵的图像相似度综合匹配方案。梯度矢量流场用于物体形状的提取。不变矩用于描述形状特征。这些纹理和形状特征的组合为图像检索提供了一个健壮的特征集。纹理具有周期性和尺度等特性;它可以用方向、粗度、对比度等来描述。 This method is based on spectral correlation function (SCF) that provides a second order statistical description in the frequency domain of signals. Then the SCF of each signal is calculated by FFT accumulation method which is a computational efficient algorithm. Features are energy and standard deviation of SCF of signals got from image at different regions of bifrequency plane. This scheme shows high performance in Image set. The newly proposed features computed on these tiles serve as local descriptors of texture. An integrated matching procedure based on adjacency matrix of a bipartite graph between the image tiles is provided, similar to the one discussed in [4-6],产生图像相似度。然后计算同一图像的梯度矢量流场。在此之后,生成不变矩。计算查询图像与数据集图像的形状比较距离,并将其添加到距离中,通过积分匹配方案计算。最后的距离保存在系统中,以备将来检索。此外,该过程在数据集图像和查询图像之间完成,然后使用距离从数据集检索选定的检索图像数量。
离散实值信号x(n)的SCF定义为循环相关函数的傅里叶级数变换为复值移频信号对x(n)的交叉谱。
和x (n)
其中f是交叉谱频率变量,参数α,称为循环频率,是相对频移。如果信号的平均功率是有限的,那么它的α值最多是可数的
当α = 0时,SCF降为普通功率谱:
本文介绍了几种计算效率高的循环频谱分析算法,它们通常分为两类:频率平均算法(频率平滑法)和时间平均算法(时间平滑法)。本文利用了时间平滑类中的一种高效算法FAM。我们只解释倾向于FAM方法的时间平滑算法的基本原理。所有时间平滑算法均基于时间平滑循环交叉周期图:
在(8)中,操作<。>为时间平均运算,定义如下:
运算*是共轭算子。
时间平滑循环周期图的物理解释是x(n)在Δt秒时间跨度内的相关谱分量。光谱分量而且
是信号的窄带带通分量的复杂包络,称为复解调。用于计算
长度为T的数据缩减窗口在时间跨度为Δt的数据上滑动。在每个时刻,计算窗口内数据的复解调。在计算复解调后,将它们相互关联以产生循环谱函数的估计。相关性是通过在Δt秒的间隔内对共轭积进行时间平均来完成的。来估计这一点的频谱
解调在频率上以α的量分开0和以f0为中心是相关的。量Δt和Δf被称为点估计的时间和频率分辨率。数学上,复解调的计算表达式为:
其中,a(r)是一个长度为T = N ' T的数据锥形窗口。然后,复杂解调在Δt秒的时间跨度内相关:
式中,g(n)为宽度为Δt= NTs的数据锥形窗口;F1 = f0 +α/ 2 f2 = f0 -α/ 2结果表明,如果时间窗口a(n)和g(n)经过适当的归一化,时间平滑的循环交叉周期gram在极限范围内收敛于循环交叉谱,即Δt→∞,然后Δf→0。因此,如果
然后,
FAM算法通过傅里叶变换实现时间平滑。如果频率从α移开0tα0+ε时,系统输出为:
如果需要几个ε值,可以通过离散= qΔα的值来简化求和的计算。在这种情况下,算法的输出表示为:
其中求和可以用n点FFT求。因此,通过对乘积序列进行傅里叶变换,可以以块为单位计算周期频率恒定的点估计,而不是单独对乘积序列求平均。为了完全覆盖双频平面,需要一组带通滤波器来产生必要的复杂解调。一种产生所需复杂解调的有效方法是基于滑动FFT。在这种方法中,滤波器组的频率被离散为:
与复解调对相关的SCF估计位置为(f j,α i),其中频率坐标为:
周期频率坐标为:
图5显示了N ' = 8时FFT累加法对双频平面进行平铺以及SCF估计的位置。对于N '点信道器有(N ')2信道器流的可能组合;因此,最多有(N’)个2估计区域(菱形区域)。由于对称性,估计单个实信号的循环频谱只需要(N ')2/ 4菱形区域。在学习了SCF之后。首先,我们将图像划分为九个区域。二是通过逐行、逐列的像素排序,从已分块图像的每个分块中获得一维信号。然后利用FAM算法计算每个信号的SCF。构造特征向量时,分别在每个信号的scf的每个菱形区域上计算范数-1能量和标准差,然后利用这两个参数值形成特征向量。利用能量作为纹理识别特征的基本假设是,能量在频域的分布可以识别图像的纹理信息。9个分区中每个分区的N个区域得到的特征向量如下所示。在哪里,
N为FAM算法的菱形区域数,j为切片数。分别静脉j, σ在j为第i个信号在第n个区域即D处的范数-1能量和SCF幅值的标准差:
其中Q和分别为对应D处的估计点数和谱相关函数的均值。最后生成主特征向量,我们将每个分区的9个特征向量进行如下组合,得到主特征。
在本节中,使用图像集来评估系统的性能。有两组图像Id SetD={}和SetQ={
每张包含1051张全彩图片。SetD中的图像作为数据库图像,SetQ中的图像作为查询图像,其中每个图像对(
)都是从同一个动画中随机选取的。在每个实验中,每个
用作查询映像。对于每一个查询,系统响应与之相对的图像匹配距离最短的用户L数据库图像
.表1图中为该方法与其他标准检索系统的平均精密度(%)比较。如果
L数据库中存在的图像,则系统正确地找到了所期望的图像。否则,系统无法找到期望的映像。下面将用准确率(ACC, %)来解释回答查询的准确率。表2本实验是为了比较两种系统方法的检索精度。
针对提供同一图像不同细节的两种分辨率和两种网格布局捕获局部信息。形状信息是利用梯度矢量流场计算的边缘图像来捕获的。然后使用不变矩来记录形状特征。图像的纹理特征与形状特征相结合,为图像检索提供了一个鲁棒的特征集。这使得纹理成为图像中一个特别有趣的方面,并导致了大量提取纹理特征的方法。使我们能够探索不同的纹理特征计算方法。