图像纹理特征相似性度量的研究

纹理是图像的重要属性,基于纹理特征检索图像是当前的研究热点,对图像的纹理进行相似性比较是进行图像检索的关键.根据纹理的特点,本文将通用的向量空间模型进行拓展,构建了一个针对簇集进行相似性匹配的模型-聚类空间模型,对图像纹理相似性进行度量,并据此实现了无需分割的多纹理图像检索.我们分别针对单纹理图像和自然图像库进进行了实验,获得的实验结果与人类视觉认知的结果一致.     

一种新的基于区域的图像检索方法

基于区域的图像检索大都是利用各个区域的高频部分来直接代表图像的纹理特征,这种算法可能会导致诸如纹理平移等现象,增大图像的距离度量的误差,降低了检索的精度.本文提出了一种基于高阶微分的纹理特征选取算法,有效地解决了这类问题.另外,本文对Meanshift分割算法进行了改进,减小了由于区域吞噬而带来的颜色度量的误差.实验结果表明这种方法是有效的.     

纹理图像的多尺度分割

纹理图像分割最常用的方法就是基于特征的纹理分割,即首先提取出图像的纹理特征,在利用提取出的纹理特征来进行特征划分.通过对纹理特征进行划分来实现纹理图像分割的过程所面对的主要困难可以概括为:效率和效果.纹理图像分割算法大多具有较高的时间复杂度,这一方面是因为纹理特征提取比较费时,另一方面较高的特征维数导致特征划分过程的计算量通常比较大.本文提出基于图像四叉树的多尺度分割算法来实现实时图像的粗分割,实验表明此算法可以在保持分割精度的前提下大大降低时间复杂度.     

基于非监督纹理分割下的图像查询

随着图像数据库的广泛应用,基于图像纹理的查询已经变成了一项重要也是复杂的工作。为了更简便地查询图像,文中基于图像纹理的非监督分割,提出了新的图像分类方法。通过对每一纹理图像进行这种非监督纹理分割,提取纹理的特征向量,然后基于这些参数,运用假设检验进行纹理的分类和融合。通过对MT Vistex和Brodatz数据库中选取的纹理图像进行分类测试,证明该方法是十分有效的。     

基于纹理分割的形状特征相似的商标检索技术

提出了一种新的商标图像检索方法,它基于图像的纹理分析进行自动分割,得到分块图像的形状大致信息,然后把纹理、形状这些相关特征进行组合,从而产生一个用于商标图像检索的特征向量.实验证明从纹理分割区域生成的图像特征对于商标图像检索非常有效,具有较强的识别能力.     

基于非监督纹理分割下的图像查询

随着图像数据库的广泛应用，基于图像纹理的查询已经变成了一项重要也是复杂的工作。为了更简便地查询图像，文中基于图像纹理的非监督分割，提出了新的图像分类方法。通过对每一纹理图像进行这种非监督纹理分割，提取纹理的特征向量，然后基于这些参数，运用假设检验进行纹理的分类和融合。通过对MT Vistex和Brodatz数据库中选取的纹理图像进行分类测试，证明该方法是十分有效的。     

综合颜色与纹理的图像检索

提出了组合颜色和纹理特征的图像检索方法,通过对颜色进行量化然后提取颜色特征,计算图像之间的颜色距离.用Gabor变换提取图像的纹理特征然后根据L2距离计算图像的纹理距离,利用颜色特征和纹理特征的加权来求检索图像和查询图像的相似度,根据相似度的大小来进行图像的检索.实验结果表明,基于组合特征的图像检索方法优于单纯的图像检索方法.     

基于色彩均匀度的自然图像色彩-纹理分割方法

针对现有图像分割方法中存在的计算复杂,分割结果平滑性不好等问题,提出了基于色彩均匀度的自然图像色彩—纹理分割方法ISBEC。该方法首先对输入图像进行色彩量化,然后利用量化得到的索引图同时进行色彩分割和基于色彩均匀度的多尺度纹理分析,接着将纹理和色彩分割的结果加以结合,最后合并去掉过分割区域。将灰度图像转为色彩分量相同的彩色图像后,ISBEC算法同样可以用于灰度图像的分割。实验结果验证了ISBEC对自然图像色彩—纹理分割的有效性。     

低层特征获取高层语义的图像检索

首先采用基于颜色聚类的方法将图像分割成区域,提取每个区域的Gabor小波纹理特征和灰度共生矩阵纹理特征,接着采用信息熵对特征进行选择,使用选择后的特征对图像区域进行聚类,得到每幅图像的语义特征向量;然后提出遗传模糊C均值算法对图像进行聚类。在图像检索时,查询图像和聚类中心比较,在距离最小的类中进行检索。实验表明,提出的方法可以明显提高检索效率,提高了检索的精度。     

基于语义学习的图像多模态检索

针对语义鸿沟问题,在语义学习的基础上设计图像的多模态检索系统。该系统结合3种查询方式进行图像检索。基于视觉特征的查询通过特征提取与相似度匹配进行排位。基于标签的查询建立在图像自动标注的基础上,但在语义空间之外的泛化能力较差。基于语义图例的查询能够在很大程度上克服这个缺陷,通过在显式或隐式的语义空间上进行查询,使检索结果更符合人类感知。实验结果表明,与基于纹理特征的图像检索相比,基于语义图例的检索具有更高的精度及召回率。     

基于轮廓的图像检索

提出了一种针对多纹理图像的基于轮廓和纹理分割的检索策略.首先提取一幅图像中各个纹理基元的轮廓,计算轮廓的Fourier形状描绘子,根据形状描绘子对轮廓聚类分组.此时,原图像被分割成几组不同形状的纹理基元轮廓,采用Gabor小波变换分别提取各组纹理基元轮廓的特征,从而将原图像表示为Gabor小波特征空间中的特征点集.最后,采用对噪音不敏感的改进Hausdorff距离计算各特征点集之间的距离,便可实现多纹理图像的检索.与已有方法相比,实验结果表明,该方法具有更好的检索精度.     

基于图像能量谱直方图的纹理检索算法RAH

本文提出的基于纹理的图像检索算法RAH是以图像的能量谱直方图为基础,包括以下两个方面：第一,计算图像能量谱的半径和角度直方图的方法以及基于图像能量直方图的频率去提取纹理特征的算法;第二,基于纹理特征的相似度检测方程。这个实验结果表明,RAH算法优于一般的灰度共生矩阵纹理检索算法,具有较好的检索效果,比较适用于基于内容的图像检索。     

抑制纹理信息的偏置场变分图像分割模型

偏置场变分水平集图像分割模型利用原始图像的局部灰度信息,可以对灰度不均匀图像进行有效的分割,但当灰度图像中存在纹理时,分割效果往往很差。针对这一问题,提出抑制纹理信息的偏置场变分水平集图像分割模型。利用一种基于纹理几何结构的纹理描述符描述图像中不同的纹理区域,使得不同纹理区域对比更加明显,相同纹理区域更加平滑,通过抑制纹理信息使后续的图像分割在纹理部分的错分大大减少。实验结果表明,相比偏置场变分模型,所提模型对自然及人工合成纹理图像均获得更好的分割结果。     

一种基于多示例学习的图像检索方法

由于多示例学习能够有效处理图像的歧义性,因此被应用于基于内容的图像检索(CBIR).本文提出一种基于多示例学习的CBIR方法.该方法将图像作为多示例包,使用基于自组织特征映射网络聚类的方法分割图像,并将由颜色和纹理特征描述的图像区域作为包中示例.根据用户选择的实例图像生成正包和反包,使用多示例学习算法进行学习,实现图像检索和相关反馈.实验结果表明这种方法与已有方法检索效果相当,但检索效率更高.     

区域图像检索中的AdaBoost反馈学习算法

提出了一种基于AdaBoost相关反馈的区域图像检索方法.结合图分割的图像分割算法和多区域匹配方法,利用用户的反馈信息对AdaBoost弱分类器的反复训练,得到一个具有较小错误率的强分类器.将其应用到区域图像检索中从而返回更加精确的查询结果.实验表明(图像数据库大小为10000),基于AdaBoost相关反馈的区域图像检索方法有更好的检索查准率和密集度,优于单一区域的图像比较算法和多区域比较算法.     

面向内容检索的彩色图像分割

稳健有效的图像自动分割是面向内容图像检索中的一个重要问题，适应内容检索的需要，提出了一种融合颜色，纹理特征，采用特征聚类的彩色图像分割新算法，该算法采用线性加权方式融合颜色，纹理特征，并依据图像功率谱分布自适应确定融合权值，它采用提出的基于编码代价的自淬火（self annealing)方法对特征空间聚类，该聚类算法具有可自动确定类别数目，对初始聚类中心选择不敏感的优点，将新算法有于分割多幅自然图像，实验结果证明了算法的有效性。     

一种有效的基于小波信息分布熵的图像检索技术

在分析基于小波域图像索引技术的缺点后,提出一种基于小波信息分布熵的图像检索新方法.该方法首先将图像分割成若干个子图像,然后对这些子图像进行三层小波变换,并对小波变换后的各个子带图像进行处理以获取纹理图像,从而大大减少了计算的复杂性.最后以小波纹理直方图为概率密度函数,计算各个子图像的信息分布熵,不但使图像特征有紧密表示,而且也使图像检索的速度大大加快.实验结果表明,该方法对图像检索是有效的.     

基于局部特征的自适应快速图像分割模型

基于区域的活动轮廓模型如Chan-Vese(CV)模型等以其能较好的处理图像的模糊边界和复杂拓扑结构而广泛运用于图像分割中.然而基于灰度分布均匀假设,该模型对于含灰度不一致性的目标分割结果较差.此外,纹理是周期性重复出现的细节,依靠灰度信息无法正确检测.针对这些问题,提出一种基于局部特征的自适应快速图像分割模型.一方面,利用两种区域项检测卡通部分和纹理部分的特征信息,在自适应的局部块中提取局部统计信息以克服卡通部分的灰度不一致性;另一方面,利用自适应的局部块中的纹理特征来计算背景和目标区域的Kullback-Leibler (KL)距离以检测图像的纹理部分.进一步,基于分裂Bregman方法对该模型进行快速求解.分别对医学和纹理图像进行了实验,准确性和时效性都有显著提高.     

一种基于前景与背景划分的区域图像检索方法及实现

区域图像检索(RBIR)是基于内容图像检索(CBIR)的一个分支,它以图像分割为基础,通过图像局部视觉特征的相似性进行图像检索。由于准确的图像分割技术尚不成熟,区域图像检索性能容易受到冗余分割和错误分割的影响。为了降低RBIR中图像分割的影响,提出了一种基于前景和背景划分的区域图像检索方法。该方法通过规则分块、图像分类和有效区域定位来得到图像分割区域,然后应用中心对象提取算法(COEA)获得图像主体对象,最后提取颜色和纹理特征进行相似度匹配。实现了一个基于上述方法的RBIR系统ObFind,实验结果表明该方法不仅具有与SIMPLIcity相当的检索性能,而且计算复杂度更低。     

基于人类视觉特性的纹理分割方法

纹理分割是将一幅图像依据纹理不同分成若干个不同的区域,目前广泛采用的是利用滤波器族(如Gabor)对图像进行分解.但由于图像纹理表现的各异性,通常要选择很多滤波器,导致提取的特征困难,分类效果不好,效率低,使用范围受限.文中提出了一种基于人类视觉系统(Human Visual System,HVS)二阶机理的纹理分割方法,即基于‘滤波器->整流->滤波器'(FRF)模型的纹理分割方法.该算法符合HVS区分纹理机理,计算过程简单、方便.针对各纹理选取的特征明显,分类效果好,效率较高.