CN108268463A - 一种基于分块技术的图像检索方法 - Google Patents
一种基于分块技术的图像检索方法 Download PDFInfo
- Publication number
- CN108268463A CN108268463A CN201611254043.8A CN201611254043A CN108268463A CN 108268463 A CN108268463 A CN 108268463A CN 201611254043 A CN201611254043 A CN 201611254043A CN 108268463 A CN108268463 A CN 108268463A
- Authority
- CN
- China
- Prior art keywords
- image
- partition
- method based
- feature
- search method
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
Landscapes
- Engineering & Computer Science (AREA)
- Library & Information Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明的一种基于分块技术的图像检索方法,包括步骤S1:输入图像集,对所述图像集中的图像进行预处理;步骤S2:采用等面积环形分块方法对图像进行分块,分块提取图像颜色特征;步骤S3:分别提取图像的纹理特征和形状特征;步骤S4:对图像特征进行相似性度量;步骤S5:根据相似性度量结果输出相似图像。与现有技术相比,本发明提取的特征采用了图像的颜色、纹理和方向特征,可以更加准确地表达图像的真实内容,改善图像检索的性能。采用分块技术将颜色特征和空间信息特征更好地结合在一起,弥补了传统的颜色特征的不足。本发明对图像进行了模糊恢复,去除了图像噪声影响,提高了检索的精度。
Description
技术领域
本发明涉及图像检索技术领域,具体涉及一种基于分块技术的图像检索方法。
背景技术
图像作为信息化数据中最为直观的数据其重要性不言而喻,随着互联网技术的迅速发展,图像数据的大数据时代已经到来,而如何建立一种高效的图像特征描述机制以及图像检索***是图像检索领域最为关注的一个课题。传统的基于内容的图像检索诞生于上世纪90年代,这种技术采用一些特定的特征提取算法抽取图像的底层特征形成一个特征库,进而提取查询图像的特征与特征库进行匹配以便于寻找最为相似的图像,取代了基于文本的图像检索,弥补了文本检索的缺陷。基于内容的图像检索不需要人为主观分析,通过计算机自动实现特征提取和匹配,大大提高了图像检索的效率。但是一副图像中所包含的特征信息是非常丰富的,简单的提取一种特征并不能有效表示图像,因此我们可以提取图像不同性质的特征,比如颜色特征、纹理特征和形状特征等。颜色特征和纹理特征作为全局特征虽然应用最广泛,但是它不能表示图像的局部空间信息,而形状特征描述的是图像的局部属性,又体现不出图像的全局信息。无法准确地表达图像的真实内容,图像检索性能不是很好。
鉴于上述缺陷,本发明创作者经过长时间的研究和实践终于获得了本发明。
发明内容
为解决上述技术缺陷,本发明采用的技术方案在于,提供了一种基于分块技术的图像检索方法,该方法包括以下步骤:
步骤S1:输入图像集,对所述图像集中的图像进行预处理;
步骤S2:采用等面积环形分块方法对图像进行分块,分块提取图像颜色特征;
步骤S3:分别提取图像的纹理特征和形状特征;
步骤S4:对图像特征进行相似性度量;
步骤S5:根据相似性度量结果输出相似图像。
较佳的,所述步骤S1包括以下步骤:
步骤S11:对所述图像集中的所有图像进行尺寸大小归一化;
步骤S12:对所述图像集中的模糊图像进行图像恢复处理。
较佳的,所述图像恢复处理采用维纳滤波法进行图像修复处理。
较佳的,所述步骤S2包括以下步骤:
步骤S21:确定图像的中心;
步骤S22:以该中心为圆心,计算该图像的最大半径R;
步骤S23:根据面积S,将图像分为一个中心圆,S-1个圆环和一个剩余部分,其中,中心圆和各圆环的面积相等,中心圆和各圆弧的半径为:
步骤S24:分别提取图像S+1个块的HSV颜色空间向量,并进行量化得到各个子块的一维特征向量Li(i=1,2L S+1)。
较佳的,所述步骤S3包括以下步骤:
步骤S31:在图像中任意取两点,并以该点为初始点,计算出其灰度组合;
步骤S32:将该点沿着水平、垂直、45度和135度的方向移动,得出新的灰度组合;
步骤S33:统计出每一种灰度组合出现的概率,并以矩阵的形式进行表示;
步骤S34:根据灰度共生矩阵,对矩阵进行量化,量化参数包括角二阶矩能量、熵、惯性矩和相关性。对每个方向均提取这四种量化参数,就可以得到由16个参数组成的图像纹理特征向量W;
步骤S35:对图像中每一个像素点进行边缘算子运算,得到各像素点沿水平方向和垂直方向的梯度值;
步骤S36:根据梯度值计算各像素的边缘方向,然后对边缘方向值进行量化,将方向值从0°-180°量化到0°-36°;
步骤S37:对量化后的边缘方向进行统计,得出边缘方向直方图E。
较佳的,所述步骤S4包括以下步骤:
步骤S41:根据分块技术得到的目标图像I各个块的颜色向量Li,以及图像库中任意一副图像Q各子块的颜色向量Lj,计算其绝对距离:
其中ci为各个子块的权值,算出最终的相似度D1(I,Q);
步骤S42:图像的纹理特征采用绝对距离计算其相似度:
D2(I,Q)=|W1-W2|
其中W1,W2分别表示图像I,Q的纹理特征;
步骤S43:计算出图像的边缘直方图的相似性:
其中EI,EQ分别表示图像I,Q的形状特征;
步骤S44:最后计算出两幅图像的总的相似度:
D(I,Q)=w1D1(I,Q)+w2D2(I,Q)+w3D3(I,Q)
其中w1,w2,w3分别表示相应的权值。
与现有技术相比,本发明提供的一种基于分块技术的图像检索方法具有以下优点:
(1)本发明提取的特征采用了图像的颜色、纹理和方向特征,可以更加准确地表达图像的真实内容,改善图像检索的性能。
(2)采用分块技术将颜色特征和空间信息特征更好地结合在一起,弥补了传统的颜色特征的不足。
(3)本发明对图像进行了模糊恢复,去除了图像噪声影响,提高了检索的精度。
附图说明
为了更清楚地说明本发明各实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍。
图1为本发明的一种基于分块技术的图像检索方法的流程图。
具体实施方式
以下结合附图,对本发明上述的和另外的技术特征和优点作更详细的说明。
如图1所示,为本发明提供的一种基于分块技术的图像检索方法的流程图,该方法包括以下步骤:
步骤S1:输入图像集,对所述图像集中的图像进行预处理。
具体包括以下步骤:
步骤S11:对所述图像集中的所有图像进行尺寸大小归一化。
步骤S12:对所述图像集中的模糊图像进行图像恢复处理。所述图像恢复处理采用维纳滤波法进行图像修复处理。
步骤S2:采用等面积环形分块方法对图像进行分块,分块提取图像颜色特征;
具体包括以下步骤:
步骤S21:确定图像的中心;
步骤S22:以该中心为圆心,计算该图像的最大半径R;
步骤S23:根据面积S,将图像分为一个中心圆,S-1个圆环和一个剩余部分,其中,中心圆和各圆环的面积相等,中心圆和各圆弧的半径为:
步骤S24:分别提取图像S+1个块的HSV颜色空间向量,并进行量化得到各个子块的一维特征向量Li(i=1,2L S+1);
步骤S3:分别提取图像的纹理特征和形状特征;
具体包括以下步骤:
步骤S31:在图像中任意取两点,并以该点为初始点,计算出其灰度组合;
步骤S32:将该点沿着水平、垂直、45度和135度的方向移动,得出新的灰度组合;
步骤S33:统计出每一种灰度组合出现的概率,并以矩阵的形式进行表示;
步骤S34:根据灰度共生矩阵,对矩阵进行量化,量化参数包括角二阶矩能量、熵、惯性矩和相关性。对每个方向均提取这四种量化参数,就可以得到由16个参数组成的图像纹理特征向量W。
步骤S35:对图像中每一个像素点进行边缘算子运算,得到各像素点沿水平方向和垂直方向的梯度值;
步骤S36:根据梯度值计算各像素的边缘方向,然后对边缘方向值进行量化,将方向值从0°-180°量化到0°-36°;
步骤S37:对量化后的边缘方向进行统计,得出边缘方向直方图E;
步骤S4:对图像特征进行相似性度量;
具体包括以下步骤:
步骤S41:根据分块技术得到的目标图像I各个块的颜色向量Li,以及图像库中任意一副图像Q各子块的颜色向量Lj,计算其绝对距离:
其中ci为各个子块的权值,算出最终的相似度D1(I,Q);
步骤S42:图像的纹理特征采用绝对距离计算其相似度:
D2(I,Q)=|W1-W2|
其中W1,W2分别表示图像I,Q的纹理特征;
步骤S43:计算出图像的边缘直方图的相似性:
其中EI,EQ分别表示图像I,Q的形状特征;
步骤S44:最后计算出两幅图像的总的相似度:
D(I,Q)=w1D1(I,Q)+w2D2(I,Q)+w3D3(I,Q)
其中w1,w2,w3分别表示相应的权值;
步骤S5:根据相似性度量结果输出相似图像。
具体为根据相似度选择出一定数量的图像作为最终的结果。
本发明提供的一种基于分块技术的图像检索方法具有以下优点:
(1)本发明提取的特征采用了图像的颜色、纹理和方向特征,可以更加准确地表达图像的真实内容,改善图像检索的性能。
(2)采用分块技术将颜色特征和空间信息特征更好地结合在一起,弥补了传统的颜色特征的不足。
(3)本发明对图像进行了模糊恢复,去除了图像噪声影响,提高了检索的精度。
以上所述仅为本发明的较佳实施例,对本发明而言仅仅是说明性的,而非限制性的。本专业技术人员理解,在本发明权利要求所限定的精神和范围内可对其进行许多改变,修改,甚至等效,但都将落入本发明的保护范围内。
Claims (6)
1.一种基于分块技术的图像检索方法,其特征在于,该方法包括以下步骤:
步骤S1:输入图像集,对所述图像集中的图像进行预处理;
步骤S2:采用等面积环形分块方法对图像进行分块,分块提取图像颜色特征;
步骤S3:分别提取图像的纹理特征和形状特征;
步骤S4:对图像特征进行相似性度量;
步骤S5:根据相似性度量结果输出相似图像。
2.根据权利要求1所述的一种基于分块技术的图像检索方法,其特征在于,所述步骤S1包括以下步骤:
步骤S11:对所述图像集中的所有图像进行尺寸大小归一化;
步骤S12:对所述图像集中的模糊图像进行图像恢复处理。
3.根据权利要求2所述的一种基于分块技术的图像检索方法,其特征在于,所述图像恢复处理采用维纳滤波法进行图像修复处理。
4.根据权利要求3所述的一种基于分块技术的图像检索方法,其特征在于,所述步骤S2包括以下步骤:
步骤S21:确定图像的中心;
步骤S22:以该中心为圆心,计算该图像的最大半径R;
步骤S23:根据面积S,将图像分为一个中心圆,S-1个圆环和一个剩余部分,其中,中心圆和各圆环的面积相等,中心圆和各圆弧的半径为:
步骤S24:分别提取图像S+1个块的HSV颜色空间向量,并进行量化得到各个子块的一维特征向量Li(i=1,2L S+1)。
5.根据权利要求4所述的一种基于分块技术的图像检索方法,其特征在于,所述步骤S3包括以下步骤:
步骤S31:在图像中任意取两点,并以该点为初始点,计算出其灰度组合;
步骤S32:将该点沿着水平、垂直、45度和135度的方向移动,得出新的灰度组合;
步骤S33:统计出每一种灰度组合出现的概率,并以矩阵的形式进行表示;
步骤S34:根据灰度共生矩阵,对矩阵进行量化,量化参数包括角二阶矩能量、熵、惯性矩和相关性。对每个方向均提取这四种量化参数,就可以得到由16个参数组成的图像纹理特征向量W;
步骤S35:对图像中每一个像素点进行边缘算子运算,得到各像素点沿水平方向和垂直方向的梯度值;
步骤S36:根据梯度值计算各像素的边缘方向,然后对边缘方向值进行量化,将方向值从0°-180°量化到0°-36°;
步骤S37:对量化后的边缘方向进行统计,得出边缘方向直方图E。
6.根据权利要求5所述的一种基于分块技术的图像检索方法,其特征在于,所述步骤S4包括以下步骤:
步骤S41:根据分块技术得到的目标图像I各个块的颜色向量Li,以及图像库中任意一副图像Q各子块的颜色向量Lj,计算其绝对距离:
其中ci为各个子块的权值,算出最终的相似度D1(I,Q);
步骤S42:图像的纹理特征采用绝对距离计算其相似度:
D2(I,Q)=|W1-W2|
其中W1,W2分别表示图像I,Q的纹理特征;
步骤S43:计算出图像的边缘直方图的相似性:
其中EI,EQ分别表示图像I,Q的形状特征;
步骤S44:最后计算出两幅图像的总的相似度:
D(I,Q)=w1D1(I,Q)+w2D2(I,Q)+w3D3(I,Q)
其中w1,w2,w3分别表示相应的权值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611254043.8A CN108268463A (zh) | 2016-12-30 | 2016-12-30 | 一种基于分块技术的图像检索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611254043.8A CN108268463A (zh) | 2016-12-30 | 2016-12-30 | 一种基于分块技术的图像检索方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108268463A true CN108268463A (zh) | 2018-07-10 |
Family
ID=62754308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611254043.8A Pending CN108268463A (zh) | 2016-12-30 | 2016-12-30 | 一种基于分块技术的图像检索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108268463A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101551823A (zh) * | 2009-04-20 | 2009-10-07 | 浙江师范大学 | 一种综合多特征图像检索方法 |
CN101847163A (zh) * | 2010-05-28 | 2010-09-29 | 广东工业大学 | 一种多特征融合的外观设计专利图像检索方法 |
CN105404657A (zh) * | 2015-11-04 | 2016-03-16 | 北京工业大学 | 一种基于cedd特征和phog特征的图像检索方法 |
-
2016
- 2016-12-30 CN CN201611254043.8A patent/CN108268463A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101551823A (zh) * | 2009-04-20 | 2009-10-07 | 浙江师范大学 | 一种综合多特征图像检索方法 |
CN101847163A (zh) * | 2010-05-28 | 2010-09-29 | 广东工业大学 | 一种多特征融合的外观设计专利图像检索方法 |
CN105404657A (zh) * | 2015-11-04 | 2016-03-16 | 北京工业大学 | 一种基于cedd特征和phog特征的图像检索方法 |
Non-Patent Citations (2)
Title |
---|
李花: "基于综合特征的图像检索***研究与实现", 《CNKI》 * |
汪磊: "基于颜色和纹理特征的图像检索研究", 《万方》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104090972B (zh) | 用于三维城市模型检索的图像特征提取和相似性度量方法 | |
CN103026368B (zh) | 使用增量特征提取的对象辨识 | |
CN106126585B (zh) | 基于质量分级与感知哈希特征组合的无人机图像检索方法 | |
CN106844524B (zh) | 一种基于深度学习和Radon变换的医学图像检索方法 | |
KR101912748B1 (ko) | 확장성을 고려한 특징 기술자 생성 및 특징 기술자를 이용한 정합 장치 및 방법 | |
CN109299305A (zh) | 一种基于多特征融合的空间图像检索***及检索方法 | |
Syam et al. | An effective similarity measure via genetic algorithm for content based image retrieval with extensive features. | |
CN104537381B (zh) | 一种基于模糊不变特征的模糊图像识别方法 | |
Sundara Vadivel et al. | An efficient CBIR system based on color histogram, edge, and texture features | |
Xue et al. | Curved text detection in blurred/non-blurred video/scene images | |
CN116740135B (zh) | 红外弱小目标跟踪方法、装置、电子设备及存储介质 | |
Singhal et al. | Directional local ternary co-occurrence pattern for natural image retrieval | |
Wang et al. | A statistical feature based approach to distinguish PRCG from photographs | |
CN107358189A (zh) | 一种基于多视目标提取的室内环境下物体检测方法 | |
Nguyen et al. | Completed statistical adaptive patterns on three orthogonal planes for recognition of dynamic textures and scenes | |
Huo et al. | Three-dimensional mechanical parts reconstruction technology based on two-dimensional image | |
CN108875828A (zh) | 一种相似图像的快速匹配方法和*** | |
CN106203446B (zh) | 用于增强现实辅助维修***的三维对象识别定位方法 | |
CN113011506B (zh) | 一种基于深度重分形频谱网络的纹理图像分类方法 | |
CN106557526B (zh) | 处理图像的装置和方法 | |
Prasomphan et al. | Mobile application for archaeological site image content retrieval and automated generating image descriptions with neural network | |
Kuai et al. | Learning fully convolutional network for visual tracking with multi-layer feature fusion | |
Proenca et al. | SHREC’15 Track: Retrieval of Oobjects captured with kinect one camera | |
Dorofeev et al. | 3D face recognition using depth filtering and deep convolutional neural network | |
Xiu et al. | Double discriminative face super-resolution network with facial landmark heatmaps |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180710 |