基于颜色和形状的图像检索

在分析了基于图像颜色信息和空间信息进行图像捡索的基础上，提出了一种新的基于图像颜色和形状的图像检索算法。该算法采用HSI颜色空间，整幅图像首先被划分为具有固定尺寸的分块，对其中的每一分块，提取该分块的主色调作为该分块的颜色特征，对整幅图像采用主色调直方图作为其颜色特征；在对图像形状特征的提取上，针对图像1分量的每一分块，提出了分块平坦度和凹凸度的概念，并利用分块的这两个属性，将图像的分块划分为不同类别，同时采用不同类别分块的直方图作为图像的形状特征。试验表明利用该算法提取的图像的颜色特征和形状特征在进行图像检索时效果显著。     

基于局部颜色-空间特征的图像检索方法研究

研究均匀分块颜色直方图和累加颜色直方图的特征提取方式,分析其在考虑颜色统计分布和颜色空间分布问题上的优点和缺点,实现均匀分块颜色直方图和累加颜色直方图特征提取方式的图像检索,并在此基础上对特征提取方式进行改进,提出一种基于HSV非均匀量化分块颜色直方图的算法,并对该算法进行验证。研究结果表明,该算法改善了颜色特征缺乏空间信息的缺点,并验证了基于HSV非均匀量化分块颜色直方图的算法相对于均匀分块颜色直方图和累加颜色直方图有较好的检索精度。     

一种基于颜色自动相关图与小波变换的图像检索算法研究

随着图像数据量的不断丰富和人们需求的不断提高,基于内容的图像检索技术成为一个重要的研究课题。本文研究了基于颜色相关图与小波变换的图像检索算法,利用颜色相关图与小波变换,把图像分块分别提取图像的颜色特征与纹理特征,实现了图像的检索。实验结果说明了算法的有效性。     

图像内容检索中的相似性度量和相关反馈

在颜色RGB三维空间中，结合空间解析几何，以分块直方图图像检索为基础，提出了特征向量的球域相似性度量算法，同时还时相关反馈进行了深入研究，改进了区域权重自动调整的相关反馈。最后，通过时检索结果进行验证，本文所叙述的方法有良好的检索效果。     

基于特征点匹配技术的图像检索方法

图像数据的无序激增使得基于内容的图像检索技术成为一个研究热点。为了克服普通颜色特征不考虑颜色的空间分布的缺点，提出了一种多分辨率分块特征点匹配的图像检索技术。同时，还将相关反馈技术融合到多分辨率分块主色算法中以便改善检索效果。实验表明，文中所叙述的方法是比较有效的。     

MEPG-7分块加权主颜色及相关反馈的图像检索方法

针对MEPG-7主颜色描述符(DCD)无法反映色彩分布的空间信息这一缺陷,采用分块加权主颜色,并在分块加权主颜色的基础上,提出了相应的反馈方法。该反馈方法块间采用基于权重调整的关联反馈算法,块内采用调整主颜色特征值的方法。实验结果表明,该方法较好地解决了主颜色空间分布信息导致的误判,并且加入了相关反馈算法,提高了检索精度。     

基于分块主颜色匹配的图像检索

针对颜色直方图无法表达颜色空间分布信息的问题,提出一种基于分块主颜色匹配的图像检索算法,对图像进行新的重叠分块,提取各分块的主颜色,将简化的二次式距离计算方法应用到分块主颜色的匹配中,并对图像各个分块的颜色特征采用不同的加权系数。实验结果表明,该算法在保持较高检索精度的同时,能够降低特征空间维度,提高检索性能。     

基于分块主色法的图像检索算法研究

基于内容的图像检索CBIR(Content Based Image Retrieval)是当前多媒体检索的热点。本文提出了一种基于图像的分块主颜色的图像检索算法,论述了系统的结构、颜色特征提取方法及其相似匹配方法,并给出部分实验结果。从实验结果来看,文中提出的把图像分块再提取各分块的主色的方法,使得该系统获得了良好的检索效果。     

基于分块合并直方图改进的图像检索方法

在图像分块的基础之上,利用图像块的颜色信息作为图像特征进行图像的匹配。同时,还对块的直方图进行了合并,既提高了图像匹配的精度,又降低了算法的计算时间。最后,对图像块的匹配算法进行了探索,利用贪婪算法产生优化的对应块匹配方法。试验结果表明贪婪图像匹配算法优于传统分块的图像检索算法。     

综合分块主色和相关反馈技术的图像检索方法

图像数据的无序激增使得基于内容的图像检索技术成为研究热点,为了克服普通颜色特征不考虑颜色的空间分布的缺点,提出了一种多分辨率分块主色法的空间颜色素引技术,同时,还将相关反馈技术融合到多分辨率分块主色算法中,以改善检索效果,据此,实现了一个图像检索原型系统－－SmartEye,并依据所设计的评价实验,将SmartEye的检索结果与其它相关的方法进行了比较和分析,实验表明,文中的方法是比较有效的。     

基于梯度基元聚合矢量的图像检索算法*

针对图像检索中多特征融合问题,提出了一种基于梯度基元聚合矢量的图像检索算法。该算法在改进的HSV颜色空间计算边缘梯度,通过定义的基元模板扫描梯度图像,生成梯度基元图像,将基元和非基元像素分别组合成聚合和非聚合像素集合;最后利用颜色自相关图算法对上述两个集合提取特征矢量,实现了融合颜色、形状、纹理和空间信息等多特征的图像检索。实验结果表明,该算法能够融合颜色、形状、纹理和空间信息,有效地提高了基于内容的图像检索的查准率和查全率。     

基于图像特征检索技术的材料腐蚀监测系统

材料腐蚀监测是利用视频技术、计算机图像处理技术、模式识别技术等对材料外观腐蚀图像进行检测、处理及管理。该文针对材料腐蚀图像的颜色特征和空间结构信息，用颜色直方图、颜色一致向量、颜色相关图和图像分形维数方法实现材料腐蚀图像统计特征的提取，用加权欧氏距离来描述材料腐蚀图像的相似性，实现了材料腐蚀图像内容的匹配及检索。     

一个图像数据库检索系统的结构设计和快速检索方法

本文介绍了图像数据库区别于常规数据库的特点,并以数字化图书馆的数据库子系统Basestar为例,介绍了图像数据库检索系统的结构和检索方法。Basestar采用综合了颜色、形状、纹理三种特征矢量的综合性检索方法,本文详细介绍了这种方法,并论述了在此方法基础上,根据三角形不等式准则改进而成的检索方法的原理和实现。实验证明Basestar 系统具有较好的检索效果,检索结果证明快速检索方法是有效的。     

一种鲁棒的多特征彩色图像检索新方法

为了提高彩色图像检索的准确性,以回归型支持向量机(SVR)理论为基础,结合重要的图像边缘信息,提出了一种鲁棒的多特征彩色图像检索新方法。该方法首先利用回归型支持向量机(SVR)理论,对原始图像进行去噪处理及彩色边缘提取;然后将整个彩色边缘划分成局部网格区域,并分别计算出每个网格区域的颜色直方图和纹理直方图;最后综合利用上述网格区域的颜色直方图和纹理直方图来计算图像间内容的相似度,并进行彩色图像检索。实验结果表明,该方法不仅能够准确、快速的检索出用户所需图像,而且对光照、锐化、模糊等噪声攻击均具有较好的鲁棒性。     

综合contourlet变换和颜色特征的图像检索算法

针对单一特征图像检索效率不高的缺点,提出一种基于轮廓波变换(contourlet)和颜色直方图的多特征检索方法.Con-tourlet变换采用"双重滤波器组"结构,具备多分辨率、多方向性和各向异性等性质,能以接近最优的方式表示图像的边缘.颜色直方图计算简单,具有旋转、平移的不变性.本算法充分利用Contourlet变换后系数分布特点和HSV空间颜色直方图的旋转平移不变性,构造图像的特征向量,以Euclidean distance作为相似度量标准进行图像检索.实验结果表明,提出的算法具有更高的查准率.     

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。     

基于粒计算的空间特征提取及其检索的研究

利用四叉树算法将图像分割成若干子块,根据子块的颜色直方图,将提取图像的空间特征与提取图像的颜色特征结合起来,然后运用粒计算理论对提取的图像空间特征进行粒化,得到特征向量,并对其进行归一化。在此基础上,结合相关反馈机制设计基于粒计算的融合多特征的人机交互式图像检索的综合算法,该算法的复杂度低,能够在很大程度上提高图像检索的效率和准确性。     

基于全局颜色的图像检索算法与实现

本文描述了基于全局颜色的图像检索算法及其实现算法。也讨论了颜色空间划分方法、全局颜色直方图特征提取方法和基于全局颜色直方图特征的检索算法。这种算法检索速度快、准确率高。并给了一个具体检索实例。     

Extraction of major object features using VQ clustering for content-based image retrieval

An image representation method using vector quantization (VQ) on color and texture is proposed in this paper. The proposed method is also used to retrieve similar images from database systems. The basic idea is a transformation from the raw pixel data to a small set of image regions, which are coherent in color and texture space. A scheme is provided for object-based image retrieval. Features for image retrieval are the three color features (hue, saturation, and value) from the HSV color model and five textural features (ASM, contrast, correlation, variance, and entropy) from the gray-level co-occurrence matrices. Once the features are extracted from an image, eight-dimensional feature vectors represent each pixel in the image. The VQ algorithm is used to rapidly cluster those feature vectors into groups. A representative feature table based on the dominant groups is obtained and used to retrieve similar images according to the object within the image. This method can retrieve similar images even in cases where objects are translated, scaled, and rotated.     

ON IMAGE CLASSIFICATION: CITY IMAGES VS. LANDSCAPES

Grouping images into semantically meaningful categories using low-level visual features is a challenging and important problem in content-based image retrieval. Based on these groupings, effective indices can be built for an image database. In this paper, we show how a specific high-level classification problem (city images vs landscapes) can be solved from relatively simple low-level features geared for the particular classes. We have developed a procedure to qualitatively measure the saliency of a feature towards a classification problem based on the plot of the intra-class and inter-class distance distributions. We use this approach to determine the discriminative power of the following features: color histogram, color coherence vector, DCT coefficient, edge direction histogram, and edge direction coherence vector. We determine that the edge direction-based features have the most discriminative power for the classification problem of interest here. A weighted k-NN classifier is used for the classification which results in an accuracy of 93.9% when evaluated on an image database of 2716 images using the leave-one-out method. This approach has been extended to further classify 528 landscape images into forests, mountains, and sunset/sunrise classes. First, the input images are classified as sunset/sunrise images vs forest & mountain images (94.5% accuracy) and then the forest & mountain images are classified as forest images or mountain images (91.7% accuracy). We are currently identifying further semantic classes to assign to images as well as extracting low level features which are salient for these classes. Our final goal is to combine multiple 2-class classifiers into a single hierarchical classifier.