1、 沙忡年弓月乩曰学位论文使用授权声明关键词：图像检索，角点，广义灰度共生矩阵，不变矩，视觉显著性 甌 瑃硕士学位论文基于显著性加权和角点特征的图像检索目摘： 】【目纹理特征纹理特征图像特征提取 目录基于显著性加权和角点特征的图像检索。该方法技术成熟，目前国内和国外的很多互联网都是用该方法实现的图像检索，例如、百度、雅虎等著名搜索引擎。基于文本的图像检索技术优势在于需要的存储空间较小，操作简单，但是也有很多不足。该方法需要人工地对每幅图像进行标记，效率较低，而且需要花费较大的人力和物力。同时标注的准确性也值得怀疑，一方面，图像中包含着丰富的视觉信息，并不是用简单的几个关键字就能对其进行描述的，只
2、用简单的用几个词对图像的描述是不完整的；另 应时而生。进行详细的介绍。基于内容的图像检索技术基于内容的图像检索出现于世纪年代初期，是为了弥补文本标注的不足而出角点因为具有计算方便，旋转不变等特性而被广泛使用；特征点因具有尺度不变性、缩放不变性和旋转不变性等特性，成为一种重要的用于描述图像局部特征的算子，在图像处理、模式识别等领域得到了广泛的应用，但特征由于特征数据维数大且计算复杂，需要计算机有较好的性能，而角点则具有计算过程简单的优势。角点检测的准确性直接影响着检索结果的好坏，因此角点检测算法的选择尤为重要。硕士学位论文在视觉显著性模型出现后，由于视觉显著性模型能够很好的突出图像中的主要对田枷
3、窦焖飨低呈荌公司年代开发制作的图像和动态景象检索系统，是第一个商业化的基于内容的图像检索系统。系统允许用户使用多种方式进行查询，用户可以选择用标准范图或是自己绘制简图或是选择需要图像的色彩和纹理模式等方式中的一种进行图像检索。在最后一种方式中，用户可以从采样器中选择一种颜色或是纹理，可以通过调整滑动条来调整所选颜色在图像中所占有的比例，系统根据用户的设置实现图像的检索。在用户选择使用范图进行查询时，对该图像进行特征分析提取，提取的特征主要包括颜色、纹理、形状等，其中，使用的颜色特征主要是目标对象的三维平均颜色矢量或是在、蚆颜色空问的整个图像以及一个腞颜色直方图；使用的纹理特征是基于提出的粗糙度
4、、对比度和方向性等纹理统计特征上的一个改进版本；使用的形状特征则包括形状面积、圆度、离心率、主轴方向和一组代数不变矩。在用户选择自己粗略的画草图来搜索图像时，会将图像库中的图像细化，转换为二值图，利用最终的二值图和用户草图比较，找出与草图相似的图像。图所示为图像检索的界面。碰士学位论文检索界面螭十毽性加枉和角点特征的图像检索鹔纃狫是由加拿大的公司研发的相似图片搜索引擎。是一个反向图像搜索引擎，它是第一个在网络上利用图像识别技术而不是利用关键字实现图像检索的图像搜索引擎。为每个输入图像提取一个独特的“指纹”，然后将该“指纹” 和索引中的每一幅其它的图像进行“指纹”匹配，将精确匹配的图像作为结果显
5、示出来。输入可阻是本地图像，或是图像的网址，系统会自动进行图像检索。使用者可以使用该系统找到图片的来源和相关信息，追踪图片信息在互联网的传播，从而找到所有转载该图淘淘搜是一款商业搜索引擎，主要用于购物，可以说是目前国内最大的一款用于购、一一各个特征的重要性。该系统有效地结合了图像的高层语义特征和低层视觉特征来实现基于内容的图像检索技术，利用机器学习获得高层语义特征，利用特征提取获得低层视觉特征。同时该系统包含有交互式反馈系统，通过反馈使得检索结果更符合需求。在安防系统中，利用指纹特征可以在指纹数据库中快速检索到该指纹对应的目标人物，从而获取到相关信息。同理，也可以通过脸部特征，在人脸数据库中检
6、索到对应的目标，从而获取相关信息，实现定位。己照片的网站，实现照片跟踪，更好的管理自己的信息。硕士学位论文基于显著性加权和角点特征的图像检索第五章：对本文的研究内容进行了总结，并对下一步所要做的研究进行了展望。技术介绍基于内容的图像检索技术是从图像自身出发，自动提取特征，构成对图像的描述。系统中，用户可以根据不同的需求选择不同的图像特征进行检索，根据度量机制将输入的图像和数据库中的图像作特征比对，将相似度符合要求创笥谏瓒鲋的图像显示给用户。为了能够进一步的提高图像的检索效率，在多特征图像检索系统中，可咀在系统中加入反馈机制，利用人机交互和机器学习，对特征的权重进行调节，利用新的权重重新进行图像
7、检索，找出更多符合要求的图像。基于内容的图像检索系统的简要框架从上图可以看出，基于内容的图像检索系统的工作流程如下：征：用户在用户界面中输入需要查找的图像，对用户输入的图像利用与图像库中相同选择适合的特征向量相似性度量规则将输入图像和图像库中的所有图像分别进行相似度计算；若用户对系统的检索结果满意，则检索结束，退出系统；若是没有反馈机制，则到执行到此处时，一次检索过程就完成了。但为了提高检索的准确性，可以在系统中添加反馈接，用户对符合结果的图像进行标记反馈给系统，系统利用学习机制对这些图像进行分析，设置适当的权重重新进行检索，此时要增加一步：颜色特征作为直观的视觉特征，它是图像最直观的特征，能
8、够实现对图像的简便有效的特征描述。颜色特征主要对图像区域对象的表面性质进行了描述，它是一种全局特征。颜色特征是基于图像中像素点的特征，图像中的每个像素对颜色特征的形成都有所贡献。颜色特征对图像大小的变化、图像方向的变化和图像中的噪声都不敏感，具有较好的鲁棒性。但是作为一种全局特征，颜色特征对图像中目标物体的局部特征不能很好的捕捉。在进行颜色特征的提取时，颜色空间的选择以及提取哪一种颜色特征尤为关键，这将决定最终提取的特征是否与人的视觉关注点相近。 丈占涫亲罨难丈n占洹就是通常所说的三原色，硎竞焐颜色空间且恢纸衔V苯拥难丈占洌 怯肴死嗍泳醺兄W钗=咏 难丈占洌一珿舯。害筹丈占涫且恢志鹊难丈瘴剩腔
9、谌硕匝丈芯醯难丈占n洹设备无关的颜色空间，该颜色空间适合于对自然光照的场景获得的图片进行分析，它对然后，将处理后的、;晃猉颜色空间：【颜色直方图颜色直方图作为最为常用的颜色特征，被广泛应用于许多图像检索系统中。颜色直方图是一种统计量特征，它反映了图像中各颜色的分布，即不同的颜色在整幅图像中所占的比例。它能够清晰的反映出整幅图像中出现的颜色种类以及每种颜色出现的频率，也可以将其看作是一个离散的灰度密度函数。显然，颜色直方图并没有记录某种颜色出现的具体位置，只是简单的对颜色进行统计。因此，颜色直方图对于旋转，缩放以及平移具有一定的鲁棒性。若是图像的前景与背景颜色分布相差较大，则图像的颜色直方图将会
10、呈现双峰形。索。在文献中，结合了分块直方图和累加直方图来实现图像检索，在该文章中先对在文献中，对几种基于颜色直方图特征的图像检索算法进行了实验比较，在实验中，分别采用不同的直方图特征和相似性度量方法。实验结果证明，普通的颜色直方图对颜色量化参数较为敏感，加大量化间隔会使图像检索效率相对提高；基于累加直方图的图像检索效率比基于普通直方图的要高，而且累加直方图对量化参数表现出了一定的稳定性。一间脚特征时不需要任何量化措施，并且提取的特征向量是一个低维向量。通常情况下，会将颜色矩和其他的特征一起使用实现检索。在文献中，便将颜色矩和小波多尺度高频子带的方差特征结合在一起实现图像检索。 信息熵是信号通讯
11、理论中所含信息量大小的意思，而颜色直方图是图像最重要最直观的视觉特征之一。提出了颜色熵的概念，即将颜色直方图和信息熵结合起来对图像的颜色特征进行描述。对于颜色直方图来说，颜色熵可以对其所含信息量的多少进行度量。利用颜色熵提取图像中的颜色特征，可以降低向量级别，减少相似性度量的维数。对于一幅数字图像，颜色直方图可以看作是图像的灰度概率密度函数。设图像的直的距离来计算相似度。在文献中，提出可以将颜色集表达为一个二进制的特征向量，琔，琔对于不同的图像可以选择不同的颜色特征对其进行描述。由于颜色特征的多样性，以及其计算简单，表达直观的优点，颜色特征成为特征提取中极为重要的特征，并在图像检索中得到了大量
12、的运用。实验表明，颜色特征对于颜色分明及颜色种类较少的图像表现出了较好的描述能力，而对于颜色种类较多的图像，相对较弱，此时可以借助于纹理特征或是形状特征对图像进行进一步的完整的描述。纹理是事物固有的一个特性。图像的纹理可以理解为某些相似的形状的重复出现，规则或是不规则的排列，可以将纹理看作是图像的局部性质，是对图像中局部区域的像素之间关系的一种度量。对于简单的一个点来说，是没有纹理特征可言的，纹理是对某个区域的属性的描述和体现。纹理对图像中像素的空间位置有一定的度量，而不是简单的进行统计。由于主观因素的存在，每个人对相同的纹理的理解和描述存在差异。但是灰度共生矩阵是一种统计特征法，在计算灰度共
13、生矩阵前，先定义一个固定的方向可以计算其中一个方向的灰度共生矩阵或是对其中某几个方向进行组合计算。像素问固定距离值的大小将直接影响最后提取的灰度共生矩阵，距离值过大时，将导致参与计算的像素点偏少，无用像素增加，结果准确性受到影响。合适的距离设定可以计算得到合适的频率值，灰度共生矩阵更符合像素分布结果。对于纹理较细的图像，可以选择较小的距离值，而对于粗纹理图像，则设置较大的距离值。一一】基于显著性加权和角点特征的图像检索熵：赋口一“，“，瑚 州问元的规则排列或是不规则排列。进行阈值设定，选取窗口中心像素点，将该点的像素值设为阈值；然后进行结构简化，分别将邻域内点像素值和阈值进行比较，若该点像素值
14、大于阈值，则将该点对应位设为舾玫阆袼刂敌阢兄担蚪 玫愣杂簧栉；接着进行结构提取，按顺时针方向每个像素对应的值和权值图中对应位的值相乘，结果相加后便可以得到例图中心像素的， 卜一 、进一步提取该图的直方图，并对直方图做归一化处理，最后的直方图特征可用于表示该。在该模式中，对原来的纹理特征年，根据人类对纹理视觉感知的心理学研究，等人提出了对视觉纹理理特征的六种属性相对应。这六个分量分别为粗糙度、方向度、对比度、规整度、粗略粗糙度可用于描述纹理基元尺寸的大小以及基元的重复率，对于相同的纹理基元来说，尺寸越大，纹理基元的重复率越低，给人的感觉越是粗糙：对比度是反映图像中像素亮度分布的统计量；方向度描述
15、了图像中纹理分布或集中的方向，反映了纹理的全局特性，它与纹理的排列规则密切相关。鉴于纹理特征的特点，其己被广泛用于图像纹理的提取。像处理和模式识别中。的纹理并不是纹理基元的简单重复，而是一个复杂的结构，这造成了它的局限性。实验表明，在图像检索中，仅使用纹理特征作为图像特征，并不能对图像进行准确完善的描述。但是可以将纹理特征作为是一个辅助的特征向量来实现对图像的描述，从而提高图像检索的准确率。目前，纹理特征作为辅助特征已被学者广泛用于图像检索中。在文献中，将图像进行环形分割，提取每个环形区域的颜色矩作为颜色特征，同时提取图像的灰度共生矩阵作为纹理特征，本文结合这两种特征实现了图像检索。在文献中，
16、则是将累加直方图和灰度共生矩阵相结合作为描述图像的特征。也有学者对现有的纹理特征进行改进，并将其运用到图像检索中去，如文献中，对灰度共生矩阵进行了改进，衍生出了广义灰度共生矩阵的概念，该特征具有尺度和旋转不变性，而在文献中，对纹理特征中粗糙度的提取方法进行了改进，实现对纹理特征更准确的描述。形状是描述物体的一个较为直观的特征，能够直观的描述一幅图像。形状特征包含了对象的所有几何信息，组成对象的几何曲线、这些曲线的连接方式以及方向函数等。形状特征是描述图像中物体和区域特点的重要特征，是描述高层视觉信息的重要手段。不同于前面的两种特征，形状特征的提取需要对物体先进行边缘提取或是区域分割。用于描述形状的方法可以分成两类：基于轮廓的和基于区域的。具体方法分类如下图所示：作为一种直观的图像特征，形状特征在图像检索中得到了广泛的应用。在文献中，利用阈值分割结合腐蚀运算的方法，先对图像进行边缘检测，在此基础上提取了个联合不变矩，利用这些不变矩构成特征向量，用于图像检索中。在文献中，利用梯度方向对阕咏懈慕酶慕腃算子提取图像的边缘特征，利用傅立叶描述子将边缘特征转化为向量，该向量可以看做是检索用的特征向量。加权欧氏距离
