CN108304588A - 一种基于k近邻和模糊模式识别的图像检索方法及*** - Google Patents
一种基于k近邻和模糊模式识别的图像检索方法及*** Download PDFInfo
- Publication number
- CN108304588A CN108304588A CN201810187212.3A CN201810187212A CN108304588A CN 108304588 A CN108304588 A CN 108304588A CN 201810187212 A CN201810187212 A CN 201810187212A CN 108304588 A CN108304588 A CN 108304588A
- Authority
- CN
- China
- Prior art keywords
- image
- fuzzy
- retrieved
- similarity
- query
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000003909 pattern recognition Methods 0.000 title claims abstract description 19
- 239000013598 vector Substances 0.000 claims abstract description 139
- 238000000605 extraction Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 230000008901 benefit Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 238000003786 synthesis reaction Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 238000002156 mixing Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 230000000052 comparative effect Effects 0.000 claims description 2
- 239000000463 material Substances 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06F16/5862—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 texture
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Library & Information Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于k近邻和模糊模式识别的图像检索方法及***,对查询图像和被检索图像分别提取出颜色和纹理特征向量,进行模糊归一化处理,对模糊化的颜色和纹理特征向量进行融合得到对应图像的综合特征向量;对得到的查询图像和所有被检索图像的综合特征向量,寻找查询图像的k个近邻图像;计算查询图像与其k个近邻图像的相似度,计算各个被检索图像与查询图像k个近邻图像的相似度,获取查询图像和各个被检索图像所对应的k维模糊特征向量;计算各个被检索图像对应的k维模糊特征向量与查询图像对应的k维模糊特征向量之间的模糊相似度;按模糊相似度从大到小的顺序将检索图像反馈给用户;根据用户的满意度来判断是否停止图像检索过程。
Description
技术领域
本发明涉及一种基于k近邻和模糊模式识别的图像检索方法及***。
背景技术
随着多媒体技术和网络技术的迅速发展,图像数据每天都以惊人的速度在增长,如何有效、快速地从海量的图像数据库中检索到用户感兴趣的图像是一个非常重要且富有挑战的研究课题。目前广泛使用的图像检索方法有:基于文本的图像检索(Text-basedImage Retrieval,TBIR)方法和基于内容的图像检索(Content-based Image Retrieval,CBIR)方法。
TBIR方法就是利用文本标注的方法对图像内容进行描述,形成描述图像内容的关键词,例如图像中的场景、物体等。图像标注可通过人工标注,也可利用图像识别技术进行半自动标注。在进行图像检索时,用户可根据自己的兴趣爱好输入查询图像的关键词,图像检索***根据用户所提供的关键词检索出那些也标注有该关键词的相关图像,最后将图像检索结果反馈给用户。TBIR方法易于实现,且在标注时有人工介入,所以其查准率也相对比较高,但是TBIR方法也由于人工介入的原因而存在严重的缺陷:首先,在大规模的图像数据库中要对所有的图像进行标注将耗费大量的人力与财力,因此TBIR方法只适用于小规模的图像数据库;其次,一幅图像的内容难以用精确、简短的词语来进行概括,从而导致TBIR方法难以实现精确的查询。
CBIR方法适用于对大规模图像数据库的检索,这种图像检索方法允许用户直接输入一幅查询图像来检索与其内容相似的其他图像,从而摆脱了TBIR方法中人工介入所引起的一系列的问题。图像特征提取和图像特征匹配是CBIR方法能否实现的两个关键环节。图像特征提取的好坏是关乎图像检索效果的首要环节,图像特征主要依赖于图像内容的底层特征:颜色特征、纹理特征和形状特征,而图像内容底层特征和高层语义之间的“鸿沟”问题导致CBIR方法存在一定的缺陷和不足。图像特征匹配是CBIR方法能否较好实现的另外一个关键环节,图像特征的匹配主要依赖于图像特征之间的相似度测量方法。为提高CBIR方法的有效性,人们提出了许多有关图像特征提取和图像特征匹配的方法,但是这些方法普遍存在计算繁琐、检索时间长的特点,且检索效果仍不尽人意。
发明内容
为了解决现有技术的不足,本发明提供了一种基于k近邻和模糊模式识别的图像检索方法及***,能克服以上缺陷,有效的改善图像检索的性能;
本发明的第一个方面:
一种基于k近邻和模糊模式识别的图像检索方法,包括:
图像特征提取:提取查询图像和所有被检索图像的颜色特征向量和纹理特征向量,对查询图像和被检索图像的颜色特征向量和纹理特征向量分别进行处理,并将两种特征向量融合到一起,得到查询图像和所有被检索图像各自对应的综合特征向量;
寻找查询图像的k个近邻图像:根据查询图像和所有被检索图像各自对应的综合特征向量,寻找相似度匹配方法来寻找查询图像的k个近邻图像;
获取查询图像和所有被检索图像各自对应的模糊特征向量:计算查询图像与其k个近邻图像的相似度,利用k个相似度值组成查询图像所对应的k维模糊特征向量;计算各个被检索图像与查询图像k个近邻图像的相似度,利用各个被检索图像与查询图像k个近邻图像的k个相似度值组成各个被检索图像所对应的k维模糊特征向量;
模糊相似度计算:采用模糊相似度匹配方法,计算各个被检索图像所对应的k维模糊特征向量与查询图像所对应的k维模糊特征向量之间的模糊相似度;按照模糊相似度从大到小的顺序将检索图像反馈给用户。
进一步的,所述图像检索方法,还包括:
用户满意度反馈步骤:根据用户对图像检索结果的满意度来确定是否停止图像检索:
若用户满意,则停止图像检索;否则,返回到寻找查询图像的k个近邻图像步骤,重新寻找相似度匹配方法来寻找查询图像的k个近邻图像,并执行获取查询图像和所有被检索图像所对应的模糊特征向量步骤和模糊相似度计算步骤,直至用户满意为止。
进一步的,提取出颜色特征向量,包括:
采用颜色直方图方法:首先将图像从RGB空间映射到HSV空间,将H量化为16级,S量化为4级,V量化为4级,从而得到256个不同的颜色值,然后分别统计图像内容中对应于256个不同颜色值的像素点的个数,从而得到对应于一幅图像的256维的颜色特征向量。实现图像颜色特征向量降维以提高图像检索的速度。
进一步的,提取出纹理特征向量,包括:
采用灰度共生矩阵的方法:统计灰度共生矩阵的15个特性值:能量、梯度平均、灰度平均、梯度均方差、灰度均方差、相关性、梯度熵、灰度熵、混合熵、逆差矩、惯性、大梯度优势、小梯度优势、梯度分布的不均匀性和灰度分布的不均匀性,利用每幅图像所对应的15个特性值组成每幅图像所对应的15维的纹理特征向量。
进一步的,对得到的颜色特征向量和纹理特征向量分别进行模糊归一化处理,得到模糊化的颜色特征向量和模糊化的纹理特征向量,对两种模糊化的特征向量进行融合得到查询图像和所有被检索图像各自对应的综合特征向量。
进一步的,所述对得到的颜色特征向量和纹理特征向量分别进行模糊归一化处理,是指:
采用模糊数学算法将颜色特征向量中的元素进行模糊归一化;
采用模糊数学算法将纹理特征向量中的元素进行模糊归一化。
以进一步提高颜色特征向量和纹理特征向量的代表性。
进一步的,对两种模糊化的特征向量进行融合得到查询图像和所有被检索图像各自对应的综合特征向量,是指:
赋以颜色特征向量和纹理特征向量不同的权重值,以组成一个综合特征向量来代表一幅图像;颜色特征向量和纹理特征向量的权重值之和为1。
进一步的,所述根据查询图像和所有被检索图像各自对应的综合特征向量,寻找相似度匹配方法来寻找查询图像的k个近邻图像,是指:
根据查询图像和所有被检索图像各自对应的综合特征向量,采用不同的相似度匹配方法来寻找查询图像的k个近邻图像,通过结果对比找出最恰当的相似度匹配方法,并将近邻数k进行动态设置,以适应不同的查询图像。
进一步的,所述获取查询图像和所有被检索图像各自对应的模糊特征向量,是指:
通过相似度匹配方法计算查询图像与其k个近邻图像的相似度,并将k个相似度值组成一个k维的特征向量,作为查询图像所对应的k维模糊特征向量;
采用相同的相似度匹配方法计算各个被检索图像与查询图像k个近邻图像的相似度,利用各个被检索图像所对应的k个相似度值分别组成各个被检索图像所对应的k维模糊特征向量。
本发明的第二个方面:
一种基于k近邻和模糊模式识别的图像检索***,包括:
图像特征提取模块:提取查询图像和所有被检索图像的颜色特征向量和纹理特征向量,对查询图像和被检索图像的颜色特征向量和纹理特征向量分别进行处理,并将两种特征向量融合到一起,得到查询图像和所有被检索图像各自对应的综合特征向量;
寻找查询图像的k个近邻图像模块:根据查询图像和所有被检索图像各自对应的综合特征向量,寻找相似度匹配方法来寻找查询图像的k个近邻图像;
获取查询图像和所有被检索图像各自对应的模糊特征向量模块:计算查询图像与k个近邻图像的相似度,利用k个相似度值组成查询图像所对应的k维模糊特征向量;计算各个被检索图像与查询图像k个近邻图像的相似度,利用各个被检索图像与查询图像k个近邻图像的k个相似度值组成各个被检索图像所对应的k维模糊特征向量;
模糊相似度计算模块:采用模糊相似度匹配方法,计算各个被检索图像所对应的k维模糊特征向量与查询图像所对应的k维模糊特征向量之间的模糊相似度;按照模糊相似度从大到小的顺序将检索图像反馈给用户。
进一步的,所述图像检索***,还包括:
用户满意度反馈模块:根据用户对图像检索结果的满意度来确定是否停止图像检索:
若用户满意,则停止图像检索;否则,返回到寻找查询图像的k个近邻图像步骤,重新寻找相似度匹配方法来寻找查询图像的k个近邻图像,并执行获取查询图像和所有被检索图像所对应的模糊特征向量步骤和模糊相似度计算步骤,直至用户满意为止。
本发明的第三个方面:
一种基于k近邻和模糊模式识别的图像检索***,包括:存储器、处理器以及存储在存储器上并在处理器上执行的计算机指令,所述计算机指令被处理器运行时,完成以下步骤:
图像特征提取:提取查询图像和所有被检索图像的颜色特征向量和纹理特征向量,对查询图像和被检索图像的颜色特征向量和纹理特征向量分别进行处理,并将两种特征向量融合到一起,得到查询图像和所有被检索图像各自对应的综合特征向量;
寻找查询图像的k个近邻图像:根据查询图像和所有被检索图像各自对应的综合特征向量,寻找相似度匹配方法来寻找查询图像的k个近邻图像;
获取查询图像和所有被检索图像各自对应的模糊特征向量:计算查询图像与k个近邻图像的相似度,利用k个相似度值组成查询图像所对应的k维模糊特征向量;计算各个被检索图像与查询图像k个近邻图像的相似度,利用各个被检索图像与查询图像k个近邻图像的k个相似度值组成各个被检索图像所对应的k维模糊特征向量;
模糊相似度计算:采用模糊相似度匹配方法,计算各个被检索图像所对应的k维模糊特征向量与查询图像所对应的k维模糊特征向量之间的模糊相似度;按照模糊相似度从大到小的顺序将检索图像反馈给用户。
本发明的第四个方面:
一种计算机可读存储介质,其上存储有计算机指令,所述计算机指令被处理器运行时,完成以下步骤:
图像特征提取:提取查询图像和所有被检索图像的颜色特征向量和纹理特征向量,对查询图像和被检索图像的颜色特征向量和纹理特征向量分别进行处理,并将两种特征向量融合到一起,得到查询图像和所有被检索图像各自对应的综合特征向量;
寻找查询图像的k个近邻图像:根据查询图像和所有被检索图像各自对应的综合特征向量,寻找相似度匹配方法来寻找查询图像的k个近邻图像;
获取查询图像和所有被检索图像各自对应的模糊特征向量:计算查询图像与k个近邻图像的相似度,利用k个相似度值组成查询图像所对应的k维模糊特征向量;计算各个被检索图像与查询图像k个近邻图像的相似度,利用各个被检索图像与查询图像k个近邻图像的k个相似度值组成各个被检索图像所对应的k维模糊特征向量;
模糊相似度计算:采用模糊相似度匹配方法,计算各个被检索图像所对应的k维模糊特征向量与查询图像所对应的k维模糊特征向量之间的模糊相似度;按照模糊相似度从大到小的顺序将检索图像反馈给用户。
与现有技术相比,本发明的有益效果是:
第一,在图像特征提取过程中,综合考虑了图像的颜色特征和纹理特征,使得图像特征的代表性要优于单独考虑图像颜色特征和纹理特征的代表性。
第二,在提取图像颜色特征时,采用了简单且易实现的颜色直方图方法,并利用模糊数学的算法将颜色特征向量中的元素进行模糊归一化,克服了颜色直方图特征无法描述图像中颜色的局部分布及每种色彩所处空间位置的严重缺陷,提高了颜色特征的代表性。
第三,在提取纹理特征时,采用了传统的灰度共生矩阵的方法,并利用模糊数学算法将纹理特征向量中的元素进行模糊归一化,充分提高了纹理特征的代表性。
第四,通过用户的反馈结果实时调节图像特征相似度匹配方法来查找查询图像的k个近邻,并将近邻数k通过函数来进行动态设置,提高了图像检索***对不同查询图像的适应性。
第五,利用查询图像与其k个近邻图像的相似度和每一个被检索图像与查询图像k个近邻图像的相似度来衡量查询图像与所有被检索图像的模糊相似度,必定能提高图像检索***的性能。
第六,由于图像内容本身就具有一定的模糊性,从而导致不同用户对同一幅图像有着不同的认知情况。因此不管是在图像特征提取过程中还是在最后的图像特征相似度匹配过程中,采用模糊数学的算法必将大大提高图像检索的性能。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为查询图像特征提取过程;
图2为所有被检索图像的特征提取过程;
图3为求取查询图像与每一幅被检索图像之间的模糊相似度过程。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本发明提供的第一方面的实施例:
一种基于k近邻和模糊模式识别的图像检索方法,包括:
第一步,提取查询图像和所有被检索图像的颜色特征和纹理特征,如图1和图2所示。
在提取图像的颜色特征时,采用简单且易实现的颜色直方图方法。首先将图像从RGB空间映射到HSV空间,为实现图像颜色特征向量降维以提高图像检索的速度,将H量化为16级,S量化为4级,V量化为4级,从而得到256个不同的颜色值,然后分别统计图像内容中对应于这256个不同颜色值的像素点的个数,从而得到对应于一幅图像的256维的颜色特征向量。其次,利用恰当的模糊数学算法将颜色特征向量中的元素进行模糊归一化,以克服颜色直方图特征无法描述图像中颜色的局部分布及每种色彩所处空间位置的严重缺陷,进一步提高颜色特征向量的代表性。
在提取图像的纹理特征时,采用灰度共生矩阵的方法,统计灰度共生矩阵的15个特性值:能量、梯度平均、灰度平均、梯度均方差、灰度均方差、相关性、梯度熵、灰度熵、混合熵、逆差矩、惯性、大梯度优势、小梯度优势、梯度分布的不均匀性、灰度分布的不均匀性,利用每幅图像所对应的这15个特性值组成每幅图像所对应的15维的纹理特征向量。其次,利用恰当的模糊数学算法将纹理特征向量中的元素进行模糊归一化,以进一步提高纹理特征向量的代表性。
最后,赋以颜色特征向量和纹理特征向量不同的权重值,以组成一个271维的综合特征向量来代表一幅图像。注意,应使颜色特征向量和纹理特征向量的权重值之和为1。
第二步,找出恰当的相似度匹配方法来寻找查询图像的k个近邻图像,并通过恰当的函数将近邻数k设为动态值,以便适用于不同的查询图像,为下一步工作做好准备,如图3所示。
第三步,计算查询图像与其k个近邻图像的相似度,并利用这k个相似度值组成一个k维的特征向量,作为查询图像所对应的k维的模糊特征向量;利用相同的相似度匹配方法计算各个被检索图像与查询图像k个近邻图像之间的相似度,并利用各个被检索图像与查询图像k个近邻图像之间的k个相似度值组成各个被检索图像所对应的k维模糊特征向量。
注意在计算相似度值时应确保查询图像和各个被检索图像所对应的模糊特征向量中的元素都介于0~1之间,以为下一步工作做好准备。
第四步,寻找恰当的模糊相似度计算方法来计算查询图像所对应的模糊特征向量和各个被检索图像所对应的模糊特征向量之间的相似度,并按照模糊相似度值从大到小的顺序将检索图像反馈给用户。
第五步,根据用户对图像检索结果的满意度来确定是否停止图像检索。若用户满意,则停止执行图像检索;否则,返回到第二步重新寻找恰当的相似度匹配方法来找出查询图像的k个近邻图像,并依次执行第三步、第四步、第五步工作,直至用户满意为止。
本发明提供的第二方面的实施例:
一种基于k近邻和模糊模式识别的图像检索***,包括:
图像特征提取模块:对查询图像和所有被检索图像分别提取出颜色特征向量和纹理特征向量,对查询图像和被检索图像的颜色特征向量和纹理特征向量分别进行处理,并将这两种特征向量融合到一起,得到查询图像和所有被检索图像各自对应的综合特征向量;
寻找查询图像的k个近邻图像模块:根据查询图像和所有被检索图像各自对应的综合特征向量,寻找恰当的相似度匹配方法来寻找查询图像的k个近邻图像,并将近邻数k通过函数来进行动态设置;
获取查询图像与所有被检索图像所对应的k维模糊特征向量模块:计算查询图像与其k个近邻图像的相似度,获取查询图像所对应的k维模糊特征向量;计算各个被检索图像与查询图像的k个近邻图像的相似度,得到各个被检索图像所对应的k维模糊特征向量;
模糊相似度计算模块:采用模糊相似度匹配算法,计算各个被检索图像所对应的k维模糊特征向量与查询图像对应的k维模糊特征向量之间的模糊相似度;按照模糊相似度从大到小的顺序将检索图像反馈给用户。
进一步的,所述图像检索***,还包括:
用户满意度反馈模块:根据用户对图像检索结果的满意度来确定是否停止图像检索:
若用户满意,则停止图像检索;否则,返回寻找查询图像的k个近邻图像步骤,重新寻找恰当的相似度匹配方法来寻找查询图像的k个近邻图像,并执行获取查询图像和所有被检索图像所对应的模糊特征向量步骤和模糊相似度计算步骤,直至用户满意为止。
进一步的,提取出颜色特征向量,包括:
采用颜色直方图方法:首先将图像从RGB空间映射到HSV空间,将H量化为16级,S量化为4级,V量化为4级,从而得到256个不同的颜色值,然后分别统计图像内容中对应于256个不同颜色值的像素点的个数,从而得到对应于一幅图像的256维的颜色特征向量。实现图像颜色特征向量降维以提高图像检索的速度。
进一步的,提取出纹理特征向量,包括:
采用灰度共生矩阵的方法:统计灰度共生矩阵的15个特性值:能量、梯度平均、灰度平均、梯度均方差、灰度均方差、相关性、梯度熵、灰度熵、混合熵、逆差矩、惯性、大梯度优势、小梯度优势、梯度分布的不均匀性和灰度分布的不均匀性,利用每幅图像所对应的15个特性的值组成每幅图像所对应的15维的纹理特征向量。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于k近邻和模糊模式识别的图像检索方法,其特征是,包括:
图像特征提取:提取查询图像和所有被检索图像的颜色特征向量和纹理特征向量,对查询图像和被检索图像的颜色特征向量和纹理特征向量分别进行处理,并将两种特征向量融合到一起,得到查询图像和所有被检索图像各自对应的综合特征向量;
寻找查询图像的k个近邻图像:根据查询图像和所有被检索图像各自对应的综合特征向量,寻找相似度匹配方法来寻找查询图像的k个近邻图像;
获取查询图像和所有被检索图像各自对应的模糊特征向量:计算查询图像与k个近邻图像的相似度,利用k个相似度值组成查询图像所对应的k维模糊特征向量;计算各个被检索图像与查询图像k个近邻图像的相似度,利用各个被检索图像与查询图像k个近邻图像的k个相似度值组成各个被检索图像所对应的k维模糊特征向量;
模糊相似度计算:采用模糊相似度匹配方法,计算各个被检索图像所对应的k维模糊特征向量与查询图像所对应的k维模糊特征向量之间的模糊相似度;按照模糊相似度从大到小的顺序将检索图像反馈给用户。
2.如权利要求1所述的一种基于k近邻和模糊模式识别的图像检索方法,其特征是,还包括:
用户满意度反馈步骤:根据用户对图像检索结果的满意度来确定是否停止图像检索:
若用户满意,则停止图像检索;否则,返回到寻找查询图像的k个近邻图像步骤,重新寻找相似度匹配方法来寻找查询图像的k个近邻图像,并执行获取查询图像和所有被检索图像所对应的模糊特征向量步骤和模糊相似度计算步骤,直至用户满意为止。
3.如权利要求1所述的一种基于k近邻和模糊模式识别的图像检索方法,其特征是,提取出颜色特征向量,包括:
采用颜色直方图方法:首先将图像从RGB空间映射到HSV空间,将H量化为16级,S量化为4级,V量化为4级,从而得到256个不同的颜色值,然后分别统计图像内容中对应于256个不同颜色值的像素点的个数,从而得到对应于一幅图像的256维的颜色特征向量。
4.如权利要求1所述的一种基于k近邻和模糊模式识别的图像检索方法,其特征是,提取出纹理特征向量,包括:
采用灰度共生矩阵的方法:统计灰度共生矩阵的15个特性值:能量、梯度平均、灰度平均、梯度均方差、灰度均方差、相关性、梯度熵、灰度熵、混合熵、逆差矩、惯性、大梯度优势、小梯度优势、梯度分布的不均匀性和灰度分布的不均匀性,利用每幅图像所对应的15个特性值组成每幅图像所对应的15维的纹理特征向量。
5.如权利要求1所述的一种基于k近邻和模糊模式识别的图像检索方法,其特征是,对得到的颜色特征向量和纹理特征向量分别进行模糊归一化处理,得到模糊化的颜色特征向量和模糊化的纹理特征向量,对两种模糊化的特征向量进行融合得到查询图像和所有被检索图像各自对应的综合特征向量。
6.如权利要求5所述的一种基于k近邻和模糊模式识别的图像检索方法,其特征是,所述对得到的颜色特征向量和纹理特征向量分别进行模糊归一化处理,是指:
采用模糊数学算法将颜色特征向量中的元素进行模糊归一化;
采用模糊数学算法将纹理特征向量中的元素进行模糊归一化。
7.如权利要求5所述的一种基于k近邻和模糊模式识别的图像检索方法,其特征是,对两种模糊化的特征向量进行融合得到查询图像和所有被检索图像各自对应的综合特征向量,是指:
赋以颜色特征向量和纹理特征向量不同的权重值,以组成一个综合特征向量来代表一幅图像;颜色特征向量和纹理特征向量的权重值之和为1;
或者,
所述根据查询图像和所有被检索图像各自对应的综合特征向量,寻找相似度匹配方法来寻找查询图像的k个近邻图像,是指:
根据查询图像和所有被检索图像各自对应的综合特征向量,采用不同的相似度匹配方法来寻找查询图像的k个近邻图像,通过结果对比找出最恰当的相似度匹配方法,并将近邻数k进行动态设置,以适应不同的查询图像;
或者,
所述获取查询图像和所有被检索图像各自对应的模糊特征向量,是指:
通过相似度匹配方法计算查询图像与其k个近邻图像的相似度,并将k个相似度值组成一个k维的特征向量,作为查询图像所对应的k维模糊特征向量;
采用相同的相似度匹配方法计算各个被检索图像与查询图像k个近邻图像的相似度,利用各个被检索图像所对应的k个相似度值分别组成各个被检索图像所对应的k维模糊特征向量。
8.一种基于k近邻和模糊模式识别的图像检索***,其特征是,包括:
图像特征提取模块:提取查询图像和所有被检索图像的颜色特征向量和纹理特征向量,对查询图像和被检索图像的颜色特征向量和纹理特征向量分别进行处理,并将两种特征向量融合到一起,得到查询图像和所有被检索图像各自对应的综合特征向量;
寻找查询图像的k个近邻图像模块:根据查询图像和所有被检索图像各自对应的综合特征向量,寻找相似度匹配方法来寻找查询图像的k个近邻图像;
获取查询图像和所有被检索图像各自对应的模糊特征向量模块:计算查询图像与k个近邻图像的相似度,利用k个相似度值组成查询图像所对应的k维模糊特征向量;计算各个被检索图像与查询图像k个近邻图像的相似度,利用各个被检索图像与查询图像k个近邻图像的k个相似度值组成各个被检索图像所对应的k维模糊特征向量;
模糊相似度计算模块:采用模糊相似度匹配方法,计算各个被检索图像所对应的k维模糊特征向量与查询图像所对应的k维模糊特征向量之间的模糊相似度;按照模糊相似度从大到小的顺序将检索图像反馈给用户。
9.一种基于k近邻和模糊模式识别的图像检索***,其特征是,包括:存储器、处理器以及存储在存储器上并在处理器上执行的计算机指令,所述计算机指令被处理器运行时,完成以下步骤:
图像特征提取:提取查询图像和所有被检索图像的颜色特征向量和纹理特征向量,对查询图像和被检索图像的颜色特征向量和纹理特征向量分别进行处理,并将两种特征向量融合到一起,得到查询图像和所有被检索图像各自对应的综合特征向量;
寻找查询图像的k个近邻图像:根据查询图像和所有被检索图像各自对应的综合特征向量,寻找相似度匹配方法来寻找查询图像的k个近邻图像;
获取查询图像和所有被检索图像各自对应的模糊特征向量:计算查询图像与k个近邻图像的相似度,利用k个相似度值组成查询图像所对应的k维模糊特征向量;计算各个被检索图像与查询图像k个近邻图像的相似度,利用各个被检索图像与查询图像k个近邻图像的k个相似度值组成各个被检索图像所对应的k维模糊特征向量;
模糊相似度计算:采用模糊相似度匹配方法,计算各个被检索图像所对应的k维模糊特征向量与查询图像所对应的k维模糊特征向量之间的模糊相似度;按照模糊相似度从大到小的顺序将检索图像反馈给用户。
10.一种计算机可读存储介质,其特征是,其上存储有计算机指令,所述计算机指令被处理器运行时,完成以下步骤:
图像特征提取:提取查询图像和所有被检索图像的颜色特征向量和纹理特征向量,对查询图像和被检索图像的颜色特征向量和纹理特征向量分别进行处理,并将两种特征向量融合到一起,得到查询图像和所有被检索图像各自对应的综合特征向量;
寻找查询图像的k个近邻图像:根据查询图像和所有被检索图像各自对应的综合特征向量,寻找相似度匹配方法来寻找查询图像的k个近邻图像;
获取查询图像和所有被检索图像各自对应的模糊特征向量:计算查询图像与k个近邻图像的相似度,利用k个相似度值组成查询图像所对应的k维模糊特征向量;计算各个被检索图像与查询图像k个近邻图像的相似度,利用各个被检索图像与查询图像k个近邻图像的k个相似度值组成各个被检索图像所对应的k维模糊特征向量;
模糊相似度计算:采用模糊相似度匹配方法,计算各个被检索图像所对应的k维模糊特征向量与查询图像所对应的k维模糊特征向量之间的模糊相似度;按照模糊相似度从大到小的顺序将检索图像反馈给用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810187212.3A CN108304588B (zh) | 2018-03-07 | 2018-03-07 | 一种基于k近邻和模糊模式识别的图像检索方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810187212.3A CN108304588B (zh) | 2018-03-07 | 2018-03-07 | 一种基于k近邻和模糊模式识别的图像检索方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108304588A true CN108304588A (zh) | 2018-07-20 |
CN108304588B CN108304588B (zh) | 2020-09-29 |
Family
ID=62849471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810187212.3A Expired - Fee Related CN108304588B (zh) | 2018-03-07 | 2018-03-07 | 一种基于k近邻和模糊模式识别的图像检索方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108304588B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109213886A (zh) * | 2018-08-09 | 2019-01-15 | 山东师范大学 | 基于图像分割和模糊模式识别的图像检索方法及*** |
CN113313126A (zh) * | 2021-04-30 | 2021-08-27 | 杭州好安供应链管理有限公司 | 用于图像识别的方法、计算设备和计算机存储介质 |
CN114982580A (zh) * | 2022-06-07 | 2022-09-02 | 山东师范大学 | 一种基于图像识别的智能花卉辅助栽培方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101317196A (zh) * | 2005-12-01 | 2008-12-03 | 皇家飞利浦电子股份有限公司 | 用于分割图像中与参考结构相关的结构的方法、***和计算机程序 |
CN101989302A (zh) * | 2010-10-22 | 2011-03-23 | 西安交通大学 | 一种基于多层位图颜色特征的图像检索方法 |
CN103888360A (zh) * | 2014-03-19 | 2014-06-25 | 西安交通大学 | 基于贪婪算法的集合覆盖方法获取sdn网中服务节点的方法 |
CN107316053A (zh) * | 2017-05-25 | 2017-11-03 | 华东理工大学 | 一种布料图像快速匹配检索方法 |
-
2018
- 2018-03-07 CN CN201810187212.3A patent/CN108304588B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101317196A (zh) * | 2005-12-01 | 2008-12-03 | 皇家飞利浦电子股份有限公司 | 用于分割图像中与参考结构相关的结构的方法、***和计算机程序 |
CN101989302A (zh) * | 2010-10-22 | 2011-03-23 | 西安交通大学 | 一种基于多层位图颜色特征的图像检索方法 |
CN103888360A (zh) * | 2014-03-19 | 2014-06-25 | 西安交通大学 | 基于贪婪算法的集合覆盖方法获取sdn网中服务节点的方法 |
CN107316053A (zh) * | 2017-05-25 | 2017-11-03 | 华东理工大学 | 一种布料图像快速匹配检索方法 |
Non-Patent Citations (1)
Title |
---|
王静春等: "基于内容的图像检索的相似度测量方法", 《数据采集与处理》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109213886A (zh) * | 2018-08-09 | 2019-01-15 | 山东师范大学 | 基于图像分割和模糊模式识别的图像检索方法及*** |
CN109213886B (zh) * | 2018-08-09 | 2021-01-08 | 山东师范大学 | 基于图像分割和模糊模式识别的图像检索方法及*** |
CN113313126A (zh) * | 2021-04-30 | 2021-08-27 | 杭州好安供应链管理有限公司 | 用于图像识别的方法、计算设备和计算机存储介质 |
CN114982580A (zh) * | 2022-06-07 | 2022-09-02 | 山东师范大学 | 一种基于图像识别的智能花卉辅助栽培方法及*** |
CN114982580B (zh) * | 2022-06-07 | 2024-04-12 | 山东师范大学 | 一种基于图像识别的智能花卉辅助栽培方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN108304588B (zh) | 2020-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104376105B (zh) | 一种社会媒体中图像低层视觉特征与文本描述信息的特征融合***及方法 | |
Kavitha et al. | Image retrieval based on color and texture features of the image sub-blocks | |
Srivastava et al. | A review: color feature extraction methods for content based image retrieval | |
Chen et al. | Pedestrian detection with deep convolutional neural network | |
CN106203454B (zh) | 证件版式分析的方法及装置 | |
US20090263014A1 (en) | Content fingerprinting for video and/or image | |
CN109034035A (zh) | 基于显著性检测和特征融合的行人重识别方法 | |
CN108304588A (zh) | 一种基于k近邻和模糊模式识别的图像检索方法及*** | |
Kaur et al. | A novel technique for content based image retrieval using color, texture and edge features | |
CN108268510B (zh) | 一种图像标注方法和装置 | |
CN110827312A (zh) | 一种基于协同视觉注意力神经网络的学习方法 | |
CN110727819A (zh) | 一种尺度自适应病理全切片图像数据库检索方法 | |
Chang et al. | Using visual features to design a content-based image retrieval method optimized by particle swarm optimization algorithm | |
CN109213886B (zh) | 基于图像分割和模糊模式识别的图像检索方法及*** | |
CN104317946A (zh) | 一种基于多张关键图的图像内容检索方法 | |
Chen et al. | Person re-identification based on re-ranking with expanded k-reciprocal nearest neighbors | |
Jin et al. | The Open Brands Dataset: Unified brand detection and recognition at scale | |
CN108647703A (zh) | 一种基于显著性的分类图像库的类型判断方法 | |
Li et al. | Lightweight automatic identification and location detection model of farmland pests | |
Singh et al. | An analysis based on local binary pattern (LBP) and color moment (CM) for efficient image retrieval | |
Deshpande et al. | Image Retrieval with the use of different color spaces and the texture feature | |
Jaswal et al. | Content based image retrieval using color space approaches | |
CN110162654A (zh) | 一种基于融合特征与检索结果优化的现勘图像检索算法 | |
Yu et al. | Automatic image captioning system using integration of N-cut and color-based segmentation method | |
Cui et al. | Textile image retrieval using joint local PCA-based feature descriptor |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200929 |