利用熵和矩进行二值商标图象检索

商标图象的检索在图象库系统管理和应用中得到了越来越多的重视。检索商标图象,形状特征的提取是关键。文章提出了一种新的提取商标图象形状特征的算法。该算法从信息论的角度出发,综合利用图象信息熵及不变矩的特性来描述商标图象的形状特征。该方法算法简单,实验证明具有良好的平移、旋转及尺度不变性,且抗干扰性能良好。     

4种矩描述子在形状检索中的性能比较

在基于内容的图象检索(CBIR)中,形状是图象的主要低层特征之一.人们虽已经提出了许多表示形状的方法,然而大多数方法都要假定知道形状的边界信息,在一般情况下,形状的边界是无法获取的.基于区域的描述子不但适用于一般形状,而且具有很强的抗噪声和抗失真能力.通过对下列4种区域形状描述符的研究和比较几何不变矩(GMD),Legendre矩(LMD)、Zernike矩(ZMD)以及正交的Fourier-Mellin矩(OFMMD),并在一个由400多幅图象组成的形状库上进行的检索试验表明,从计算复杂度、稳健性、分层表示以及检索性能来考虑,Zernike矩是4种矩当中最适合于进行形状检索的描述符.     

利用形状与空间位置特征检索二值商标图象

为了充分利用商标图象的内部信息，以提高商标图象的检索精度，提出了一种综合利用商标形状特征与共内部空间位置关系持征来检索二值商标图象的方法，由于二值商标属于人工图象，大多数二值商标都是由一些边界分明的几何形状体构成，因此可把二值商标图象看作是由一些具有显著形状特征的区域构成的集合体，对这些集合体首先利用矩特征进行形状的相似性度量，然后利用投影分类的方法匹配空间位置关系，该方法基于这一思想，既考虑了商标涔部各组成部分的形状特征，又兼顾了它们之间的空间位置关系，将整个检索过程分为初级检索与检索求精两个阶段，由于该方法保证了整体与局部的一致性，因此具有很好的检索精度，与仅仅利用图象的形状特征进行检索的实验结果相比，其检索结果更加符合人的视觉感受。     

基于小波和相对矩的形状特征提取与检索方法

提出了一种基于小波和相对矩的形状特征提取与检索方法。首先，对亮度图像进行小波多尺度边缘检测，得到多尺度边界图像；然后，计算每一尺度的7个不变矩，再转化为10个相对矩，所有尺度上的相对矩组成图像的特征向量；最后，对特征向量进行高斯归一化，用欧氏距离度量图像间的相似度，构建了一个基于形状特征的网像检索系统。实验结果表明，该方法具有明显的优越性和通用性。     

基于模糊C均值聚类和统计特性的医学图象检索

本文提出了一种基于灰度、形状和纹理特征的医学图象检索方法.图象被模糊C均值聚类算法预先分割成互相不重叠的子图象,然后对这些子图象分别提取特征,从而获得整幅图象的特征向量.分割后的各子图象和均方差特征描述了原图象的灰度分布情况,二值化后的7个不变矩和7个纹理特征描述了图象的形状和纹理信息.实验结果表明,该算法能够比较有效地应用于基于内容的医学图象检索中,在查全率和查准率上都优于实验中其他两种方法.     

基于形状的图像检索的关键技术研究

将小波变换的多尺度技术应用到图像检索中的形状特征的边缘检测 ,利用不变矩的仿射不变性进行形状特征提取 ,并以图像特征向量的欧氏距离进行图像的相似度匹配。试验结果表明 ,使用该算法可以提高基于内容的图像检索的准确率与检索速度。     

V-系统在形状相似检索中的应用

V-系统是一类正交多小波,它的正交性和多分辨特性使得在表达信号时可以用少量的基函数去描述信号的基本特征,并且通过增加所用基函数的数量得到信号由粗到细的多层次特征描述.文中将V-系统的这个特性应用到形状相似检索中,对图像边界和图像区域分别进行特征表达,得到了形状检索的新算法——V算法.首先提取图像的边界点列,并将其在V-系统下作正交分解,得到由V-描述子构成的边界特征向量,同时对图像区域作V-变换,得到图像的区域特征向量;然后融合边界特征和区域特征来进行形状之间的相似度量.通过在4个通用数据库中的形状检索实验结果,表明了该算法相对几种经典算法在检索性能上的优势.     

一种起始点无关的小波系数形状匹配

小波变换的多分辨率特征使其在计算机视觉中得到广泛的应用,在形状匹配中,小波变换对起始点的依赖制约了小波变换的应用。为了克服小波变换对起始点的依赖,引入Zernike矩,提出一种起始点无关的小波系数形状匹配算法。对输入图像进行预处理后提取目标轮廓,生成具有平移、尺度不变的形状链状表达,并通过小波变换进行多尺度分析。最后计算各个尺度下的各阶Zernike矩,来解决小波变换的起始点问题,实现形状表达的旋转不变性。实验结果表明该算法适用于轮廓较明显的目标,同时具有速度快、精度高、鲁棒性强的优点。     

距离分布直方图及其在商标图案检索中的应用

形状是描述图象的重要视觉特征,它可以通过像素点分布在空间不同的区域而表现出来,针对二值图象提出了一种基于区域的形状特征,即距离分布直方图,它的基本思想就是通过统计图象中像素点的距离区域的分布情况来获得形状特征。其中,基准点的选择和距离区域的划分是两具重要的部分,实验结果表明,距离分布直方图能够有效地刻画出二值图象的形状特征,并且具有非常好的平移。尺度和旋转不变性,将其应用于商标图案检索,其检索结果符合人眼的视觉感受。     

一种改进的综合纹理和形状特征的图像检索方法

提出一种利用小波进行综合纹理和形状特征的具有旋转、平移和尺度不变性的图像检索算法.使用角向矩加权方向定义图像的主方向来进行坐标轴的旋转矫正,得到图像的旋转不变性表示;采用具有平移和尺度不变性的小波变换对图像进行小波分解,利用各子带的能量作为纹理特征;利用小波分解的逼近子图重构图像并进一步利用Hu不变矩提取其形状特征.最后对纹理和形状特征进行高斯归一化,综合其特征进行检索.实验中对算法的尺度不变性、旋转不变性、平移不变性及对噪声的不敏感性进行了验证,实验结果证明了该算法具有更高的鲁棒性和查准率.     

基于形状不变矩的图像检索算法的研究

描述了一种基于Hu形状不变矩的图像全局形状特征提取方法和算法IMS。实验结果表明,使用IMS。算法提取的形状特征向量具有对平移、旋转和尺度变化的不变性,适合于进行图像形状的检索。     

基于NMI特征的Auto-Camshift算法及其应用

基于NMI特征及Camshift算法，提出了扩展Auto-Camshift算法，该算法分割得到目标物体，分别对每个物体进行Camshift运算，同时结合了物体归一化转动惯量特征对物体进行学习和辨认。该算法同Camshaft相比，增加了归一化转动惯量NMI这一以目标不变特征为识别基础的特征，同时实现了多物体识别、自主学习。在“富莱德”机器人系统上的试验结果证明所提供的算法在学习和识别系统中有很好的鲁棒性和实时性。     

Contourlet域目标不变特征提取

在基于形状的目标识别中,提取出鉴别力强并具有不变性的特征是至关重要的问题。多尺度几何分析具有多方向选择性和各向异性的特点,能够更有效地表示目标图像的局部特征,但这些变换本身不具备不变性,极大地限制了它在模式识别中的应用。利用图像广义矩的概念,提出了一种在Contourlet域具有平移、缩放及旋转不变性特征的描述子,该特征能精细地刻画目标区域的局部特性,并在位置、角度及尺寸变换情况下具有不变性,仿真实验验证了其不变性,并讨论了一般情况下,Contourlct变换分解尺度对不同类目标间分离度的影响,为提取最具鉴别性的特征提供了有益的参考。     

用不变矩和边界方向进行形状检索

基于形状的图像检索一直以来是图像内容检索的一个难点问题，而目前采用周长、面积、边角率等描述形状的方法不能使形状检索达到理想的效果．本文提出了一种新的针对图像形状的检索方法．首先，用Canny算子对图像进行平滑处理，提取图像边界方向直方图特征、其次，用不变矩来描述图像形状的区域特征，不变矩特征不受图像的缩放、平移和旋转的影响．最后，为了克服不变矩只关心对象区域，而对图像边界忽视的缺点，提出了不变矩与边界方向特征相结合的方法，使得检索取得更好的效果．本文通过对医学图像的形状检索实验，给出了实验结果和结论．     

基于小波矩的车辆特征提取算法研究

车辆目标图像特征提取是智能交通系统中车辆识别与分类的关键问题。在车型提取算法中,矩特征是较为常用的车型特征描述子。针对Hu矩的七个特征分量在数量级上差别较大且受比例因子影响的问题,基于不变矩和小波能量的原理和特点的研究,重点提出了基于小波矩的特征提取算法,并应用于车辆的特征提取。最后的实验对实际车辆图像进行采集,对预处理图像进行小波分解得到三级子图像,对子图像求取修正Hu不变矩,将不变矩作为特征量,利用最小邻距离分类得出识别结果。最后的实验结果显示,通过这种方法提取的特征量具有平移、旋转、比例不变性,能反映目标图像的重要的、本原的属性,与传统Hu矩相比,识别率提高了13.5%,达到了预期的目标。     

Wrong Matching Points Elimination after Scale Invariant Feature Transform and Its Application to Image Matching

When images are rotated and the scale varies or there are similar objects in the images, wrong matching points appear easily in the scale invariant feature transform (SIFT). To address the problem, this paper proposes a SIFT wrong matching points elimination algorithm. The voting mechanism of Generalized Hough Transform (GHT) is introduced to find the rotation and scaling of the image and locate where the template image appears in the scene in order to completely reject unmatched points. Through a discovery that the neighborhood diameter ratio and direction angle difference of correct matching pairs have a quantitative relationship with the image’s rotation and scaling information, we further remove the mismatching points accurately. In order to improve image matching efficiency, a method for finding the optimal scaling level is proposed. A scaling multiple is obtained through training of sample images and applied to all images to be matched. The experimental results demonstrate that the proposed algorithm can eliminate wrong matching points more effectively than the other three commonly used methods. The image matching tests have been conducted on images from the Inria BelgaLogos database. Performance evaluation results show that the proposed method has a higher correct matching rate and higher matching efficiency.     

Fuzzy ARTMAP classification of invariant features derived using angle of rotation from a neural network

Conventional regular moment functions have been proposed as pattern sensitive features in image classification and recognition applications. But conventional regular moments are only invariant to translation, rotation and equal scaling. It is shown that the conventional regular moment invariants remain no longer invariant when the image is scaled unequally in the x- and y-axis directions. We address this problem by presenting a technique to make the regular moment functions invariant to unequal scaling. However, the technique produces a set of features that are only invariant to translation, unequal/equal scaling and reflection. They are not invariant to rotation. To make them invariant to rotation, moments are calculated with respect to the principal axis of the image. To perform this, the exact angle of rotation must be known. But the method of using the second-order moments to determine this angle will also be inclusive of an undesired tilt angle. Therefore, in order to correctly determine the amount of rotation, the tilt angle which differs for different scaling factors in the x- and y-axis directions for the particular image must be obtained. In order to solve this problem, a neural network using the back-propagation learning algorithm is trained to estimate the tilt angle of the image and from this the amount of rotation for the image can be determined. Next, the new moments are derived and a Fuzzy ARTMAP network is used to classify these images into their respective classes. Sets of experiments involving images rotated and scaled unequally in the x- and y-axis directions are carried out to demonstrate the validity of the proposed technique.     

Third-order moment spectrum and weighted fuzzy classifier for robust 2-D object recognition

In this paper, a robust position, scale, and rotation invariant system for the recognition of closed 2-D noise corrupted images using the bispectral features of a contour sequence and the weighted fuzzy classifier are derived. The higher-order spectrum based on third-order moment, called a bispectrum, is applied to the contour sequences of an image to extract a 15-dimensional feature vector for each of the 2-D images. This bispectral feature vector, which is invariant to shape translation, scale, and rotation transformation, can be used to represent a 2-D planar image and is fed into a weighted fuzzy classifier for the recognition process. The experiments with eight different shapes of aircraft images are presented to illustrate the high performance of the proposed system even when the image is significantly corrupted by noise.