当前位置：文档之家 › CBIR中图像综合特征向量的提取及其应用(2007)

CBIR中图像综合特征向量的提取及其应用(2007)

  • 格式：pdf
  • 大小：323.60 KB
  • 文档页数：4

第26卷　第1期延安大学学报(自然科学版)Vol.26,　No.1

　2007年3月JournalofYananUniversity(NaturalScienceEdition)March.　2007

CBIR中图像综合特征向量的提取及其应用3刘　军1,2,耿国华1,赵　维3,任治斌2(1西北大学信息科学与技术学院,陕西西安710069;2渭南师范学院应用数学研究所,陕西渭南714000;

3渭南师范学院计算机科学系,陕西渭南714000)

摘要:针对传统图像检索技术依赖图像单一视觉特征的不足,通过对图像单一特征向量的归一化处理获取图像综合特征向量,并采用加权欧氏距离进行图像相似性度量,再结合基于综合特征向量的相关反馈算法,可取得较理想的图像检索效果。关键词:图像检索;特征提取;综合特征向量;相似性度量;加权欧式距离;相关反馈中图分类号:TP391 文献标识码:A 文章编号:10042602X(2007)0120017204

CBIR(Contentbasedimageretrieval)是一种利用图像的颜色、纹理、形状和语义等特征进行图像检索的技术,其原理如图1所示.图1　基于内容检索的过程但传统的基于内容检索存在以下不足:(1)高层语义和图像底层特征之间存在很大差异;(2)检索过程无法体现个人感知的主观性[1].尽管基于颜色、纹理、形状、空间层次等单一特征的检索算法已经取得了一定的成果,但由于其主要基于图像的部分属性,因而都有相当的局限性[2].

本文提出:通过对图像单一特征向量的归一化处理可获取图像综合特征向量,并采用加权欧氏距离作为图像相似性度量依据,再结合相关反馈技术,

可取得比传统检索算法更理想的检索效果.

1　图像综合特征向量的提取方法1.1　图像检索模型设图像目标模型[324]为O=O(D,F,R),(1)其中D为原始的图像数据,F={f

i}

是一系列低层的

视觉特征,R={rij}是一组对所给定特性fi所采用的描述方法.一个图像模型O=O(D,F,R)与一组相似性测量M={m

ij}相结合,

可用来描述CBIR模

型:(D,F,R,M),如图2所示.

模型中,Query为提供给用户的示例图像,Ob2ject代表系统查询后返回的图像;f

i

表示检索系统所

用的图像特征,如若采用颜色和纹理特征则W1和W2

分别代表颜色和纹理在检索算法中所占的比

3收稿日期:20061110

基金项目:国家自然科学基金(60271032),渭南师范学院重点基金(06YKF009)作者简介:刘军(1973),男,陕西渭南人,西北大学研究生,讲师。重;rij代表的是各特征的具体计算方法,如颜色特征的累加直方图、颜色矩等,纹理特征的灰度共生矩阵、小波系数等,Wij为其相应的权值;Wijk则表示各具体算法中特征空间各维数的权值.

图2　基于内容图像检索模型1.2　图像特征向量的归一化处理在实际的图像检索中,仅仅依靠单一的视觉特征效果往往不够理想,同一特征向量内部不同特征分量的幅度变化较大,而且不同特征分量的物理意义也不同,相似距离的可比性差.因此,不仅需要对特征向量内部的特征分量进行归一化处理,还需要对不同的特征向量也进行归一化处理[5].这样,既能保证

不同的算法在加权中处于平等的地位,又能保证不同的特征向量在进行检索时具有相同的作用.

1.2.1　内部归一化由于特征向量内不同的特征分量的幅度变化可能较大,因而应对其进行内部归一化,从而使特征向量内部各分量在相似度量时具有相同的地位.

将特征向量记为:F=[f

1,f2,…,fN],N

为特征

元素的个数.用I1,I2,…,IM代表图像库中的M幅图像,对于图像I

i,其相应的特征向量记为:Fi=

[fi1,fi2,…,fiN].这样,由图像数据库中的M幅图像,就可以得到一个M×N的特征矩阵F={fi,j},其中fi,j是Fi的第j个特征元素.F的每一列是长度为M的特征序列,计算其均值mj和标准差σj,然后利用公式(2)

就可以将原序列归一化为N(0,1)分布的序列.

fi,j=fi,j-mjσj(2)

1.2.2　外部归一化由于不同算法得到的基本视觉特征的物理意义不同,其范围的差别比较大,相似距离之间的可比性差,因此在检索时应对不同的特征向量进行归一化处理,目的是使综合特征的各个特征向量在相似距离计算中的地位相同,外部归一化的实质是对图像库中所有图像之间的相似距离进行归一化.

设一个n维的特征向量为F=[f

1,f2,…,fn],

用

I1,I2,…,In

表示图像库中的图像,则对其中任意一幅

图像I

i,其特征向量为Fi=[fi1,fi2,…,fin],

对其进行

归一化的步骤如下[5]:

(1)计算图像数据库中任意两个图像I,J所对应的特征向量Fi,Fj之间的相似距离:

Dij=distance(Fi,Fj)

i,j=1,2,…,m且i≠j(3)(2)计算由(3)式计算的m(m-1)/2

个距离值

的均值mD和标准差σD.

(3)对查询图像Q计算其与图像数据库中每个图像的距离D

iQ,记为:D1Q,D2Q,…,DmQ.

(4)对D1Q,D2Q,…,DmQ.按式(4)进行高斯归一化:

Dni,j=fi,j-mjσj(4)

(5)按式(5)进行线性变换,将其变换到区间[-1,1]:

DniQ=[DiQ-mQ3σQ+1]/2(5)

2　图像的相似性度量方法在图像检索的过程中,检索系统根据相似性度量算法计算图像查询特征与特征库中对应的每组特征的相似程度,并把所得匹配图像序列根据相似性排序后返回给用户.因此,选用适合的图像相似性度量方法对图像检索系统非常重要.本文选用加权欧几里德距离(EuclideanDistance)函数法.

假设示例图像直方图用G(g

1,g2,…,gN)表示,

数据库中的目标图像直方图用S(s

1,s2,…,s

N)表

示,将它们看作欧氏空间中两点间的距离[6]:

Ed(G,S)=(ρNi=1(gi-si)2)(6)

81延安大学学报(自然科学版)第26卷 将其规范并简化,并按“1”为完全相似,“0”为完全不相似来确定两个图像的相似性,则可描述为:Sim(G,S)=1NρNi=1(1-|gi-si|max(gi,si))(7)其中N为颜色级数,giΕ0,siΕ0.从(7)式中可以看出,如果Sim靠近1,则说明两幅图在颜色上相似;否则,则不相似.如果对其中的某些颜色有重要程度的区别,可用权重因子Wj(0ΦWjΦ1,j=1,2,…,N)来描述,则上式就变为:Sim(G,S)=1NρNi=1{Wi・(1-|gi-si|max(gi,si))}(8)由于0ΦWjΦ1,,它的引入反而会导致Sim(G,S)的值下降,无法反映出直方图中重要成分在相似性中的地位.因此,将其做如下调整:从N个颜色值中选取L个最大的单元值进行求和平均,即:Sim(E,S)=1LρLk=1Wk(1-|ek-sk|max(ek,sk))(9)利用这个权重公式,再利用直方图的性质及相似性方法,就可以确定重要特征和特征的组合.例如,可以做“寻找某一背景”、“寻找某一前景”、“A图像的背景,B图像的前景的组合的图像”等查询.3　一种基于综合特征向量和相关反馈技术的CBIR算法基于内容的图像检索技术中所抽取的图像特征大都是图像的底层视觉特征,它不能辨别出图像中所包含的物体,最终判定两个图像是否相似取决于用户;而基于综合特征向量和相关反馈技术的图像检索算法不仅能改善基于单一视觉特征的CBIR的不足,而且图像检索过程可修改查询策略,增强了图像检索的自适应功能.3.1　算法思想通过对用户提供的样本图像特征进行特征向量的归一化处理,获得图像的归一化综合特征向量,并以综合特征向量的加权欧氏距离作为相似性度量依据,检索系统根据加权欧氏距离的相似性度量方法,针对样本图像特征及图像库中的图像特征,检索出一组相似程度从高到低的列表.用户可在该列表上选择一组符合检索意图的反馈图片(+)和一组不符合检索意图的反馈图片(-),并提交检索系统[728].检索系统根据用户提交的信息来优化匹配方

案,采用移动查询向量或调整距离测度策略,更新权值,提交用户更新的检索结果.

3.2　算法实现(1)样本图像预处理(增强分辨率,去噪等),设

置相关反馈的最大循环次数MAX.

(2)初始化循环计数参数

Count=0.

(3)对样本图像进行基于颜色、纹理、形状、空

间等单一视觉特征进行分解并量化,提取出各单一特征的特征向量.

(4)分别对于单一特征向量进行内部归一化

,

再对所有的单一特征向量进行外部归一化处理,得到归一化的综合特征向量.

(5)调用相似性匹配算法,根据用户需求依次

找出最相近的图像个数为N

H,

按相似程度排序返回

给用户.

(6)置Count=Count+1,如果

Count>=MAX,

则退出检索,否则,继续检索.

(7)用户按当前反馈的五个层次Si:S1=3表示

高度相关,S

2=1表示相关,S3=0

表示无法判断(即

不做判断),S

4=-1表示不相关,S5=-3

表示高度

不相关,得出检索图片与样本图片的相关程度.

(8)判断结果反馈回系统

.

(9)根据相关反馈策略更新权值,亦即特征调

整.

(10)重复上述(3)-(9)步,直至用户满意或放

弃退出为止.

为减少反馈次数,检索系统可设计为无须用户对图像进行标注.在检索系统第一次返回给用户检索结果后,如果用户对其中的一幅图像更感兴趣,只需直接点击就可进入以该幅图像为样本的下一轮检索.这样,通过用户的有限反馈,系统自动调整查询进程,可使图像检索获得更好的查全率和查准率。

参考文献:

[1]孙小新,吕英华.基于内容的图像检索中的相关反馈研究[EB/OL].http://www.dmresearch.net/uploads/20060326/1000000008.doc,200625221.

91 第1期 刘军,等:CBIR中图像综合特征向量的提取及其应用

合集下载

基于均值聚类的图像检索技术在数字图书馆中的应用

基于均值聚类的图像检索技术在数字图书馆中的应用

基于均值聚类的图像检索技术在数字图书馆中的应用摘要:在数字图书馆的各类数据查询中,图像检索占有十分重要的地位。

为了更好地实现图像检索任务,本文建立了一种新的基于内容的图像检索方法。

这种图像检索方法先对图像进行模块化,再根据各个图像块计算出其相应的DCT系数并形成特征向量,再通过k-均值聚类方法生成用于最终检索的12维特征向量,最后利用卡方距离进行相似度差异的检测完成图像检索。

为了模拟本文方法在数字图书馆中的使用效果,自建了图像检索系统和小型图像数据库。

实验结果表明,本文所提出的图像检索方法具有较高的检索准确性,可以用于数字图书馆中的图像检索。

关键词:数字图书馆图像检索DCT系数k-均值聚类随着计算机技术、网络技术、数字化技术的迅猛发展，传统的图书馆模式被彻底打破，一种全新的图书馆模式飞速发展起来，这就是数字图书馆[1]。

相比于传统图书馆模式，数字图书馆具有海量可扩展存储、远程二十四小时在线服务、信息速递即发即收等诸多优点[2]，因此受到用户的广泛青睐。

在数字图书馆的各种信息资源中，图像是用户需求量非常大的资源。

因此，如何根据用户需要，准确、迅速地查询到相应的图像资源，成为数字图书馆技术发展过程中必须攻克的重要课题，这就促成了图像检索技术的出现[3]。

图像检索技术有两个重要分支，一是基于文本的图像检索，一是基于内容的图像检索(Content Based Image retrieval，简称CBIR)。

从近年来的发展态势看，CBIR技术已经称为数字图书馆中图像检索技术的主要发展方向[4]。

无论是简单还是复杂的CBIR技术，其实现过程都包括两项基本内容，即定义检索规则和提取每一幅图像的检索特征[5～6]。

检索特征一般是基于图像像素值的，它是图像内容的一种压缩描述。

在CBIR 技术中，直方图、颜色布局、区域信息这三类特征被广泛使用[7～8]。

本文将离散余弦变换(Discrete cosine transform，简称DCT)系数作为特征向量，构建一种基于k-均值聚类的图像检索技术，并通过自建的数字图像库来检验这种方法的有效性。

基于内容的图像 —基于图像灰度特征的检索方法

基于内容的图像 —基于图像灰度特征的检索方法

基于内容的图像—基于图像灰度特征的检索方法摘要多媒体技术的发展和视觉信息的飞速膨胀迫切需要对视觉信息资源的有效管理和检索。

由此，基于内容的图像和视频检索技术得到了越来越多的重视，成为了多媒体信息检索和图像处理领域中的重要研究方向。

CBIR技术将对大规模图像信息的管理和访问提供有力支持。

本文这种介绍了内容图像检索的灰度特征实现方法，具有理论意义和实际应用价值。

针对基于内容图像检索技术进行了研究，介绍了其研究现状和关键技术，讨论了其技术瓶颈和发展趋势。

共生矩阵法，是对图像的所有像元进行统计调查，以便描述其灰度分布的一种方法。

分析了这种基于广义图像灰度共生矩阵的图像检索方法，该方法首先将原图像作平滑处理得到平滑图像，然后将原图像和平滑图像组合得到广义图像灰度共生矩阵，提取该矩阵的统计特征量，最后将该统计量组成归一化向量用以检索。

实验结果表明，本方法的效果要优于单纯的灰度共生矩阵法。

在对相似图像检索时，该算法与基于共生矩阵的经典算法相当，在面临同一图像大小显著改变或发生旋转的情况下，该算法明显优于经典算法。

相比较而言，该算法提高了检索的有效性。

关键词：基于内容图像检索灰度特征共生矩阵多媒体技术Title Content-based image retrieval—The method based on the characteristics of the gray-scaleAbstractThe development of multimedia technology and the expansion of visual information，which cries for the effective management and retrieval methods of visual information. Thus, the image and video searching technology based on content is gaining more and more attention to become a multimedia information retrieval and image processing in the field of important research direction. The technology of CBIR provides effective supports for the management and access of extensive image information.This paper introduced the content of the image retrieval method characteristics of gray, with theoretical and practical value. This paper does an extensive and in-depth study of technology based on content image retrieval to, presenting their research status and key technologies, discussing its development trends and technological bottlenecks. Co-occurrence matrix of all the pixel image survey has been conducted in order to describe a method of distribution of gray. This paper analyses this broad-based co-occurrence matrix gray-scale image of the image retrieval methods. The method firstly deals with the original image for smoothing gained smoothing images, and then combines the original image and smooth images gained broad portfolio co-occurrence matrix gray-scale images, taking the matrix of statistical features, finally putting the statistics into normalization of vector for the retrieval. Experimental results show that the effect of this method is superior to a simple gray symbiotic matrix method. When to similar image retrieval, this algorithm in based on altogether matrix typical algorithm quite, in the face of same image size or significant changes in rotation in the circumstances, the algorithm is superior to classical algorithm. By comparison, the algorithm enhances the effectiveness of the search.Keywords Content-based image retrieval features of gray-scale Co-occurrence matrix multi-media technology目次1 绪论 (1)1.1 基于内容的图像检索技术的发展 (1)1.2 国内外研究概况 (3)1.3 基于内容进行图像检索的用途 (5)1.4 目前基于内容进行图像检索的主要问题 (7)2 CBIR的基本技术 (9)2.1 特征提取 (9)2.2 相似性度量 (9)2.3 性能评价标准 (10)2.4 基于内容图像检索的系统结构 (11)3 基于图像灰度特征的检索 (12)3.1 灰度级修正 (12)3.2 共生矩阵 (12)3.3 基于灰度共生矩阵的特征提取 (13)4 基于灰度特征共生矩阵的图像检索算法 (14)4.1 广义图像灰度共生矩阵 (14)4.2 统计特征 (14)4.3 检索方法 (15)4.4 试验结果 (15)5 结论 (20)5.1 本文的总结 (20)5.2 展望 (20)致谢.................................................................................. 错误！未定义书签。

一种基于色彩和灰度直方图的图像检索方法

一种基于色彩和灰度直方图的图像检索方法

是指直接采用图像内容进行图像信息查询的检索系CBIR 统。

目前技术业已引起多所著名大学和研究机构的重CBIR 视，开发了多种原型系统，如的系统，的CBIR IBM QBIC MIT 系统，大学的等。

这些系统主要使用图FourthEye UIUC MARS 像的颜色、纹理、形状和空间关系等特征进行检索。

其中色彩特征是识别图像内容的重要特征之一。

如何快速、准确地获取图像的颜色信息，并用适当的方式表示，将直接影响整个系统的效率、精度和查全率[1,4]。

目前，已有很多种使用色彩特征进行图像检索的方法。

由和提出的色彩直方图相交方法。

等采用Swain Ballard Jain RGB 信道分别等量化的方法。

等将空间等量划分为个Smith HSV 166区域，对色调、饱和度和亮度采用的组合。

这些方法18x3x3常用的彩色空间有、和空间。

提取的主要特征是RGB HSI HSV 色彩直方图。

传统的基于色彩直方图的方法有许多缺点。

色彩直方图只记录了全局的颜色统计信息，丢失了颜色的空间分布信息并混入了不感兴趣物体的颜色信息。

一方面，一幅图像由于色彩淡化而形成的图像虽然与原图像非常相似，但是色彩直方图却很不同；而另一方面，两个颜色直方图相似的图像由于色彩的空间分布差别很大，图像的内容可能很不相同[1,5]。

基于以上问题，本文提出一种综合图像的色彩信息、灰度信息和空间信息提取图像的特征向量的方法，首先将图像从空间转化为空间，并进行非均匀量化为种代表RGB HSV 32色；其次将彩色转化为灰度图像；然后将图像划分成互有重叠的块，分别求出每块图像的色彩直方图、灰度直方图；采用4这个直方图作为图像的特征向量对图像进行检索。

下面对本8文提出的这种方法进行详细叙述。

颜色的特征提取1 色彩是图像内容组成的基本要素，是人识别图像的主要感知特征之一，最早采用色彩进行图像检索是由和Swain 提出基于色彩直方图检索方法Ballard [1]，其核心思想是在一定的色彩空间对图像各种色彩出现的频数进行统计。

图像搜索的基本原理和流程

图像搜索的基本原理和流程

图像搜索的基本原理和流程一、图像搜索概述1.定义（1）图像搜索的目的（2）应用场景①电子商务②社交媒体③安全监控2.图像搜索的类型（1）基于内容的图像搜索(CBIR)（2）文字标签搜索（3）反向图像搜索二、图像搜索的基本原理1.图像特征提取（1）颜色特征①颜色直方图②颜色矩（2）纹理特征①Gabor过滤器②灰度共生矩阵（3）形状特征①边缘检测②形状描述子2.特征表示（1）特征向量①向量维度②特征归一化（2）特征编码①量化方法②词袋模型三、图像搜索流程1.图像上传（1）用户界面①上传按钮②拖拽上传（2）图像格式支持①JPEG②PNG2.图像预处理（1）图像缩放①调整分辨率②统一尺寸（2）图像去噪①中值滤波②高斯滤波3.特征提取（1）应用特征提取算法①SIFT②SURF③ORB4.特征匹配（1）匹配算法①K近邻搜索(KNN)②FLANN（2）相似度计算①欧氏距离②余弦相似度5.搜索结果返回（1）排序结果①根据相似度排序②显示数量限制（2）结果展示①图像缩略图②详细信息链接四、图像搜索优化1.提高搜索效率（1）特征压缩①主成分分析(PCA)②量化编码（2）建立索引①KD树②LSH（局部敏感哈希）2.提升搜索准确性（1）结合深度学习①卷积神经网络(CNN)②特征迁移学习（2）用户反馈机制①搜索结果反馈②用户行为分析五、图像搜索的挑战1.图像多样性（1）视角变化（2）光照变化2.数据隐私问题（1）用户图像保护（2）法律合规性。