基于颜色量化与聚类的图像检索算法

本文给出一种基于颜色的图像检索算法,将DSQ量化与CLQ聚类算法相结合建立图像颜色直方图.避免了动态聚类算法对初始聚类类别数及相应聚类中心敏感,影响聚类结果.该算法首先采用DSQ对图像颜色进行初始量化,确定初始聚类中心;然后在此初始聚类中心基础上进行GLQ聚类;最后,采用对称相似度算法利用颜色直方图进行图像相似性匹配.试验证明,算法对图像有较好的检索性能.     

一种基于颜色统计聚类的医学图像检索技术

基于颜色检索的基本思想是将图像间的距离归结为其颜色直方图间的相似性度量,从而图像检索也就转化为颜色直方图的匹配。目前基于颜色检索的算法主要集中在不同颜色空间进行全局颜色聚类或融合其他可视特征(纹理,颜色空间信息等)联合检索两个方向上。该文在具体的结肠镜图像检索系统研究中,根据医学图像的特点,提出一种在HSV空间的颜色统计聚类的检索方法,取得了良好的检索效果。     

综合颜色和形状特征聚类的图像检索

为了提高图像检索的速度和准确率,通过分析各种聚类算法在图像检索中的缺点,提出了一种新的划分聚类的图像检索方法。首先对HSV模型非均匀量化,利用改进的颜色聚合向量方法提取图像的颜色特征;然后基于改进的Hu不变矩提取图像的全局形状特征;最后,综合颜色和形状特征对图像基于贡献度聚类并建立特征索引库。利用上述方法在Corel图像库中进行图像检索。实验结果表明,与改进的K-means算法的图像检索算法相比,提出算法的查准率和查全率均有较大提高。     

基于优化分块颜色直方图及模糊C聚类的彩色图像检索方法

将数据挖掘的聚类算法应用到基于内容的图像检索中可以有效提高检索的速度和效果。模糊聚类算法更符合图像检索本身所具有的模糊性,但这种方法存在聚类分析时间过久影响检索性能的问题,因此本文提出了一种基于优化分块颜色直方图及模糊C聚类的彩色图像检索方法。首先对图像库中的每幅图像进行分块,并提取出每一块的优化颜色特征信息;然后采用模糊C均值聚类算法对得到的颜色特征向量进行聚类,得到每个图像类的聚类中心;最后计算查询示例图像和对应图像类的图像之间的相似度,按照相似度的大小返回检索结果。实验表明,本文提出的方法不仅具有较高的查全率和查准率,而且提取的特征维数较少,聚类时间短,检索速度快。     

利用颜色进行基于内容的图像检索

提出了一种新的基于颜色的图像检索算法.该方法根据颜色在图像中的分布信息,通过对像素点的加权处理确定最佳的颜色初始聚类数目,将经过加权处理的像素点进行聚类,得到图像主要颜色的统计特征,同时,在分析了主要颜色在图像中的散布情况后,利用主色的矩特征来描述各个主色在图像中的空间分布特征,结合颜色的统计特征与空间分布特征来描述图像的内容,保证图像在局部和整体上的一致性,实验证明该方法的检索精度明显要高于传统的仅基于颜色统计特征的检索结果.     

基于颜色、边缘综合特征的图像检索技术研究

在基于内容的图像检索技术(CBIR)中,颜色作为图像的一种重要视觉信息,已得到广泛应用.相对于图像的几何特征而言,颜色具有一定的稳定性,对缩放、平移、旋转具有很强的鲁棒性.目前基于颜色特征的检索技术很多,但也都有各自的局限性.提出一种新的图像检索算法,基于颜色、边缘二种特征的综合来完成图像的检索.在颜色特征中采取了聚类方法优化像素点颜色量化过程.通过加权处理,将基于颜色直方图的检索技术与基于边缘直方图的检索技术相结合,实现图像检索性能的显著提高.     

高效聚类索引表图像检索

提出了一种基于主颜色、聚类索引表的彩色图像检索算法。应用MPEG-7视觉内容描述对彩色图像进行量化处理,选取图像的主颜色及其所占百分率作为颜色特征,根据主颜色组合建立聚类索引数据库。利用上述主颜色特征计算图像间的相似度,利用聚类索引表对图像进行聚类和快速检索。实验表明,该算法能够准确和高效地检索出用户所需的彩色图像,具有较快的检索速度。     

彩色图像检索方法

对彩色图像的检索进行了研究,提出了彩色图像检索的方法.该方法首先对彩色图像进行聚类,再使用聚类后图像的主颜色进行颜色相似度计算,使用基于奇异值向量的主颜色矩阵进行空间相似度计算,最后给出了基于主颜色的颜色信息和空间分布信息的图像内容相似度计算方法.进行检索时,可根据检索要求自适应地改变颜色和空间分布的权重,增加了系统的有效性.实验结果表明,该方法实现简单,能够更加灵活、准确地描述图像的颜色特征,从而有效提高了图像检索的准确率.     

基于遗传FCM算法和SVM的图像检索

提出基于遗传FCM聚类算法和SVM相关反馈的图像检索方法。首先对图像库提取颜色和纹理特征,采用遗传FCM聚类算法对图像进行聚类,得到每个图像类的聚类中心;最后计算查询示例图像和对应图像类的图像之间的相似度,按照相似度的大小返回检索结果。为了进一步提高检索精度,提出基于SVM的相关反馈算法。实验结果表明,提出的方法具有优良的检索性能。     

一种基于颜色特征的图像检索方法

提出了一种新的基于颜色自组织聚类的图像检索算法。该算法根据颜色在图像中的分布信息，通过对像素点的加权处理确定最佳的颜色初始聚类数目，将经过加权处理的像素点进行聚类，得到图像主要颜色的统计特征，同时，在分析了主要颜色在图像中的散布情况后，利用主色的矩特征来描述各个主色在图像中的空间分布特征，结合颜色的统计特征与空间分布特征来描述图像的内容，保证了图像在局部和整体上的一致性，实验结果证明，该算法的检索精度明显要高于传统的仅基于颜色统计特征的检索精度。     

基于物理模型的彩色图像分割

本文给出一个基于光学物理模型的真实彩色图像分割算法.算法首先对图像上的颜色变 化(由光照和物体颜色引起)进行分析与综合,然后分割图像.算法的基础是双色反射模型理 论,该理论认为反射光的颜色是界面反射(耀斑颜色)和本体反射(物体颜色)的线性组合,这两 种反射光在颜色空间的三维直方图中形成特定的聚类(点簇).因此分析聚类的性质可帮助确 定光照和物体的颜色,但是有意义的聚类的生成又以图像中物体区域的确定为前提.算法按 照假设检验的策略,依据图像中的连通性和颜色空间中聚类的特征,完成彩色图像的分割,并 产生对景物中所发生的光学过程的物理描述.该描述包括本征反射图像、分割图像、物体和光 照颜色的符号描述.本征反射图像包括只反映界面反射的耀斑图像和从原图像中去除耀斑影 响后的本体图像.     

基于语义的图像物体提取的新方法

在图像语义研究中,提取图像中的语义物体或区域是重要的.本文首先对图像预处理,通过颜色空间的转换,在空间对图像进行K-均值分类,提取出具有语义性质的物体和区域.实验结果表明该方法是可行的,而且很有效的.     

图像颜色与纹理特征的粗糙集分类模型

颜色与纹理作为两类基本特征,现有的很多图像检索、查询及分类系统都能很好地支持。该文提出一个基于图像内容的颜色与纹理特征,利用粗糙集分类的模型,即对图像进行四等分分割,而后对每一区域通过聚类分析得到4种主色,这样可构成16个颜色特征。再对聚类后的主色进行二值映射操作,并计算其0°与90°方向的共生矩阵,则可获取基于能量的8个纹理特征。在获取24个特征构成决策分类表后,最后利用粗糙集进行分类。实验证明其性能良好,相对于聚类、神经网络、贝叶斯等方法简单、高效、准确。     

融合颜色和区域信息的彩色图像分割新方法

结合了均值漂移算法和区域合并算法,取长补短,提出了一种融合颜色和区域信息的彩色图像分割方法。该算法首先利用均值漂移求取各个局部极值(聚类中心),在带宽求取和权重设置上使用了自适应法则,使算法更具有适用性;然后使用一个基于阀值的区域合并算法,解决了均值漂移对纹理和关照变化的过分割。实验证明,该算法是有效的。     

一种基于颜色信息的图象检索方法

由于传统的基于颜色的图象检索都是基于颜色直方图的检索,其很难将颜色信息和其他信息结合起来,因此,降低了图象检索的准确度.为了提高图象检索的准确度,提出了一种基于颜色聚类表的图象检索方法,该方法首先定义颜色聚类表,并对图象进行颜色聚类;然后利用聚类后的颜色信息构造聚类表,并利用聚类表作为特征来对图象进行检索,同时给出颜色聚类表的获取方法;最后,利用该方法进行了仿真实验.实验结果表明,利用颜色聚类表,根据图象的聚类结果来实现检索,可以很方便地将颜色信息与其他信息结合起来.     

基于模糊熵和RPCL的彩色图像聚类分割

提出了一种基于模糊熵和RPCL(rival penalized competitive learn ing)的彩色图像聚类分割算法。该算法可以自动确定图像的颜色类数目和初始类中心,从而提高了聚类的收敛速度,并且能够解决模糊熵阈值化分割算法所造成的过度分割问题。首先,计算彩色图像各颜色分量的模糊熵,获得分量模糊熵曲线,并根据模糊熵原理确定各分量的分割区域及聚类中心;然后,对各分量的聚类中心进行组合,形成彩色图像可能的聚类中心。但是,组合的聚类中心数目会多于实际的聚类数目,造成过度分割。因此,本文采用RPCL算法,对这些组合的聚类中心颜色进行学习来确定实际的颜色类数目以及聚类中心,并用学习后的聚类中心对原图像进行聚类分割。实验结果表明,该算法能有效地分割彩色图像,无需事先给定聚类数目和初始类中心。     

快速模糊C均值聚类彩色图像分割方法

模糊C均值(FCM)聚类用于彩色图像分割具有简单直观、易于实现的特点，但存在聚类性能受中心点初始化影响且计算量大等问题，为此，提出了一种快速模糊聚类方法(FFCM)。这种方法利用分层减法聚类把图像数据分成一定数量的色彩相近的子集，一方面，子集中心用于初始化聚类中心点；另一方面，利用子集中心点和分布密度进行模糊聚类，由于聚类样本数量显著减少以及分层减法聚类计算量小，故可以大幅提高模糊C均值算法的计算速度，进而可以利用聚类有效性分析指标快速确定聚类数目。实验表明，这种方法不需事先确定聚类数目并且在优化聚类性能不变的前提下，可以使模糊聚类的速度得到明显提高，实现彩色图像的快速分割。     

基于广义直图的图像检索方法

文中提出了一种基于广义直方图的图像内容检索方法。首先,论文把图像和它的平滑图像组合起来,形成一个二元组,称之为“广义图像”,广义图像的直方图称为广义直方图;其次,把图像颜色空间聚类算法推广到广义图像;最后,利用传统直方图方法的检索原理,根据广义直方图对广义图像进行检索,从而实现对原图像的检索。实验结果表明,新方法非常有效,与传统直方图方法相比,较大地提高了输出精度。     

Color image segmentation—an innovative approach

In this paper we describe a color image segmentation system that performs color clustering in a color space and then color region segmentation in the image domain. For color segmentation, we developed a fuzzy clustering algorithm that iteratively generates color clusters using a uniquely defined fuzzy membership function and an objective function for clustering optimization. The fuzzy membership function represents belief value of a color belonging to a color cluster and the mutual interference of neighboring clusters. The region segmentation algorithm merges clusters in the image domain based on color similarity and spatial adjacency. We developed three different methods for merging regions in the image domain. Unlike many existing clustering algorithms, the image segmentation system does not require the knowledge about the number of the color clusters to be generated at each stage and the resolution of the color regions can be controlled by one single parameter, the radius of a cluster. The color image segmentation system has been implemented and tested on a variety of color images including satellite images, car and face images. The experiment results are presented and the performance of each algorithm in the segmentation system is analyzed. The system has shown to be both effective and efficient.     

一种基于K均值分类稀疏表示的灰度图像颜色重建方法

本文充分利用参考图像与待处理灰度图像的关联关系,运用稀疏表示理论和字典学习的方法,提出一种基于K均值分类和残差补偿的稀疏表示的方法来对灰度图像进行颜色重建。首先根据K均值算法将参考图像分成K类,利用K阶奇异值分解（K-SVD）算法训练各类的亮度—特征—颜色的联合字典;其次,根据最小形心距离将待处理灰度图像自适应地分成K类,利用其亮度和特征信息根据正交匹配追踪（OMP）算法得到各类的稀疏系数;然后利用各类的字典和稀疏系数重建初始的彩色图像;最后用残差补偿对重建结果进行修正。实验结果表明,该算法相比于经典算法及其他改进算法对灰度图像进行颜色重建时取得了更好的效果,重建的图像看起来更自然、平滑并且在客观评价标准方面也优于对比算法。