纹理提取图像检索使用本地利乐模式

Nitin Narayankar¹,桑杰Dhaygude²

讲师,ELN称,Walchand工程学院Sangli,印度马哈拉施特拉邦
副教授,系ELN (Walchand工程学院Sangli,印度马哈拉施特拉邦

文摘

基于内容的图像检索(CBIR)是一个著名的地区从大量的数据库来检索图像。有广泛的纹理分析技术用于图像的特征提取。在本文中,我们提出了纹理图像索引和检索算法提取使用本地利乐模式(LTrP)。本地二进制模式(LBP)和当地的三元模式(LTP)编码图像的纹理特性取决于参考像素的灰度值差别和其邻国。LTrP编码的参考像素和它的邻国之间的关系通过使用垂直和水平方向的一阶导数。当地四模式(LTrP)提取信息的基础上分配编码使用四个方向的边缘。得到检索结果我们使用Corel 1000数据库。该方法的性能测量的平均精度和平均召回。性能分析表明,该方法提高了检索结果与标准的枸杞多糖。

关键字

基于内容的图像检索,当地四模式(LTrP)级模式,精确,回忆。

介绍

A.General

近年来迅速增加在数字图像集合的大小。图像检索技术在多媒体信息检索变得非常重要的一部分,他们是最广泛使用的应用程序,比如web相关的应用,农业应用,生物医学应用,地球和空间科学等。主要有两个研究社区,第一个是基于文本的图像检索,另一个是基于内容的图像检索(CBIR)。基于文本的图像检索提供了更少的复杂性方法,被广泛应用于图像检索。但人工注释需要协助基于文本的检索过程。由于基于文本的图像检索,是不可取的图像。CBIR的特征提取是一个杰出的步骤的有效性取决于采用的方法从给定的图像中提取特征。CBIR利用视觉图像的内容,如颜色、纹理、形状、脸,空间布局,等等,来表示和索引图像数据库[1]。特性(内容)提取是基于内容的图像检索的基础。在这项工作中,我们提出一种新颖的图像纹理特征提取算法使用本地利乐模式(LTrPs)基于内容的图像检索(CBIR)。

该方法编码参考像素与邻国之间的关系,基于方向计算使用垂直和水平方向的一阶导数。在检索过程中,每个像素值的查询图像与测试图像的每个像素使用距离测量找一些类似的图片查询图像。两种主要的方法包括空间和基于变换域的方法可以确定CBIR系统。第一种方法通常使用像素或一组相邻像素的特性,如颜色、纹理和形状。伽柏等使用不同的变换变换,小波变换&Daubechieswavelet系数等。[2][3]。

b .相关工作:

枸杞多糖,自民党,LTP提取基于边缘的分布特性,编码只使用两个方向。这些方法可以提高性能的差异化超过两个方向的边缘。这个观察激发我们提出四个方向代码,称为当地利乐(CBIR LTrPs)模式。枸杞多糖的版本和自民党在公开文献不能充分处理外观变化通常发生在无约束的范围自然图像由于光照,姿势,面部表情,年龄,等。为了解决这个问题,当地的三元模式(LTP)介绍了在不同照明条件下的人脸识别。局部二值模式(LBP)特性已成为该领域的一线希望的纹理分类和检索转换为旋转不变纹理分类版本。的LBP算子的面部表情分析和识别是成功报道提出了一种多尺度heat-kernel-based面临表示已知热内核表现良好拓扑结构信息的特征脸的外观。LBP算子对面部表情分析和识别是成功地报道和提出了一个基于multiscaleheatkernel的脸表示已知热内核表现良好拓扑结构信息的特征脸的外观。各种技术等图像特征的提取和表示直方图当地(对应区域或子图像)或全球、颜色布局、边缘、边界和区域,纹理和形状已经在文献中报道。

不同的模式用于纹理

用于提取纹理特征的不同模式在以下部分中进行了总结。

。local二进制模式(LBP):标准的当地binarypattern (LBP)编码对件事参考像素及其周边neighborsby计算灰度差异。介绍了局部二进制模式的纹理分类。它有最多两位转换从0到1,反之亦然[4]。

B。Local三元模式(LTP):本地枸杞多糖的三元模式扩展版本。它有三值代码按照灰色邻国的价值观。在当地的三元模式中,灰度值区域的宽度(±)t在量化为零,上面这些+ 1 (+ t)是量子化的,下面的是量子化的,即,指示器被替换为三值函数和二进制代码被三进制码[5]。

C。local衍生模式(LDP):当地Derivativepattern (LDP)编码的模式特性,基于本地导数变化。枸杞多糖的更详细的信息无法获得图像。订单自民党捕获详细在当地社区的关系。自民党是微观模式表示直方图建模来保护信息[6]。

D。local利乐模式(LTrP):枸杞多糖,自民党和LTP提取纹理特征图像的基于边缘的分布,编码只使用两个方向。可能的方向可能是正方向或负方向。很明显,这些方法的性能可以通过区分改进超过两个方向的边缘。所以,当地四模式(LTrPs)采用基于四个方向编码信息。

从上面的方程(5)我们有四种可能的方向取决于每个中心像素的一阶导数。可能的值可以是1、2、3或4,最后,图像转换成四个值,即:,方向。定义为二阶

同样,剩下的三个方向的其他三个四模式中心的像素转换为二进制模式。因此,我们得到了12个二进制模式(模式4方向×3每个方向)。

E .Advantages LTrPOver其他模式。

的优点LTrP枸杞多糖,自民党,LTP如下。

1)枸杞多糖,自民党和LTP能够编码图像只有两个和三个不同的值。然而,LTrP能够编码图像有四个不同的值,因为它能够获取更详细的信息。

2)枸杞多糖和LTP编码中心像素的灰度值之间的关系和它的邻居,而LTrP编码中心像素和它的邻国之间的关系基于方向。

估计组件级和直方图

级组件&签署组件提取更多的有用的信息,因为它证明了组合可以提供更好的结果在任何一个个体组件不明显。所以我们用了十三二进制模式计算的使用水平和垂直的大小一阶衍生品[7]。

为本地模式一个像素与P社区,2枸杞多糖是可能的组合,结果特征向量长度为2。这个特征向量的计算成本非常高。为了降低计算成本,我们使用统一的模式[8]。的统一的外观模式,限制了不连续的循环二进制表示是称为统一的模式。

在本文中,这些模式具有小于或等于两个不连续循环二进制表示被称为统一模式,和其余的模式被称为非均匀。因此,统一的模式对于一个给定的查询图像将cep (P−1) + 2。可能的统一模式p = 8将58。

最后,在得到当地模式整个图像是通过构造一个柱状图表示

可能当地的模式转换导致的LTrP方向中心的“1”像素如图3所示。当中心像素的方向等于相邻像素的值然后LTrP编码为“0”,否则它是编码为邻居像素的方向。同样,LTrPs计算中心像素有方向2,3,4。

二阶LTrP计算导致方向的一个例子为中心像素标有红色“1”已见图4。上述方程实现四模式。编码tetra模式后,我们分开成三个二进制模式如下。指生成的LTrP,第一种模式是通过把“1”,tetra模式值是“2”和“0”为其他值,即:”,0 0 0 0 0 0 1 0。“同样的,其他两个二进制模式”1 0 1 0 0 1 0 0”和“1 0 0 0 0 0 0 0“利乐模式计算值”3”和“4”。同样,利乐模式中心像素方向2,3,4计算。因此,我们得到了四个四模式和12个二进制模式。一阶导数的大小是用来获得13日二进制模式。

特征提取算法

算法:

输入:查询图像;输出:检索结果

1。最初加载图像,并将其转换为灰度。

2。在水平和垂直轴应用一阶导数。

3所示。找到每个像素的方向是1,2,3或4。

4所示。根据中心像素的方向的模式划分为四个部分。

5。计算tetra模式,分离成三个二进制模式。

6。计算二进制模式的直方图。

7所示。计算中心像素的大小。

8。构建二进制模式和情节直方图。

9。把所有直方图计算步骤6和8。

10。构造特征向量。

11。比较查询图像与数据库中的图像。

12。基于最佳匹配从数据库检索的图像。

b .样本图像数据库DB(每个类别一个图像)。

c。图像检索系统框架

图6说明了提出的图像检索系统的流程图。

为了分析该方法的性能,Corel数据库上进行了实验。这个数据库包含大量不同类别的图像,如动物、风景、食物、草图等。这些图片已经preclassified成不同类别每个尺寸100年由领域专家。一些研究人员认为[9]的Corel数据库满足所有的需求来评估一个图像检索系统,由于其庞大的规模和异构的内容。在我们的实验中,我们收集了1000张图片,形成数据库DB。这些图片是来自十个不同的领域,即非洲人,海滩,建筑,公共汽车、恐龙、大象、鲜花、马、山脉,和食物。它具有分辨率256×384或384×256。图5显示了DB数据库的样本图像(一个图像从每个类别)。下面讨论的结果。

查询匹配

该方法检索的结果和性能

这种方法的性能计算的平均精度和平均回忆,它被定义为。

在这个实验中,每一个图像在数据库中被用作查询图像。对于每个查询,系统收集数据库图像计算最短的距离使用(11)。如果检索到的图像属于同一类别的查询图像,然后我们可以得出结论:系统已正确地确定预期的形象,否则,系统未能找到预期的形象。

c类别LTrP的明智的检索结果。

图7显示类别明智的检索结果非洲人,公共汽车、恐龙、鲜花和食物分别检索的图像大小为n = 4。

查询图像检索图像n = 4。

结论

在本文中,我们提出了一种方法使用LTrPs CBIR的纹理特征。LTrP编码图像基于像素的方向,计算了水平和垂直的衍生品。二进制模式收集使用震级的大小的衍生品。这个方法的有效性测量的平均精度和平均召回。

引用

SubrahmanyamMurala, r。Maheshwari和R。萨勃拉曼尼亚,”当地四模式:基于内容的图像检索的新特性Discriptor”, IEEE反式。在图像处理、月,第五,May2012。
y鲁伊和t . s .黄”,图像检索:当前的技术,有前途的方向和开放问题,”j .视觉Commun。ImageRepresent。,10卷,不。1,页39 - 62,1999年3月。
m . Kokare b . n . Chatterji, p . k . Biswas”的一项调查对当前基于内容的图像检索方法,“IETE j . Res。48卷,没有。3和4,261 - 271年,2002页。
t . Ojala m . Pietikainen, t . Maenpaa”Multiresolutiongray-scale和旋转不变的纹理分类与局部二进制模式、“IEEE反式。模式肛门。马赫。智能。,vol. 24, no. 7, pp. 971–987, Jul. 2002.
x谭和b区格”,增强局部纹理特征集光照条件下的人脸识别困难,“IEEE反式。ImageProcess。,vol. 19, no. 6, pp. 1635–1650, Jun. 2010.
高张,y,赵s和j·刘,”当地衍生模式和局部二进制模式:人脸识别与当地高阶模式描述符,“IEEE反式。图像的过程。,vol. 19, no. 2, pp. 533–544, Feb. 2010.
郭z l . Zhang, d .张”的局部二进制模式运营商完成建模纹理分类,“IEEE反式。ImageProcess。,vol. 19, no. 6, pp. 1657–1663, Jun. 2010.
郭z l . Zhang, d,“旋转不变纹理分类使用LBP方差与全球匹配,“Recogn模式。,43卷,不。3,第719 - 706页,2010年3月。
科立尔1000年和10000年Corel图像数据库(在线)。可用:http://wang.ist.psu.edu/docs/related.shtml。