CN108829711B - 一种基于多特征融合的图像检索方法 - Google Patents

一种基于多特征融合的图像检索方法 Download PDF

Info

Publication number
CN108829711B
CN108829711B CN201810418660.XA CN201810418660A CN108829711B CN 108829711 B CN108829711 B CN 108829711B CN 201810418660 A CN201810418660 A CN 201810418660A CN 108829711 B CN108829711 B CN 108829711B
Authority
CN
China
Prior art keywords
image
feature
target image
color
value
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
Application number
CN201810418660.XA
Other languages
English (en)
Other versions
CN108829711A (zh
Inventor
栾雄
张闻强
徐念龙
杨莹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Dejian Computer Technology Co ltd
Original Assignee
Shanghai Dejian Computer Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Dejian Computer Technology Co ltd filed Critical Shanghai Dejian Computer Technology Co ltd
Priority to CN201810418660.XA priority Critical patent/CN108829711B/zh
Publication of CN108829711A publication Critical patent/CN108829711A/zh
Application granted granted Critical
Publication of CN108829711B publication Critical patent/CN108829711B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出了一种基于多特征融合的图像检索方法，其步骤如下：获取目标图像I，并计算目标图像I的图像特征：提取目标图像I的颜色特征，并存入图像的颜色特征库；提取目标图像I的形状特征，并存入图像的形状特征库；提取目标图像I的纹理特征，并存入图像的纹理特征库；目标图像I与图像数据集的相似度计算，得到最终检索结果。本发明的有益效果如下：使得用户能够根据检索图像获取类似的家居方案图像。该方法针对现有单一特征的不足，应对家居行业的特征集的组合，在实际的家居场景下，能够提高单一特征检索的效率，改善单一特征覆盖不足的问题。能够提高家居产品图像的搜索效率，节约用户查找家居方案的时间，改善用户的实际搜索体验。

Description

一种基于多特征融合的图像检索方法
技术领域
本发明涉及图像检索技术领域，特别是指一种基于多特征融合的图像检索方法。
背景技术
基于内容的图像检索方法是指利用图像本身具有的视觉特征和空间关系等信息，建立图像的高维特征矢量库，根据图像的高维特征矢量进行匹配，返回用户的图像检索结果。该方法与基于文本的图像检索方法相比，检索的结果更为有效。
图像特征根据逻辑类型的划分，可以分为颜色特征、纹理特征和形状特征三大类。其中颜色特征是应用最为广泛的图像特征之一，能够为图像搜索提供基于颜色分类的功能；纹理特征着重描述图像块中的纹理模式；而形状特征主要描述图像中的结构特点。在图像搜索中，图像特征作为底层信息，支撑目标图像I的检索。
基于单一特征的图像检索方法，可以在某一个特征方面有较高的效率，但是在面对复杂多变、类别不一的自然场景时，往往就显露出不足之处。因此，融合多种图像特征的检索方法，在工程实际应用中有着迫切的需求。
在具体应用场景下，融合多种图像特征的一个难题在于图像特征方法的选择，不同图像特征提取方法，对特征的表现形式不尽相同，最终导致对图像含义的理解存有不同，从而影响应用场景下的图像检索效果。
发明内容
本发明提出一种基于多特征融合的图像检索方法，解决了现有技术中融合多种图像特征检索方法不完善的问题。
本发明的技术方案是这样实现的：
一种基于多特征融合的图像检索方法，其方法步骤如下：
(1)获取目标图像I，并计算目标图像I的图像特征
1)提取目标图像I的颜色特征，并存入图像的颜色特征库
①将目标图像I从RGB颜色空间按照标准转换公式转换到HSV颜色空间；
②将转换到HSV颜色空间的目标图像I按照式
Figure GDA0003023770350000021
和
Figure GDA0003023770350000022
进行第一步量化，将色调H量化到7个区间，亮度V和饱和度S分别量化到3个区间；
③依据式L＝9H+3S+V将目标图像I的RGB值通过量化映射到HSV的63种颜色空间中；
对目标图像I进行分块处理，每块图像根据其所包含信息量的多少赋予不同的权重，每块图像的颜色直方图用H(Ik)表示，每块图像对应的权重用wk表示，则整个图像的分块加权颜色直方图为
Figure GDA0003023770350000023
其中n为对所述目标图像I的分块数，
Figure GDA0003023770350000024
④对所述整个图像的分块加权颜色直方图进行归一化处理，并作为目标图像I的颜色特征存入图像的颜色特征库；
2)提取目标图像I的形状特征，并存入图像的形状特征库
①将目标图像I的原始彩色图像采用DomainTransform方法进行边缘增强，其中参数sigma_s＝10，sigma_r＝0.15；
②将边缘增强后的目标图像I按照标准公式转换为灰度图像，将所述灰度图像采用双线性差值方法进行缩放；对缩放后的灰度图像采用canny边缘算子进行边缘检测；
③计算所述灰度图像每个轮廓点处的梯度模和梯度方向：采用式
Figure GDA0003023770350000031
的模板对所述灰度图像进行sobel算子滤波，得到所述灰度图像的水平梯度
Figure GDA0003023770350000032
和竖直梯度
Figure GDA0003023770350000033
进而得到所述灰度图像的梯度模
Figure GDA0003023770350000034
所述灰度图像的梯度方向为
Figure GDA0003023770350000035
依据上述边缘检测的结果得到所述灰度图像在每个轮廓点处的梯度模和梯度方向；
④对所述灰度图像进行多尺度处理，采用金字塔分割方法，将所述灰度图像分割成L层，每一层划分成2l(l＝0,...,L)块，在所述灰度图像第l层第n块的轮廓点处，累加某一梯度方向区间的梯度模值作为该梯度方向区间的统计值，遍历所述灰度图像的所有轮廓点和梯度方向区间，所述灰度图像第l层第n块的统计梯度方向直方图为
Figure GDA0003023770350000036
⑤将所述灰度图像所有图像块的梯度方向直方图进行拼接合并，得到完整的梯度方向直方图
Figure GDA0003023770350000037
⑥将所述灰度图像完整的梯度方向直方图H(I)进行归一化，得到维数为
Figure GDA0003023770350000038
的形状特征向量，并作为目标图像I的形状特征，存入图像的形状特征库；
3)提取目标图像I的纹理特征，并存入图像的纹理特征库
①分别计算目标图像I每个像素点的粗糙度、对比度和方向性；
②将目标图像I的一个通道
Figure GDA0003023770350000039
进行大小为2*m的方块均值滤波，其中m＝1,2,3,4,5，从而得到5个不同均值滤波图像
Figure GDA00030237703500000310
分别计算5个不同均值滤波图像的水平差异图像
Figure GDA0003023770350000041
和
Figure GDA0003023770350000042
其中
Figure GDA0003023770350000043
③将所述通道
Figure GDA0003023770350000044
的每个像素(x,y)处计算得到10个ET,R(x,y)值，从中选择最大值作为像素(x,y)处的粗糙度值，即
Figure GDA0003023770350000045
其中m＝1,2,3,4,5；
④在所述通道
Figure GDA0003023770350000046
像素(x,y)的7*7窗口中统计像素(x,y)的均值
Figure GDA0003023770350000047
方差
Figure GDA0003023770350000048
在所述通道
Figure GDA0003023770350000049
像素(x,y)的7*7窗口中统计像素(x,y)的四次差
Figure GDA00030237703500000410
则所述通道
Figure GDA00030237703500000411
像素(x,y)处的对比度值为
Figure GDA00030237703500000412
⑤将所述通道
Figure GDA00030237703500000413
按照式
Figure GDA00030237703500000414
的模板卷积得到所述通道
Figure GDA00030237703500000415
的水平梯度
Figure GDA00030237703500000416
和竖直梯度
Figure GDA00030237703500000417
进一步计算得到所述通道
Figure GDA00030237703500000418
像素(x,y)处的方向性值
Figure GDA00030237703500000419
⑥累加所述像素(x,y)处R、G、B三个通道的粗糙度值、对比度值和方向性值，得到所述像素(x,y)处的通道无关粗糙度值、对比度值和方向性值；
⑦将所述目标图像I的粗糙度、对比度和方向性都均匀量化到g个区间，则所述目标图像I粗糙度、对比度和方向性的取值区间变为[0,g-1]；
⑧联合粗糙度、对比度和方向性，确定像素(x,y)在纹理直方图中的对应区间
Figure GDA00030237703500000420
将每个像素在对应的区间上进行累加，得到累加的纹理直方图HT(IT)，其中HT(IT)的维度为g*g*g；
⑨将所述g*g*g维的纹理直方图HT(IT)进行归一化，得到所述目标图像I的纹理特征，存入图像的纹理特征库；
(2)目标图像I与图像数据集的相似度计算
1)输入一张检索图像Q，分别提取其颜色特征XC、形状特征XS和纹理特征XT，计算XC与颜色特征库中各特征YC的线性核距离线
Figure GDA0003023770350000051
计算XS与形状特征库中各特征YS的欧式距离
Figure GDA0003023770350000052
计算XT与纹理特征库中各特征YT的JSD距离
Figure GDA0003023770350000053
其中d为对应特征的维度；
2)随机抽取图像库中的两两图像对Qr1和Qr2，计算所述图像对的颜色特征距离
Figure GDA0003023770350000054
得到抽样集合
Figure GDA0003023770350000055
进一步得到抽样集合
Figure GDA0003023770350000056
的样本均值和样本标准差，重复这个过程，得到样本均值的平均值，即为dC的高斯分布均值μC，dC的标准差σC；按照上述操作步骤，同理可得dS的高斯分布均值μS、标准差σS，dT的高斯分布均值μT、标准差σT；依据
Figure GDA0003023770350000057
Figure GDA0003023770350000058
分别将dC、dS、dT转换到标准高斯分布；
3)将上述三种距离量dC、dS、dT采用权值的方法融合得到dmerge＝wCdC+wSdS+wTdT,wC+wS+wT＝1；
4)对计算得到的距离dmerge进行排序，取前P个数据，即取前P幅图像作为检索结果。
作为优选，所述步骤(1)中步骤2)中步骤②的灰度图像缩放比例不大于500。
图像的颜色、形状、纹理三种类别特征分别对应人类不同感知的图像内容属性。本方案中，首先单独计算三种类别的图像特征，然后在相似度计算的过程中融合三种特征信息，得出综合的相似度计算结果。
首先使用颜色直方图提取图像的颜色特征，使用分层梯度方向直方图提取图像的形状特征，使用tamura纹理表示提取图像的纹理特征，最后使用权重融合的方法将颜色、形状和纹理特征融合进行检索。
本发明的有益效果为：
使得用户能够根据检索图像获取类似的家居方案图像。该方法针对现有单一特征的不足，应对家居行业的特征集的组合，在实际的家居场景下，能够提高单一特征检索的效率，改善单一特征覆盖不足的问题。
能够提高家居产品图像的搜索效率，节约用户查找家居方案的时间，改善用户的实际搜索体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明对图像进行分块处理的不均匀分块方法示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例
一种基于多特征融合的图像检索方法，具体步骤如下：
(1)获取目标图像I，并计算目标图像I的图像特征
1)提取目标图像I的颜色特征，并存入图像的颜色特征库
①将目标图像I从RGB颜色空间按照标准转换公式转换到HSV颜色空间；
②将转换到HSV颜色空间的目标图像I按照式
Figure GDA0003023770350000071
和
Figure GDA0003023770350000072
进行第一步量化，将色调H量化到7个区间，亮度V和饱和度S分别量化到3个区间；
③依据式L＝9H+3S+V将目标图像I的RGB值通过量化映射到HSV的63种颜色空间中；
一块图像中不同位置的颜色提供的信息量不同，通常一副图像的信息主要集中在图像正中央，边缘部位往往作为背景，因此对目标图像I进行简单分块处理，每块图像根据其所包含信息量的多少赋予不同的权重，采用如图1所示的不均匀分块方法，图1中A区域位于图像中心，包含了图像的主体信息，赋予较大的权重，B、C、D、E、F、G、H、I所包含的图像信息较少，赋予较小的权重；
每块图像的颜色直方图用H(Ik)表示，每块图像对应的权重用wk表示，则整个图像的分块加权颜色直方图为
Figure GDA0003023770350000073
其中n为对所述目标图像I的分块数，
Figure GDA0003023770350000074
④对所述整个图像的分块加权颜色直方图进行归一化处理，并作为目标图像I的颜色特征存入图像的颜色特征库；
2)提取目标图像I的形状特征，并存入图像的形状特征库
①将目标图像I的原始彩色图像采用DomainTransform方法进行边缘增强，其中参数sigma_s＝10，sigma_r＝0.15；
②将边缘增强后的目标图像I按照标准公式转换为灰度图像，将所述灰度图像采用双线性差值方法进行缩放，缩放比例最大值为500；对缩放后的灰度图像采用canny边缘算子进行边缘检测，其中参数低阈值是46，高阈值是115，apertureSize＝3；
③计算所述灰度图像每个轮廓点处的梯度模和梯度方向：采用式
Figure GDA0003023770350000081
的模板对所述灰度图像进行sobel算子滤波，得到所述灰度图像的水平梯度
Figure GDA0003023770350000082
和竖直梯度
Figure GDA0003023770350000083
进而得到所述灰度图像的梯度模
Figure GDA0003023770350000084
所述灰度图像的梯度方向为
Figure GDA0003023770350000085
依据上述边缘检测的结果得到所述灰度图像在每个轮廓点处的梯度模和梯度方向，本实施例中梯度方向范围为0～180度，梯度方向均匀量化为KS个区间，其中KS＝20；
④对所述灰度图像进行多尺度处理，采用金字塔分割方法，将所述灰度图像分割成L层，每一层划分成2l(l＝0,...,L)块，在所述灰度图像第l层第n块的轮廓点处，累加某一梯度方向区间的梯度模值作为该梯度方向区间的统计值，遍历所述灰度图像的所有轮廓点和梯度方向区间，所述灰度图像第l层第n块的统计梯度方向直方图为
Figure GDA0003023770350000086
⑤将所述灰度图像所有图像块的梯度方向直方图进行拼接合并，得到完整的梯度方向直方图
Figure GDA0003023770350000087
⑥将所述灰度图像完整的梯度方向直方图H(I)进行归一化，得到维数为
Figure GDA0003023770350000091
的形状特征向量，并作为目标图像I的形状特征，存入图像的形状特征库；
3)提取目标图像I的纹理特征，并存入图像的纹理特征库
①分别计算目标图像I每个像素点的粗糙度、对比度和方向性；
②将目标图像I的一个通道
Figure GDA0003023770350000092
进行大小为2*m的方块均值滤波，其中m＝1,2,3,4,5，从而得到5个不同均值滤波图像
Figure GDA0003023770350000093
分别计算5个不同均值滤波图像的水平差异图像
Figure GDA0003023770350000094
和
Figure GDA0003023770350000095
其中
Figure GDA0003023770350000096
③将所述通道
Figure GDA0003023770350000097
的每个像素(x,y)处计算得到10个ET,R(x,y)值，从中选择最大值作为像素(x,y)处的粗糙度值，即
Figure GDA0003023770350000098
其中m＝1,2,3,4,5；
④在所述通道
Figure GDA0003023770350000099
像素(x,y)的7*7窗口中统计像素(x,y)的均值
Figure GDA00030237703500000910
方差
Figure GDA00030237703500000911
在所述通道
Figure GDA00030237703500000912
像素(x,y)的7*7窗口中统计像素(x,y)的四次差
Figure GDA00030237703500000913
则所述通道
Figure GDA00030237703500000914
像素(x,y)处的对比度值为
Figure GDA00030237703500000915
⑤将所述通道
Figure GDA00030237703500000916
按照式
Figure GDA00030237703500000917
的模板卷积得到所述通道
Figure GDA00030237703500000918
的水平梯度
Figure GDA00030237703500000919
和竖直梯度
Figure GDA00030237703500000920
进一步计算得到所述通道
Figure GDA00030237703500000921
像素(x,y)处的方向性值
Figure GDA00030237703500000922
⑥累加所述像素(x,y)处R、G、B三个通道的粗糙度值、对比度值和方向性值，得到所述像素(x,y)处的通道无关粗糙度值、对比度值和方向性值；
⑦将所述目标图像I的粗糙度、对比度和方向性都均匀量化到g个区间，则所述目标图像I粗糙度、对比度和方向性的取值区间变为[0,g-1]；
⑧联合粗糙度、对比度和方向性，确定像素(x,y)在纹理直方图中的对应区间
Figure GDA0003023770350000101
将每个像素在对应的区间上进行累加，得到累加的纹理直方图HT(IT)，其中HT(IT)的维度为g*g*g；
⑨将所述g*g*g维的纹理直方图HT(IT)进行归一化，得到所述目标图像I的纹理特征，存入图像的纹理特征库；
(2)目标图像I与图像数据集的相似度计算
1)输入一张检索图像Q，分别提取其颜色特征XC、形状特征XS和纹理特征XT，计算XC与颜色特征库中各特征YC的线性核距离线
Figure GDA0003023770350000102
计算XS与形状特征库中各特征YS的欧式距离
Figure GDA0003023770350000103
计算XT与纹理特征库中各特征YT的JSD距离
Figure GDA0003023770350000104
其中d为对应特征的维度；
2)随机抽取图像库中的两两图像对Qr1和Qr2，计算所述图像对的颜色特征距离
Figure GDA0003023770350000105
得到抽样集合
Figure GDA0003023770350000106
进一步得到抽样集合
Figure GDA0003023770350000107
的样本均值和样本标准差，重复这个过程，得到样本均值的平均值，即为dC的高斯分布均值μC，dC的标准差σC；按照上述操作步骤，同理可得dS的高斯分布均值μS、标准差σS，dT的高斯分布均值μT、标准差σT；依据
Figure GDA0003023770350000111
Figure GDA0003023770350000112
分别将dC、dS、dT转换到标准高斯分布；
3)将上述三种距离量dC、dS、dT采用权值的方法融合得到wC＝wS＝wT＝1/3，本实施例中wC＝wS＝wT＝1/3；
4)对计算得到的距离dmerge进行排序，取前P个数据，即取前P幅图像作为检索结果。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于多特征融合的图像检索方法，其特征在于，其方法步骤如下：
(1)获取目标图像I，并计算目标图像I的图像特征
1)提取目标图像I的颜色特征，并存入图像的颜色特征库
①将目标图像I从RGB颜色空间按照标准转换公式转换到HSV颜色空间；
②将转换到HSV颜色空间的目标图像I按照式
Figure FDA0003023770340000011
和
Figure FDA0003023770340000012
进行第一步量化，将色调H量化到7个区间，亮度V和饱和度S分别量化到3个区间；
③依据式L＝9H+3S+V将目标图像I的RGB值通过量化映射到HSV的63种颜色空间中；
对目标图像I进行分块处理，每块图像根据其所包含信息量的多少赋予不同的权重，每块图像的颜色直方图用H(Ik)表示，每块图像对应的权重用wk表示，则整个图像的分块加权颜色直方图为
Figure FDA0003023770340000013
其中n为对所述目标图像I的分块数，
Figure FDA0003023770340000014
④对所述整个图像的分块加权颜色直方图进行归一化处理，并作为目标图像I的颜色特征存入图像的颜色特征库；
2)提取目标图像I的形状特征，并存入图像的形状特征库
①将目标图像I的原始彩色图像采用Domain Transform方法进行边缘增强，其中参数sigma_s＝10，sigma_r＝0.15；
②将边缘增强后的目标图像I按照标准公式转换为灰度图像，将所述灰度图像采用双线性差值方法进行缩放；对缩放后的灰度图像采用canny边缘算子进行边缘检测；
③计算所述灰度图像每个轮廓点处的梯度模和梯度方向：采用式
Figure FDA0003023770340000021
的模板对所述灰度图像进行sobel算子滤波，得到所述灰度图像的水平梯度
Figure FDA0003023770340000022
和竖直梯度
Figure FDA0003023770340000023
进而得到所述灰度图像的梯度模
Figure FDA0003023770340000024
所述灰度图像的梯度方向为
Figure FDA0003023770340000025
依据上述边缘检测的结果得到所述灰度图像在每个轮廓点处的梯度模和梯度方向；
④对所述灰度图像进行多尺度处理，采用金字塔分割方法，将所述灰度图像分割成L层，每一层划分成2l(l＝0,...,L)块，在所述灰度图像第l层第n块的轮廓点处，累加某一梯度方向区间的梯度模值作为该梯度方向区间的统计值，遍历所述灰度图像的所有轮廓点和梯度方向区间，所述灰度图像第l层第n块的统计梯度方向直方图为
Figure FDA0003023770340000026
⑤将所述灰度图像所有图像块的梯度方向直方图进行拼接合并，得到完整的梯度方向直方图
Figure FDA0003023770340000027
⑥将所述灰度图像完整的梯度方向直方图H(I)进行归一化，得到维数为
Figure FDA0003023770340000028
的形状特征向量，并作为目标图像I的形状特征，存入图像的形状特征库；
3)提取目标图像I的纹理特征，并存入图像的纹理特征库
①分别计算目标图像I每个像素点的粗糙度、对比度和方向性；
②将目标图像I的一个通道
Figure FDA0003023770340000031
进行大小为2*m的方块均值滤波，其中m＝1,2,3,4,5，从而得到5个不同均值滤波图像
Figure FDA0003023770340000032
分别计算5个不同均值滤波图像的水平差异图像
Figure FDA0003023770340000033
和
Figure FDA0003023770340000034
其中
Figure FDA0003023770340000035
③将所述通道
Figure FDA0003023770340000036
的每个像素(x,y)处计算得到10个ET,R(x,y)值，从中选择最大值作为像素(x,y)处的粗糙度值，即
Figure FDA0003023770340000037
其中m＝1,2,3,4,5；
④在所述通道
Figure FDA0003023770340000038
像素(x,y)的7*7窗口中统计像素(x,y)的均值
Figure FDA0003023770340000039
方差
Figure FDA00030237703400000310
在所述通道
Figure FDA00030237703400000311
像素(x,y)的7*7窗口中统计像素(x,y)的四次差
Figure FDA00030237703400000312
则所述通道
Figure FDA00030237703400000313
像素(x,y)处的对比度值为
Figure FDA00030237703400000314
⑤将所述通道
Figure FDA00030237703400000315
按照式
Figure FDA00030237703400000316
的模板卷积得到所述通道
Figure FDA00030237703400000317
的水平梯度
Figure FDA00030237703400000318
和竖直梯度
Figure FDA00030237703400000319
进一步计算得到所述通道
Figure FDA00030237703400000320
像素(x,y)处的方向性值
Figure FDA00030237703400000321
⑥累加所述像素(x,y)处R、G、B三个通道的粗糙度值、对比度值和方向性值，得到所述像素(x,y)处的通道无关粗糙度值、对比度值和方向性值；
⑦将所述目标图像I的粗糙度、对比度和方向性都均匀量化到g个区间，则所述目标图像I粗糙度、对比度和方向性的取值区间变为[0,g-1]；
⑧联合粗糙度、对比度和方向性，确定像素(x,y)在纹理直方图中的对应区间
Figure FDA0003023770340000041
将每个像素在对应的区间上进行累加，得到累加的纹理直方图HT(IT)，其中HT(IT)的维度为g*g*g；
⑨将所述g*g*g维的纹理直方图HT(IT)进行归一化，得到所述目标图像I的纹理特征，存入图像的纹理特征库；
(2)目标图像I与图像数据集的相似度计算
1)输入一张检索图像Q，分别提取其颜色特征XC、形状特征XS和纹理特征XT，计算XC与颜色特征库中各特征YC的线性核距离线
Figure FDA0003023770340000042
计算XS与形状特征库中各特征YS的欧式距离
Figure FDA0003023770340000043
计算XT与纹理特征库中各特征YT的JSD距离
Figure FDA0003023770340000044
其中d为对应特征的维度；
2)随机抽取图像库中的两两图像对Qr1和Qr2，计算所述图像对的颜色特征距离
Figure FDA0003023770340000045
得到抽样集合
Figure FDA0003023770340000046
进一步得到抽样集合
Figure FDA0003023770340000047
的样本均值和样本标准差，重复这个过程，得到样本均值的平均值，即为dC的高斯分布均值μC，dC的标准差σC；按照上述操作步骤，同理可得dS的高斯分布均值μS、标准差σS，dT的高斯分布均值μT、标准差σT；依据
Figure FDA0003023770340000048
Figure FDA0003023770340000049
分别将dC、dS、dT转换到标准高斯分布；
3)将上述三种距离量dC、dS、dT采用权值的方法融合得到dmerge＝wCdC+wSdS+wTdT,wC+wS+wT＝1；
4)对计算得到的距离dmerge进行排序，取前P个数据，即取前P幅图像作为检索结果。
2.根据权利要求1所述的一种基于多特征融合的图像检索方法，其特征在于，所述步骤(1)中步骤2)中步骤②的灰度图像缩放比例不大于500。
CN201810418660.XA 2018-05-04 2018-05-04 一种基于多特征融合的图像检索方法 Active CN108829711B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810418660.XA CN108829711B (zh) 2018-05-04 2018-05-04 一种基于多特征融合的图像检索方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810418660.XA CN108829711B (zh) 2018-05-04 2018-05-04 一种基于多特征融合的图像检索方法

Publications (2)

Publication Number Publication Date
CN108829711A CN108829711A (zh) 2018-11-16
CN108829711B true CN108829711B (zh) 2021-06-01

Family

ID=64148349

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810418660.XA Active CN108829711B (zh) 2018-05-04 2018-05-04 一种基于多特征融合的图像检索方法

Country Status (1)

Country Link
CN (1) CN108829711B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109782214B (zh) * 2019-01-26 2021-02-26 哈尔滨汇鑫仪器仪表有限责任公司 电能表状态远程发送机构
CN110135440A (zh) * 2019-05-15 2019-08-16 北京艺泉科技有限公司 一种适用于海量文物图像检索的图像特征提取方法
CN110826446B (zh) * 2019-10-28 2020-08-21 衢州学院 无纹理场景视频的视场区域分割方法及装置
CN113095341A (zh) * 2019-12-23 2021-07-09 顺丰科技有限公司 一种图像匹配方法、装置及存储介质
CN114170418B (zh) * 2021-11-30 2024-05-24 吉林大学 一种以图搜图的汽车线束连接器多特征融合图像检索方法
CN116403419B (zh) * 2023-06-07 2023-08-25 贵州鹰驾交通科技有限公司 基于车路协同的交通灯控制方法

Citations (7)

* Cited by examiner, † Cited by third party
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
CN101763429A (zh) * 2010-01-14 2010-06-30 中山大学 一种基于颜色和形状特征的图像检索方法
CN101770644A (zh) * 2010-01-19 2010-07-07 浙江林学院 森林火灾远程视频监控烟火识别方法
CN102663391A (zh) * 2012-02-27 2012-09-12 安科智慧城市技术（中国）有限公司 一种图像的多特征提取与融合方法及***
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
CN106202338A (zh) * 2016-06-30 2016-12-07 合肥工业大学 基于多特征多关系的图像检索方法
CN107958073A (zh) * 2017-12-07 2018-04-24 电子科技大学 一种基于粒子集群算法优化的彩色图像检索方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110255589A1 (en) * 2009-08-03 2011-10-20 Droplet Technology, Inc. Methods of compressing data and methods of assessing the same
US8744180B2 (en) * 2011-01-24 2014-06-03 Alon Atsmon System and process for automatically finding objects of a specific color
ES2530687B1 (es) * 2013-09-04 2016-08-19 Shot & Shop. S.L. Método implementado por ordenador para recuperación de imágenes por contenido y programa de ordenador del mismo
CN104298775A (zh) * 2014-10-31 2015-01-21 北京工商大学 多特征基于内容的图像检索方法和***

Patent Citations (7)

* Cited by examiner, † Cited by third party
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
CN101763429A (zh) * 2010-01-14 2010-06-30 中山大学 一种基于颜色和形状特征的图像检索方法
CN101770644A (zh) * 2010-01-19 2010-07-07 浙江林学院 森林火灾远程视频监控烟火识别方法
CN102663391A (zh) * 2012-02-27 2012-09-12 安科智慧城市技术（中国）有限公司 一种图像的多特征提取与融合方法及***
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
CN106202338A (zh) * 2016-06-30 2016-12-07 合肥工业大学 基于多特征多关系的图像检索方法
CN107958073A (zh) * 2017-12-07 2018-04-24 电子科技大学 一种基于粒子集群算法优化的彩色图像检索方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Mean-shift algorithm fusing multi feature;Yue Gao et al.;《2017 IEEE 2nd Advanced Information Technology, Electronic and Automation Control Conference》;20171002;1245-1249 *
基于多特征DS融合策略的图像检索技术研究;邵天日;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140715(第7期);I138-815 *

Also Published As

Publication number Publication date
CN108829711A (zh) 2018-11-16

Similar Documents

Publication Publication Date Title
CN108829711B (zh) 一种基于多特征融合的图像检索方法
CN115861135B (zh) 一种应用于箱体全景探测的图像增强及识别方法
CN109636784B (zh) 基于最大邻域和超像素分割的图像显著性目标检测方法
CN111915572B (zh) 一种基于深度学习的自适应齿轮点蚀定量检测***及方法
CN110766689A (zh) 基于卷积神经网络进行物品图像缺陷检测的方法及装置
CN107038416B (zh) 一种基于二值图像改进型hog特征的行人检测方法
CN106960176B (zh) 一种基于超限学习机和颜色特征融合的行人性别识别方法
CN106548160A (zh) 一种人脸微笑检测方法
CN108710916B (zh) 图片分类的方法及装置
CN106557740B (zh) 一种遥感图像中油库目标的识别方法
CN109726649B (zh) 遥感影像云检测方法、***及电子设备
CN103778434A (zh) 一种基于多分辨率多阈值局部二值模式的人脸识别方法
CN109829924A (zh) 一种基于主体特征分析的图像质量评价方法
CN107358189B (zh) 一种基于多视目标提取的室内环境下物体检测方法
CN108073940B (zh) 一种非结构化环境中的3d目标实例物体检测的方法
CN115797813B (zh) 基于航拍图像的水环境污染检测方法
CN110969164A (zh) 基于深度学习端对端的低照度成像车牌识别方法及装置
CN115082776A (zh) 一种基于图像识别的电能表自动检测***及方法
CN115033721A (zh) 基于大数据的图像检索方法
CN108985346B (zh) 融合低层图像特征及cnn特征的现勘图像检索方法
CN111027564A (zh) 基于深度学习一体化的低照度成像车牌识别方法及装置
CN117456376A (zh) 一种基于深度学习的遥感卫星影像目标检测方法
US10115195B2 (en) Method and apparatus for processing block to be processed of urine sediment image
CN110766655A (zh) 一种基于丰度的高光谱图像显著性分析方法
CN113034543B (zh) 一种基于局部注意力机制的3D-ReID多目标追踪方法

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