CN105022752B - 图像检索方法与装置 - Google Patents
图像检索方法与装置 Download PDFInfo
- Publication number
- CN105022752B CN105022752B CN201410175999.3A CN201410175999A CN105022752B CN 105022752 B CN105022752 B CN 105022752B CN 201410175999 A CN201410175999 A CN 201410175999A CN 105022752 B CN105022752 B CN 105022752B
- Authority
- CN
- China
- Prior art keywords
- image
- retrieved
- index table
- color
- unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013139 quantization Methods 0.000 claims abstract description 15
- 238000006243 chemical reaction Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 6
- 108010001267 Protein Subunits Proteins 0.000 claims description 3
- 239000003086 colorant Substances 0.000 description 9
- 238000000605 extraction Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
Abstract
本公开涉及一种图像检索方法与装置。该方法包括自用户终端获取待检索的图像;将待检索的图像由RGB空间转换到HSV空间;将转换后的待检索图像量化为N维颜色特征;将N维颜色特征的特征值按大小降序排序,选取前M维颜色特征作为待检索图像的主颜色;根据主颜色对应的索引值确定待检索图像的聚类索引表名称;根据聚类索引表名称查询已建立的聚类索引表中是否存在与待检索图像的聚类索引表名称相同的聚类索引表;如存在,则自获取相应图像的图像索引;根据获取的图像索引查询对应的图像主色百分比;根据主色百分比计算图像之间的相似度;根据相似度将与待检索图像匹配的图像返回给用户终端。本公开显著提升了对图像的检索效率和准确度。
Description
技术领域
本公开涉及计算机图像检索领域,特别地,涉及一种图像检索方法与装置。
背景技术
随着互联网应用的普及和多媒体技术、计算机技术应用的快速发展,以及大容量存储设备和数字化设备的普及应用,信息的表现方式由传统的文本方式逐步演变为以图形、图像、视频、音频等多媒体信息为主的形式。其中,图像作为信息传递的最重要载体,已经深入到人们生活的各个方面。因此,如何从大容量的图像数据库中迅速、准确地查找到所需要的数字图像已经成为近年来多媒体技术研究的热点之一,具有广阔的经济价值和市场前景。
颜色特征作为图像全局特征描述的方法之一,定义比较明确,抽取容易,具有旋转、平移不变性,且对各种变形都不敏感,表现出相当强的鲁棒性。因此,基于颜色特征的图像检索是应用最广泛的、基于内容的图像检索方法。MPEG-7主色描述符是MPEG-7的一种描述因子,它用少量的代表色取代了整个图像的特征。
目前,可以采用先计算出每次被提取的颜色的百分比的方法,如果百分比多余5%,相应的颜色就被作为主颜色或者累加百分比小于60%的量化颜色作为主颜色。然而,通过这种方法提取的主色描述符的数量并不固定,增加了检索过程的复杂性,检索效率低。
还可以采用固定主颜色数量的方法,但是,至今没有提出一种快速索引图像的方法,在每次查询的时候都对数据库中的所有图像进行查询和相似度计算,这将大大降低检索的效率和速度。
发明内容
本公开鉴于以上问题中的至少一个提出了新的技术方案。
本公开在其一个方面提供了一种图像检索方法,其显著提升了对图像的检索效率和准确度。
本公开在其另一方面提供了一种图像检索装置,其显著提升了对图像的检索效率和准确度。
根据本公开,提供一种图像检索方法,包括:
自用户终端获取待检索的图像,待检索的图像使用RGB空间表示;
将待检索的图像由RGB空间转换到HSV空间;
将转换到HSV空间的待检索图像量化为N维颜色特征;
将待检索图像的N维颜色特征的特征值按大小降序排序,选取排序后的前M维颜色特征作为待检索图像的主颜色,其中,M<N;
根据待检索图像的主颜色对应的索引值确定待检索图像的聚类索引表名称;
根据确定的待检索图像的聚类索引表名称查询基于图像数据库中各图像建立的聚类索引表中是否存在与待检索图像的聚类索引表名称相同的聚类索引表;
如存在,则自与待检索图像的聚类索引表名称相同的聚类索引表中获取图像索引;
根据获取的图像索引查询对应的图像主色百分比;
基于图像主色百分比计算待检索图像与从图像数据库中查询出的图像之间的相似度;
根据图像之间的相似度将与待检索图像匹配的图像返回给用户终端。
在本公开的一些实施例中,该方法还包括:
基于图像数据库中各图像建立聚类索引表。
在本公开的一些实施例中,基于图像数据库中各图像建立聚类索引表的步骤包括:
依次读取图像数据库中的各图像,其中,图像数据库中的各图像使用RGB空间表示;
将图像数据库中的每个图像由RGB空间转换到HSV空间;
将转换到HSV空间的每个图像量化为N维颜色特征;
将每个图像的N维颜色特征的特征值按大小降序排序,选取排序后的前M维颜色特征作为每个图像的主颜色;
根据每个图像的主颜色对应的索引值确定图像数据库中每个图像的聚类索引表名称;
将每个图像的图像索引值和相应的主色百分比保存到对应的聚类索引表中。
在本公开的一些实施例中,将HSV空间中的色调H均匀地划分为9份,将饱和度S划分为3份,将亮度V划分为3份。
根据本公开,还提供了一种图像检索装置,包括:
图像获取单元,用于自用户终端获取待检索的图像,待检索的图像使用RGB空间表示;
空间转换单元,用于将待检索的图像由RGB空间转换到HSV空间;
图像量化单元,用于将转换到HSV空间的待检索图像量化为N维颜色特征;
主颜色确定单元,用于将待检索图像的N维颜色特征的特征值按大小降序排序,选取排序后的前M维颜色特征作为待检索图像的主颜色,其中,M<N;
索引表名称确定单元,用于根据待检索图像的主颜色对应的索引值确定待检索图像的聚类索引表名称;
判断单元,用于根据确定的待检索图像的聚类索引表名称查询基于图像数据库中各图像建立的聚类索引表中是否存在与待检索图像的聚类索引表名称相同的聚类索引表;
主色百分比获取单元,用于如存在,则自与待检索图像的聚类索引表名称相同的聚类索引表中获取图像索引,并根据获取的图像索引查询对应的图像主色百分比;
相似度计算单元,用于基于图像主色百分比计算待检索图像与从图像数据库中查询出的图像之间的相似度;
结果返回单元,用于根据图像之间的相似度将与待检索图像匹配的图像返回给用户终端。
在本公开的一些实施例中,该装置还包括:
索引表建立单元,用于基于图像数据库中各图像建立聚类索引表。
在本公开的一些实施例中,索引表建立单元包括图像获取单元、空间转换单元、图像量化单元、主颜色确定单元、索引表名称确定单元和存储子单元,其中,
图像获取单元,还用于依次读取图像数据库中的各图像,其中,图像数据库中的各图像使用RGB空间表示;
空间转换单元,还用于将图像数据库中的每个图像由RGB空间转换到HSV空间;
图像量化单元,还用于将转换到HSV空间的每个图像量化为N维颜色特征;
主颜色确定单元,还用于将每个图像的N维颜色特征的特征值按大小降序排序,选取排序后的前M维颜色特征作为每个图像的主颜色;
索引表名称确定单元,还用于根据每个图像的主颜色对应的索引值确定图像数据库中每个图像的聚类索引表名称;
存储子单元,用于将每个图像的图像索引值和相应的主色百分比保存到对应的聚类索引表中。
在本公开的一些实施例中,图像量化单元将HSV空间中的色调H均匀地划分为9份,将饱和度S划分为3份,将亮度V划分为3份。
在本公开的技术方案中,由于将HSV空间内的图像量化为N维,并且根据特征值确定图像的主颜色,利用图像的主颜色确定图像的聚类索引表名称,在对待检索图像进行检索时首先查找具有相同主颜色的图像,然而再在具有相同主颜色的图像内进行检索,可见,与现有的图像检索方法相比显著缩小了检索的范围。同时,由于根据图像的主颜色确定图像的检索范围,也进一步保证了图像检索的准确性。
附图说明
此处所说明的附图用来提供对本公开的进一步理解,构成本申请的一部分。在附图中:
图1是本公开一个实施例的图像检索方法的流程示意图。
图2是本公开实现图像检索的***结构示意图。
图3是本公开由RGB到HSV转换的示意图。
图4是本公开一个实施例的图像检索装置的结构示意图。
具体实施方式
下面将参照附图描述本公开。要注意的是,以下的描述在本质上仅是解释性和示例性的,决不作为对本公开及其应用或使用的任何限制。除非另外特别说明,否则,在实施例中阐述的部件和步骤的相对布置以及数字表达式和数值并不限制本公开的范围。另外,本领域技术人员已知的技术、方法和装置可能不被详细讨论,但在适当的情况下意在成为说明书的一部分。
本公开为了克服现有技术的缺点和不足,提供了一种高效的聚类图像检索算法,该算法可以应用于对MPEG-7的图像检索。其采用HSV(Hue Saturation Lightness,色调、饱和度、亮度)颜色模型量化图像的颜色信息,固定主颜色的数量。在对图像进行检索时只需要对特定聚类索引表的图像进行检索,因为特定聚类索引表的建立过程就是根据图像的主要颜色特征,选取相似度较高的图像组成,进而避免了对大量不相似或低相似度的图像的无效检索,从而显著提高了检索的有效性和效率。
图1是本公开一个实施例的图像检索方法的流程示意图。
如图1所示,该实施例中的流程可以包括:
S102,自用户终端获取待检索的图像,该待检索的图像使用RGB(Red Green Blue)空间表示,例如,MPEG-7图像。
S104,将待检索的图像由RGB空间转换到HSV空间;
其中,在HSV空间中,H代表色调,其取值范围是0°~360°,从0°开始逆时针方向计算,红色用0°代表,绿色用120°代表,蓝色用240°代表。S代表饱和度,其取值范围是0~1。V代表亮度,其取值范围是0~1。具体的可以利用现有的转换方法实现自RGB空间至HSV空间的转换。
S106,将转换到HSV空间的待检索图像量化为N维颜色特征;
具体地,发明人发现,红色(0°)的两边(例如,360°至20°)也接近红色,绿色(120°)的两边(例如,100°至140°)也接近绿色,蓝色(240°)的两边(例如,220°至260°)也接近蓝色。因此,将色调、亮度与饱和度分别划分为多个区间,进而可以将HSV空间内的图像量化为多维,以进一步细分出图像的颜色特征,其中,N为大于0的整数。
S108,将待检索图像的N维颜色特征的特征值按大小降序排序,选取排序后的前M维颜色特征作为待检索图像的主颜色,其中,M<N,即,将特征值较高的前M个颜色特征作为图像的主颜色。
S110,根据待检索图像的主颜色对应的索引值确定待检索图像的聚类索引表名称;
具体的,由于将图像量化为N维,因此,量化出的每个色调、饱和度与亮度的组合均可以由1~N中的某个索引值表示,该索引值间接表示了图像的色调、饱和度与亮度。
在确定待检索图像的聚类索引表名称时,按照特征值降序排序后的索引值顺序形成聚类索引表名称,即,该名称中既体现了该图像所包含的主颜色,同时也体现了这些主颜色在该图像中的比例。
S112,根据确定的待检索图像的聚类索引表名称查询基于图像数据库中各图像建立的聚类索引表中是否存在与待检索图像的聚类索引表名称相同的聚类索引表;
需要指出是,在图像进行检索前,已经构建好了图像数据库中各图像的聚类索引表。将步骤S110中确定出的待检索图像的聚类索引表名称到反映图像数据库中各图像的聚类索引表中查找是否存在相同聚类索引表名称的聚类索引表,即,通过查找聚类索引表实现查找图像数据库中是否存在与被检索图像具有相同主颜色的图像。可见,该方法与现有的逐个图像进行匹配的方法相比,显著提高了检索效率。
S114,如存在,则自与待检索图像的聚类索引表名称相同的聚类索引表中获取图像索引。
S116,根据获取的图像索引查询对应的图像主色百分比。
S118,基于图像主色百分比计算待检索图像与从图像数据库中查询出的图像之间的相似度。
S120,根据图像之间的相似度将与待检索图像匹配的图像返回给用户终端。
在该实施例中,由于将HSV空间内的图像量化为N维,并且根据特征值确定图像的主颜色,利用图像的主颜色确定图像的聚类索引表名称,在对待检索图像进行检索时首先查找具有相同主颜色的图像,然而再在具有相同主颜色的图像内进行检索,可见,与现有的图像检索方法相比显著缩小了检索的范围。同时,由于根据图像的主颜色确定图像的检索范围,也进一步保证了图像检索的准确性。
进一步地,在步骤S102之前,基于图像数据库中各图像建立聚类索引表,以提高待检索图像的检索效率。
具体地,基于图像数据库中各图像建立聚类索引表的步骤可以包括:
依次读取图像数据库中的各图像,其中,图像数据库中的各图像使用RGB空间表示;
将图像数据库中的每个图像由RGB空间转换到HSV空间;
将转换到HSV空间的每个图像量化为N维颜色特征;
将每个图像的N维颜色特征的特征值按大小降序排序,选取排序后的前M维颜色特征作为每个图像的主颜色;
根据每个图像的主颜色对应的索引值确定图像数据库中每个图像的聚类索引表名称;
将每个图像的图像索引值和相应的主色百分比保存到对应的聚类索引表中。
其中,可以将HSV空间中的色调H均匀地划分为9份,将饱和度S划分为3份,将亮度V划分为3份,这样可以图像量化为81维,即,N=81。
在下述实施例中,提供了一种基于MPEG-7的高效聚类图像检索算法,应用MPEG-7视觉内容描述将彩色图像量化为81维,选取特征值大的前8维(即,M=8)作为主颜色特征,根据主颜色组合建立聚类索引表和数据库,利用上述主颜色特征计算图像间的相似度,并利用聚类索引表对图像进行聚类和快速检索。
图2是本公开实现图像检索的***结构示意图。
如图2所示,可以包含图像特征分析提取模块和图像检索模块。
图像特征分析提取模块负责对图像数据库中的图像进行处理,实现图像的主颜色提取,并把图像特征批量存入到图像数据库中;根据提取的主颜色所对应的索引值合成聚类索引表名称,把图像的索引保存到聚类索引表中,建立聚类索引数据库。特征分析提取模块的功能通过如下步骤实现:图像读取、图像颜色空间转化、主颜色特征提取和保存索引。详细步骤如下:
(1)图像读取:获取图像数据库中所有图像的名称,形成图像名称列表,计算图像数据库中所包含图像的总数A,并使用1~A分别标记图像数据库中的图像。根据标记号,依次将图像数据库中的图像读入特征分析提取模块,其中,读入的图像在***中是使用RGB颜色空间进行表示的。
(2)图像颜色空间转换:相比RGB颜色空间,HSV可以更好地数字化处理颜色。它由色调H、饱和度S和亮度V三个分量对图像的颜色进行定量描述,其中,H用角度[0°,360°]表示,更为准确地反映了人类视觉***对色彩的理解方式,对图像区分度较好。因此,先进行RGB到HSV图像空间的转换,再在HSV空间提取图像的颜色特征。图像在完成颜色空间转换之后,图像中的每一个像素点均使用色调h、饱和度s和亮度v进行表示,其中,h的取值范围为0到360,s的取值范围为0到1,v的取值范围为0到1。
图3是本公开由RGB到HSV转换的示意图。
如图3所示,可以分别进行亮度v、饱和度s和色调h的转换。例如,可以采用下述等间隔HSV空间量化算法:
通过以上算法,将色调h分为9份,饱和度s和亮度v均分为3份。因此,量化后的颜色共有81维。
(3)主颜色特征提取:在图像由RGB转换到HSV空间后,把HSV图像量化成81维颜色特征,选出特征值按大小降序排列的前8维特征,从而实现对图像主颜色的提取,并把图像特征批量存入图像数据库中。
图像主颜色的描述符可以用公式F={{Ci,Pi},i=1,2,3,…,81,Pi∈[0,1]}定义,其中,Ci是一个用H、S、V表示的三维主色向量(C=9*H+3*S+V),Pi是主色百分比。
(4)保存索引:步骤(3)中81维颜色特征的下标对应的81个索引值,根据提取的8维主颜色所对应8个索引值组合成聚类索引表名称,并把图像的索引保存到聚类索引表中,建立聚类索引数据库,量化颜色c={1,2,…81},对应的索引值为Ci={C1,C2,…,C81}。
图像检索模块负责首先对待检索的图像进行图像特征分析提取,其次根据该图像的主颜色索引值组合成聚类索引表名称,查询索引表中的图像索引,根据查询结果查询主色百分比,计算待检索图像与自图像数据库中查询出的图像之间的相似度,把满足条件的匹配图像返回给用户。该模块的功能可以通过如下步骤实现:检索图像、图像颜色空间转换、特征分析提取、查询索引以及计算图像相似度。详细步骤如下:
(5)检索图像:从终端获取待检索的图像,读入图像检索模块。读入的图像在***中是使用RGB颜色空间进行表示的。
(6)图像颜色空间转换:由RGB空间转换到HSV空间,图像颜色空间转换完成之后,图像的每一个像素点使用色调h、饱和度s和亮度v进行表示,其中,h的取值范围为0到360,s的取值范围为0到1,v的取值范围为0到1。
(7)特征分析提取:待检索的图像转换到HSV空间后可以量化成81维颜色特征,选出特征值按大小降序排列的前8维颜色特征,从而实现对图像主颜色的提取。
(8)查询索引表:根据步骤(7)中得到的待检索图像的主颜色索引值组合成聚类索引表名称,再查询上述名称的索引表中的图像索引,量化颜色c={1,2,…,81},对应的索引值为Ci={C1,C2,…,C81}。
(9)计算图像之间的相似度:根据步骤(8)查询出来的索引查询图像数据库的图像主色百分比,计算待检索图像与从图像数据库中查询出的图像之间的相似度,把满足条件的匹配图像返回给用户。
基于MPEG-7主色描述符的图像检索过程如下:
(9a)用Qj表示Pi的百分比降序,取前M个颜色作为主色,非主色将不被考虑。
(9b)归一化的M个主色的响应百分比
(9c)FQ={CQi,P'Qi}和FT={CTi,P'Ti}分别为图像Q和图像T的主色描述符。
相似度为:
其中,相似度D越接近1,两图像的相似度就越高,反之越接近0,相似度就越低。在不同的图像数据库中,主色数量可以改变,实验证明,主颜色M=8足够用来表示基于MPEG-7的图像特征并取得良好的检索效果。
本领域普通技术人员可以理解,实现上述方法实施例的全部和部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算设备可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤,而前述的存储介质可以包括ROM、RAM、磁碟和光盘等各种可以存储程序代码的介质。
图4是本公开一个实施例的图像检索装置的结构示意图。
如图4所示,该实施例中的装置40可以包括图像获取单元402、空间转换单元404、图像量化单元406、主颜色确定单元408、索引表名称确定单元410、判断单元412、主色百分比获取单元414、相似度计算单元416和结果返回单元418。其中,
图像获取单元402,用于自用户终端获取待检索的图像,待检索的图像使用RGB空间表示;
空间转换单元404,用于将待检索的图像由RGB空间转换到HSV空间;
图像量化单元406,用于将转换到HSV空间的待检索图像量化为N维颜色特征;
主颜色确定单元408,用于将待检索图像的N维颜色特征的特征值按大小降序排序,选取排序后的前M维颜色特征作为待检索图像的主颜色,其中,M<N;
索引表名称确定单元410,用于根据待检索图像的主颜色对应的索引值确定待检索图像的聚类索引表名称;
判断单元412,用于根据确定的待检索图像的聚类索引表名称查询基于图像数据库中各图像建立的聚类索引表中是否存在与待检索图像的聚类索引表名称相同的聚类索引表;
主色百分比获取单元414,用于如存在,则自与待检索图像的聚类索引表名称相同的聚类索引表中获取图像索引,并根据获取的图像索引查询对应的图像主色百分比;
相似度计算单元416,用于基于图像主色百分比计算待检索图像与从图像数据库中查询出的图像之间的相似度;
结果返回单元418,用于根据图像之间的相似度将与待检索图像匹配的图像返回给用户终端。
在该实施例中,由于将HSV空间内的图像量化为N维,并且根据特征值确定图像的主颜色,利用图像的主颜色确定图像的聚类索引表名称,在对待检索图像进行检索时首先查找具有相同主颜色的图像,然而再在具有相同主颜色的图像内进行检索,可见,与现有的图像检索方法相比显著缩小了检索的范围。同时,由于根据图像的主颜色确定图像的检索范围,也进一步保证了图像检索的准确性。
进一步地,该装置还可以包括:
索引表建立单元,用于基于图像数据库中各图像建立聚类索引表。
其中,索引表建立单元可以包括图像获取单元、空间转换单元、图像量化单元、主颜色确定单元、索引表名称确定单元和存储子单元,其中,
图像获取单元,还用于依次读取图像数据库中的各图像,其中,图像数据库中的各图像使用RGB空间表示;
空间转换单元,还用于将图像数据库中的每个图像由RGB空间转换到HSV空间;
图像量化单元,还用于将转换到HSV空间的每个图像量化为N维颜色特征;
主颜色确定单元,还用于将每个图像的N维颜色特征的特征值按大小降序排序,选取排序后的前M维颜色特征作为每个图像的主颜色;
索引表名称确定单元,还用于根据每个图像的主颜色对应的索引值确定图像数据库中每个图像的聚类索引表名称;
存储子单元,用于将每个图像的图像索引值和相应的主色百分比保存到对应的聚类索引表中。
进一步地,可以将HSV空间中的色调H均匀地划分为9份,图像量化单元可以将饱和度S划分为3份,将亮度V划分为3份。
本说明书中各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同和相似的部分可以相互参见。对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处可以参见方法实施例部分的说明。
本公开上述实施例相对现有技术具有如下优点和效果:
(1)本公开的检索算法在提取图像的颜色特征时维数为81维,使得所提取的特征信息更加精确,提高了***的查准率。
(2)HSV模型中,红色对应于h=0°,绿色对应于h=120°,蓝色对应于h=240°,本公开依据红色(0°)的两边[360°,20°]也接近红色,绿色(120°)的两边[100°,140°]也接近绿色,本公开对色度h区间的划分更加合理,提高了***的查全率。
(3)本公开的检索算法将图像的颜色特征量化成81维,而检索图像的主颜色只占8维,因此只有一部分图像属于某8维中;在建立索引时只对满足条件的图像进行索引表索引,同时设置了限定查询条件,只对满足条件的索引表才进行索引查询,与图像数据库的总图像个数相关度很低,显著降低了检索时间。
(4)***在图像检索时只需要对检索图像所属的聚类图像进行检索,忽略其他聚类的图像,避免了对大量不相似图像的无效检索,从而显著提高了检索的有效性和效率。
虽然已参照示例性实施例描述了本公开,但应理解,本公开不限于上述的示例性实施例。对于本领域技术人员显然的是,可以在不背离本公开的范围和精神的条件下修改上述的示例性实施例。所附的权利要求的范围应被赋予最宽的解释,以包含所有这样的修改以及等同的结构和功能。
Claims (4)
1.一种图像检索方法,其特征在于,包括:
基于图像数据库中各图像建立聚类索引表;
自用户终端获取待检索的图像,所述待检索的图像使用RGB空间表示;
将待检索的图像由RGB空间转换到HSV空间;
将转换到HSV空间的待检索图像量化为N维颜色特征;
将待检索图像的N维颜色特征的特征值按大小降序排序,选取排序后的前M维颜色特征作为待检索图像的主颜色,其中,M<N;
根据待检索图像的主颜色对应的索引值确定待检索图像的聚类索引表名称;
根据确定的待检索图像的聚类索引表名称查询基于图像数据库中各图像建立的聚类索引表中是否存在与待检索图像的聚类索引表名称相同的聚类索引表;
如存在,则根据图像的主颜色确定图像的检索范围,自与待检索图像的聚类索引表名称相同的聚类索引表中获取图像索引;
根据获取的图像索引查询对应的图像主色百分比;
基于图像主色百分比计算待检索图像与从图像数据库中查询出的图像之间的相似度;
根据图像之间的相似度将与待检索图像匹配的图像返回给用户终端;
其中,所述基于图像数据库中各图像建立聚类索引表的步骤包括:
依次读取图像数据库中的各图像,其中,图像数据库中的各图像使用RGB空间表示;
将图像数据库中的每个图像由RGB空间转换到HSV空间;
将转换到HSV空间的每个图像量化为N维颜色特征;
将每个图像的N维颜色特征的特征值按大小降序排序,选取排序后的前M维颜色特征作为每个图像的主颜色;
根据每个图像的主颜色对应的索引值确定图像数据库中每个图像的聚类索引表名称;
将每个图像的图像索引值和相应的主色百分比保存到对应的聚类索引表中。
2.根据权利要求1所述的图像检索方法,其特征在于,将HSV空间中的色调H均匀地划分为9份,将饱和度S划分为3份,将亮度V划分为3份。
3.一种图像检索装置,其特征在于,包括:
索引表建立单元,用于基于图像数据库中各图像建立聚类索引表;
图像获取单元,用于自用户终端获取待检索的图像,所述待检索的图像使用RGB空间表示;
空间转换单元,用于将待检索的图像由RGB空间转换到HSV空间;
图像量化单元,用于将转换到HSV空间的待检索图像量化为N维颜色特征;
主颜色确定单元,用于将待检索图像的N维颜色特征的特征值按大小降序排序,选取排序后的前M维颜色特征作为待检索图像的主颜色,其中,M<N;
索引表名称确定单元,用于根据待检索图像的主颜色对应的索引值确定待检索图像的聚类索引表名称;
判断单元,用于根据确定的待检索图像的聚类索引表名称查询基于图像数据库中各图像建立的聚类索引表中是否存在与待检索图像的聚类索引表名称相同的聚类索引表;
主色百分比获取单元,用于如存在,则根据图像的主颜色确定图像的检索范围,自与待检索图像的聚类索引表名称相同的聚类索引表中获取图像索引,并根据获取的图像索引查询对应的图像主色百分比;
相似度计算单元,用于基于图像主色百分比计算待检索图像与从图像数据库中查询出的图像之间的相似度;
结果返回单元,用于根据图像之间的相似度将与待检索图像匹配的图像返回给用户终端;
其中,所述索引表建立单元包括所述图像获取单元、所述空间转换单元、所述图像量化单元、所述主颜色确定单元、所述索引表名称确定单元和存储子单元,其中,
所述图像获取单元,还用于依次读取图像数据库中的各图像,其中,图像数据库中的各图像使用RGB空间表示;
所述空间转换单元,还用于将图像数据库中的每个图像由RGB空间转换到HSV空间;
所述图像量化单元,还用于将转换到HSV空间的每个图像量化为N维颜色特征;
所述主颜色确定单元,还用于将每个图像的N维颜色特征的特征值按大小降序排序,选取排序后的前M维颜色特征作为每个图像的主颜色;
所述索引表名称确定单元,还用于根据每个图像的主颜色对应的索引值确定图像数据库中每个图像的聚类索引表名称;
所述存储子单元,用于将每个图像的图像索引值和相应的主色百分比保存到对应的聚类索引表中。
4.根据权利要求3所述的图像检索装置,其特征在于,图像量化单元将HSV空间中的色调H均匀地划分为9份,将饱和度S划分为3份,将亮度V划分为3份。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410175999.3A CN105022752B (zh) | 2014-04-29 | 2014-04-29 | 图像检索方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410175999.3A CN105022752B (zh) | 2014-04-29 | 2014-04-29 | 图像检索方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105022752A CN105022752A (zh) | 2015-11-04 |
CN105022752B true CN105022752B (zh) | 2019-04-05 |
Family
ID=54412734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410175999.3A Active CN105022752B (zh) | 2014-04-29 | 2014-04-29 | 图像检索方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105022752B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787965B (zh) * | 2016-01-26 | 2018-08-07 | 安徽创世科技股份有限公司 | 一种基于颜色特征的图像检索方法 |
CN105912611B (zh) * | 2016-04-05 | 2019-04-26 | 中国科学技术大学 | 一种基于cnn的快速图像检索方法 |
CN106780634B (zh) * | 2016-12-27 | 2019-06-18 | 努比亚技术有限公司 | 图片主色调提取方法及装置 |
CN107908630A (zh) * | 2017-06-28 | 2018-04-13 | 重庆完美空间科技有限公司 | 物料图片色彩分类检索方法 |
CN107832359B (zh) * | 2017-10-24 | 2021-06-08 | 杭州群核信息技术有限公司 | 一种图片检索方法及*** |
CN108764352B (zh) * | 2018-05-25 | 2022-09-27 | 百度在线网络技术(北京)有限公司 | 重复页面内容检测方法和装置 |
CN109308325B (zh) * | 2018-08-21 | 2022-07-01 | 董志忠 | 图像搜索方法及*** |
CN109558506B (zh) * | 2018-11-29 | 2023-01-20 | 青海民族大学 | 一种基于颜色聚合向量的图像检索方法 |
CN110119460A (zh) * | 2019-05-16 | 2019-08-13 | 广东三维家信息科技有限公司 | 图像检索方法、装置及电子设备 |
CN110457434B (zh) * | 2019-07-19 | 2023-10-27 | 平安科技(深圳)有限公司 | 基于搜索的网页取证方法、装置、可读存储介质及服务器 |
CN110647910A (zh) * | 2019-08-12 | 2020-01-03 | 浙江浩腾电子科技股份有限公司 | 一种基于颜色量化的图像相似度计算方法 |
CN110502651B (zh) * | 2019-08-15 | 2022-08-02 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN110879849B (zh) * | 2019-11-09 | 2022-09-20 | 广东智媒云图科技股份有限公司 | 一种基于图像转文字的相似度比较方法及装置 |
CN112131424A (zh) * | 2020-09-22 | 2020-12-25 | 深圳市天维大数据技术有限公司 | 一种分布式图像分析方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101714257A (zh) * | 2009-12-23 | 2010-05-26 | 公安部第三研究所 | 图像主颜色特征提取和结构化描述的方法 |
CN102542014A (zh) * | 2011-12-16 | 2012-07-04 | 华中科技大学 | 基于内容的图像检索反馈方法 |
CN102722880A (zh) * | 2011-03-29 | 2012-10-10 | 阿里巴巴集团控股有限公司 | 图像主颜色的识别方法、装置及图像匹配方法和服务器 |
CN103366178A (zh) * | 2012-03-30 | 2013-10-23 | 北京百度网讯科技有限公司 | 一种用于对目标图像进行颜色分类的方法与设备 |
-
2014
- 2014-04-29 CN CN201410175999.3A patent/CN105022752B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101714257A (zh) * | 2009-12-23 | 2010-05-26 | 公安部第三研究所 | 图像主颜色特征提取和结构化描述的方法 |
CN102722880A (zh) * | 2011-03-29 | 2012-10-10 | 阿里巴巴集团控股有限公司 | 图像主颜色的识别方法、装置及图像匹配方法和服务器 |
CN102542014A (zh) * | 2011-12-16 | 2012-07-04 | 华中科技大学 | 基于内容的图像检索反馈方法 |
CN103366178A (zh) * | 2012-03-30 | 2013-10-23 | 北京百度网讯科技有限公司 | 一种用于对目标图像进行颜色分类的方法与设备 |
Also Published As
Publication number | Publication date |
---|---|
CN105022752A (zh) | 2015-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105022752B (zh) | 图像检索方法与装置 | |
Wang et al. | A novel method for image retrieval based on structure elements’ descriptor | |
Arandjelovic et al. | Multiple queries for large scale specific object retrieval. | |
Bagri et al. | A comparative study on feature extraction using texture and shape for content based image retrieval | |
US8891902B2 (en) | Band weighted colour histograms for image retrieval | |
CN102819582B (zh) | 一种海量图片快速检索方法 | |
US20170024384A1 (en) | System and method for analyzing and searching imagery | |
CN107590154B (zh) | 基于图像识别的物体相似度判定方法和装置 | |
CN103366178A (zh) | 一种用于对目标图像进行颜色分类的方法与设备 | |
Saad et al. | Image retrieval based on integration between YC b C r color histogram and shape feature | |
US20120117090A1 (en) | System and method for managing digital contents | |
Pattanaik et al. | Efficient content based image retrieval system using mpeg-7 features | |
Feng et al. | An efficient indexing method for content-based image retrieval | |
Al-Jubouri | Content-based image retrieval: Survey | |
Shi et al. | Image retrieval using both color and texture features | |
Bhardwaj et al. | Palette power: Enabling visual search through colors | |
US8885981B2 (en) | Image retrieval using texture data | |
KR101242659B1 (ko) | 영상 검색 방법 | |
CN107870923B (zh) | 图像检索方法和装置 | |
Dong et al. | Color space quantization-based clustering for image retrieval | |
CN106021250A (zh) | 一种基于关键词的影像语义信息检索方法 | |
CN104715071B (zh) | 一种基于不完整文本描述的特定行人检索方法 | |
Sangeetha et al. | An Enhanced Triadic Color Scheme for Content‐Based Image Retrieval | |
Abdul-Samad et al. | Image retrieval using data mining technique | |
Pavithra et al. | Retrieval of homogeneous images using appropriate color space selection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |